随着我国电力需求的快速增长和“西电东送、全国互联”战略的实施,电网规模日益扩大、互联程度不断提高,电力系统的运行可靠性问题日益突出。因此,研究先进的运行可靠性评估理论、模型和算法,实现电力系统运行可靠性的在线评估和预测,已成为迫切需要解决的前沿性课题。负荷预测作为电力系统研究的一项重要内容,其结果的准确性对可靠性研究有着直接的影响。但由于负荷预测受多种因素的影响,目前还没有任何一种具有普遍适应性且拥有足够高精度的预测方法,因此需要根据负荷的特点选择合适的模型和方法,以提高负荷预测精度。本文应用组合预测原理,建立了基于分时段变权系数的短期负荷预测组合模型。通过对参与组合预测的单模型运用灰色关联法进行选择和冗余校验,提高了确保参与组合模型预测的单模型组合最优精度。本文通过对某实际系统日负荷的预测,证实该模型具有很好的预测精度,为短期负荷预测提供了新的思路。本文在传统可靠性理论和方法的基础上,结合电力系统运行可靠性自身特点,建立了基于神经网络的电力系统元件故障率估计模型。该模型把系统运行环境等非线性因素的影响引入到元件故障率的研究之中,构建了一个三层结构的改进的BP神经网络:其输入层为影响故障率的相关因素,如风速、温度和湿度等;输出层为元件故障率。在该结构下对计及不同相关因素时的元件故障率作出预测,取得了良好的预测效果。通过对预测结果的分析,研究了运行环境各因素与元件故障率之间的关系。基于前述的负荷预测模型与故障率预测模型,即可建立系统的运行可靠性评估算法。该算法首先将系统中的元件运用神经网络模型算出在当时运行环境下的运行故障率;然后应用蒙特卡洛法形成系统可能发生的故障状态;同时应用组合预测模型预测出评估时段的负荷,在计及此负荷水平的基础之上对可能发生的故障状态进行后果分析,其中涉及到潮流的计算、判断元件是否过载、判断系统是否解列、负荷削减计算等过程;最后累加形成系统和各负荷点的可靠性指标。在算例分析中,本文应用IEEE-RTS测试系统验证了此算法的有效性,其计算结果可以反映系统运行可靠性水平。