企业官网建设流程全解析

风电并网之后的潮流计算，说实话，已经不能靠传统的确定性潮流算法一锤定音了。我做过几个风电场接入系统评估项目，最直观的感受是：同样的一个并网点，今天风速 8 m/s 和明天风速 12 m/s，算出来的电压、线路潮流完全是两个世界。你要是只取一个典型工况去算，并给出"电压合格、线路不越限"的结论，那可真是在赌运气。这也是为什么我现在做风电接入方案，基本都会上概率潮流计算，把节点电压、支路潮流的概率分布给统计出来，再用蒙特卡洛方法去模拟风电出力的随机波动。这篇文章就把我实际做风力发电概率潮流计算的完整流程和经验整理出来，包括双馈风电机模型怎么建、蒙特卡洛抽样怎么做、结果怎么看、坑在哪里，希望能帮到正在做相关课题或者工程项目的同行。

1. 风电并网后，为什么传统潮流计算开始"失真"

1.1 确定性潮流的本质缺陷：一个快照无法反映全天候运行状态

传统潮流计算的思路很直接：给定一组确定的负荷和发电出力，通过迭代求解节点电压和支路潮流。整个系统被描述成一个确定性的"快照"——某一时刻的工况。在火电、水电占主导的年代，发电机出力是可调的、可控的，负荷虽然也在变化但规律性强，取一个典型运行方式基本能覆盖大部分场景，确定性潮流完全够用。

风电进来之后，这个前提崩塌了。风电出力随风速变化，而风速本身是一个随机过程。同一个风电场，一天之内的出力可以从零跳到额定容量，一个小时内的波动幅度也可能超过 30%。这意味着系统的运行状态不再是一个点，而是一个庞大的状态空间。你取 5 m/s 的风速算一次，取 12 m/s 再算一次，两次结果之间的差异可能比系统本身的安全裕度还大。只做单点计算，本质上是在用确定性方法去解决随机性问题，结果自然失真。

1.2 高风电渗透率下的运行风险：电压越限与线路过载

风电渗透率越高，这种失真的后果越严重。我见过一个实际案例：某个 110 kV 并网的风电场，按额定出力的典型工况做确定性潮流计算，节点电压合格率百分百。但实际运行数据显示，在夜间大风时段，并网点电压反复越上限，一个月内越限事件超过 20 次。原因很简单——夜间负荷低谷，系统本身电压偏高，风电大发又进一步抬升电压，典型工况根本覆盖不到这个极端组合。

这就是概率潮流计算的出发点：不再问"这个系统在某一工况下是否安全"，而是问"这个系统在所有可能的风速和负荷组合下，有哪些工况是危险的，概率有多大"。电压越限概率、支路过载概率、系统失负荷概率——这些才是风电并网评估中真正有价值的指标。

1.3 概率潮流计算的三种主流路线：模拟法、解析法、近似法

做概率潮流，主流方法有三类：

• 模拟法，核心就是蒙特卡洛。它的思路最朴素——既然系统状态是随机变量，那我就按照这些随机变量的概率分布大量抽样，对每一组样本做一次确定性潮流计算，最后把所有样本的结果汇总成统计指标。优点是精度高、实现简单，只要抽样数足够，结果就逼近真实分布；缺点是计算量大，一次潮流计算可能要几十毫秒，抽一万次样本就是几分钟，大规模系统甚至更久。

• 解析法，主要是基于线性化或者半不变量法。它把潮流方程在基准运行点做线性化处理，然后利用随机变量的矩特性直接求取输出变量的概率分布。优点是计算速度极快，但精度受线性化假设限制，在系统重负荷或风电出力波动大的场景下误差会明显增大。

• 近似法，包括点估计法、无迹变换法等。这类方法用少量确定性计算点来近似随机变量的统计特征，计算量和精度介于模拟法和解析法之间。点估计法实现简单，在工程上用得比较多，但处理多风电场之间相关性时比较吃力。

我自己的经验是：做研究课题，蒙特卡洛是基准——它是"标准答案"的生成器，其他方法都要跟它对比才有说服力；做工程项目，如果系统规模大、需要快速反复计算，可以用点估计法快速摸底，再用蒙特卡洛对重点场景做精算。这篇文章重点讲蒙特卡洛，因为理解了蒙特卡洛的整个流程之后，其他的方法理解起来都顺理成章。

2. 双馈风电机模型：从PQ节点到RX模型的选型与参数设置

2.1 双馈风电机组的运行特性：为什么不能简单当成一个普通电源

双馈风电机组（DFIG，Doubly-Fed Induction Generator）是目前陆上风电的主流机型。它的特点在于转子侧通过变频器接入电网，可以实现变速恒频运行：风速低时转子转速低，风速高时转子转速高，但输出频率始终与电网频率同步。这个特性让 DFIG 在宽风速范围内都能捕获最大风能，但也让它在潮流计算中的建模变得特殊。

与传统同步发电机不同，DFIG 的定子直接并网，转子通过背靠背变流器连接电网。在稳态潮流计算中，DFIG 通常被当作一个 PQ 节点来处理——因为它通过变流器控制有功和无功输出，有功输出由风速决定，无功输出由控制策略决定，与节点电压的耦合关系较弱。这一点与传统发电机"有功由原动机决定、无功由励磁决定且与机端电压强相关"有本质区别。

但这里有个容易踩的坑：DFIG 的功率因数和无功控制方式直接影响无功输出。有的风电场运行在单位功率因数模式，无功输出为零；有的运行在恒电压控制模式，会根据机端电压自动调节无功输出。你建模的时候必须搞清楚目标风电场的实际控制策略，否则潮流计算结果和现场实测会差一大截。我做过一个对比，同一台风电机组，单位功率因数模式和恒电压控制模式下的并网点电压能差 2%～3%，这个差距在评估电压越限风险时足以改变结论。

2.2 潮流计算中常用的三种DFIG模型

PQ模型：最常用的稳态模型

PQ 模型把 DFIG 抽象为一个有功 P 和无功 Q 均由外部给定的功率注入源。有功 P 由风速-出力曲线决定，无功 Q 由功率因数或控制策略决定。这个模型实现最简单，在潮流计算的雅可比矩阵中只涉及 P、Q 两个注入量，收敛性也好。大多数商业化软件（比如 PSASP、BPA）中都有 PQ 型风电机模型，直接填数据就能用。

PQ 模型的缺点是不能反映 DFIG 的无功电压特性。当系统电压跌落时，真实 DFIG 会通过变流器调整无功输出来支撑电压，而 PQ 模型不会——它始终按照给定的 Q 输出。在电压稳定性分析场景中，这会造成不小的误差。

RX模型：考虑低电压穿越的改进模型

RX 模型是在 PQ 模型的基础上引入了对电压的响应特性。它假设风电机组的无功输出与机端电压满足某种函数关系（通常是分段函数），模拟机组在电压跌落时增大无功输出、在电压升高时吸收无功的低电压穿越（LVRT）特性。

做暂态稳定分析或者短路计算时，RX 模型更准确。但在概率潮流计算中，RX 模型的使用频率相对较低——因为概率潮流更关心的是稳态运行范围的分布情况，而且 RX 模型涉及的分段函数在潮流迭代中会引入非线性因素。我个人在做概率潮流时默认用 PQ 模型，只有在研究严重故障场景或者需要评估 LVRT 对系统稳定性的影响时，才会切到 RX 模型。

暂态模型：概率潮流用不上但要知道

完整的 DFIG 暂态模型包括转子运动方程、磁链方程、变流器控制方程等，用于电磁暂态仿真。这类模型在概率潮流计算中基本用不上——概率潮流目标是稳态运行统计特性，用暂态模型会带来巨大的计算负担，完全得不偿失。但对 DFIG 建模体系的完整理解有助于你判断什么场景用什么模型，所以建议至少要懂原理。

2.3 风速到出力：双馈机组的功率特性曲线

做好了模型选型，下一步就是确定 PQ 模型中 P 和 Q 的具体数值。P 由风速决定，这里需要风电机组的功率特性曲线。典型 DFIG 的功率特性可以用分段函数描述：

• 切入风速以下（通常 3 m/s 左右），输出功率为 0；
• 切入风速到额定风速之间（3～12 m/s 左右），输出功率近似与风速的三次方成正比；
• 额定风速以上但小于切出风速（通常 12～25 m/s），输出功率维持在额定值；
• 超过切出风速，机组切出，输出功率为 0。

实际工程中，我不会直接用三次方公式去估算单机出力，而是直接从风机制造商提供的功率曲线数据表中查取。因为真实机组的功率曲线受桨距角控制、空气密度修正、尾流效应等因素影响，与理想的三次方关系有明显偏差。做概率潮流时，风速抽样出来了，对应到功率曲线上就能得到有功出力。

无功 Q 的取值相对简单：如果运行在恒功率因数模式，Q = P × tan(arccos(φ))，其中 φ 是功率因数角；如果运行在恒电压模式，Q 的调整逻辑比较繁琐，通常需要在潮流迭代中不断修正。我在工程中遇到的多数风电场都运行在恒功率因数模式，功率因数一般设定在 -0.95～+0.95 之间（超前或滞后）。

3. 蒙特卡洛抽样与概率潮流实现全流程

3.1 随机变量的概率分布建模：风速、负荷、机组状态

蒙特卡洛方法的第一步，是确定输入随机变量的概率分布。这一步做好了，后面就是"抽样本、算潮流、统计结果"的机械流程；这一步错了，后面所有计算结果都是废的——垃圾进，垃圾出。

风速建模：风速通常用两参数威布尔分布（Weibull Distribution）描述，其概率密度函数是：

f(v) = (k / c) × (v / c)^(k-1) × exp(-(v / c)^k)

其中 v 是风速，k 是形状参数（描述风速分布的偏斜程度），c 是尺度参数（与平均风速相关）。k 和 c 可以根据风电场场址的长期测风数据用极大似然估计拟合出来。国内大部分风电场址的 k 值在 1.8～2.5 之间，c 值则与年平均风速相关——年平均风速 7 m/s 左右的场址，c 值大约在 7.5～8.5 之间。

负荷建模：节点负荷（有功和无功）通常假设服从正态分布，均值取负荷预测值，标准差取均值的 3%～5%。这个假设在工程上足够可靠，因为负荷在短时间尺度上的波动确实是近似对称的。

机组状态建模：风电机组并非一直在线运行，存在故障停机和计划检修。在长期概率潮流分析中，可以定义一个"可用率"参数，比如 95% 的可用率意味着每次抽样时，每组样本有 95% 的概率判定机组处于运行状态。这个用简单的伯努利抽样即可实现。

3.2 逆变换抽样法：手把手教你生成威布尔随机数

确定好分布之后，就要生成服从这些分布的随机数。这里用到的是逆变换法（Inverse Transform Method），核心思想是：如果随机变量 X 的累积分布函数（CDF）是 F(x)，那么 Y = F(X) 服从 [0,1] 上的均匀分布；反过来，如果 U 服从 [0,1] 均匀分布，那么 X = F^(-1)(U) 就服从目标分布。

对威布尔分布来说，CDF 是：

F(v) = 1 - exp(-(v / c)^k)

求逆得到：

v = c × (-ln(1 - U))^(1/k)

用 Python 写的话，核心代码就几行：

import numpy as np def weibull_sample(c, k, size=1): """生成威布尔分布的随机风速样本""" u = np.random.uniform(0, 1, size) # 保留数值稳定性：用 1 - u，避免 u=1 时出现 ln(0) return c * (-np.log(1 - u)) ** (1 / k) # 示例：生成 10000 个风速样本，c=8.0, k=2.0 wind_samples = weibull_sample(c=8.0, k=2.0, size=10000)

这里有个细节：代码里我用的是 -ln(1-u) 而不是 -ln(u)，因为 u 有很小的概率取到 0，直接取 ln(0) 会得到负无穷，影响计算。用 1-u 则可以保证 (1-u) 在 (0, 1] 区间内，ln 计算稳定。这就是那种"代码看起来一样但实测会出 bug"的隐性坑。

3.3 完整计算流程：从风速样本到潮流结果统计

有了随机数生成方法，蒙特卡洛概率潮流的完整流程就清晰了：

1. 初始化：设置抽样总数 N_max（比如 5000 或 10000），设置收敛精度要求。
2. 抽样：根据风速的威布尔分布生成一组风速样本；根据负荷的正态分布生成各节点负荷样本；如有需要，根据机组可用率抽样机组的在线/离线状态。
3. 计算风电场出力：把风速样本代入功率特性曲线，得到各风电场的总有功出力；根据功率因数设定计算无功出力。
4. 潮流计算：把风电场的 P、Q 和负荷的 P、Q 作为输入，运行一次确定性潮流计算（牛顿-拉夫逊法或 PQ 分解法），记录节点电压幅值、支路潮流等输出量。
5. 重复：重复步骤 2-4，直到达到抽样次数上限或满足收敛精度。
6. 统计分析：对所有样本的潮流结果做统计分析，计算各节点电压的概率分布（期望、标准差、越限概率）、各支路潮流的概率分布、系统失负荷概率等指标。

整个过程用 Python 写个循环就行，核心框架大概是：

import numpy as np def monte_carlo_power_flow(power_flow_solver, wind_params, load_params, n_samples): """蒙特卡洛概率潮流主程序""" results = { 'voltage': np.zeros((n_samples, n_bus)), 'line_flow': np.zeros((n_samples, n_line)), } for i in range(n_samples): # 1. 抽取风速样本 wind_speed = weibull_sample(wind_params['c'], wind_params['k']) # 2. 将风速转换为风电场有功出力 wind_power = power_curve(wind_speed) * wind_params['capacity'] # 3. 抽取负荷样本 load_p = normal_sample(load_params['mu'], load_params['std']) load_q = load_p * load_params['power_factor'] # 4. 组合输入数据，调用潮流求解器 bus_p, bus_q = build_injection(wind_power, load_p, load_q) V, S = power_flow_solver(bus_p, bus_q) # 5. 记录结果 results['voltage'][i, :] = V results['line_flow'][i, :] = S # 6. 统计结果 v_mean = np.mean(results['voltage'], axis=0) v_std = np.std(results['voltage'], axis=0) v_prob_over = np.mean(results['voltage'] > 1.05, axis=0) # 电压越上限概率 return v_mean, v_std, v_prob_over

实际工程中我不会自己从头造潮流求解器，直接调 Pypower 或者 MATPOWER 的求解函数就行，但流程结构就是这个样子。

3.4 抽样次数怎么定：收敛判据与置信度

蒙特卡洛一个绕不开的问题：到底要抽多少次才算够？抽少了结果不稳定，抽多了计算耗时长。

理论上的收敛判据可以根据概率潮流输出的统计量来设定。假设我们关注某个节点电压的期望值 μ，用样本均值 μ̂ 作为估计值，其标准差是 σ/√N，其中 σ 是样本标准差，N 是抽样次数。根据中心极限定理，估计误差随着 N 的平方根减小。要让估计误差小于 ε，需要满足：

N ≥ (z_α/2 · σ / ε)^2

其中 z_α/2 是置信水平对应的分位数，一般取 1.96（对应 95% 置信区间）。

但在实际计算中，σ 是未知的，所以我会采用一种实用的渐进式方法：先跑一个初值（比如 300 次），计算目标统计量的样本标准差；然后根据期望的精度要求估算需要的抽样次数，再继续跑。也可以设定一个滑动判据：每增加 200 次抽样，检查当前统计量与上一轮统计量的相对变化率，变化率小于某个阈值（比如 1%）就认为收敛了。

老实说，大多数工程项目里不会这么严格——直接固定取 5000 次抽样是特别常见的做法，精度已经足够工程使用。5000 次对 IEEE 30 节点这种小系统，单次潮流计算几十毫秒，总耗时也就几分钟，完全在可接受范围内。只有系统特别大（上千节点）或者需要反复试算的场景，才值得用拉丁超立方采样（LHS）这类方差缩减技术来降低所需的抽样次数。

4. 输出结果怎么解读：概率分布、置信区间与越限风险

4.1 从一堆样本到可视化图表：概率密度曲线与累积分布曲线

蒙特卡洛跑完之后，你手里有一大堆——每个节点电压的 5000 个样本，每条支路潮流的 5000 个样本。这些原始数据不直观，需要做统计分析之后才能看出门道。

最基本的操作是画概率密度曲线（PDF）和累积分布曲线（CDF）。Python 里用 matplotlib 或者 seaborn 的 histplot/kdeplot 就能快速实现。我个人实践经验是：PDF 能让你直观看到数据的集中趋势和离散程度，CDF 则便于直接读取概率值——比如"节点 12 的电压低于 0.95 p.u. 的概率是多少"这种问题，看 CDF 值直接就能回答。

import matplotlib.pyplot as plt import seaborn as sns # 假设 voltages 是某节点电压的 5000 个样本 sns.kdeplot(voltages, label='PDF', fill=True) plt.axvline(0.95, color='red', linestyle='--', label='下限 0.95 p.u.') plt.axvline(1.05, color='red', linestyle='--', label='上限 1.05 p.u.') plt.xlabel('电压幅值 (p.u.)') plt.ylabel('概率密度') plt.legend() plt.show()

看到 PDF 曲线之后，你往往会意识到一个事实：极端工况下的电压情况，跟典型工况的结论可能完全不同。典型工况下电压在 1.0 p.u. 附近，看起来很安全，但 PDF 的尾巴可能已经伸到了 1.07 p.u. 的区域——这个尾巴对应的就是"高风速 + 低负荷"的极端场景，传统确定性潮流根本看不到。

4.2 关键指标计算：期望、标准差、越限概率

概率潮流输出的结果，最终要落到几个可用的工程指标上：

节点电压期望值：所有样本电压的平均值，反映该节点的"平均运行水平"。如果期望值距离上下限较远，说明运行点在安全区域中央；如果期望值本身就已经靠近边界，那大概率存在常态化越限风险。

节点电压标准差：反映电压波动的剧烈程度。风电接入点附近节点的电压标准差通常明显大于远离风电场的节点——这是风电出力波动向电网传播的直观体现。如果标准差超过 1.5%～2%，就需要警惕了，说明该节点的电压质量受风电影响较大。

电压越限概率：电压高于 1.05 p.u. 或低于 0.95 p.u. 的样本比例。这是个非常实用的指标——直接告诉运行人员"一个月里有多少时间电压是不合格的"。

支路过载概率：支路潮流超过其热稳定极限的比例。对输电线路评估尤为重要。

失负荷概率（LOLP）：如果某些极端工况下出现潮流不收敛或者需要切负荷，可以统计这部分样本的比例。这个指标在可靠性分析中比较常用。

4.3 案例分析：含双馈风电场的 IEEE 30 节点系统

为了把上面的流程串起来，我做一个 IEEE 30 节点系统的测试案例。系统参数直接用 MATPOWER 自带的数据，在节点 7 接入一个装机容量 100 MW 的风电场，由 50 台 2 MW 双馈风电机组组成。

风速参数设定为威布尔 c=8.0、k=2.0，机组切入风速 3 m/s、额定风速 12 m/s、切出风速 25 m/s，机组功率因数恒定为 0.95（滞后，即发出无功）。负荷波动取正态分布，标准差为均值的 5%。抽样次数取 5000 次。

计算完后提取节点 7 附近的几个关键结果：

数据呈现出的规律非常清晰：并网点电压的标准差最大，越限概率也最大；越靠近风电场，电压波动越剧烈，越限风险越高。这就是概率潮流相对于确定性潮流的增量信息——确定性潮流只会告诉你并网点电压在某一工况下是 1.01 p.u.，而概率潮流告诉你这个电压在 0.97 到 1.06 p.u. 之间波动，且有 2.3% 的时间会越上限。这个 2.3%，才是安全评估真正需要关注的数字。

4.4 结果的工程应用：无功补偿容量的确定

概率潮流的结果可以直接指导工程决策。还是上面这个案例，如果并网点电压越上限概率是 2.3%，运行要求把越限概率控制在 1% 以内，那就需要采取治理措施。常见的方案是配置动态无功补偿装置（SVG）。

这时候概率潮流可以反复用来做"方案比选"：在并网点加入不同容量的 SVG，重新跑蒙特卡洛，看越限概率降到多少。我实际做过一个类似的项目，最终发现加一台 ±15 Mvar 的 SVG，越上限概率能从 2.3% 降到 0.6%，效果立竿见影。如果没有概率潮流工具，单凭典型工况的确定性潮流，你根本不知道该配多少容量的补偿装置——配少了不起作用，配多了浪费投资。

5. 收敛性陷阱、计算量优化与工程经验

5.1 潮流计算不收敛的样本怎么处理：直接丢弃是最差的选择

做蒙特卡洛概率潮流，一个几乎必然会遇到的问题：某些极端样本下潮流计算不收敛。风速特别大、负荷特别重的组合，可能导致系统失稳或者电压崩溃，牛顿-拉夫逊法迭代直接发散。

不少初学者遇到这种情况就直接跳过这个样本，继续跑下一个，最后统计数据时完全忽略了这些"缺失样本"。这其实是错误的做法——潮流不收敛在工程意义上往往意味着系统失稳，它本身就是一种"事故工况"，直接丢弃会让越限概率、失负荷概率的统计结果显著偏小。

正确处理方式是在求解器判定不收敛时，将该样本的电压记录为越限值（比如电压=0，或者标记为系统崩溃），并计入失负荷概率的统计中。同时建议单独统计一个"不收敛样本比例"的指标——如果这个比例偏高（比如超过 2%），说明系统在某些极端工况下存在稳定风险，这本身就是重要的评估结论。

5.2 全换随机数生成器：给每次计算保留可复现性

蒙特卡洛方法依赖伪随机数生成器，这就带来一个可复现性问题。同一套程序，两次运行的结果会略有差异——抽样数越小，差异越大。这在论文或工程报告中是比较忌讳的，因为评审或验收时换个环境重新跑，数据对不上会很难看。

我的习惯是：每次运行前给随机数生成器设定固定的随机种子（random seed）。这样只要程序逻辑不变，结果就是完全可复现的。在 Python 中只需要在最前面加一行：

np.random.seed(42) # 任意固定整数都可以，保证可复现

另外，进行方案对比时（比如加 SVG 前后），务必使用同一组随机样本。也就是说，先抽好一组风速和负荷样本存下来，然后用这组样本去跑"无 SVG"和"有 SVG"两种工况。这个细节极其重要——如果没有固定样本，两次运行之间的随机差异可能比 SVG 带来的效果还大，方案对比的结论就不扎实了。这也是我在多个项目里踩过坑之后才养成的习惯。

5.3 抽样数还不够？方差缩减技术了解一下

当系统规模大、单次潮流计算耗时长，5000 次抽样变得难以承受时，可以考虑两种实用的方差缩减技术：

拉丁超立方采样（LHS）：把每个随机变量的概率区间等分成 N 个小子区间，在每个子区间内各取一个样本点，然后把不同变量的样本进行随机组合配对。这样能保证样本在整个概率空间内均匀覆盖，避免了纯随机抽样可能出现的"挤压在一堆"的浪费。研究表明，LHS 在法律允许的同精度下需要的样本量可以减少 30%～50%。

重要抽样（Importance Sampling）：主动增加"极端工况"在模拟中的出现频率，计算时再按权重修正概率。这个方法对电压越限概率这类小概率事件的估计特别有效，但实现复杂度较高，需要对系统特性有比较好的先验认识。

我个人比较推荐 LHS——它既有一定实现复杂度，又对大多数概率潮流场景有效果，属于性价比最高的选择。如果还没试过 LHS，可以先把普通蒙特卡洛跑通，再对比看看 LHS 能在多大程度上减少抽样次数，心里对两种方法的差异有个数。

5.4 多风电场场景：别忘了风速之间的相关性

实际工程中往往不止一个风电场，同一地区的风电场因为地理位置接近，风速之间存在显著的相关性——两个靠得近的风电场，风速大概率同高同低。如果在蒙特卡洛抽样时忽略了这种相关性，独立抽样会让"一个风电场大发、另一个风电场小发"的场景出现频率过高，这会严重歪曲系统潮流的概率分布。

处理风速相关性的标准方法是Copula 函数。具体流程是：先用历史测风数据估计各风电场风速之间的相关结构（常用高斯 Copula 或 t-Copula），然后生成具有指定相关性的多维风速样本。如果你嫌 Copula 太复杂，工程上也有个简化的线性近似法——线性变换法（Linear Transformation Method），先独立抽样，再通过一个下三角矩阵做线性变换，使样本的相关系数矩阵逼近目标值。实测下来线性变换法在相关系数低于 0.8 的场景下精度尚可，但相关系数接近 1 时会有些偏差，要求特别高的话建议直接上 Copula。

5.5 我的三个实操经验总结

最后分享三条我在这个领域摸爬滚打总结出的实操经验：

第一，先跑小样本试探，再跑全样本精算。拿到一个系统，不要直接一上来就抽 10000 次跑几个小时，先用 500 次快速摸一遍结果量级，检查是否出现异常数据、求解失败率多少、结果均值大致是多少。确认没问题了，再决定要不要加满到 5000 次或更多。这样既省时间又能及早发现程序中的低级错误。

第二，极端工况单独分析。蒙特卡洛能覆盖随机出现的极端工况，但它不会系统性地分析"某条线路检修 + 风电大发 + 负荷高峰"这种多重因素叠加的场景。我在做工程评估时，通常会在蒙特卡洛分析之外，额外枚举几个极端场景做确定性校验。两者结合起来，结论才完整。

第三，别迷信默认参数。风电机功率特性、威布尔分布参数、负荷波动标准差，这些参数直接影响结果，必须从实际数据中提取或取尽可能接近实际情况的值。我见过一些报告里直接甩一个"风速服从威布尔分布"就完事，形状参数和尺度参数是全凭直觉给的，计算出来的概率潮流结果没有任何实际参考意义。

概率潮流计算这件事，框架并不复杂——抽样、求解、统计，三步走。但每一步里都有大量的工程细节决定结果的可靠程度。从双馈机组的 PQ 模型设置，到风速分布的参数拟合，再到收敛判据、极端样本处理、相关性建模，任何一个环节处理不当，计算精度都会受到显著影响。希望这篇文章能把我在实践中积累的这些门道传递清楚，帮各位少走一些弯路。