第 41 卷 第 3 期 电 网 技 术 Vol. 41 No.

3
2017 年 3 月 Power System Technology Mar. 2017
文章编号：1000-3673（2017）03-0823-08 中图分类号：TM 72 文献标志码：A 学科代码：470·40

基于马尔可夫链蒙特卡洛法的
独立风光柴储微网运行风险评估
陆丹，袁越，杨苏
（河海大学 能源与电气学院，江苏省 南京市 211100）

Operation Risk Assessment of Islanded Wind-PV-Diesel-Storage Microgrid Based on

Markov Chain Monte Carlo Method
LU Dan, YUAN Yue, YANG Su
(College of Energy and Electrical Engineering, Hohai University, Nanjing 211100, Jiangsu Province, China)

1
ABSTRACT: This paper presents a Markov Chain Monte 关键词：风险评估；风光柴储；独立微网；马尔可夫链蒙特
Carlo (MCMC) method assessing operation risk of islanded 卡洛法；可靠性模型
wind-PV-diesel-storage microgrid. Reliability models based on DOI：10.13335/j.1000-3673.pst.2016.1388
Markov state probability transition matrix are established for
wind and PV powers. The models also take randomness and
0 引言
continuity of wind and PV resource and temperature influence 独立风光柴储微网利用风、光资源的互补特
on PV output into consideration. Then, output of storage and 性，以柴油机为备用电源，有效提高可再生能源出
diesel are determined according to microgrid operation strategy.
力的稳定性，解决了偏远地区用户的供电问题[1]。
Finally, microgrid operation risk is assessed with MCMC
在微网内，由于风、光出力具有波动性和不确定性，
method with a set of risk assessment index system. Extensive
储能设备和柴油机供电存在约束，以及微网设备的
simulations are carried out on a European benchmark
microgrid. Microgrid operation risk is assessed form three 随机故障无法完全确定等问题，独立风光柴储微网
aspects, i.e. Markov chain state number, wind/PV capacity 运行存在一定的风险，对其进行风险评估是保障微
ratio and power generation/load capacity ratio. Case study 网安全稳定运行的一项基本任务，不仅可以防御各
results verify effectiveness of the proposed method, providing 种自然和人为灾害，也可对微网的发电容量充裕度
reference for planning, designing and operating of microgrid. 和运行经济性起到一定的调节作用[2]。
KEY WORDS: risk assessment; PV-wind-diesel-storage; 目前国内外对风光柴储微网的研究更多的集
islanded microgrid; Markov chain Monte Carlo; reliability 中在可靠性研究[3]上。文献[4-5]采用蒙特卡洛法结
model 合 well-being 理论，研究了光伏发电各因素以及风/
摘要：基于马尔可夫链蒙特卡洛法对独立风光柴储微网的运 光发电总量、风/光容量配比对风光柴储小型发电系
行风险水平进行了评估。基于马尔可夫状态概率转移矩阵建 统的可靠性和经济性的影响。文献[6]采用序贯蒙特
立了风电和光伏的发电可靠性模型，该模型综合考虑了风光 卡洛法对风光互补综合发电系统在夏冬季典型日
资源变化的随机性和连续性，以及温度对光伏出力的影响。
的可靠性水平进行了评估。文献[7]提出了新的调度
在此基础上，根据微网运行策略确立储能和柴油机的出力。
策略，采用序贯蒙特卡洛法对风光储联合发电系统
通过风险评估指标体系，采用马尔可夫链蒙特卡洛法评估微
网的运行风险。算例以欧洲典型微网为例，验证了马尔可夫
在并网运行时的可靠性水平进行了评估。文献[8]
链蒙特卡洛法的正确性和有效性，并从马尔可夫链状态数、 采用对发电和负荷分级模型的卷积求法，从发电和
风/光容量配比、发电/负荷比 3 个方面评估了对微网运行风 负荷 2 个角度对智能微网的可靠性水平进行了分
险的影响，算例结果可为微网系统的规划、设计和运行提供 析。风险评估是对事故发生概率和造成后果严重程
参考。 度的综合考量[2]，
“风险”和“可靠性”存在若干相
通的含义，描述了同一事物的 2 个不同方面；但传
基金项目：国家自然科学基金资助项目(51477041)。
Project Supported by the National Natural Science Foundation of
统可靠性指标只能单一地体现事故发生的概率或
China (51477041). 者造成的后果，且较少考虑电源的损失情况。因此，
824 陆丹等：基于马尔可夫链蒙特卡洛法的独立风光柴储微网运行风险评估 Vol. 41 No. 3

本文采用一套适用于微网的风险评估体系，从负荷 数轴[0,1]之内，如图 1 所示。抽样生成[0,1]之间的

损失和电源损失 2 个方面量化微网的风险水平。 随机数 γ，如果 γ 落在 qa,b 上，则表示状态 a 的下一
[4-9]
蒙特卡洛模拟法 是微网风险评估的常见方 个转移状态为状态 b。
法。蒙特卡洛模拟法是一种统计试验方法，通过抽
样生成一组独立的随机序列，但序列中各个元素之
间相互独立，无法体现风、光资源变化的连续性。
而 马 尔 可 夫 链 蒙 特 卡 洛 法 (Markov chain Monte 图 1 状态 a 的转移过程
Carlo，MCMC)[10-11]将马尔可夫链与蒙特卡洛法相 Fig. 1 Transition process of state a
结合，实现动态模拟，考虑了序列元素之间的关联 风机处于状态 a 的持续时间为
性，更符合实际运行情况。因此，本文采用马尔可 ln
MT a   M (3)
夫链蒙特卡洛法，建立了独立风光柴储微网的可靠
  a ,b
性模型，该模型考虑了风速变化的连续性、辐照度 b 1,b  a

的清晰度指数与波动特性间的相关性以及温度对 根据马尔可夫状态概率转移矩阵进行蒙特卡
光伏出力的影响。而后采用一套风险评估体系，从 洛抽样得到 t 时刻的风速 vt，则风电机组的出力
电源损失和负荷损失 2 个方面对独立微网的风险水 PW,t 为
平进行评估。最后，以欧洲典型风光柴储独立微网  0, vt  vi , vt  vo

为算例，对马尔可夫链状态数、风/光容量配比、发  P
PW,t   3 r 3 ( vt3  vi3 ), vi  vt  vr (4)
电/负荷比三者对微网运行风险水平的影响进行分
 vr  vi
析和比较，以验证所提方法的合理性和有效性，相  vr  vt  vo
 Pr ,
关结论对独立风光柴储微网的规划、设计和运行提
式中：Pr 为风电机组额定功率；vi、vr、vo 分别为选
供参考。
定风机的切入风速、额定风速和切出风速。
1 独立风光柴储微网可靠性模型 1.2 光伏发电可靠性模型
太阳辐射强度对光伏出力起着决定性的作用。
1.1 风力发电可靠性模型
位于大气层上界的地外太阳辐照度[12]公式为
风能具有较大的随机性，风能大小直接影响了
I
风机的出力，因此可以根据风能大小对风机出力进 I o  sc2 (5)
[11] 
行多状态划分 。根据实测数据将风速值等步长划
式中： I sc 为太阳常数，取值为 1 3767 W/m2；ߩ为
分为 M 个状态，其马尔可夫状态概率转移矩阵
2πd n
Q为 日地距离修正系数， 1 /  2  1  0.033cos ， dn
365
 0 q1,2 q1,3 q1,4 ... q1,M  为一年内给定日期的顺序数。
q 0 q2，3 q2，4 ... q2, M 
 2,1  水平面上的太阳辐照度 Ic,t 计算公式为
 q3,1 q3,2 0 q3,4 ... q3, M  I c,t  I o sin  h ,t (6)
Q=   (1)
 q4,1 q4,2 q4,3 0 ... q4, M  式中  h ,t 为 t 时刻的太阳高度角，与纬度、赤纬角
 ... ... ... ... ... ...  和时角有关。
 
 qM ,1 qM ,2 qM ,3 qM ,4 ... 0  由于云层和水汽等影响，太阳辐射在穿过地球
 a ,b 大气时会有所衰减，这种现象可用清晰度指数来表
qa ,b  M
(2)
示。晴天清晰度指数较高，多云时次之，阴雨天最
  a ,b
b 1,b  a 小。水平面上日辐射总量 H 与日理论辐射总量 Hc
式中： q a,b 为状态 a 转移至状态 b 的概率，且 之比即为日平均清晰度指数 kDCI，水平面上 t 时辐
M
 qa ,b  1 ； a ,b 为状态 a 至状态 b 的转移率，转 照度 It 与该时刻理论辐照度 Ic,t 之比即为每小时清
b 1,b  a 晰度指数 kt，具体公式为
移率取决于两状态之间的转移次数 Na,b 以及状态 a H I
k DCI  ，kt  t (7)
在进入状态 b 之前的持续时间 D a , b ，即  a ,b  Hc I c,t
N a ,b / Da ,b ，其中 a=1,2,…, M，b=1,2,…, M，且 a≠b。 不同的天气状况下，太阳辐射强度的波动情况
将状态 a 所有可能的转移概率 qa,b 依次排列在 不同，本文以波动特性指数 VVI[13-14]为衡量指标。
第 41 卷 第 3 期 电 网 技 术 825

根据实测数据对每日平均清晰度指数 kDCI 以及波动 时，储能电池放电；风光出力大于负荷需求时，储

特性指数 VVI 进行 NN 等状态划分，如图 2 所示(以 能电池充电。t 时刻储能电池充放电功率 Pbat,t[16]为
N=4 为例)，从而构建太阳辐照度的马尔可夫状态概 Pbat,t   c Pb-c,t   d Pb-d,t (12)
率转移矩阵。基于该矩阵通过蒙特卡洛抽样即可得 Pb-c,t  min[  P1,t , Pc-max ]，P1,t  0 (13)
到一组 kDCI 和 VVI 序列。 Pb-d,t  min[ P1,t , Pd-max ]，P1,t  0 (14)
式中： P1,t =PL,t  PW,t  PV,t ；PL,t 为 t 时刻负荷消
耗电量；Pb-c,t 和 Pb-d,t 为储能电池的充电功率和放电
功率；ߩc 和ߩd 为充电、放电标志，为二进制变量，
取值为 1 时表示充电或放电状态；Pc-max 和 Pd-max
为储能电池的充电、放电功率限值。
储能电池在运行过程中满足一定的约束条件
Smin  St  Smax (15)
式中：St 为 t 时刻荷电状态；Smin 和 Smax 为荷电状
图 2 VVI-kDCI 分布图 态的最小、最大允许值。
Fig. 2 Distribution diagram of VVI-kDCI 1.4 柴油机模型
在已知每日平均清晰度指数和波动特性的情 在孤岛微网中，柴油发电机可作为备用电源，
况下，地表水平面上的太阳辐射强度 It 可由 2 部分 在风光储出力不足时，柴油机运行以满足负荷需
组成：辐射强度基准值 IB,t 以及辐射强度波动分量 求。柴油发电机的输出功率 Pd,t 为
It，即  Pdmax , P 2,t  Pdmax
I t  I B,t  I t (8) 
Pd,t   P 2,t , Pdmin  P 2,t  Pdmax (16)
式中：IB,t 为 t 时刻辐射强度基准值， I B,t  I c,t k DCI ； 
 0, P 2,t  Pdmin
It 为辐射强度波动分量，可通过对相应状态下的数
据进行正态分布拟合得到。 式 中 ： P 2,t =P1,t +Pbat,t ； Pdmin 和 Pdmax 为 柴 油 机
在实际应用中，光伏面板的采光面都是倾斜放 允许的最小、最大输出功率。
置的，因此计算辐照度时需要考虑倾斜角的影响。 1.5 风、光、柴停运模型
[12]
本文采用天空各向异性 HDKR 模型 计算倾斜面 本文对于风、光、柴均采用两状态停运模型，
上的太阳辐照度 IT,t。 即正常运行状态和故障停运状态，可通过下式对其
光伏阵列输出功率与太阳辐射强度、光伏能量 运行/检修时间进行抽样：
转化效率以及环境温度有关，其公式为 ln( )
t1   (17)
PV,t  t Sab I T,t [1  cpm (TC,t  TSTC )] (9) 
ln( )
c ( I T,t / I K ), 0  I T,t  I K t2   (18)
t   (10) 
 c , I T,t  I K 式中：t1 为正常运行时间；t2 为停运检修时间；λ
T  20 为设备故障率，μ 为修复率，两者均为常数。
TC,t  TA,t  I T,t ( NOCT ) (11)
0.8
式中：Sab 为光伏面板面积；cpm 为功率温度系数； 2 独立风光柴储微网运行风险评估
TSTC 为标准测试条件下的光伏电池温度，一般为 25 2.1 风险评估指标体系
℃；ηt 为 t 时刻光伏能量转化效率，是有关太阳辐 微网运行风险是针对不确定事件发生的概率
照度的分段函数； I K 为辐照度阀值，取值为 150 以及所引起后果的严重程度进行的综合评估。在独
2
W/m ；ηc 为标准测试条件下的光伏能量转化效率； 立风光柴储微网中，风电、光伏出力具有不确定性，
TC,t 为电池温度；TA,t 为环境温度，可通过正弦函 储能和柴油机运行存在一定的约束条件，同时缺少
[15]
数 模拟得到；TNOCT 为光伏电池额定运行温度。 大电网作为后备支撑，网内电源出力与负荷需求时
1.3 储能设备模型 时匹配是较难实现的。为了维持网内的供用电平
在微网内接入储能电池，有助于对网内风光出 衡，当电源出力无法满足负荷需求时需要切除部分
力进行调节，起到能量时移的作用。本文中储能电 负荷，当电源出力过剩时则需舍弃多余的风能和光
池的运行策略为：在风光出力不能满足负荷需求 能。因此，本文从发电和用电两个角度，提出一套
826 陆丹等：基于马尔可夫链蒙特卡洛法的独立风光柴储微网运行风险评估 Vol. 41 No. 3

风险评估指标体系，评估独立微网的运行风险水平。 开始
负荷损失风险指标(load loss risk，LLR)描述发 设置微网模拟运行总时间Tmax，
电容量不足造成的切负荷情况，具体包括负荷损失 总模拟次数W，令j=1

概率(load loss probability，llp)和负荷损失严重度

根据停运模型形成光伏阵列
(severity of load loss，sevll)[17]，具体公式如下： 运行状态序列
根据停运模型形成风电
LLR  LLP SevLL (19) 机组运行状态序列 采用MCMC法随机抽样生成
Tmax KD CI序列及VV I序列
 U L ,t 采用MCMC法随机抽样 根据辐照度模拟模型得到
t 1
LLP  (20) 生成风速序列 辐照度序列
Tmax
结合运行状态计算风机 考虑光伏面板倾斜角、环境温
Tmax

 PL_L,t
出力值PW,t 度计算光伏阵列出力值PV,t

t 1
SevLL  Tmax
(21)
 PL,t 计算负荷与风光出力的差值P1,t=PL,t
PW,tPV,t，储能电池放电功率Pbat,t，
t 1
以及负荷、风光储出力差值
 P 2,t  Pd,t , P 2,t  Pd,t P2,t=P1,t+Pbat,t
PL_L,t  (22)
 0, P 2,t  Pd,t 是 否
P1,t>0
式中：UL,t 为第 t 个时刻微网的负荷损失状态，当 t
否 是 柴油机不发电，
时微网切负荷，则 UL,t=1，否则 UL,t=0；Tmax 为微 P2,t>0 Pd,t=0

网模拟运行总时间；PL_L,t 为 t 时刻切除的负荷电 柴油机不发电， 计算柴油机

Pd,t=0 出力功率Pd,t
量值。 切负荷值PL_L,t=0
弃风弃光值
电源损失风险指标(power loss risk，PLR)描述 切负荷值PL_L,t=0 是 否 PP_L,t=P2,t
弃风弃光值 P2,t>Pd,t
了发电过剩造成的弃风弃光现象，具体包括电源损 PP_L,t=0

失概率(Power Loss Probability，PLP)和电源损失严 切负荷值

切负荷值
PL_L,t=0
PL_L,t=P2,tPd,t
重度(Severity of Power Loss，SevPL)，公式如下： 弃风弃光值
弃风弃光值PP_L =0 PP_L,t=0
PLR  PLP SevPL (23)
Tmax

 U P ,t 计算风险值LLR,PLR
t 1
PLP  (24) 是
Tmax j<W j=j+1
Tmax 否
 PP_L,t 求风险值LLR,PLR
t 1
SevPL  T (25) 平均值

 ( PW,t  PV,t )
max

t 1 结束

  P 2,t , P1,t  0 图 3 风险评估流程

PP_L,t  
 0,
式中：UP,t 为第 t 个时刻微网的电源损失状态，当 t
时微网需要舍弃多余发电量，则 UP,t=1，否则 UP,t=0；
PP_L,t 为 t 时刻舍弃的风、光发电总量。
2.2 风险评估流程
本文基于马尔可夫链蒙特卡洛法对独立风光
柴储微网的运行风险水平进行评估，具体流程如
图 3 所示，主要包括如下几个步骤：
1）根据实测风速建立风速的马尔可夫状态概
率转移矩阵，采用 MCMC 法模拟风速序列，结合
风机的运行状态计算风机出力。
2）根据实测太阳辐射度建立 VVI-kDCI 的马尔可
夫状态概率转移矩阵，采用 MCMC 法模拟计算地
(26) Fig. 3 Flow chat of risk assessment
P1,t  0
表水平面上的太阳辐射强度，考虑光伏面板倾斜
角、环境温度以及面板故障率计算光伏出力值。
3）计算负荷与风、光出力的差值 P1,t，储能
电池的充放电功率 Pbat,t 以及负荷与风光储功率的
差值 P2,t；判断 P1,t 是否大于 0，若 P1,t0，则风、
光出力在能满足负荷需求的同时可给储能设备充
电，柴油机不用启动，切负荷值 PL_L,t=0，计算弃
风弃光值 PP_L,t。
4）若 P1,t>0，判断 P2,t 的大小。若 P2,t0，
则风、光和储能能满足负荷需求，柴油机不启动，
PL_L,t=0，PP_L,t=0。若 P2,t>0，则风、光和储能不能
满足负荷需求，计算柴油机出力 Pd,t，进一步比较
第 41 卷 第 3 期 电 网 技 术 827

P2,t 与 Pd,t 的大小：若 P2,tPd,t，则风、光、柴和储 的风速数据、水平面上太阳辐射数据以及温度数据

同时供电能满足负荷需求，此时 PL_L,t=0，PP_L,t=0； 如图 6—8 所示。
若 P2,t>Pd,t，则会出现切负荷现象，此时 PP_L,t=0， 本文采用 MCMC 法对太阳辐射度和风速进行
计算 PL_L,t。 抽样模拟。辐照度每小时清晰指数 kT 的取值范围为
5）根据总时间内的 PL_L,t 和 PP_L,t 序列，计算 0~0.9，风速 vt 范围为 0~25 m/s，取 N=9，M=10，
风险指标 LLR 以及 PLR 值。 即将 kT 等状态划分为 9 份，每个状态步长为 0.1，
6）通过多次模拟，重复步骤 1）—5）
，求取平 vt 等状态划分为 10 份，每个状态步长为 2.5 m/s，
均风险指标，提高模拟计算的准确性。 统计一年 8760 h 中 kT 和 vt 所属状态的概率分布，
结果如图 9 所示。从图 9 可以看出，采用 MCMC
3 算例分析
法模拟 kT 和 vt 变化情况与实际数据的概率分布基
[18]
本文以实际欧洲典型独立风光柴储微网 为 本相似，因此 MCMC 法可以较好模拟出辐照度和
例进行风险评估研究，微网结构如图 4 所示。该微 风速的变化规律。
网由 5 组用户、1 个风电机组、1 个光伏阵列、1 个
储能设备以及 2 台柴油发电机组成。5 组用户的年
总负荷峰值为 199 kW，每小时负荷功率如图 5 所
示。储能设备的额定容量为 400 kWh，2 台柴油机
的发电容量均为 100 kW。风机的切入风速、额定
风速和切出风速分别为 3、10、25 m/s，风机故障
率为 0.04 次/年。光伏面板故障率为 0.03 次/a，柴
油机故障率为 0.05 次/a。
本文采用美国 NREL 同纬度(北纬 37.27°)的某
图 6 全年风速曲线
风电站和某光伏电站的实测数据进行研究，某一年 Fig. 6 Annual wind speed curve
…

用户1
…

L1
L3 L2 用户2

储能 断路器 柴油发电机1
…

L4
用户3
L5
…

L6
用户4
风电机组
L7
…

用户5 L8 光伏面板 图 7 全年水平面上辐照度曲线

Fig. 7 Annual surface radiation curve

柴油发电机2

图 4 风光柴储微网结构
Fig. 4 Structure of the wind-PV-diesel-storage microgrid
负荷功率/kW

图 8 全年温度曲线
Fig. 8 Annual temperature curve
3.1 模型状态数对风险水平的影响分析
图 5 全年负荷曲线
Fig. 5 Annual load curve 为研究风电和光伏可靠性模型状态数对微网
828 陆丹等：基于马尔可夫链蒙特卡洛法的独立风光柴储微网运行风险评估 Vol. 41 No. 3

概率 0.2 实际数据； MCMC 法的正确性。

0.1
从理论上来说，马尔可夫链的状态数越多，光
模拟1次；
0.0
模拟10 000次。 伏模型越精确，从图 10、11 可以看出，当光伏模
1 2 3 4 5 6 7 8 9
每小时清晰度指数划分状态
型的状态数达到 49(N=7)以后，风险指标的变化趋
(a) 清晰度指数 于平缓。此时继续增加光伏模型的状态数对风险评
0.4
实际数据； 估结果的影响较小，而使风险评估的工作量增大，
模拟1次；
概率

0.2
模拟10 000次。 因此，本文将光伏模型状态数取为 49(N=7)。
0.0 3.2 风/光容量配比对风险水平的影响分析
1 2 3 4 5 6 7 8 9 10
风速划分状态 为研究风/光容量配比对微网风险水平的影响，
(b) 风速 本文将评估风光容量配比在 1/0 至 0/1 之间等步长
图 9 每小时清晰度指数和风速划分状态概率分布 变化时微网的风险水平。图 12、13 给出了 LLR 和
Fig. 9 Probabilities distribution for each state of kT and vt
PLR 值随风/光容量配比的变化情况。
风险水平的影响，以光伏为例，评估光伏模型在不 从图 12、13 可以看出，随着风力发电在风/光
同状态数情况下微网的风险水平。图 10、11 给出了 LLR 值先增大后降低，PLR
容量配比中的比重降低，
风光总容量为 350 kW(风电 200 kW、光伏 150 kW) 值先降低后略微增加。在风/光占比为 1/0 时，LLR
和 500 kW(风电 285 kW、光伏 215 kW)时，LLR 和 值最小。随着风光总发电量的增加，LLR 值的最高
[19]
PLR 随光伏状态数变化的情况，并将其与直接法 点和 PLR 值的最低点都略微向风电占比降低的方
模拟生成辐照度时的情况做了比较。 向移动。这是由风、光发电的自身特性、柴油机的
从图 11 可以看出，与直接法模拟相比，采用 运行约束以及本文所选微网的日负荷特性决定的。
MCMC 法进行风险评估得到的 LLR 值略大，而 PLR 在该微网中，日负荷曲线在每晚的 17:00—20:00 达
值较小。由于考虑了太阳辐照度的清晰度指数与波 到第 2 次用电高峰。而在该时段内由于没有光照，
动特性之间的相关性，以及日出日落的时间变化情 光伏面板没有出力，光伏发电无法满足负荷需求也
况，本文所建的光伏模型更符合实际的天气变化特 不存在弃光现象，由风力发电优先满足负荷需求。
性。同时，采用直接法进行风险评估的结果验证了 因此，风光总发电量一定时，风力发电容量比
3
LLR/10

图 12 LLR 值随风/光容量变化曲线
图 10 LLR 值随光伏模型状态数变化曲线 Fig. 12 Variation of LLR versus wind /solar capacity
Fig. 10 Variation of LLR versus PV state number allocation
PLR
PLR

图 13 PLR 值随风/光容量比变化曲线
图 11 PLR 值随光伏模型状态数变化曲线 Fig. 13 Variation of PLR versus wind/solar
Fig. 11 Variation of PLR versus PV state number capacity allocation
第 41 卷 第 3 期 电 网 技 术 829

重越小，LLR 值越高，PLR 值越低。由于柴油机出 LLR 曲线平缓，继续增加发电/负荷比对 LLR 值的

力存在约束条件，当风电容量占比小到一定程度， 影响较小。为降低微网的电源损失风险而一味地降
风力发电提供的电能较小，在无光伏出力时，柴油 低其发电/ 负荷比对于微网的稳定运行来说是不现
机作为备用电源的作用凸显，因此切负荷的现象较 实的，因此，对于该算例微网，可综合考虑 2 项运
少，LLR 值降低。 行风险，选取发电/负荷比在 5/3~2/1 之间。
当风/光容量比不变时，随着风光发电总量的增 当发电/负荷比不变时，随着风光总发电量的增
加，LLR 值减小，PLR 值增加。当风光发电总量达 加，负荷损失增加，电源损失降低但降低幅度较小。
到 400 kW，在风/光容量配比大于 5/4 时，继续增 由于发电/负荷比一定时，负荷功率会随着风光总发
大风光发电总量对 LLR 值的影响趋缓。因此，若以 电量的增加而增加，而网内储能容量以及柴油机的
降低负荷损失为目标，对于本文微网算例，可选择 发电功率是不变的，随着负荷的增加，其对降低负
风/光容量配比大于等于 5/4。若以降低电源损失为 荷损失的贡献减小，因此负荷损失风险增大。从概
目标，对于该微网，则可选择风/光配比在 2/5 至 1/5 率统计来分析，在发电/负荷比一定时，不同风光总
之间。 量时的弃风弃光概率及其占风光发电总量的比值
3.3 发电/负荷比对风险水平的影响分析 是基本相同的；而随着风光总量的增加，储能的充
为研究发电/负荷比对微网风险水平的影响，本 电次数增多，弃风弃光电量占风光发电总量的比值
文评估了发电/负荷比在 1/1 至 5/1 之间等步长变化 会有轻微的降低，因此电源损失略微减小。
时微网的风险水平。图 14、15 给出了在风/光容量
4 结论
配比不变而风光发电总量改变时，LLR 值和 PLR
值随发电/负荷比的变化情况。 本文采用马尔可夫链蒙特卡洛法建立了独立
从图 14、15 可以看出，随着发电/负荷比的增 风光柴储微网可靠性模型，并建立一套微网风险评
大，PLR 值不断增大，且 PLR 曲线斜率持续增加； 估体系，从电源和负荷 2 个角度评估了独立微网的
LLR 值不断减小，当发电/负荷比大于等于 2/1 时， 运行风险水平。结果表明：
1）采用马尔可夫链蒙特卡洛法来建立独立微
网中风电和光伏的可靠性模型，体现了风、光资源
变化的连续性和波动性，模型更精确，更符合实际
天气的变化特性。
2）风电和光伏模型中的马尔可夫链状态数达
到一定数量后，对风险水平的精度影响达到饱和。
此时若继续增加其状态个数，效果并不显著，反而
增加了风险评估的工作量。
3）风电在风/光容量配比中占比较大时，独立
微网系统的负荷损失风险较小，电源损失风险较
图 14 LLR 值随发电/负荷比变化曲线
Fig. 14 Variation of LLR versus power generation/load
大。合理选择风/光容量比，即可以充分利用自然资
capacity allocation 源，同时还有助于降低微网的运行风险水平。
4）随着发电/负荷比的增加，微网系统的电源
损失风险增大，负荷损失风险减小，当发电/负荷比
增加到一定程度时，微网系统的负荷损失风险变化
平缓。合理选择微网的发电/负荷比，对微网运行的
经济性十分重要。

参考文献
[1] 许志荣，杨苹，郑成立，等．孤岛型风柴储微电网运行情况分析
[J]．电网技术，2016，40(7)：1978-1984．
Xu Zhirong，Yang Ping，Zheng Chengli，et al． Operation analysis
图 15 PLR 值随发电/负荷比变化曲线 of isolated microgrid including wind turbine diesel generator and
Fig. 15 Variation of PLR versus power generation/load battery storage[J] ． Power System Technology ， 2016 ， 40(7) ：
capacity allocation 1978-1984(in Chinese)．
830 陆丹等：基于马尔可夫链蒙特卡洛法的独立风光柴储微网运行风险评估 Vol. 41 No. 3

[2] 李文沅．电力系统风险评估模型、方法和应用[M]．北京：科学出 [12] 杨金焕，于化丛．太阳能光伏发电应用技术[M]．北京：电子工业

版社，2008：3-6．
[3] 潘仲立．可靠性分析的理论基础[M]．北京：水利电力出版社，1986：
34-40．
[4] 王凯，栗文义，李龙，等．含风/光互补发电系统可靠性与经济性
评估[J]．电工电能新技术，2015，34(6)：52-56．
Wang Kai，Li Wenyi，Li Long，et al．Reliability and economy
evaluation of complementary power systems containing wind and
solar energy[J]．Advanced Technology of Electrical Engineering and
Energy，2015，34(6)：52-56(in Chinese)．
[5] 王凯，栗文义，张晓飞，等．光伏发电对风光柴储小型孤立发电
系统可靠性的影响[J]．电网技术，2013，37(11)：3096-3100．
Wang Kai，Li Wenyi，Zhang Xiaofei，et al．Impact of photovoltaic
generation on reliability of small isolated PV-wind-diesel-battery
power generation system[J]．Power System Technology，2013，37(11)：
3096-3100(in Chinese)．
[6] 郭创新，张理，张金江，等．风光互补综合发电系统可靠性分析
[J]．电力系统保护与控制，2013(1)：102-108．
Guo Chuangxin，Zhang Li，Zhang Jinjiang，et al．Reliability analysis
of wind and photovoltaic integrated generating system[J]．Power
System Protection and Control，2013(1)：102-108(in Chinese)．
[7] 汪海瑛，白晓民，许婧．考虑风光储协调运行的可靠性评估[J]．
中国电机工程学报，2012，32(13)：13-20．
Wang Haiying ， Bai Xiaomin ， Xu Jing ． Reliability assessment
considering the coordination of wind power, solar energy and energy
storage[J]．Proceedings of the CSEE，2012，32(13)：13-20(in Chinese)．
[8] 陶爽，袁越，傅质馨．基于发电负荷需求系统评估方法的智能微
网风险评估[J]．现代电力，2013，30(2)：7-12．
Tao Shuang，Yuan Yue，Fu Zhixin．Risk evaluation of smart microgrid
based on the assessment method if generation-load demand system
[J]．Modern Electric Power，2013，30(2)：7-12(in Chinese)．
[9] 暴英凯，王越，唐俊熙，等．序贯蒙特卡洛方法在电力系统可靠
性评估中的应用差异分析[J]．电网技术，2014，38(5)：1189-1195．
Bao Yingkai，Wang Yue，Tang Junxi，et al．Analysis on differences
of applying sequential Monte Carlo methods in power gird reliability
assessment[J]．Power System Technology，2014，38(5)：1189-1195(in
Chinese)．
[10] 石文辉，别朝红，王锡凡．大型电力系统可靠性评估中的马尔可
夫链蒙特卡洛方法[J]．中国电机工程学报，2008，28(4)：9-15．
Shi Wenhui，Bie Zhaohong，Wang Xifan．Applications of Marko chain
Monte Carlo in large-scale system reliability evaluation[J] ．
Proceedings of the CSEE，2008，28(4)：9-15(in Chinese)．
[11] 王勇，韩学山，丁颖，等．基于马尔可夫链的电力系统运行可靠
性快速评估[J]．电网技术，2013，37(2)：405-410．
Wang Yong，Han Xueshan，Ding Ying，et al．Markov chain-based
rapid assessment on operational reliability of power grid[J]．Power
System Technology，2013，37(2)：405-410(in Chinese)．
出版社，2009：44-50．
[13] Stein J S，Hansen C，Reno M J．The variability index: a new and novel
metric for quantifying irradiance and PV output variability[C]//World
Renewable Energy Forum．Denver，America：World Renewable
Energy Forum，2012：1-7．
[14] 王敏，宗炫君，袁越，等．含光伏电站的发电系统可靠性分析[J]．
中国电机工程学报，2013，33(34)：42-49．
Wang Min，Zong Xuanjun，Yuan Yue，et al．Reliability analysis of
generation systems with photovoltaic stations[J]．Proceedings of the
CSEE，2013，33(34)：42-49(in Chinese)．
[15] 郝晓峰，俞昌铭，蒋佳荔，等．木材快速生长期内早材与晚材密
度分布的数学描述初探[J]．林业科学，2013，49(10)：118-126．
Hao Xiaofeng，Yu Changming，Jiang Jiali，et al．A preliminary study
on modeling of earlywood and latewood density distribution during
the fast growth period[J]．Scientia Silvae Sinicae，2013，49(10)：
118-126(in Chinese)．
[16] 涂炼，刘涤尘，廖清芬，等．计及储能容量优化的含风光储配电
网可靠性评估[J]．电力自动化设备，2015，35(12)：40-46．
Tu Lian，Liu Dichen，Liao Qingfen，et al．Reliabilitu evaluation
considering storage capacity optimization for distribution system with
wind-PV-storage[J]．Electric Power Automation Equipment，2015，
35(12)：40-46(in Chinese)．
[17] Ni M，Mccalley J D，Vittal V，et al．Online risk-based security
assessment[J]．IEEE Power Engineering Review，2002，22(1)：59-59．
[18] Papathanassiou S，Hatziargyriou N，Kai S．A benchmark low voltage
microgrid network[C]//Proceedings of CIGRE Symposium: Power
Systems with Dispersed Generation ． Athens ， Greece ： CIGRE
Symposium: Power Systems with Dispersed Generation，2005：1-8．
[19] 梁惠施，程林，刘思革．基于蒙特卡罗模拟的含微网配电网可靠
性评估[J]．电网技术，2011，35(10)：76-81．
Liang Huishi，Cheng Lin，Liu Sige．Monte Carlo simulation based
reliability evaluation of distribution system containing microgrids[J]．
Power System Technology，2011，35(10)：76-81(in Chinese)．
收稿日期：2016-06-06。
作者简介：
陆丹(1992)，女，硕士研究生，研究方向为独
立微网风险评估，E-mail：ludan_hhu@163.com；
袁越(1966)，男，教授，博士研究生导师，研
究方向为电力系统运行与控制、可再生能源发电系
统、智能电网与微网技术；
陆丹 杨苏(1992)，男，硕士研究生，研究方向为微
网可靠性研究。
（责任编辑 徐梅）