电力系统在面临牵引负荷接入时，其潮流计算的不确定性成为一个重要的研究课题。牵引负荷，特别是高速铁路的电力需求，由于其随机性、单相独立性和不对称性，给电力系统的稳定运行带来了挑战。传统的确定性潮流计算方法无法充分考虑这些不确定因素的影响。因此，引入随机潮流计算方法显得尤为必要。
随机潮流计算是一种概率统计方法，用于描述和分析由于负荷波动、发电机出力变化等不确定性因素导致的电网状态变化。这种计算方法由Borkowska在1974年提出，主要包括模拟法、点估计法和解析法。模拟法中最常用的是蒙特卡洛模拟（Monte Carlo Simulation，MCS），它通过大量随机样本来逼近实际的概率分布，但计算量大，耗时较长。
为提高计算效率，研究人员提出了一系列改进方法。如拉丁超立方采样（Latin Hypercube Sampling，LHS）技术被用来优化采样效率，减少计算量，同时保持高精度。文献中还提到了扩展拉丁超立方采样（Extended LHS, ELHS）和考虑输入变量相关性的概率潮流计算方法（Correlation Latin Hypercube Sampling Monte Carlo Simulation, CLMCS），它们分别解决了采样数量固定和处理输入变量相关性的问题。
此外，文献还探讨了采用群体感应机制的粒子群算法（Particle Swarm Optimization, PSO）对牵引负荷概率模型进行参数辨识。PSO是一种优化算法，模拟自然界中鸟群或鱼群的集体行为，通过群体智慧寻找全局最优解，避免陷入局部最优。这种方法在牵引负荷参数识别中表现出高精度，同时避免了基本粒子群算法可能存在的局部最优问题。
对于牵引负荷的随机性，文献中采用了Nataf变换控制随机变量之间的相关性，这是一种处理相关随机变量的统计变换方法。同时，文献还引入了区间均值采样方法，以简化LHS中的积分运算，进一步提高计算效率。
总的来说，这篇研究通过结合生物学启发的优化算法和概率统计方法，为处理牵引负荷接入电力系统的随机潮流问题提供了一种有效的解决方案。这种方法有助于更好地理解和预测牵引负荷对电网电压、支路潮流概率分布的影响，为新建高铁线路接入电网提供了科学的参考依据，对电力系统的规划和运行管理具有重要意义。
