第二章进行系统模型的建立。先是随机模型的介绍，重点是太阳能光伏发电的模型如何准确地搭建；其次重点分析了相关性建模的原理和步骤。以spearman相关系数为基础，采用秩相关来描述关联程度，并以一个具体的算例展示了这种算法。 

第三章随机潮流算法的简介。首先简单介绍了常规潮流算法中的一种普遍采用的方法，即牛顿拉夫逊法。其次介绍了蒙特卡罗模拟法得到潮流分布的基本原理和采样步骤。最后在此基础上，提出了拉丁超立方采样法，分析了该方法的原理、优点和具体的采样步骤。

第四章通过建立IEEE-33节点系统，从准确性、性能等方面对采用的两种算法蒙特卡罗模拟和拉丁超立方采样法进行比较。之后讨论考虑分布式光伏输出功率之间的关联性后，配电网运行产生的变化，比如在节点的电压、支路的功率和网损的平均值和标准差这些方面。最后讨论接入系统的分布式光伏的容量和位置对配电网的电压和功率会产生怎样的变化。

第五章介绍了IEEE-30节点系统。由于光伏电站接入输电网作为另一种并网方式，所以本章以IEEE-30节点系统为例与第四章作对比，分析了光伏电站的关联程度对输电网的影响。

第六章是关于本次毕业设计取得的结论的一个总结，并展望一下未来的研究方向。

下图展示了本文的主要流程：

2  系统模型建立

2。1  随机模型建立

光伏接入后的配电网系统主要由光伏发电系统、负荷和发电机三部分组成。

2。1。1  光伏发电随机模型

太阳能光伏发电利用光伏电池可将光照转变为电动势的原理。在研究光伏并网后的随机潮流计算等有关问题时，首先要确定的是光伏发电的输出功率的随机特性，而此出力与太阳的光照强度密切相关，所以要想得到出力情况，必须先求出光照强度的随机分布[30-34]。

本次光伏发电，采用的是典型的Beta分布。此时我们可以得到光照强度的概率密度函数为：

其中S是指光照强度统计时间内的实际值，是指最大值。是Gamma函数。和是形状参数，将一段时间里太阳光照强度的期望值和方差进行下式的变换便能得到形状参数[35-36]。

假设光伏发电所用的电池方阵中有N个电池组，每个电池组的面积为，光电转换效率为。

那么电池方阵总体的光电之间转化效率和方阵总的面积A分别是：

此时这个电池方阵总的输出功率为：

（2-6）

通过（2-4）-（2-6），在光照强度的概率密度函数基础上，便能推导出光伏输出功率的概率密度函数为：

(2-7)

其中，，为光伏出力的最大值。

当，时，光照强度的概率分布曲线为：

配电网中可以将接入光伏的节点视为PQ节点，主要由于通过调节电容器可以使得功率因数恒定。

2。1。2  负荷随机模型

配电网中，负荷也会不停地随机变化。以长期以来的实践为基础，很多文献视负荷为一个近似符合正态分布的随机变量[37]。本文也采用这种正态分布表示负荷的这种变化情况。现令负荷有功与无功的期望值与方差依次为、和、，则它们的概率密度函数如下：

2。1。3  发电机随机模型

常用的发电机组一般分为正常运行或故障停运两个情况，因此可以用二项分布中的0-1分布来描述发电机组的两个状态。此时有功和无功出力的随机模型为：

其中为发电机组正常的概率，为发电机组故障的概率，为给定的额定容量。

有时当发电机组发生部分故障不需要停运，而是采用降额运行时。我们可以采用多状态发电机组模型。此时每个容量都有对应的可用率，随机模型为：