1.一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，包括以下步骤：

根据数据分布情况确定原始场景与新场景下神经网络模型是否需要更新参数；

若需要更新参数，则获取新场景的历史数据基于迁移学习技术对深度神经网络进行快速更新；

针对完成更新的神经网络模型，当输入待分析样本时，将待检测样本与历史数据进行比较，若该样本与历史数据存在相似性，则将神经网络的预测结果作为该样本潮流分析结果，否则通过纯模型驱动的数值方法对该样本进行潮流分析。

2.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，根据原始场景与新场景下的数据分布差异来确定深度神经网络是否需要更新，若两个场景的Jensen‑Shannon的值为0则不需要更新，否则需要更新。

3.根据权利要求2所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，两个场景的Jensen‑Shannon的值表示为：其中，DJS(Do||De)表示原始场景数据分布Do与新场景数据分布De之间Jensen‑Shannon的值；DKL(Do||De)为原始场景数据分布Do与新场景数据分布De之间的散度，表示为Ω为可靠性评估模型所有输入输出的变量集合。

4.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，对深度神经网络进行快速更新包括以下步骤：对原始数据进行预处理；

利用训练好的深度神经网络参数初始化演变场景下新的深度神经网络；

基于输入的原始数据，利用Rmsprop算法对新深度神经网络的所有参数进行微调训练；

根据epoch的迭代次数达到设定值或者训练过程中满足早停法条件确认是否结束微调训练，若结束训练则完成神经网络的更新。

5.根据权利要求4所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，对原始数据进行预处理的过程包括：其中，vmean和vstd分别是原始数据向量V的平均值和标准偏差。

6.根据权利要求1所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，判断样本是否采用神经网络的预测结果作为其潮流分析的过程包括：将历史数据基于K‑均值聚类方法分为k组，计算待分析的样本与各个聚类中心的欧式距离；

将与待分析的样本欧式距离最小的类，并在中找到与待分析的样本欧式距离最小的两个样本作为相似样本；

如果两个最相似的训练样本的训练误差超过设定阈值，则不使用深度神经网络来分析该测试样本而采用纯模型驱动的方法；否则，将使用深度神经网络来分析该样本。

7.根据权利要求1～6所述的一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，深度神经网络处理最优潮流计算过程中，样本通过神经网络模型输出的分类预测结果为一个概率，通过该概率的值判断神经网络模型输出的结果是否可信，并对不可信的样本通过纯模型驱动的数值方法进行潮流分析，则判断样本是否可信的过程为：

其中， 为深度神经网络最优潮流模块的输出。

8.根据权利要求1～6所述的任一一种面向大电网可靠性评估的深度神经网络结果可信性保障方法，其特征在于，深度神经网络处理潮流计算过程中，在神经网络中引入松弛因子ξ以确保对占比为1‑λ的样本不会因为较小的误差e误判存在问题的样本，则松弛因子ξ与误差e和λ的关系表示为：

其中，M为系统潮流参数；M与 分别对应系统潮流参数的上下限。