电力系统可靠性评估可以从概率的角度分析电力系统的风险水平和薄弱环节,逐渐成为电力系统规划与运行的有效辅助工具,在保证电力系统安全可靠运行中起着重要作用。对大规模复杂电网进行模拟和评估时,蒙特卡罗模拟法因其计算效率与系统规模无关,具有绝对的优越性,因此在大电网可靠性评估中得到广泛应用。然而,蒙特卡罗模拟法在处理高度可靠的电力系统时面临收敛速度较慢的问题,如何改善蒙特卡罗模拟法的计算效率是一个值得深入研究的课题。交叉熵方法可以有效地加快电力系统可靠性评估的速度,经典的交叉熵采用了基于重要抽样的迭代优化算法来更新重要抽样函数的参数。但是,对于可靠性较高的电力系统而言,抽取到用于参数更新的相关样本的效率可能仍然很低。此外,这种迭代算法的收敛标准通常是主观确定的,可能导致参数更新不足或过度,以及随后整个模拟过程（即预抽样和主抽样阶段）的计算成本过高。针对上述两个问题,本文提出了一种融合了Metropolis-Hastings采样（M-H采样）和计算成本预测的交叉熵方法,主要研究内容如下:（1）在交叉熵优化过程中,采用M-H抽样与子集模拟相结合替代重要抽样。该方法通过选取固定比例的故障样本或接近故障样本子集为基础,采用三角分布作为M-H抽样的建议分布来获取属于该子集的系统状态样本,可以有效地提高每次迭代所需样本的捕获效率。采用降低峰荷的IEEE-RTS79系统和含多个风电场的IEEE-RTS79系统进行算例分析并验证所提基于子集模拟和M-H抽样的交叉熵方法的性能,相比于基于重要抽样的交叉熵方法,本方法提高了预抽样阶段故障状态的占比,加快参数更新效率的同时减少迭代次数,从而有效地加速了交叉熵方法的收敛速度。（2）提出了一种新的量化收敛准则—最小计算成本,在每次迭代之后预测和比较更新后的参数下整个仿真过程的计算成本,由此可以确定最小计算成本下重要抽样函数的最优参数,用潮流计算时间和最优削负荷时间作为计算成本的近似。并将M-H抽样与计算成本预测相融合,显著提高交叉熵参数更新效率的同时最小化整个可靠性评估过程的计算成本。采用降低峰荷的IEEE-RTS79、IEEE-RTS96和含多个风电场的IEEE-RTS96三个测试系统进行可靠性仿真测试,相比基于重要抽样交叉熵方法以及基于子集模拟和M-H抽样的交叉熵方法,基于M-H抽样和计算成本预测的交叉熵方法可极大程度地减少交叉熵参数寻优所需的迭代次数,同时保证用最小计算成本下的最优参数进行可靠性评估时整个仿真过程计算成本最小,有效地加快可靠性评估速度。