这两年做配电系统规划项目的人应该都有同一个体会如果方案只盯着经济指标评审会上一定会被追问一句“那可靠性怎么保证”反过来如果只把可靠率往上堆预算又死活扛不住。这个项目就是在这样的拉扯下出来的——我把经济性和可靠性同时放进规划目标里用Python实现了从网架方案生成、潮流校验、可靠性评估到双目标寻优的一整条闭环。研究对象是含分布式光伏、风电、储能、柴发等多类电源的混合配电系统这也是目前配电网规划里最贴近实际工程的一类场景。这份内容适合几类人一是电气工程专业做配电网方向的研究生需要复现“规划-评估-优化”这类论文代码二是电力设计院或供电公司里做网架规划、可研论证的工程师想用脚本替代手算表三是对电力系统优化感兴趣、想看看Python在传统工科里能怎么落地的同学。我会按我的实际开发顺序来讲把目标函数怎么搭、可靠性怎么算、NSGA-II怎么和评估模块耦合、以及那些“文档里不会写但你一定会遇到”的坑全部摊开讲。1. 项目整体思路与双目标拆解1.1 为什么经济性和可靠性必须“同时优化”先说我踩过的一个真实教训。早期我做过一个只以年综合费用最小为目标的DG定容方案优化结果是把光伏集中在负荷最重的馈线段网损确实降下来了年度费用也好看。但后来单独做可靠性校核时发现这条馈线一旦检修后端一大片负荷直接失电停电损失算进去之后总体费用反而比另一个“看起来不够优”的方案高出一截。原因不复杂经济性追求的是投资、运行、损耗这些显性成本最小化而可靠性追求的其实是“少停电、短停电、少漏停”。你少装一台联络开关投资省了但故障后的负荷转带能力变差停电时户数上去了你把线路截面全部升级可靠率上去了但折旧和建设成本压得你喘不过气。这两个目标在数学上是冲突的不存在一个方案让两个指标同时达到最好只存在一组“帕累托最优解”。所以这个项目的核心想法不是给两个目标硬捏一个加权系数而是用一个多目标进化算法同时搜索两个目标最后给出一整条帕累托前沿。决策者可以根据自己的预算和可靠率要求在前沿上挑方案。这个思路在工程上有一个非常大的好处你不用在算之前就拍脑袋定“可靠性占60%还是70%”因为权重一旦定错结果很容易被某一个目标绑架。1.2 混合配电系统的建模边界怎么划“混合配电系统”在不同文献里有几种解读一种是交直流混合配电另一种是含高比例分布式电源和多元负荷的混合供能系统。我这次按工程里最常见的场景去做中压配电网为主干接入光伏、风电、储能、柴发同时保留上级变电站的供电能力也就是一种“多源混合”的主动配电网。建模时要做几个必要的简化否则问题规模会大到解不动网络拓扑用节点-支路模型负荷按时序曲线处理而不是只用一个年最大负荷分布式电源按时序出力曲线建模光伏按光照、风电按风速序列简化处理储能按充放电状态变量建模柴发作为可调度电源在故障后可以孤岛运行承担一部分停电负荷规划决策变量简化为四类DG安装位置与容量、储能接入位置与容量、线路升级或新增联络线方案、关键节点加装分段/联络开关。这里要特别说一句决策变量不是越多越好。最开始我把“储能每个小时的充放电功率”也放进了优化变量结果搜索空间爆炸程序跑了一个通宵帕累托前沿还是稀稀拉拉。后来改成“储能容量和位置由规划层决定运行策略由下层确定性规则决定”两周工作量换来了几十倍的求解效率提升。这也是我建议所有做同类项目的朋友先想清楚的事规划问题里能解析的部分尽量解析化不要把运行策略全部扔给优化器去搜。1.3 经济性目标函数全生命周期成本怎么拆经济性我用的是“年值化全生命周期成本”把一次性建设投资折算到每一年再和运行费用相加公式可以写成C_total C_inv_annual C_om C_loss C_interruption四个分项分别是C_inv_annualDG、储能、线路改造、开关设备的投资等年值。需要注意等年值转换用资本回收系数CRF把初始投资P拆到n年CRF i(1i)^n / ((1i)^n - 1)i是折现率n是设备寿命。光伏和储能寿命不一样要分开折算。C_om运行维护费用可以按总投资的比例估也可以按设备类型给单位容量运维成本。C_loss网损费用等于全年各时段网损电量乘以购电价。这一项要靠潮流计算才能拿到所以优化迭代里每评估一个方案都要跑潮流。C_interruption停电损失费用。把可靠性指标ENS期望缺供电量乘上单位停电损失费用就得到了停电经济损失。这里把可靠性的经济后果直接放进了经济目标同时ENS本身又是第二个目标的分量两个目标之间就有了明确的经济学联系。这个公式里最容易被忽略的是C_interruption。很多初版方案没考虑停电损失结果优化器专门挑那些投资少的方案因为省下的投资比多出来的停电损失还要大但工程上这种方案根本交不了差。把停电损失纳入之后优化结果明显回归到合理区间。1.4 可靠性指标体系SAIDI、SAIFI、ENS可靠性目标我选了三指标系统平均停电频率SAIFI、系统平均停电持续时间SAIDI、期望缺供电量ENS。公式定义如下SAIFI 用户停电总次数 / 用户总数单位次/(户·年) SAIDI 用户停电总时长 / 用户总数单位小时/(户·年) ENS 各次停电事件中缺失的电量之和单位kWh/年。实际代码里这三个指标是可靠性评估模块的输出。SAIFI和SAIDI用于做帕累托前沿的纵坐标展示ENS用于算经济目标里的停电损失。为什么不直接只优化ENS因为ENS和SAIFI/SAIDI在信息上有重叠但不完全等价——一次短时停电可能ENS很小但SAIFI很难看对用户感知和考核指标都不友好。所以现在项目里最终展示的可靠度指标会保留三个决策层挑方案时看的是完整的可靠性画像。2. 可靠性评估方法选型与实现2.1 解析法和序贯蒙特卡洛到底选哪个配电网可靠性评估传统上有两大类方法解析法和蒙特卡洛模拟法。解析法的代表是故障模式后果分析法FMEA和最小割集法思路是把所有可能的故障事件枚举出来查表统计影响。优点是计算快、结果稳定小系统上精度也够缺点是枚举组合数随设备数量指数增长而且很难精细模拟时序负荷、DG出力变化、储能状态、故障后孤岛运行这些时间相关行为。序贯蒙特卡洛法更贴近物理过程按设备可靠性参数抽样模拟一整年的故障发生、修复、开关操作、负荷转移过程然后统计用户停电情况。它天然支持时序负荷和DG时序出力缺点是计算量大、结果有抽样误差需要控制抽样次数和收敛判据。我这个项目最终采用了“序贯蒙特卡洛为主、解析法校验为辅”的方案。原因是混合配电系统里有光伏、储能、柴发这些设备的行为强依赖时间解析法很难把这些“时序耦合”刻进去。比如同一个线路故障发生在白天光伏大发时段和夜间负荷高峰时段影响完全不同只有时序模拟才能区分开。2.2 序贯蒙特卡洛评估的基本流程实现的时候我按六步走输入网络拓扑、负荷时序曲线、DG出力时序曲线、设备可靠性参数对每个可修复元件根据故障率抽样出全年的故障时刻序列用指数分布描述无故障工作时间把所有元件的故障时刻合并成一条按时间排序的故障事件序列从故障时刻开始模拟故障隔离、开关操作、负荷转带、DG孤岛运行、修复完成这一完整过程逐时段记录失电负荷遍历完整年后统计SAIFI、SAIDI、ENS重复多轮模拟用置信区间判断收敛然后取平均作为评估结果。这个流程里最容易出错的地方在第3步。多个元件可能在同一年内多次故障合并排序时一定要保证时间顺序正确而且同一时段不能重复计停电。我代码里用了一个事件堆来处理而不是单纯嵌套循环效率差很多。2.3 设备可靠性参数怎么给可靠性评估的参数取不好后面全是白算。网上很多文献直接把IEEE标准算例的可靠性参数搬过来但实际工程里不同地区、不同设备类型的参数差距很大。我的建议是先搭一套参考参数跑通流程后面用自己单位的历史数据替换。下面是一组常见参考值表格设备类型故障率平均修复时间备注架空线路0.08~0.25次/(km·年)4~8小时农网和城网差异大电缆线路0.02~0.06次/(km·年)8~16小时故障定位和修复更慢配电变压器0.005~0.02次/台·年5~10小时油变和干变有差异断路器0.002~0.01次/台·年4~8小时含拒动概率则单独建模隔离开关操作0.5~1小时/次-故障隔离和恢复送电时间联络开关操作0.5~2小时/次-手动和自动差别大光伏逆变器0.1~0.2次/年10~24小时强迫停运率约2%~4%储能系统0.02~0.05次/年8~16小时电池簇 PCS 合并简化注意线路故障率是单位长度值输入前一定要把线路长度乘进去。这个单位换算坑我踩过两次后面在章节4里还会细说。2.4 时序负荷曲线和DG出力模型可靠性评估要想贴近真实不能只用“年最大负荷”这种单点数据。我在项目里用了8760小时的分区负荷曲线分成居民、商业、工业三类典型曲线。光伏出力和光照强度近似线性用典型日照小时数乘以峰值出力得到风电出力用典型风速序列换算。这里有个取舍如果系统规模大、场景多8760小时的序列会让蒙特卡洛慢到不可接受。我最后的处理办法是先做典型日缩减法把一年缩成“春夏秋冬 × 工作日/休息日”8个典型日每个典型日24点也就是一年用192个时段近似。实测下来评估速度和8760完整曲线差了一个数量级但SAIFI/SAIDI误差控制在5%以内对规划阶段完全够用。3. Python实现代码框架与关键模块3.1 工程文件结构建议这个项目代码量不算小如果全部堆在一个.py文件里后面调参想死的心都有。我建议按下面的结构组织hybrid_dn_planning/ ├── data/ │ ├── network.csv # 节点-支路拓扑 │ ├── load_profile.csv # 典型日负荷曲线 │ ├── dg_profile.csv # DG出力曲线 │ └── device_param.csv # 设备可靠性参数 ├── src/ │ ├── power_flow.py # 前推回代潮流 │ ├── reliability.py # 序贯蒙特卡洛评估 │ ├── cost.py # 经济目标计算 │ ├── optimization.py # NSGA-II优化 │ └── main.py # 主流程 └── results/ └── pareto_front.csv把数据、算法、入口分开最大的好处是换算例的时候只改data目录不用动代码。后面我调试33节点算例时深有体会矩阵维数对不上、单位换算不对都是因为数据和代码耦合太紧才查了半天。3.2 配电网潮流前推回代法核心实现经济目标里的网损费用需要潮流结果。配电网是辐射状结构前推回代法是最稳的选择不需要求雅可比矩阵迭代简单。核心思路是先假设各节点电压为额定值从末端往首端推支路电流再从首端往末端推节点电压反复迭代直到收敛。下面是核心代码简化到只保留主干逻辑import numpy as np def backward_forward(nodes, branches, load_p, load_q, v01.0, tol1e-6, max_iter50): nodes: 节点编号列表 branches: [(from, to, r, x), ...] load_p, load_q: 各节点有功、无功负荷 v0: 根节点电压标幺值 n len(nodes) v np.full(n, v0, dtypefloat) # 先构建父节点关系和层级 parent {} children {node: [] for node in nodes} for f, t, r, x in branches: parent[t] (f, r, x) children[f].append(t) for _ in range(max_iter): v_old v.copy() # 回代从叶子往根推电流 i_br {} s load_p 1j * load_q for node in reversed(nodes): # 该节点流出的电流 自身负荷 所有子支路电流 cur np.conj(s[node] / (v[node] 1e-12)) for child in children[node]: cur cur i_br[(node, child)] if node in parent: # 支路电流注入 i_br[(parent[node][0], node)] cur # 前推从根往叶子算电压 v np.full(n, v0, dtypefloat) for node in nodes: if node in parent: pf, pr, px parent[node] v[node] v[pf] - (pr 1j * px) * i_br[(pf, node)] if np.max(np.abs(v - v_old)) tol: break # 网损计算 loss 0.0 for f, t, r, x in branches: i_mag np.abs(i_br[(f, t)]) loss 3 * r * i_mag**2 return v, loss这段代码里我加了“1e-12”来防止负荷为零的节点电压为零导致除零错误。前推回代法的收敛性对配网几乎没问题但注意如果网络里带了PV节点比如柴发恒压控制就不能直接用上面的纯前推回代得做PV节点处理或改用牛拉法。我自己项目里的柴发处理为了省事采用“PQ节点出力限制”可靠性模块里柴发视作可调度电源潮流计算把它当成输出功率给定的负负荷这样简化在规划阶段已经够用。3.3 经济目标计算的代码实现经济目标函数计算的关键是把投资、运维、损耗、停电损失四个部分都折算到同一时间尺度。折现率、设备寿命、单位电价这些参数都放在一个字典里方便批量修改def capital_recovery_factor(rate, years): 等年值系数 CRF if rate 0: return 1.0 / years return rate * (1 rate) ** years / ((1 rate) ** years - 1) def annual_cost(capex, opex_rate, loss_energy, ens, params): capex: 总投资 opex_rate: 年运维费率 loss_energy: 年网损电量 ens: 期望缺供电量 kWh params: {discount: 0.08, life: 20, loss_price: 0.6, outage_price: 12.0} crf capital_recovery_factor(params[discount], params[life]) c_inv capex * crf c_om capex * opex_rate c_loss loss_energy * params[loss_price] c_outage ens * params[outage_price] return c_inv c_om c_loss c_outage停电损失单价params[outage_price]对结果影响非常大。不同地区、不同用户类型差别很大居民用户可能几块钱一度商业用户可能几十上百块。我建议至少按居民、商业、工业三类分开设置在可靠性评估阶段分别统计各类用户的ENS再乘以对应单价。最开始我图省事用统一单价结果优化出来的DG选址全部偏向商业负荷中心后来改成分类单价之后结果才合理。3.4 可靠性评估模块蒙特卡洛模拟核心代码蒙特卡洛可靠性评估是整个项目最耗时的部分。核心是利用numpy的向量化能力一次性抽样多个元件的年故障序列减少Python循环次数import numpy as np def simulate_one_year(line_params, load_curves, dg_curves, switch_time1.0): 简化版一年时序模拟 line_params: [{lambda: 0.1, r: 5.0, length: 2.0, nodes_affected: [...]}, ...] load_curves: dict, 节点号 - 8760小时或192时段负荷序列 total_outage_time 0.0 total_outage_ens 0.0 outage_count 0 for lp in line_params: # 泊松过程抽样故障次数 lam lp[lambda] * lp[length] n_fault np.random.poisson(lam) if n_fault 0: continue # 抽样故障时间均匀分布在一年内简化处理 fault_times np.sort(np.random.uniform(0, 8760, n_fault)) for ft in fault_times: # 故障隔离时间 修复时间 iso_time switch_time repair_time lp[r] iso_time # 统计受影响节点在该时段内的停电时长和缺供电量 for node_id in lp[nodes_affected]: # 简化故障时段内所有受影响负荷都停电 ens np.sum(load_curves[node_id][int(ft):int(ft repair_time)]) / 4.0 total_outage_time repair_time total_outage_ens ens outage_count 1 return outage_count, total_outage_time, total_outage_ens上面这段是简化演示实际项目里要做的事情更多要考虑联络开关转带负荷后的恢复供电要考虑DG孤岛运行能带起多少负荷还要区分“故障修复前就恢复的用户”和“修复后才恢复的用户”。但这些扩展逻辑都是在同一个事件模拟框架上加判断条件核心的故障抽样和统计逻辑不变。蒙特卡洛评估一定要控制随机数种子。我在main.py里对所有随机过程设了固定seed否则调参时你会困惑为什么同样的参数结果一次一个样没法定位是代码问题还是随机波动。3.5 双目标优化与帕累托前沿NSGA-II实现双目标优化我选了NSGA-II这是多目标进化算法里的“万金油”实现成熟、不用调太多参数非常适合配电网规划这种离散/连续变量混合的问题。它可以分成三层理解第一层编码和解码。我的染色体由一个混合向量组成前一段表示每个候选DG节点的装机容量后一段表示储能配置再后面是线路升级的0/1选择。解码时把染色体翻译成具体的网络参数交给潮流和可靠性模块评估。第二层非支配排序。把所有个体按“经济成本”和“可靠度指标”两个目标进行比较找出谁支配谁然后按支配层级分组。同一层级的个体用拥挤距离排序保证前沿上的解尽量均匀分布。第三层进化操作。SBX交叉和多项式变异用于连续变量二进制交叉用于离散变量。然后选择、交叉、变异、环境选择迭代一代代推进。完整NSGA-II手写太长我用pymoo框架实现比较方便只需要把评估函数写清楚from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.core.problem import Problem from pymoo.optimize import minimize class DnPlanningProblem(Problem): def __init__(self, n_var): # 2个目标经济成本最小ENS/可靠指标最小 super().__init__(n_varn_var, n_obj2, xl0, xu1) def _evaluate(self, x, out, *args, **kwargs): cost [] ens_obj [] for individual in x: # 解码 - 潮流 - 可靠性评估 - 目标值 c, ens evaluate_individual(individual) cost.append(c) ens_obj.append(ens) out[F] np.column_stack([cost, ens_obj]) algorithm NSGA2(pop_size100, samplingreal_random) res minimize(DnPlanningProblem(n_var20), algorithm, termination(n_gen, 100))用pymoo最大的好处是它内置了非支配排序、拥挤距离、锦标赛选择这些算子的高效实现不用自己写还能保证正确性。但要注意pymoo里的目标默认是最小化如果你的ENS想取负数记得在评估函数里做符号转换。4. 常见问题与排查技巧实录4.1 可靠性评估太慢怎么加速蒙特卡洛模拟是时间黑洞。我最早用纯Python逐台设备、逐小时循环40节点的算例跑一次评估要好几秒放进NSGA-II里种群100个个体迭代100代就是上百万次评估根本跑不完。后来做了三个优化速度提升一个数量级一是向量化故障抽样用numpy一次性生成所有元件的年故障序列不要一台一台循环 二是典型日缩减法把8760小时压到192时段代价是精度稍微损失但速度提升明显 三是评估结果缓存相同拓扑结构下如果只有负荷曲线变化可以复用可靠性评估的中间结果避免重复计算。实际落地后40节点系统一次蒙特卡洛评估大概从4秒降到0.3秒左右5000次收敛模拟不到半小时整个NSGA-II流程能在一晚上跑完。4.2 帕累托前沿分布不均匀如果你跑出来的帕累托前沿总是挤成一团或者两端缺失首先要检查拥挤距离的计算。在NSGA-II里拥挤距离决定了同支配层个体的保留优先度如果实现有bug极端个体会被过早淘汰。其次是变异概率连续变量变异概率太小种群会过早收敛到一个区域建议SBX的eta设为20左右多项式变异的eta设为20变异概率设为1/n_var。还有一个经常被忽略的点随机数种子。我发现不同种子之间的帕累托前沿形态差异很大尤其是种群规模小于50的时候。解决办法是固定seed或者用多次独立运行取并集的方式生成最终前沿。我在项目里跑了5个不同种子把结果合并后删掉重复解前沿覆盖率明显改善。4.3 潮流迭代不收敛怎么排查前推回代法在正常辐射状配网里几乎不会出问题如果出现不收敛九成是数据错误。最常见的是支路参数r和x的单位不一致或者节点编号在拓扑表里出现了孤立节点。代码里我会在潮流计算前加一个校验环节检查每个节点是否只有一个父节点、是否所有节点都能从根节点遍历到。另一个容易出问题的是PV节点。如果柴发采用恒压控制前推回代法需要在回代阶段做PV节点的无功修正最简单的做法是用“无功迭代修正法”每一轮算完电压后根据PV节点电压偏差修正无功注入再继续迭代。我的项目为了方便把柴发处理成PQ节点因为规划阶段重点是容量配置而非稳态电压精确控制这个简化是合理的。4.4 数据输入的几个典型坑数据坑我在前面提过两个这里系统性罗列一下线路故障率单位有的资料是“次/(百km·年)”有的是“次/(km·年)”差100倍改错的话SAIFI会飘到离谱负荷功率单位有些原始数据给的是视在功率kVA潮流计算需要有功kW和无功kvar别忘了乘功率因数DG容量和实际出力曲线不匹配光伏峰值容量10MW但典型日出力序列峰值可能是0.8别把两者搞混联络线容量约束新增联络线之后故障转带负荷时联络线可能过载评估模块里必须加转带容量校验否则恢复方案是假的孤岛校验DG孤岛运行时要校验频率和电压能不能撑住至少要做有功平衡校验——孤岛内DG出力必须大于孤岛内负荷否则孤岛直接失败。4.5 问题排查速查表现象可能原因排查手段SAIFI大得离谱线路故障率单位填错或长度未乘抽查单条线路年故障次数ENS偏小没算联络开关转带时间或DG孤岛对比故障时段负荷曲线帕累托前沿挤在一端拥挤距离失效或变异率过低打印每代前沿范围调高变异率经济成本恒为常量停电损失没纳入目标函数检查C_interruption是否被覆盖优化循环里评估结果波动大蒙特卡洛未固定随机种子main.py里加np.random.seed潮流迭代次数超限支路单位不一致或存在孤立节点校验网络连通性4.6 几个实操心得最后分享几个我在项目里验证过、觉得特别有价值的小技巧。第一个是“先单目标后双目标”。我在跑NSGA-II之前先用加权单目标的方式把大致合理区间摸了一遍把变量取值范围压缩到一个小区域再放开成双目标跑。这样既减少无效搜索又能提前发现评估函数的bug。第二个是“可靠性评估函数尽量保持无状态”。把网络拓扑、参数、负荷曲线全部做成传入参数不要在评估函数内部读文件和修改全局变量。这个习惯让评估模块可以被多进程、多线程复用也方便pymoo并行评估。NSGA-II的并行化可以简单地把pop_size改成进程数倍数然后使用pymoo的run_in_thread或run_in_process速度还能再上一档。第三个是“结果可视化用网上网下两张图”。网上图是帕累托前沿横轴经济成本纵轴SAIDI或ENS网下图是选的方案对应的DG位置和容量分布画在坐标平面上。这样不仅自己检查结果方便汇报的时候给非技术领导看也直观得多。绘图用matplotlib就够了不需要其他花哨库。我在这个项目里最深的体会是配电网规划问题真正的难点不在优化算法而在“评估模型是否可靠”。NSGA-II本身是成熟工具但如果你前面的潮流和可靠性评估有任何一个环节失真优化器输出的帕累托前沿再漂亮也都是空中楼阁。所以先把评估模块用标准算例校核准确再谈优化这个顺序不要颠倒。项目后续还可以往两个方向扩展一是把负荷和DG出力的不确定性显式建模做成区间优化或鲁棒优化二是加入碳减排目标和绿电消纳约束变成三目标问题。架构上只要评估函数接口清晰这些扩展都不会伤筋动骨。