CN110581554A - 基于影响增量的电网N-k故障分析与筛选方法及装置 - Google Patents

Abstract

本发明公开了基于影响增量的电网N‑k故障分析与筛选方法及装置，方法包括：获取k阶***状态的影响I_s以及对应的影响增量；将***高阶N‑k故障状态的影响分解至低阶故障状态，利用低阶故障状态的影响增量计算N‑k故障状态的影响I_s；对输出的故障集进行筛选，提高N‑k故障分析效率。装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求所述的方法步骤。本发明实现了利用有限的低阶故障状态分析结果，快速计算高阶故障状态的影响，并从影响的角度筛选对***威胁最大的故障状态。

Description

基于影响增量的电网N-k故障分析与筛选方法及装置

技术领域

本发明涉及电力***领域，尤其涉及基于影响增量的电网N-k故障分析与筛选方法及装置。

背景技术

随着电力***规模的不断扩大，电网已经发展成为世界上最复杂的人造网络之一，其运行安全对国民经济至关重要。近些年，台风、低温和持续的雨雪冰冻等极端天气频繁出现在我国南北方，使得电力设施遭到大范围破坏，对电网的运行安全造成极大影响。例如，2005年9月，强台风“达维”造成海南电网大量线路跳闸，导致主网崩溃，引起全省大面积停电，总计损失负荷62.5％，经济损失达70多亿元；2008年1月到2月，我国南方地区遭受雨雪冰冻天气，输电线路覆冰严重导致杆塔损坏和大量的变电站停运，电量损失6209GW·h，总计2618.2万人受停电影响。

极端天气条件下，电网设备的故障率将大幅提升，可能发生大量元件同时故障的严重事故，严重影响到电网的运行安全，甚至可能导致电网大面积停电。因此，有必要对电网进行N-k安全校验，筛选出对***威胁较大的故障状态，进而对电网运行方式进行有针对性的调整，以保障电网运行的安全性和可靠性。

受限于计算机计算能力，目前规划和运行人员通常仅考虑N-1故障，或部分N-2及N-3故障，无法完全覆盖数量巨大的高阶N-k故障。而这些被忽视的高阶N-k故障往往是极端天气下造成大规模的停电的主要原因。因此，若能够对大量N-k故障状态的影响进行快速计算和筛选，将有助于提升电网的韧性以及抗灾能力。

现有的国内外针对N-k的研究很多是基于连锁故障分析，即确定初始故障后，反复求解潮流并开断过载支路。但实际N-k故障不但包括传统的连锁故障，还包括在极端天气条件或灾害情况下多个设备的随机故障。传统的连锁故障本质上是筛选出了一些发生概率相对较高的N-k故障，但对于恶劣天气等影响的大范围设备随机故障无能为力。

发明内容

本发明提供了基于影响增量的电网N-k故障分析与筛选方法及装置，本发明实现了利用有限的低阶故障状态分析结果，快速计算高阶故障状态的影响，并从影响的角度筛选对***威胁最大的故障状态。极端天气条件下，设备的故障概率和故障数量将大幅度增加，并且故障概率难以准确预测，有效解决了传统基于概率的筛选方法将难以得到全面的高影响故障集，且难以保持一个较高的计算效率的问题，详见下文描述：

基于影响增量的电网N-k故障分析与筛选方法，所述方法包括：

获取k阶***状态的影响I_s以及对应的影响增量；

将***高阶N-k故障状态的影响分解至低阶故障状态，利用低阶故障状态的影响增量计算N-k故障状态的影响I_s；

对输出的故障集进行筛选，提高N-k故障分析效率。

其中，所述获取k阶***状态的影响I_s以及对应的影响增量具体为：

判断***状态s的故障设备是否彼此相互独立，若元件彼此相互独立，利用OPF算法计算***状态s的影响I_s，进而计算影响增量ΔI_s。

进一步地，所述将***高阶N-k故障状态的影响分解至低阶故障状态，利用低阶故障状态的影响增量计算N-k故障状态的影响I_s具体为：

若k＝N_CTG，计算***N-k故障状态的影响I_s；

检测***N-k故障状态是否包含孤岛，若包含则通过OPF算法重新计算故障状态的影响I_s；否则，输出N-k故障状态的影响I_s。

其中，所述对输出的故障集进行筛选，提高N-k故障分析效率具体为：

将所评估的第N_CTG阶***状态影响从大到小排序，取其中影响最大的前δ％，作为高阶N-k故障筛选的基准集合Ω⁰ _δ,k-1；

以Ω_δ,k-1为基准生成第k阶故障筛选集合Ω_δ,k，并计算其影响；

判断Ω_δ,k之外的k阶故障是否会形成孤岛，若形成孤岛则将能够形成孤岛的k阶故障加到Ω_δ,k，并计算其影响，判断若k+1＝N_k，输出筛选结果。

所述影响增量具体为：

获取状态u的影响增量在一定范围内的求和，***状态s的影响函数与求和做差。

其中，所述N-k故障状态的影响I_s具体为：

确定实际计算的低阶故障状态的阶数，即N_CTG值，计算一阶至N_CTG阶故障状态的影响增量，并对所求故障状态的影响增量进行求和。

进一步地，所述方法还包括：通过调节N_CTG的取值实现计算精度和计算速度的协调。

进一步地，所述方法还包括：对满足独立性判据的故障状态进行孤岛校验，若存在孤岛，则利用潮流分析确定其影响I_s，若不含孤岛，则直接忽略其影响增量。

基于影响增量的电网N-k故障分析及筛选装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的方法步骤。

本发明提供的技术方案的有益效果是：

1、本发明通过研究高阶故障状态与低阶故障状态之间的联系，将高阶故障状态的影响折算至相应的低阶故障状态，显著提高低阶故障状态的权重，能够利用有限的低阶故障状态的影响增量、快速计算大量高阶故障状态的影响，并利用设备间独立关系进一步降低故障分析的计算量，可以根据选取的低阶故障阶数不同，实现精度和速度的协调可控；

2、计算部分高阶故障状态的影响时，最优潮流(OPF)不收敛，导致计算影响为0；对于实际大***发生高阶故障时，影响一般不会为0；而利用本发明能够有效求解这部分高阶故障状态的影响，有效解决OPF不收敛的问题；

3、本发明能够从影响的角度快速筛选出对***运行安全危害最大的N-k故障集。极端天气条件下，设备的故障概率急剧增加，并且故障概率难以准确预测，此时传统基于概率的筛选方法将难以得到全面的高影响故障集。本发明能准确有效的筛选这部分高影响故障集，为调度和运行人员提供准确的信息以应对各种可能发生的事故。

附图说明

图1为基于影响增量的N-k故障状态影响计算方法的流程图；

图2为快速筛选高影响故障状态流程图；

图3为远距离支路设备故障示意图；

图4为孤岛故障示意图；

图5为IEEE RTS79***拓扑图；

图6为IEEE RTS79***计算精度分析示意图；

其中，(a)为N-2故障状态精度分析；(b)为N-3故障状态精度分析；(c)为N-4故

障状态精度分析；(d)为N-5故障状态精度分析。

图7是快速筛选高影响N-k故障状态精度分析示意图。

其中，(a)为快速筛选N-2故障状态；(b)为快速筛选N-3故障状态；(c)为快速筛

选N-4故障状态；(d)为快速筛选N-5故障状态。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

为了解决背景技术中受限于计算机计算能力，无法完全覆盖数量巨大的高阶N-k故障的情况，以及极端天气条件下，由于电网设备故障率的改变，导致传统依靠概率角度无法对高影响故障状态进行筛选的情况。

本发明实施例引入影响增量，通过研究高阶与低阶故障状态之间的联系，将高阶故障状态的影响分解至相应的低阶故障状态，有效提高低阶故障状态的权重，达到利用低阶故障状态的影响增量快速计算高阶N-k故障状态的影响，进而对故障集进行筛选，极大的提高N-k故障分析效率。

实施例1

基于影响增量的N-k故障影响计算方法，参见图1，下面对本发明实施方式作进一步详细描述。其中101-113为计算方法的详细步骤。

101：输入IEEE RTS 79***数据，即包括：N-k故障阶数、精确计算的低阶故障状态阶数N_CTG值以及初始化故障阶数k＝1；

102：利用独立性判据判断所有支路设备间的独立性；

103：根据式(4)创建k阶状态集Ω_s ^k；

104：从状态集Ω_s ^k选择IEEE RTS 79***状态s；

105：判断状态s的故障设备是否彼此相互独立，若元件彼此相互独立，则返回步骤104；否则，执行步骤106；

106：利用OPF算法计算IEEE RTS 79***状态s的影响I_s；

107：通过式(3)计算影响增量ΔI_s；

108：判断若状态集Ω_s ^k中所有状态已被分析，则执行步骤109；否则，执行步骤104；

109：判断若k＝N_CTG，则执行步骤110；否则令k＝k+1，并执行步骤103；

110：根据式(7)计算IEEE RTS 79***N-k故障状态的影响I_s；

111：检测IEEE RTS 79***N-k故障状态是否包含孤岛，若包含则执行步骤112；否则，执行步骤113；

112：通过OPF算法重新计算这部分故障状态的影响I_s；

113：输出N-k故障状态的影响I_s。

以上101-113为基于影响增量的N-k故障影响计算方法的详细步骤。

101-113所述的基于影响增量的N-k故障影响计算方法，能够输出电网的高危元件，并能计算各个故障状态的影响。对于一个大型电力***，高阶故障的数量非常庞大，虽然本发明所提方法能够快速计算N-k故障状态的影响，但仍然无法覆盖全部状态。受限于计算量，需要对数量庞大的故障状态进行筛选，而其中影响较高的高阶故障状态对***的威胁最大，调度和运行人员只需要关注这部分故障状态即可，并根据这部分故障状态迅速做出相应的决策，而大量的影响较低的高阶故障状态由于对***的威胁较小则不需要考虑。

下文所述的步骤114-122为高影响的N-k故障筛选流程，能够优先筛选电网的高危元件，参见图2，下面对本发明实施方式作进一步详细描述：

114：输入IEEE RTS 79***数据，即包括设置的N_CTG值和待筛选的N-k故障状态的阶数上限N_k；

115：当k＝1时，N_CTG阶故障状态的影响即为步骤113输出的I_s执行步骤116；当k>1时，N_CTG阶故障状态的影响已在步骤106求取完毕，直接利用其结果执行步骤116；

116：将所评估的第N_CTG阶***状态影响从大到小排序，取其中影响最大的前δ％，作为高阶N-k故障筛选的基准集合Ω⁰ _δ,k-1；

117：以Ω_δ,k-1为基准生成第k阶故障筛选集合Ω_δ,k，并根据式(7)计算其影响；

118：判断Ω_δ,k之外的k阶故障是否会形成孤岛，若形成孤岛则执行步骤119，否则转到步骤120；

119：将能够形成孤岛的k阶故障加到Ω_δ,k，并计算其影响，执行步骤121；

120：取Ω_δ,k中影响最大的前δ％，作为第k+1阶故障筛选的基准集合Ω⁰ _δ,k；

121：判断若k+1＝N_k，转到步骤122；否则令k＝k+1，并返回步骤117；

122：输出筛选结果。

以上步骤114-122为高影响N-k故障筛选流程的详细步骤。

实施例2

下面结合具体的计算公式、实例对实例1中的方案进行进一步地介绍，详见下文描述：

201：基于影响增量的可靠性指标计算公式，得到影响增量计算公式，进而得到基于影响增量的N-k故障影响的标准计算公式；

传统状态枚举法可靠性指标公式如下：

式中，I(s)是***状态s的影响函数，即***状态s的负荷削减量(MW)，P(s)是s的发生的概率。

根据式(1)推导基于影响增量的可靠性指标计算公式：

式中，ΔI_s是***状态s的影响增量，可由式(3)计算得到，u_i是设备i的不可用率，Ω_A ^k是A的k阶子集，A是所有设备的集合，N是***设备数。

式中，I_u是各阶故障状态的影响，N_s是***状态s的故障设备数，是s的k阶子集，定义如下：

式中，Card(u)表示状态u包括的元素个数。当k＝0时，Ω_s ^k＝Φ。

采用影响增量代替传统故障状态的影响，则式(3)可进一步化简为：

其中，ΔI_u为状态u的影响增量。

考虑N-k故障对应的所有低阶和高阶故障状态，对式(5)进行简单变化即可得到基于影响增量的N-k故障影响的标准计算公式：

由上述分析可知，影响增量是高阶故障状态的影响与其对应低阶故障状态的差值，由于低阶故障状态的影响一般为正值，因而高阶故障状态的影响增量要远小于其影响值。因此实际计算时可忽略这部分高阶故障状态的影响增量，快速计算目标高阶N-k故障的影响。基于上述原理，对式(6)进一步简化，只考虑部分低阶故障，忽略高阶故障得：

式中，N_CTG是实际计算的低阶故障状态的阶数，即对于故障元件个数小于N_CTG的故障状态进行精确潮流分析，其他高阶故障采用式(7)进行计算。N_CTG的实际取值范围为1,2,…,N。

由于高阶故障状态的影响增量很小，因此可以忽略高阶、次高阶以及更多的高阶故障，仅考虑部分低阶故障状态的影响增量来近似求取高阶故障状态的影响。实际应用时可通过调节N_CTG的取值来实现计算精度和计算速度的协调，N_CTG取值越小，计算速度越快但精度相对降低，N_CTG取值越大，计算精度越高但速度相对下降。

202：建立独立性判据，并证明含有相互独立故障设备的影响增量为0；

对于实际大型电力***，不同故障设备之间可能相距很远，这些故障设备对***的影响几乎互不相关，此时，可认为这些故障设备彼此相互独立，如图3所示。

在实际***中，若某个故障状态s对应的故障设备集可被拆分成两个相互独立的子集s₁和s₂，即s₁和s₂所含的故障设备相互独立，则称状态s为独立故障状态。对于该独立故障状态s，有：

式中，且

根据影响增量原理可知，独立故障状态s的影响增量始终为0，即ΔI_s＝0。证明如下：

对于二阶故障状态s＝{i₁,i₂}，若式(8)成立，则：

因此对于该二阶故障状态，即N_s＝2时，ΔI_s＝0成立。假设当2<N_s<k时，ΔI_s＝0成立，则对于(k+1)阶独立故障状态：

式中，ΔΙ_w∪x是可拆分为两个独立子集的低阶故障状态的影响增量，由于对于2<N_s<k阶独立故障状态，ΔI_s＝0成立，故ΔΙ_w∪x＝0，因此，式(10)的最后一项也为0。此外由式(5)可知，式(10)中前两项也为0。

因此，式(10)可进一步简化为：

对于k+1阶***故障状态s，当式(8)成立时，ΔI_s＝0成立。综上，上述结论对于任意N_s>2的独立故障状态均成立。

根据独立故障状态影响增量为0的特点，可将式(7)中所有独立故障状态全部消去，在不损失精度的前提下进一步提升计算效率。在进行独立故障消去时，需给出判定故障设备独立性的量化判据，判据具体内容如下：

本发明采用灵敏度方法来判断***中不同设备之间的独立性。

在输电***中，故障设备可等效为无穷大阻抗的支路，并对***的潮流分布造成直接影响。因此，本发明采用支路i的潮流对支路阻抗m的灵敏度来检验支路间的独立性，记作SPZ(i,m)，可由式(12)得到，并通过判断SPZ(i,m)与阈值δ_s的大小关系来判定不同支路间的独立性。

若***中支路i和支路j满足式(13)则认为支路i、j彼此相关，否则，支路i、j不相关，此时包含i、j的故障状态皆为独立故障状态，其影响增量为0。

|S_PZ(i,m)|＞δ_s&|S_PZ(j,m)|＞δ_s (13)

式中，δ_s是预设灵敏度阈值。

即上述公式(12)和(13)构成了独立性判据。

203：检测N-k故障状态是否含有孤岛，并给出相应解决办法；

根据式(7)计算***N-k故障状态的影响I_s。

当故障状态导致***解列形成孤岛时，上述判断无法给出正确的独立性判断，因此需要进行修正。如图4所示，当线路i、j单独发生故障时，每条线路的影响区域如图中虚线框所示，此时i、j两条线路的故障影响范围不相交，因而满足上述独立性判据。然而，实际两条线路同时发生故障时将造成***解裂，形成孤岛，此时故障影响范围将扩大到整个孤岛区域，而并非两个虚线框的并集。因此，线路i、j虽然满足上述判据，但并非独立设备。针对该问题，可对满足独立性判据的故障状态进行孤岛校验，若存在孤岛，则利用潮流分析确定其影响I_s，若不含孤岛，则直接忽略其影响增量。

204：输入IEEE RTS 79***数据，设置N_CTG及待筛选的N-k故障状态的阶数上限N_k；利用OPF算法计算前N_CTG阶***状态的影响；将所评估的第N_CTG阶***状态影响从大到小排序，取其中影响最大的前δ％，作为高阶N-k故障筛选的基准集合Ω0_δ,k-1；

205：以基准集合Ω_δ,k-1为基准生成第k阶故障筛选集合Ω_δ,k，并根据式(7)计算集合中各故障状态的影响；判断集合Ω_δ,k之外的k阶故障是否会形成孤岛，若形成则将该k阶故障加到集合Ω_δ,k中，并计算其影响；若不含孤岛，则直接忽略其影响增量；

206：取集合Ω_δ,k中影响最大的前δ％，作为k+1阶故障筛选的基准集合Ω0_δ,k；判断k+1是否与N_k相等，若是则输出筛选结果，流程结束；否则以Ω_δ,k-1为基准生成第k阶故障筛选集合Ω_δ,k，并返回步骤205。

综上所述，本发明实例通过上述步骤201-步骤206在保证精度的前提下实现了更高的计算效率，为调度和运行人员提供准确的信息以实现对电力***的监视和防御，可有效避免电网大面积停电的发生，保障了电网运行的安全性和可靠性。

实施例3

下面结合具体实例，针对本发明实施例所提的基于影响增量的N-k故障分析与筛选方法，本例以IEEE RTS79节点***为例进行仿真分析与验证，IEEE RTS79节点***拓扑图如图5所示，详见下文描述：

IEEE RTS 79***包含32台发电机，33条输电线路，5台变压器，17个负荷节点，总装机容量为3405MW，***最大负荷为2850MW。

1)计算精度分析

利用状态枚举法(State ENumeratioN method，SE)枚举IEEE RTS 79测试***所有可能出现的N-1、N-2和N-3故障，分别采用SE和影响增量法(Impact INcremeNts-BasedState ENumeratioN，IISE)计算各阶故障状态的影响。由于N-4和N-5故障的数量过于庞大，因此采用蒙特卡洛法(MoNte Carlo method，MCS)抽样N-4和N-5故障时，抽样总数N_MCS＝10⁴，两种方法的计算结果如图6所示。

图6对比了本方法与SE在IEEE RTS 79测试***中的计算精度。其中，SE为状态枚举法计算的高阶故障状态的影响；IISE为本方法计算的高阶故障状态的影响；N_CTG值分别对应2、3和4。

由于本方法能够将高阶故障影响拆分到相应的低阶故障状态，因此仅利用一阶故障状态的影响增量能够准确的计算高阶故障状态的影响。由图6(a)和图6(b)可知，仅利用一阶故障状态的影响增量能近似计算N-2以及N-3故障状态的影响，且大部分故障状态的误差控制在1％以内，仅有少数故障状态存在较大误差。出现上述现象的主要原因为：利用一阶故障状态的影响增量计算高阶故障状态的影响时，忽略了故障元件间的相互影响，从而导致个别故障状态的误差相对偏大。由图6(c)和图6(d)可知，随着N-k故障阶数的增加，本方法计算精度逐渐接近SE的计算精度，且相对误差低于1％。除此之外，N_CTG的取值也会影响本方法的计算精度。当N_CTG＝2时，利用本方法计算N-4和N-5故障状态影响的误差最大，但随着N_CTG取值增加，本方法的计算精度也会随之增加；当N_CTG＝3时，利用本方法计算N-4和N-5故障状态影响的误差接近于0，验证了本方法的准确性。

由图6(d)可知，部分N-5故障状态的计算误差相对偏高，误差大于50MW。其主要原因为：计算部分高阶故障影响时最优潮流(OPF)不收敛，导致高阶故障状态的影响为0，而对应的低阶故障状态由于最优潮流(OPF)收敛进而使得影响不为0，最终导致计算误差较大。对于实际大***，当发生最优潮流(OPF)不收敛时，影响一般不会为0，而采用本方法能够利用低阶故障状态的影响增量求解这部分高阶故障状态的影响，有效解决最优潮流(OPF)不收敛的问题，证明了本方法拥有较强的鲁棒性。

2)计算效率分析

表1状态枚举法和影响增量法的效率对比

本发明以IEEE RTS 79***N-1、N-2和N-3故障状态为例，对所提方法的计算效率进行分析。

由表1可知，当计算N-1故障状态的影响时，本方法的计算耗时与SE相同。出现该结果的主要原因为：由于一阶故障状态无法消去，所以两种方法都必须考虑所有支路。当计算N-2及以上高阶故障状态的影响时，本方法的计算效率明显优于SE。当N_CTG＝1时，采用SE计算N-2故障状态影响的耗时是本方法的24倍；计算N-3故障状态影响的耗时是本方法的860倍。而当N_CTG＝2时，本方法的计算时间较N_CTG＝1时明显增多，但计算效率仍远高于SE。产生上述现象的主要原因为：SE需要对所有的故障状态进行最优潮流计算。由于大部分高阶故障状态的影响增量较小，且大部分高阶故障状态相互独立，本方法不需要考虑这些高阶故障状态的影响，只需对极少数的低阶故障状态进行优化潮流计算即可，因此极大提高了计算效率。

上述算例结果表明，N_CTG取值越低，计算效率越高，但精度相对偏低。N_CTG取值越高，计算精度越高，但计算效率相对偏低。因此，根据实际需求确定不同的N_CTG取值来平衡计算精度和效率。

快速筛选高影响N-k故障状态：

分别从一阶和二阶开始筛选高影响N-k故障状态，验证本发明的高影响故障筛选方法的准确性，其结果如图7所示。

图7中SE代表传统状态枚举法计算高阶故障状态的影响，MCS代表传统蒙特卡洛法计算高阶故障状态的影响。由图7(a)可知，当N_CTG＝1时，能够筛选出大部分高影响N-2故障状态，仅有少数故障状态存在误差。由图7(b)可知，当N_CTG＝1时，筛选高影响N-3故障状态的误差基本为0；当N_CTG＝2时，筛选误差相对较大。由图7(c)和图7(d)可知，当N_CTG＝2时，筛选高影响N-4和N-5故障状态误差基本为0，本方法能够精确找到对电力***威胁最大的故障状态，但是当N_CTG＝1时，筛选的误差相对较大。其主要原因为：筛选过程中遗漏了导致***形成孤岛的情况，从而导致不能准确找到影响最大的故障状态。因此，为了平衡筛选速度和筛选精度，当筛选小***的N-4、N-5及更高阶的高影响故障状态时，令N_CTG＝2。当筛选N-3及以下高影响故障状态时，令N_CTG＝1。

上述算例结果表明，本发明能够准确的找到影响最大的N-k故障状态，有效验证了所提方法的准确性。

实施例4

基于影响增量的电网N-k故障分析及筛选装置，该装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1-2中的方法步骤。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述方法包括：

获取k阶***状态的影响I_s以及对应的影响增量；

将***高阶N-k故障状态的影响分解至低阶故障状态，利用低阶故障状态的影响增量计算N-k故障状态的影响I_s；

对输出的故障集进行筛选，提高N-k故障分析效率。

2.根据权利要求1所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述获取k阶***状态的影响I_s以及对应的影响增量具体为：

判断***状态s的故障设备是否彼此相互独立，若元件彼此相互独立，利用OPF算法计算***状态s的影响I_s，进而计算影响增量ΔI_s。

3.根据权利要求1所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述将***高阶N-k故障状态的影响分解至低阶故障状态，利用低阶故障状态的影响增量计算N-k故障状态的影响I_s具体为：

若k＝N_CTG，计算***N-k故障状态的影响I_s；

检测***N-k故障状态是否包含孤岛，若包含则通过OPF算法重新计算故障状态的影响I_s；否则，输出N-k故障状态的影响I_s。

4.根据权利要求1所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述对输出的故障集进行筛选，提高N-k故障分析效率具体为：

将所评估的第N_CTG阶***状态影响从大到小排序，取其中影响最大的前δ％，作为高阶N-k故障筛选的基准集合Ω⁰ _δ,k-1；

以Ω_δ,k-1为基准生成第k阶故障筛选集合Ω_δ,k，并计算其影响；

判断Ω_δ,k之外的k阶故障是否会形成孤岛，若形成孤岛则将能够形成孤岛的k阶故障加到Ω_δ,k，并计算其影响，判断若k+1＝N_k，输出筛选结果。

5.根据权利要求4所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述影响增量具体为：

获取状态u的影响增量在一定范围内的求和，***状态s的影响函数与求和做差。

6.根据权利要求1或3所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述N-k故障状态的影响I_s具体为：

确定实际计算的低阶故障状态的阶数，即N_CTG值，计算一阶至N_CTG阶故障状态的影响增量，并对所求故障状态的影响增量进行求和。

7.根据权利要求3所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述方法还包括：通过调节N_CTG的取值实现计算精度和计算速度的协调。

8.根据权利要求1-7中任一权利要求所述的一种基于影响增量的电网N-k故障分析与筛选方法，其特征在于，所述方法还包括：

对满足独立性判据的故障状态进行孤岛校验，若存在孤岛，则利用潮流分析确定其影响I_s，若不含孤岛，则直接忽略其影响增量。

9.一种基于影响增量的电网N-k故障分析与筛选装置，所述装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1所述的方法步骤。