简介这是一份用纯Python实现的轻量级SPICE风格电路仿真工具面向电路原理学习者、教学演示者以及需要在Python项目中嵌入简单仿真能力的开发者。它无需外部EDA软件或C编译环境完整覆盖网表解析、电路拓扑建模、节点电压法矩阵构建并支持工作点、直流扫描、交流小信号与时域瞬态四类分析同时能处理二极管等非线性器件。资源包共20个文件约370KB以6个Python源码模块为主分别承担网表解析、器件模型定义、分析算法封装、求解流程协调与图形界面入口另含10个PNG图标、2个TXT说明文档及配置文件便于直接运行与二次开发。目前已有87人学习下载。读者可借此理解SPICE核心机制将其作为教学演示、电路验证或嵌入自有项目的参考实现代码结构清晰适合初学者按模块逐步研读。1. 用 Python 写一个能跑直流/交流/瞬态分析的轻量级电路仿真工具到底值不值得做很多做硬件或嵌入式的朋友都有过这种经历板子焊好了上电前想先看看某个节点的电压电流大概是多少打开商业仿真软件光是建工程、选模型、配库就要折腾半小时最后为了算一个电阻分压杀鸡用了牛刀。更麻烦的是商业工具是黑匣子你想在仿真循环里加一段自己的控制逻辑、跑个参数扫描、或者把结果直接喂给 Python 的数据分析栈几乎无从下手。这就是「Python 写的轻量级电路仿真工具支持直流/交流/瞬态分析和非线性器件」这个方向真正要解决的问题不是替代工业级 EDA而是把电路求解这件事拉回到几十行到几百行代码就能掌控的尺度。它适合三类人一是想搞懂 SPICE 类工具内部到底怎么解方程的工程师二是需要在自动化流程里嵌入电路求解的开发者三是教学场景下想让学生看到每一步矩阵运算的导师。核心能力就三块——直流工作点、交流小信号、瞬态时域再加上二极管、BJT、MOS 这类非线性器件的迭代求解。下面我按「先立住理论、再动手复现、最后讲坑」的顺序把这条路走一遍。2. 从节点方程到矩阵求解轻量级仿真器的骨架怎么搭2.1 为什么选改进节点分析MNA而不是纯节点法纯节点法Nodal Analysis只对节点列 KCL遇到电压源就傻眼——理想电压源的电流是未知量没法直接写进节点方程。改进节点分析Modified Nodal Analysis, MNA的做法是把电压源支路电流也当成未知量加进未知向量同时补一条电压约束方程。这样未知量从「节点电压」扩展成「节点电压 部分支路电流」矩阵维度变大但电压源、受控源、电感在特定积分方式下都能统一处理。我一般会把未知向量排成[V1, V2, ..., Vn, I_v1, I_v2, ...]前 n 个是除参考地以外的节点电压后面是电压源支路电流。MNA 矩阵的标准形式是[ G B ] [ v ] [ i ] [ C D ] [ j ] [ e ]其中 G 是节点导纳子矩阵B 和 C 描述电压源与节点的连接关系D 通常为零除非有受控源之间的耦合。对线性电阻、电容、电感G 的填充规则很固定对非线性器件G 里的元素会随工作点变化需要迭代。2.2 用 Python 把 MNA 矩阵组装出来先定义一个最小可用的线性求解器。下面这段代码只处理电阻、独立电压源、独立电流源目的是把矩阵组装逻辑讲清楚后面再往上叠非线性。import numpy as np class Circuit: def __init__(self): self.nodes {} # 节点名 - 索引 self.elements [] # 元件列表 self.vsources [] # 电压源索引 def add_node(self, name): if name not in self.nodes: self.nodes[name] len(self.nodes) return self.nodes[name] def add_resistor(self, n1, n2, R): self.elements.append((R, n1, n2, R)) def add_vsource(self, n_pos, n_neg, V): idx len(self.vsources) self.vsources.append((n_pos, n_neg, V)) self.elements.append((V, n_pos, n_neg, idx)) def add_isource(self, n1, n2, I): self.elements.append((I, n1, n2, I)) def build_mna(self): n len(self.nodes) m len(self.vsources) size n m A np.zeros((size, size)) z np.zeros(size) for el in self.elements: if el[0] R: _, a, b, R el ia self.nodes.get(a, None) ib self.nodes.get(b, None) g 1.0 / R if ia is not None: A[ia, ia] g if ib is not None: A[ib, ib] g if ia is not None and ib is not None: A[ia, ib] - g A[ib, ia] - g elif el[0] I: _, a, b, I el ia self.nodes.get(a, None) ib self.nodes.get(b, None) if ia is not None: z[ia] - I if ib is not None: z[ib] I elif el[0] V: _, a, b, k el ia self.nodes.get(a, None) ib self.nodes.get(b, None) row n k if ia is not None: A[ia, row] 1 A[row, ia] 1 if ib is not None: A[ib, row] - 1 A[row, ib] - 1 z[row] el[2] if len(el) 2 else 0 return A, z这段代码里几个关键点self.nodes用字典把节点名映射到矩阵索引地节点不加入字典等价于索引 -1所有涉及地的项直接跳过。电阻的 stamp 是标准的四元素填充电压源在矩阵右上和左下各填 ±1右端向量填电压值。build_mna返回的 A 和 z 就是待解的线性方程组A x z。参数说明R单位欧姆V单位伏特I单位安培全部用国际单位制避免中途换算引入错误。节点名用字符串方便和网表对应。2.3 直流工作点求解与结果校验有了矩阵直流工作点就是一次线性求解def solve_dc(circ): A, z circ.build_mna() x np.linalg.solve(A, z) n len(circ.nodes) voltages {name: x[idx] for name, idx in circ.nodes.items()} currents {fI_V{i}: x[n i] for i in range(len(circ.vsources))} return voltages, currents拿一个分压电路验证12V 电源、两个 1k 电阻串联。理论值中间节点 6V电流 6mA。跑出来如果对不上先检查地节点有没有被误加进self.nodes再检查电压源 stamp 的符号。我见过最常见的翻车是电压源正负端填反导致解出来是 -6V这种错误在复杂网表里很难肉眼发现所以每加一个新元件类型都要用一个已知答案的最小电路回归一次。3. 交流小信号与瞬态分析从复数矩阵到时间步进3.1 交流分析把实矩阵换成复数矩阵交流小信号分析的本质是在直流工作点附近做线性化然后把所有元件用复阻抗表示扫频求解。电阻还是 R电容变成1/(jωC)电感变成jωL。矩阵组装逻辑和直流几乎一样只是数据类型从 float 变成 complex右端向量里独立源变成相量。def build_ac(self, freq): omega 2 * np.pi * freq n len(self.nodes) m len(self.vsources) size n m A np.zeros((size, size), dtypecomplex) z np.zeros(size, dtypecomplex) for el in self.elements: if el[0] R: _, a, b, R el y 1.0 / R elif el[0] C: _, a, b, C el y 1j * omega * C elif el[0] L: _, a, b, L el y 1.0 / (1j * omega * L) else: continue ia self.nodes.get(a, None) ib self.nodes.get(b, None) if ia is not None: A[ia, ia] y if ib is not None: A[ib, ib] y if ia is not None and ib is not None: A[ia, ib] - y A[ib, ia] - y # 电压源在交流下幅值设为 1相位 0做归一化 for k, (a, b, _) in enumerate(self.vsources): ia self.nodes.get(a, None) ib self.nodes.get(b, None) row n k if ia is not None: A[ia, row] 1 A[row, ia] 1 if ib is not None: A[ib, row] - 1 A[row, ib] - 1 z[row] 1.0 return A, z扫频时对每个频点调用一次解出节点电压相量取模得到幅频取角度得到相频。这里有个容易忽略的点电感的导纳在直流时是无穷大短路在代码里如果 freq0 会除零所以交流扫描的起点一般从 1Hz 或更低但非零的频率开始。我一般会在扫频函数里加一句保护freq 小于 1e-3 时直接跳过或钳位。3.2 瞬态分析后向欧拉与时间步长的选择瞬态分析要把电容、电感离散化。最省事的是后向欧拉Backward Euler数值稳定但精度一般要求高一点用梯形法Trapezoidal精度好但可能引入数值振荡。轻量级工具我建议先用后向欧拉把流程跑通。电容的后向欧拉伴随模型是一个电阻并联一个电流源等效电导G C/dt等效电流源I C/dt * v_prev。电感类似等效电导G dt/L等效电流源I i_prev。每推进一步把当前时刻的等效元件 stamp 进矩阵解一次线性方程更新状态变量。def transient(circ, tstop, dt): t 0.0 # 初始化电容电压、电感电流为 0 v_cap {id(el): 0.0 for el in circ.elements if el[0] C} i_ind {id(el): 0.0 for el in circ.elements if el[0] L} results [] while t tstop: A, z circ.build_mna() n len(circ.nodes) # 把动态元件等效 stamp 叠加进去 for el in circ.elements: if el[0] C: _, a, b, C el g C / dt ia circ.nodes.get(a, None) ib circ.nodes.get(b, None) if ia is not None: A[ia, ia] g if ib is not None: A[ib, ib] g if ia is not None and ib is not None: A[ia, ib] - g A[ib, ia] - g # 等效电流源 i_eq g * v_cap[id(el)] if ia is not None: z[ia] i_eq if ib is not None: z[ib] - i_eq elif el[0] L: _, a, b, L el g dt / L ia circ.nodes.get(a, None) ib circ.nodes.get(b, None) if ia is not None: A[ia, ia] g if ib is not None: A[ib, ib] g if ia is not None and ib is not None: A[ia, ib] - g A[ib, ia] - g i_eq i_ind[id(el)] if ia is not None: z[ia] - i_eq if ib is not None: z[ib] i_eq x np.linalg.solve(A, z) # 更新状态 for el in circ.elements: if el[0] C: _, a, b, C el va x[circ.nodes[a]] if a in circ.nodes else 0.0 vb x[circ.nodes[b]] if b in circ.nodes else 0.0 v_cap[id(el)] va - vb elif el[0] L: _, a, b, L el # 电感电流由等效模型反推 va x[circ.nodes[a]] if a in circ.nodes else 0.0 vb x[circ.nodes[b]] if b in circ.nodes else 0.0 i_ind[id(el)] (dt / L) * (va - vb) results.append((t, x.copy())) t dt return results时间步长 dt 的选择直接决定精度和速度。经验做法是取最小时间常数的 1/10 到 1/20。比如 RC 电路 R1k、C1uF时间常数 1msdt 取 50us 比较稳。dt 太大后向欧拉会把波形抹平dt 太小Python 循环会慢到怀疑人生。我一般会先跑一个粗步长看趋势再对关键区间细化。3.3 非线性器件的迭代牛顿-拉夫逊怎么接进去二极管、BJT、MOS 的 I-V 特性是非线性的不能一次求解。标准做法是牛顿-拉夫逊迭代在当前猜测的工作点附近把非线性器件线性化得到等效电导和等效电流源stamp 进矩阵解一次比较新旧解收敛就退出不收敛就更新工作点再来。以二极管为例肖克利方程I Is*(exp(V/(n*Vt))-1)在猜测电压 V0 处求导得到等效电导gd Is/(n*Vt)*exp(V0/(n*Vt))等效电流源Ieq I(V0) - gd*V0。每次迭代把 gd 和 Ieq 更新进矩阵。def solve_dc_nonlinear(circ, max_iter100, tol1e-6): # 初始猜测全部节点电压为 0 x np.zeros(len(circ.nodes) len(circ.vsources)) for it in range(max_iter): A, z circ.build_mna() for el in circ.elements: if el[0] D: _, a, b, Is, n, Vt el ia circ.nodes.get(a, None) ib circ.nodes.get(b, None) va x[ia] if ia is not None else 0.0 vb x[ib] if ib is not None else 0.0 Vd va - vb # 限制指数项防止溢出 Vd max(min(Vd, 0.8), -5.0) exp_term np.exp(Vd / (n * Vt)) Id Is * (exp_term - 1) gd Is / (n * Vt) * exp_term Ieq Id - gd * Vd if ia is not None: A[ia, ia] gd z[ia] - Ieq if ib is not None: A[ib, ib] gd z[ib] Ieq if ia is not None and ib is not None: A[ia, ib] - gd A[ib, ia] - gd x_new np.linalg.solve(A, z) if np.max(np.abs(x_new - x)) tol: return x_new, it x x_new raise RuntimeError(牛顿迭代未收敛)这里有两个血泪经验一是指数项必须钳位否则迭代初期电压猜测离谱时exp直接溢出成 inf二是初始猜测不能全零就完事对多二极管电路全零猜测可能让所有二极管都处于关断区迭代在原地打转。常见做法是先用线性电阻网络解一次作为初值或者给每个 PN 结一个 0.6V 左右的正向偏置猜测。4. 避坑与排查轻量级仿真器最容易翻车的五个地方4.1 矩阵奇异解出来全是 nan现象np.linalg.solve抛LinAlgError: Singular matrix或者解出来是 nan/inf。原因最常见的是某个节点悬空没有任何支路连接到它导致该节点对应的矩阵行全零。其次是电压源形成回路比如两个理想电压源并联且电压不等MNA 矩阵会出现线性相关行。解决组装完矩阵后加一个检查如果某行对角线元素为 0 且该行其他元素也为 0说明该节点悬空报错时把节点名打出来。对电压源回路要么在网表层面禁止要么给每个电压源串一个小电阻比如 1mΩ做数值上的正则化。4.2 瞬态波形在换步长后对不上现象dt 从 50us 改成 10us瞬态波形幅值差了一大截。原因后向欧拉是一阶方法本身有数值阻尼dt 越大阻尼越明显。如果电路里有高频振荡粗步长会把振荡完全抹掉。解决对精度要求高的场景换梯形法或者用自适应步长——根据相邻两步解的变化量动态调整 dt。轻量级工具里我一般先用固定小步长跑通确认物理趋势对了再考虑优化步长。4.3 非线性迭代不收敛卡在某个迭代次数现象牛顿迭代跑到 max_iter 还没收敛或者解在两个值之间来回跳。原因一是指数项没钳位数值溢出二是初始猜测太差三是电路本身没有直流解比如正反馈结构。解决先钳位指数项再给合理的初值。如果还不收敛把迭代过程的前几步电压打印出来看是哪个节点在震荡。有时候加一个小的源极/发射极电阻比如 0.1Ω能显著改善收敛性这是工程上常用的技巧。4.4 交流扫描在低频段结果异常现象扫频从 0Hz 开始时电感支路导纳无穷大矩阵出现 inf。原因1/(jωL)在 ω0 时除零。解决扫频起点设为 1e-3 Hz 或更高或者在代码里对 ω 加一个极小值保护。另外如果电路里有纯电容隔直路径低频段节点电压可能浮空也需要检查。4.5 节点命名冲突导致 stamp 错位现象电路拓扑明明对但解出来的电压和手算对不上差一个符号或差一个系数。原因节点名字符串在字典里映射时大小写或空格不一致导致同一个物理节点被当成两个不同节点。解决在add_node里统一做strip()和lower()处理或者在网表解析阶段就规范化。我一般会在组装矩阵前打印一次节点映射表肉眼扫一遍这个习惯救过我好几次。5. 把仿真器用起来参数扫描、结果导出与一个收敛技巧轻量级工具真正的价值不在单次仿真而在你能用 Python 把仿真嵌进更大的流程。比如做参数扫描固定电路拓扑让某个电阻从 100Ω 扫到 10kΩ每个值跑一次直流把结果收集成数组直接喂给 matplotlib 或 pandas。这段代码不到二十行但商业工具里往往要写脚本或手动点很多次。import numpy as np def sweep_resistor(base_circ, res_index, values): results [] for R in values: # 深拷贝电路修改指定电阻 import copy c copy.deepcopy(base_circ) el list(c.elements[res_index]) el[3] R c.elements[res_index] tuple(el) v, i solve_dc(c) results.append((R, v.get(out, 0.0))) return results # 用法示例扫描分压电路的下臂电阻 vals np.logspace(1, 4, 20) data sweep_resistor(circ, res_index1, valuesvals)参数说明res_index是元件在elements列表里的位置改之前先打印一遍列表确认。copy.deepcopy保证每次扫描不污染原始电路。扫出来的(R, Vout)可以直接画成半对数曲线看分压比随负载变化的趋势。再讲一个收敛技巧对含多个二极管的电路如果牛顿迭代反复不收敛可以先把所有二极管替换成一个小电阻比如 1Ω跑一次线性解把得到的节点电压作为非线性迭代的初值。这个「先线性后非线性」的两段式做法比全零初值的收敛率高很多。我一般会把它写成solve_dc_nonlinear的一个可选参数warm_startTrue默认开启。最后说结果导出。瞬态跑完的results是一个(t, x)列表直接转成 numpy 数组存成.npz或.csv后面用 pandas 做后处理、用 scipy 做 FFT 看谐波都比在仿真器内部硬编码要灵活。我自己的习惯是仿真器只负责解方程和吐数据所有分析、绘图、报告生成都放到外面这样仿真核心可以保持足够小小到你能在一杯咖啡的时间里通读一遍。这套东西我从最早只能跑电阻网络到后来能处理二极管整流、BJT 共射放大器的直流偏置前后迭代了七八个版本。最大的教训是不要一上来就追求器件模型多全、精度多高先把 MNA 组装、线性求解、非线性迭代这三步用最小电路跑通每加一个器件类型就用已知答案回归一次。仿真器这种东西错一个符号后面全错而且错得很隐蔽。希望帮到你。本文还有配套的精品资源点击获取
