做电力系统计算这行的刚开始接触潮流计算时多半都有个思维惯性给定一组注入功率算出节点电压和线路潮流得出一个确定结论这事儿就算完了。但真正跑过新能源并网项目之后你会发现平均值说明不了太多问题。同一个节点同样的平均负荷水平风速在一天里的波动能让风电场出力从零跳到额定值一片云飘过光伏电站出力可能在几分钟内掉一半。把一组典型值塞进潮流程序算出来的结果往往和实际运行场景对不上偏差大到让你怀疑是不是模型建错了。概率潮流计算Probabilistic Power FlowPPF就是冲着这个单点思维来的。它把风速、光照强度、负荷都当成随机变量来处理通过采样或解析手段得到节点电压、支路潮流的概率分布——比如某节点电压低于0.95 p.u.的概率有多大某条线路在午间过载的风险是百分之几。这个概念听着不复杂但真要从零实现一套含风光发电的概率潮流程序涉及不确定性建模、数值算法选型、相关性处理、收敛判定这些环节坑并不少。这篇文章我就把整套算法链路从头到尾梳理一遍从风光和负荷的概率模型讲起到蒙特卡洛、点估计、半不变量三类主流算法的原理与对比再用一个IEEE 30节点的算例把流程跑通最后聊几个我在实际计算里踩过、也帮别人排过的隐藏问题。想认真做新能源并网分析或者正在入门电力系统不确定性计算的朋友可以参考这条路线。1. 确定性潮流的单点思维与概率潮流的必要性1.1 一个典型案例同样的平均负荷结果却完全不同先说我印象很深的一个案例。某个区域电网冬夏两季的平均负荷几乎一样但冬季风电大发、夏季光伏大发潮流走向和重载线路完全变了。更麻烦的是某条10 kV馈线接入一批分布式光伏之后中午负荷低谷时会出现倒送潮流潮流大小和方向都跟夜间完全相反。如果只做确定性潮流按最大负荷和最小负荷两个典型断面扫描倒送这个中间场景根本扫不出来——但恰恰是这个场景决定了反孤岛保护、电压调节设备的整定。这就是确定性潮流的核心局限它只能描述系统在某个给定运行点下的状态无法回答这个运行点在真实世界里出现的概率有多大。对于传统火电为主的电网负荷波动相对平滑用典型断面加安全裕度还能勉强覆盖可一旦风光渗透率上来注入功率的随机波动幅度远超负荷本身的波动单点计算就不再可靠。1.2 概率潮流输出的不是一组解而是一批解的统计特征概率潮流的输出和确定性潮流完全不同。它不给你一组确定值而是给每个节点的电压幅值、相角以及每条支路的有功、无功潮流一个完整的统计画像包括期望值长期运行中最可能出现的工作点标准差波动幅度有多大哪些节点和线路对随机性最敏感概率密度函数和累积分布函数电压越限、潮流过载的发生概率。有了概率密度之后工程上最关心的越限风险就很好算了。比如某节点电压小于0.93 p.u.的概率是2.7%某条线路潮流超过热稳定极限的概率是0.8%这些指标可以直接写进并网评估报告比单纯报一个最严重断面下电压0.91 p.u.要有用得多因为它把频率信息带进来了——就算某条线路在最极端场景下会过载只要这个场景十年一遇处理方式就和每天都要面对完全不同。1.3 谁在什么时候最需要概率潮流从我接触过的项目来看最需要概率潮流的场景大致是这几类新能源场站并网评估要论证接入后不会导致电压越限和线路过载、配电网规划分布式光伏大量接入后需要评估不同渗透率下的运行风险、输电网安全性分析风光大基地外送通道的阻塞概率评估以及调度运行方式比选比如汛期水电大发叠加风电夜间出力高峰时的运行方式安排。在这些场景里如果用纯确定性方法为了保证安全只能往保守方向加裕度结果往往是设备投资和运行约束被过分放大。概率潮流能给出一个有概率含义的风险度量让安全和经济之间的权衡有一个量化抓手。当然它并不能完全替代确定性N-1校验——我后面会讲概率潮流的输出更适合作为确定性校验的补充而不是替代品。2. 风光与负荷的不确定性建模从物理过程到概率分布要做概率潮流第一步不是选算法而是把输入随机变量建好模。这一步做不好后面算法再精巧也是白搭术语叫garbage ingarbage out。2.1 风速的两参数Weibull分布与风机功率曲线风速是典型的随机过程长期的统计规律通常用两参数Weibull分布来拟合概率密度函数是f(v) (k/c) · (v/c)^(k-1) · exp(-(v/c)^k)其中 v 是风速k 是形状参数c 是尺度参数。k 值决定了分布形状数值越小风速波动越剧烈一般风电场所在地的 k 在1.5~3.0之间c 与年平均风速有关大致是年平均风速除以Γ(11/k)左右。这里必须提醒一个新手最容易犯的错误把风速的Weibull分布直接当作风机出力的分布去采样这是不对的。风机出力与风速之间是非线性分段关系典型的风机功率曲线是v v_in 或 v v_out 时P 0v_in ≤ v v_r 时P P_r · (v - v_in)/(v_r - v_in)v_r ≤ v ≤ v_out 时P P_r。也就是说风速经过功率曲线映射之后风机出力分布不再是Weibull而是一个在0和额定值附近都有概率质量的混合分布。好在概率潮流里我们不需要显式写出出力的解析分布直接对风速采样再按功率曲线换算出力即可——这就是蒙特卡洛方法在处理非线性环节上的天然优势。2.2 光照辐照度的Beta分布与光伏出力模型光伏出力的随机性源头是光照辐照度短期辐照度统计上常用Beta分布描述。把辐照度归一化到[0,1]区间后密度函数为f(r) [Γ(αβ)/(Γ(α)·Γ(β))] · r^(α-1) · (1-r)^(β-1)α 和 β 可以从历史辐照度的均值 μ 和方差 σ² 用矩估计法得到m μ(1-μ)/σ² - 1 α μ·m β (1-μ)·m这套估计公式我用了很多次一个注意点是如果历史样本里包含大量阴天和夜间时段μ会偏低σ²会偏大算出来的m可能小于等于0Beta分布就失效了。所以做日照时段筛选很重要——只拿白天有光照的数据来拟合。光伏出力与辐照度近似线性关系可以写成P_pv η · A · r其中 η 是光伏阵列的综合效率包含组件效率、逆变效率、温度修正等A 是光伏板总面积r 是当前辐照度。实际工程中更常见的是直接基于历史出力数据拟合分布避免去精确标定 η 和 A但那样做要注意数据清洗把限电、停机检修等非天气因素造成的异常出力剔除掉。2.3 负荷波动的正态分布假设与相关性考量负荷预测误差一般用正态分布描述即每个节点的负荷功率可以写成P_load μ_load εε ~ N(0, σ_load²)μ_load 取预测值比如典型日负荷曲线的对应值σ_load 通常取 μ_load 的5%到10%。对于单个节点正态假设基本够用但要注意多个节点的负荷并不独立——同一个城市或同一个气温区域内的负荷往往同涨同落。如果简单假设独立会低估系统总波动。处理方法是给所有负荷节点建一个相关系数矩阵在采样阶段用Cholesky分解或者Nataf变换生成相关样本这块我在第5节会详细展开。另外负荷的有功和无功之间也需要保持一致的相关性。工程上常用的做法是假设功率因数恒定由有功采样值直接乘以一个系数得到无功或者用协方差矩阵同时描述有功和无功的相关结构。我自己习惯先采样有功再把无功按恒功率因数映射出来简单且足够稳定。3. 三类主流算法蒙特卡洛、点估计、半不变量输入模型定下来之后核心问题就是怎么把输入随机变量的分布传播到输出——也就是节点电压、支路潮流的分布上。目前业内用的主流方法可以归成三大流派各有利弊我一个个说。3.1 蒙特卡洛模拟思路最直接也是精度基准蒙特卡洛法的思路朴素得几乎不需要解释对风速、辐照度、负荷按各自的概率分布大量采样每组样本代入确定性潮流计算一次得到一批节点电压和支路潮流的样本最后直接用样本均值、样本方差、样本分位数去估计真实统计特征。它的优点极其突出实现简单跟任何成熟的确定性潮流程序都能解耦对输入分布没有任何限制非线性环节比如风机功率曲线天然兼容精度理论上逼近真实分布只要样本量足够。因此在学术和工程实践中蒙特卡洛结果几乎总是被当作基准真值来检验其他算法。缺点同样明显收敛速度太慢。统计误差和样本数的关系是1/√N想提高一位有效数字样本量要扩大一百倍。一个中等规模系统做一次潮流计算算0.01秒十万次就是一千秒再乘上需要分析的时段数计算量会非常难看。提高效率最实用的招是拉丁超立方抽样Latin Hypercube SamplingLHS。LHS把每个输入变量的取值范围等分成N层每层强制抽取一个样本再打乱各变量样本之间的配对关系。这样用很小的样本量就能让采样点在整个输入空间里均匀铺开。我的经验是LHS在同等样本数下能把关键输出变量的标准差估计误差缩小一个数量级左右工程上两三千次采样往往就能得到比较稳定的结果。3.2 点估计法用少量潮流计算换统计矩点估计法的思路和蒙特卡洛完全不同它不追求大量采样而是用输入随机变量的前几阶矩均值、方差、偏度、峰度来构造少数几个代表点每个代表点对应一次确定性潮流计算最后用加权组合近似得到输出变量的各阶矩。最常用的是Hong提出的2m1方案m是输入随机变量的个数。具体做法是这样对第k个随机变量取三个估计点x_k,i μ_k ξ_k,i · σ_ki 1,2,3其中ξ_k,1 λ_k,3/2 √(λ_k,4 - 3λ_k,3²/4) ξ_k,2 λ_k,3/2 - √(λ_k,4 - 3λ_k,3²/4) ξ_k,3 0λ_k,3是偏度λ_k,4是峰度。三个点对应的权重分别是p_k,i (-1)^(3-i) / [ξ_k,i · (ξ_k,1 - ξ_k,2)]i1,2 p_k,3 1/m - 1/(λ_k,4 - λ_k,3²)每个变量取三个点其他变量都固定在均值上这样总共需要2m1次潮流计算。对每个输出变量用这些点和权重去估计它的期望和方差高阶矩也行E[Z^r] ≈ Σ_{k1..m} Σ_{i1..3} p_k,i · Z(x_k,i)^r如果输入变量都接近正态分布偏度近似为0、峰度近似为3公式会大大简化三个点变成 μ、μ√3σ、μ-√3σ前两个点的权重各为1/6均值点的总权重为1-m/3。这个简化形式我在不少项目里直接手算验证过对正态输入精度相当好。点估计法的最大优点是不需要知道输入分布的完整解析形式只用低阶矩就够了。但代价也有它对强非线性系统的精度有限因为只用前四阶矩很难捕捉到风机功率曲线那种强非线性映射带来的输出分布变形而且当随机变量个数m很大时2m1次潮流计算也不便宜。3.3 半不变量法解析推导速度最快半不变量法走的是另一条技术路线核心是利用半不变量cumulant的优良性质。先回顾一个概念随机变量的半不变量 κ_ν 和它的各阶中心矩 α_ν 之间有确定的递推关系可以互相换算。半不变量最迷人的性质是可加性——相互独立的随机变量之和的各阶半不变量等于各变量同阶半不变量的和。在潮流计算中把注入功率写成期望值加波动量S S_0 ΔS对潮流方程在 S_0 处做线性化可以得到ΔX J⁻¹ · ΔS其中 J 是牛顿法最后一次迭代的Jacobian矩阵。于是输出 ΔX 的半不变量就可以通过输入 ΔS 的半不变量用灵敏度矩阵线性变换得到。具体来说如果输出变量是若干输入随机变量的线性组合那么它的ν阶半不变量就是输入变量ν阶半不变量的加权和权重是灵敏度系数的ν次幂。求到输出的前四阶半不变量之后再用Gram-Charlier级数或Cornish-Fisher级数把半不变量展开成近似的概率密度函数和累积分布函数。Gram-Charlier级数的形式是标准正态概率密度函数乘以一个修正多项式f(x) φ(x) · [1 (κ_3/(6σ³))·H₃(x) (κ_4/(24σ⁴))·H₄(x) ...]H₃、H₄是Hermite多项式。这个展开用的项数越多对原始分布的逼近越精细。半不变量法的优势是速度快到几乎可以忽略——只需要一次或少数几次确定性潮流得到Jacobian和灵敏度矩阵剩下的全是解析计算特别适合随机变量多、系统规模大、需要分时段批量计算的场景。缺点我在第5节要专门展开那就是线性化误差和级数截断误差都可能让结果失真尤其在风光出力波动很大的时候。3.4 三者的优缺点对比和选型建议算法精度计算速度实现难度适用场景蒙特卡洛原始最高可作为基准很慢低小系统、算法验证LHS蒙特卡洛高中等中中大规模工程分析点估计法中高受非线性程度影响快中中等规模、分布接近正态半不变量法中受线性化和截断影响极快较高大规模、多时段批量扫描我个人的选型习惯是项目初期用LHS蒙特卡洛做一轮全量计算把关键风险节点和线路找出来然后用半不变量法做全系统快速扫描两者交叉验证如果遇到半不变量法结果异常比如出现负概率密度再回头用蒙特卡洛精算那几条风险支路。这样既不牺牲可靠性又能控制总计算量。4. 算例实操IEEE 30节点系统接入风光后的概率潮流理论讲完拿一个标准算例把流程走一遍。IEEE 30节点系统是业内用得最多的测试系统数据公开、规模适中非常适合做概率潮流验证。4.1 系统参数与随机变量配置我在标准IEEE 30节点数据基础上做了这些改动在节点5接入一座额定容量50 MW的风电场风速服从Weibull分布形状参数k2.0尺度参数c8 m/s风机切入风速3 m/s、额定风速12 m/s、切出风速25 m/s在节点13接入一座额定容量30 MW的光伏电站辐照度归一化后服从Beta分布取α3.5、β2.5所有负荷节点的有功功率按预测值加5%标准差的正态扰动处理无功按恒定功率因数映射。随机变量数量m一共是32个1个风速、1个辐照度、30个负荷节点。点估计法需要2m165次潮流计算半不变量法只需要1次基础潮流蒙特卡洛则需要大量采样——我在这个算例里取LHS样本数5000作为精度基准。4.2 三种算法的实现要点与伪代码蒙特卡洛部分的Python风格伪代码如下import numpy as np # 1. 风速采样 - 风机出力 v weibull.rvs(k2.0, c8.0, sizeN_samples) P_wind np.where(v v_in, 0, np.where(v v_out, 0, np.where(v v_r, P_rated * (v - v_in)/(v_r - v_in), P_rated))) # 2. 辐照度采样 - 光伏出力 r beta.rvs(3.5, 2.5, sizeN_samples) P_pv eta * A * r # 3. 负荷采样 P_load np.random.normal(mu_load, 0.05 * mu_load, size(N_samples, n_load)) # 4. 每组采样做一次确定性潮流记录输出 for k in range(N_samples): V[k, :] run_power_flow(P_wind[k], P_pv[k], P_load[k, :]) # 5. 统计结果 V_mean V.mean(axis0) V_std V.std(axis0)这里面需要注意一个细节LHS采样不是直接用weibull.rvs那种独立随机抽样而是先对累计概率分布函数的分位数分层再逆变换回物理空间。对每个变量独立做分层最后用随机排列或Cholesky分解处理变量间的相关性。代码写出来会比上面复杂一圈但思路就这一步。点估计法的实现就轻量得多# 1. 计算每个随机变量的均值 mu_k、标准差 sigma_k、偏度、峰度 # 2. 生成估计点位置和权重 for k in range(m): for i in [1, 2]: x_k_i mu_k xi[k][i] * sigma_k z run_power_flow_with_variable_k_fixed(x_k_i) E_Z p[k][i] * z # 3. 单独计算所有变量取均值时的输出 z0 E_Z_final E_Z p0 * z0半不变量法的关键代码在于从半不变量重建概率密度。Gram-Charlier展开在Python里很容易实现核心就是算前四阶半不变量然后拼Hermite多项式Cornish-Fisher变换则直接对分位数做级数修正代码量也差不多。真正费时间的反而是求Jacobian灵敏度矩阵好在牛顿潮流最后一步已经把它算出来了直接取出来用就行。4.3 结果解读节点电压、线路潮流的分布特征用三种方法算完结果可以画出节点5风电场接入点电压幅值的概率密度曲线。蒙特卡洛的结果显示这个节点电压均值在1.02 p.u.左右标准差约0.015 p.u.曲线略微左偏——原因是风机出力在低风速区间占的时间长出力期望低于额定值拉低了局部电压期望。线路潮流方面连接风电场到主网的线路有功潮流分布是重头戏。这条线路的潮流期望约45 MW标准差约18 MW最极端场景下反向倒送可以达到-5 MW。如果用确定性潮流只看平均场景这条线路完全没问题但结合概率密度去算它超过热稳极限60 MW的概率大约是4%——这个信息对调度员是有实际价值的可以提前安排运行方式或限出力策略。对比三种方法LHS蒙特卡洛5000样本和原始蒙特卡洛20000样本的结果曲线几乎重合点估计法给出的期望误差在2%以内方差偏小约5%因为它在强非线性风机功率曲线处用三个点去匹配矩显然会漏掉一些尾部特征半不变量法的期望和方差都接近但在尾部概率密度处出现了轻微振荡个别点出现负概率密度——这在第5节专门说。5. 概率潮流实战中的几个隐藏坑这一节是我最想写的部分。概率潮流纸上谈兵看着不难真正跑起来容易在下面几个地方翻车。5.1 风光出力的空间相关性不考虑会过于乐观很多初做概率潮流的人把每个风电场、每个光伏电站都按独立随机变量处理结果算出来的系统电压波动和线路潮流波动明显偏小。原因很简单同一个风资源区内的几个风电场风速高度相关同一片云团下的相邻光伏电站出力也是同涨同落。独立假设把大家一起涨、大家一起跌的极端场景给抹掉了自然显得系统很安全。处理相关性的标准流程是先统计各输入变量的Pearson相关系数矩阵C然后对C做Cholesky分解C L·Lᵀ用L去变换一组独立标准正态样本得到具有目标相关性的正态样本如果输入变量不是正态分布需要先用Nataf变换——把非正态变量的边缘分布转换到标准正态空间在正态空间里处理相关性再逆变换回去。Nataf变换的关键是要对相关矩阵做一次修正因为边缘分布非正态时正态空间中的相关系数和原始空间不一样具体修正系数可以从文献里查表或者用数值积分求。我在实际项目里遇到过最典型的场景是某地区规划了三个风电场如果不考虑相关性计算出的外送通道潮流标准差是120 MW考虑相关性之后变成了200 MW。这个差距直接决定了外送通道要不要增容属于能影响投资决策的差异绝对不能忽略。5.2 收敛判据与抽样次数怎么定蒙特卡洛的样本量没有一个放之四海而皆准的数完全取决于你要估计什么。如果只是估计节点电压期望值几千个样本绰绰有余但如果你想估计概率密度曲线尾部——比如0.5%概率的极端越限事件——那需要样本量会急剧膨胀因为尾部事件本身出现次数就少。我的经验是当关心的越限概率在1%量级时蒙特卡洛至少要5万到10万样本否则尾部曲线会毛糙得没法看。实操里我会用一个简单的迭代收敛判据每增加一批样本计算关键输出变量的期望和标准差的相对变化连续几批的相对变化都小于0.1%就认为结果稳定了。这个判据虽然朴素但很好使比盲目定一个固定样本数要稳妥得多。如果样本量确实撑不住有两条出路一是用方差削减技术LHS、重要抽样、控制变量能把同等样本量的等效精度提升一到两个数量级二是干脆别用蒙特卡洛改用点估计或半不变量法去做初步筛选只对少数风险对象再做精细蒙特卡洛。5.3 半不变量法的截断误差与Gram-Charlier展开的负概率问题半不变量法有一个让人又爱又恨的地方它对接近正态的输出分布精度很好但风光出力波动强烈时输出分布往往偏离正态较远Gram-Charlier展开取前四项截断就容易在尾部出现振荡甚至在某些区间计算出负的概率密度这从数学上都说不通可视化的时候更是尴尬。我在IEEE 30节点算例中就遇到了这个现象。解决思路有这么几条一是改用Cornish-Fisher级数它直接展开分位数而不是密度函数在尾部区间通常更稳定二是增加展开阶数到六阶、八阶但高阶半不变量的数值稳定性又成了新问题三是最务实的——不要纠结于密度函数的局部失真重点关注累积分布函数CDF因为CDF是积分量对振荡有平滑作用工程上用它查越限概率已经够用了。还有一点必须提醒半不变量法的前提是潮流方程在期望工作点附近的线性化成立。如果风速波动特别大c值高、k值低或系统运行点接近电压稳定极限线性化误差会显著放大。这种情况我建议放弃半不变量法回到蒙特卡洛或者点估计。5.4 光伏的零出力概率不能被Beta分布忽略Beta分布是连续分布在辐照度为0处的概率密度严格为0但现实中光伏电站夜间出力为0、阴雨天出力也只有0或接近0零出力时段占比可能高达30%甚至更多。直接用连续Beta分布建模会把零出力场景当成非常小的辐照度处理结果光伏出力的期望被高估方差被低估光伏接入点附近的电压分布也会算偏。工程上通用做法是采用混合分布以概率p0表示出力为0的离散事件以概率1-p0表示出力大于0此时辐照度服从截断Beta分布。建模步骤是从历史数据里统计零出力时段的比例p0再拿非零出力数据去拟合Beta分布参数。特别提醒如果做的是分时段概率潮流p0和Beta参数要按时段分别统计——正午时段的p0可能只有5%傍晚和清晨可能超过50%混在一起拟合会严重失真。5.5 海量分布式电源接入时的维度灾难最后一个坑是维度。当随机变量个数m从几十增长到几百甚至上千比如一个城市配电网里有几百个分布式光伏电站点估计法的2m1次潮流计算就会变得不现实蒙特卡洛反而因为每次采样成本固定、样本量不随m变化而变得更有吸引力。但蒙特卡洛的样本量受尾部概率精度限制依然很大。这种场景下的主流解法是场景聚类和场景削减先用蒙特卡洛或历史数据生成大量风光出力场景再用k-means或基于概率距离的距离度量方法把场景削减到几十个典型场景对每个典型场景做确定性潮流最后按场景概率加权汇总。这本质上是用确定性潮流的组合去逼近概率潮流实际工程里部署得很广算是对维度灾难的一种实用妥协。6. 从概率潮流还能走到哪里去聊完方法和坑再往前看一步。概率潮流本身是一个分析工具但它的价值最终要落到决策层面这里有几个方向值得继续做深。6.1 时序场景与动态概率潮流静态概率潮流把每个时段当成独立的快照不考虑时段之间的时间相关性。但实际电网运行中风光出力有很强的时序特性夜间风电可能持续大发四五个小时连续阴天光伏则要萎靡好几天。做运行方式评估或者机组组合时这些持续性比单点概率更重要。一种自然的扩展是概率时序潮流先通过时间序列模型如ARMA或马尔可夫链生成一天24个时段的相关场景再逐时段做概率潮流这样不仅能看到每个时刻的分布还能看到多个连续时段同时处于高风险状态的概率这对抽水蓄能、储能配置的论证特别有用。6.2 概率潮流与优化问题的结合概率潮流最有工程价值的延伸是概率最优潮流Probabilistic Optimal Power FlowPOPF。在随机风光出力背景下要优化常规机组出力、储能充放电计划同时要求电压越限概率、线路过载概率满足机会约束比如线路潮流越限概率小于5%。这类问题通常用随机场景法转化把机会约束拆成若干确定性场景的约束再用非线性规划或启发式算法求解。在实际项目里我见过用粒子群、遗传算法这类智能优化算法求解这种非凸随机优化问题的案例——虽然不能说它们是唯一选择但在目标函数不光滑、约束条件复杂时确实好用。概率潮流在这里扮演的角色是评估器每给出一个候选调度方案就用概率潮流去检验它是否满足随机约束然后迭代优化。这个循环的计算量非常大所以对概率潮流算法的速度要求很高半不变量法和场景削减法在这里价值很大。6.3 从概率分析到风险决策最后想强调一个理念层面的问题概率潮流的输出是概率但工程决策需要的是风险。概率和风险的区别在于前者只问会不会发生后者还要问发生了有多大损失。比如某线路过载概率是5%损失是线路跳闸后损失负荷200 MW另一条线路过载概率是1%损失是主变损坏维修费巨大。单看概率前者更危险但综合严重度后者可能更致命。所以做概率潮流项目时我习惯在分布结果之上叠加一个风险指标比如风险值 越限概率 × 越限严重度用越限幅度的函数定义这样算出来的结果可以直接用于检修优先级排序、设备改造投资决策、运行方式比选。概率潮流提供的是客观的统计事实风险指标才真正对决策者有意义。从最开始建随机变量模型到选定算法跑出分布再到把分布转化成决策依据这条链路走完才算把含风光发电的概率潮流计算真正用起来。我自己的体会是别指望某一种算法包打天下——蒙特卡洛是秤砣、半不变量法是尺子点估计是折中的皮筋要搭配着用。最后再分享一个小技巧任何概率潮流程序写完之后先用极端场景全部风光满发、全部风光零出力、最大负荷各跑几次确定性潮流看看概率结果是否覆盖了这些极端边界如果连边界都盖不住说明采样或建模环节大概率出了岔子先修这部分再谈算法精度。