随着社会的逐渐发展,诸如风能等清洁能源在电网中的占比在逐渐上升,但这也给电力系统带来了额外的不确定性;除此之外,电力系统本身在负荷端也是充满不确定性的。考虑这些高维随机变量的随机性及相关性会显著降低电网可靠性蒙特卡洛仿真效率,因此,在选取准确的概率模型模拟这些不确定性因素的变化规律的基础上,如何加速系统评估具有重要意义。本文所研究的大电网考虑了多风电场风速、节点负荷的随机性和相关性,并在如何提升其可靠性评估的效率方面展开深入研究。负荷作为电力系统中的不确定因素之一,其随机波动必定会给系统的可靠性带来隐患。在可靠性评估中,如果直接对多维节点负荷原始样本进行抽样,那么会因为每个样本被抽到的概率是一样的,抽样效率会很低。为提高可靠性评估效率,本文针对原始负荷模型,对多维节点负荷原始样本进行分类并将其看成多状态离散变量,根据类内样本对可靠性评估结果的影响,采用单层交叉熵法推导出各分类概率的更新公式,从而最终达到了优化每个原始离散样本的概率的目的,所以用优化概率后的样本进行可靠性分析,能提升评估效率;此外,针对基于节点负荷的多维核密度估计模型,根据单层交叉熵法中重要概率密度函数与理想重要概率密度函数的距离关系,推导出其参数更新公式,对得到的最优重要概率密度函数进行两阶段蒙特卡洛随机抽样,解决了多维核密度估计抽样效率低下的问题,进而提升了可靠性评估效率。通过分别对RBTS、RTS79以及降低峰荷的RTS79系统进行可靠性分析,考虑节点负荷之间的相关性,验证了单层交叉熵方法的准确性和有效性。针对单层交叉熵算法在分类数过多时,某些对可靠性指标影响较大的样本不能被抽到从而导致可靠性评估结果不准确的问题,本文又提出双层交叉熵算法,该方法将单层交叉熵算法优化的参数进一步细化,把第一层中的大类分成若干个子类,并把第一层中大类和第二层中小子类的概率均看成待优化的参数,其中子类的概率是一个条件概率。根据不同类别中的样本对可靠性评估指标的贡献的不同,在优化第一层每个大类的概率的同时,也优化了第二层每个子类的概率,这能有效地规避单层交叉熵算法的缺点。同样地,在验证了多状态离散变量的双层交叉熵算法的可行性后,本文又将双层交叉熵法与多维核密度估计相结合,推导出其重要概率密度函数的参数更新公式,用得到的最优重要概率密度函数进行可靠性评估,极大程度地提高可靠性评估速度,同时又保证了相关建模的准确性。最后,本文以RBTS和加入风电的RTS79系统为例对多维节点负荷和风速建模并进行可靠性评估,结果表明该方法对评估效率的提升更大,且适用范围更广。