做配电网规划的人大概率都碰到过这种拉扯预算就那么多可可靠性指标又必须往上走两边来回较劲最后拿出来的方案往往是拍脑袋加经验拼出来的。最近我把这个典型矛盾整理成了一个完整的Python项目——基于经济与可靠性双目标的混合配电系统规划及可靠性评估研究。说白了这个项目干的事情就三件把配电网的投资运维成本算清楚把供电可靠性水平评估出来再用多目标优化算法从一堆候选方案里找出一组合理的折中解。如果你正在做配网规划、可靠性分析或者准备相关的毕业课题甚至只是在工作中想给网架方案多一份量化的依据这篇文章应该能给你不少可以直接上手的东西。1. 项目概述规划工作到底在算一笔什么账1.1 拆解标题混合配电系统到底是什么“混合配电系统”这个名字听起来很学术实际拆开看就三层意思。第一层是网架形态混合一条馈线既有架空裸导线、架空绝缘线也有电缆段不同线型的参数、故障率和投资造价都不一样第二层是电源形态混合除了变电站出口的传统电源还会有分布式光伏、分散式风电、储能装置接入这些电源既能供电也可能带来反向潮流和电压波动第三层是负荷形态混合居民负荷、商业负荷、小工业负荷混杂在同一个配网里它们的可靠性要求和停电损失水平差异很大。之所以要把“混合”单独拎出来讲是因为配置方式和运行特性越复杂规划时不能拍脑袋的地方就越多。比如一条线路故障了能不能通过联络开关把负荷转到相邻馈线储能能不能在故障时段孤岛运行给关键负荷续电光伏出力波动会不会让电压越限这些问题在传统单电源辐射状配网里几乎不用考虑但在混合系统里都必须显式建模。这个项目把以上这些因素统一放进一个优化模型里用Python代码实现了“投资决策—可靠性评估—多目标寻优”的闭环不是只出一个方案数字而是能输出一组可供决策者挑选的帕累托前沿解集。1.2 经济性与可靠性为什么必须放到一起看只看经济性最简单的手法是新线路能不建就不建、导线截面能用下限就用下限。这样初始投资确实压得很低但网架结构薄弱故障后转供能力差停电时间变长停电损失上去了用户投诉也上去了。只看可靠性那就把所有线路都加粗、该配联络的配联络、该上自动化开关的上自动化开关可靠性指标确实漂亮但资金可能直接超预算算不过账。这就是典型的双目标冲突问题。规划人员真正需要的是一个权衡工具投入多少钱对应提升多少可靠性边际效益在哪里递减。这个项目把“系统年费用”作为经济性目标把“系统平均停电频率SAIFI、系统平均停电持续时间SAIDI、电量不足期望ENS”等作为可靠性目标通过优化算法自动搜索可行方案的折中面摆脱对主观经验的过度依赖。1.3 谁适合参考这篇内容从我的角度看适合三类人。一是做配电网规划、供电可靠性管理的工程技术人员想在实际项目中引入量化决策手段二是电力系统方向的研究生准备做规划类或可靠性类课题需要一套能跑通的Python框架三是刚入行想建立系统认识的从业者通过代码把“成本—可靠性”之间的关系过一遍比只看规程条文理解深得多。硬性门槛不高但建议具备这三项基础熟悉Python的基本语法和Pandas数据处理对配电网的辐射状结构、潮流计算有基本概念了解优化算法的大致思想。这样读下面的原理和代码才能跟得上。2. 技术原理拆解怎么把规划问题数学化2.1 经济性模型钱是怎么算的经济性目标的核心是“年费用最小”。规划是一次性投资运行是逐年费用必须把不同年份的钱折算到同一个时间基准上才能比较。年费用一般分三块。第一块是等年值投资成本初始投资C_inv乘以资金回收系数CRFCRF r × (1 r)^n / ((1 r)^n - 1)其中r是折现率n是项目计算期比如折现率8%、计算期20年算下来CRF大约0.10185。第二块是年运行维护成本通常按投资额的比例估算架空线路运维费率低一点电缆和配电自动化设备高一点。第三块是故障停电损失成本由可靠性评估给出这里是把“可靠性”转化为“经济量”的关键桥梁单位停电损失费乘以缺供电量就是这一年的停电损失。注意一个容易出错的地方停电损失单价在不同负荷类型之间差距非常大居民、商业、工业要分别设置如果全部用一个平均价格优化结果会明显偏向保护某一种负荷结论失真。这个项目是我按负荷类型分仓处理的。2.2 可靠性评估指标与模拟方法可靠性评估的结果是给优化算法往回调的反馈。先要明确算什么然后是选择方法。常用系统级指标有四个系统平均停电频率SAIFI次/用户·年、系统平均停电持续时间SAIDI小时/用户·年、用户平均停电持续时间CAIDI、电量不足期望ENS兆瓦时/年。负荷点级别则要算故障率λ、年平均停电时间U、单次故障平均修复时间r。评估方法里解析法对简单辐射状网络很友好用故障模式后果分析法直接枚举逻辑清晰、计算快但网络一旦出现分布式电源孤岛运行、多联络转供组合爆炸会让枚举变得慢。这个项目用的是序贯蒙特卡洛模拟它把整个运行周期按小时步长推进给每个元件抽样正常运行持续时间和修复时间形成一条完整的时序状态序列再对整个系统做故障后果分析统计负荷点指标。这样做的好处是能自然考虑时序负荷曲线、光伏出力的昼夜变化和储能充放电策略精确度比非序贯模拟高。通俗地说序贯蒙特卡洛相当于把配电网当成一个舞台每个元件是演员它们按随机剧本登场和退场一次演出就是一年跑上千次演出就能统计出观众平均一年看多少次演出中断、中断多长时间。代价是计算量大所以后面代码部分要做剪枝设计。2.3 双目标优化帕累托与决策两个目标或两个以上目标同时优化时一般不存在一个让所有目标都最优的绝对解而是存在一组帕累托最优解一个解在某个目标上变好必然在另一个目标上变差。规划人员要做的就是从这组解里根据预算偏好做选择。现在比较成熟的思路有两种。第一种是加权求和法把两个目标乘上权重合并成单目标简单直接但权重怎么取主观性太强且对帕累托前沿形状敏感非凸区域搜不到。第二种是做多目标进化计算典型代表是NSGA-II先随机生成一批网架方案通过非支配排序分出层级再计算拥挤度距离保持解的多样性用选择、交叉、变异生成新一代循环迭代最后输出一组分布均匀的帕累托前沿。项目代码里我用的是NSGA-II思路并针对网架规划的0-1决策变量设计了交叉和变异算子。规划里的决策变量不复杂但需要约束好主要是三块新建或改造线路的0-1决策向量描述一段候选走廊是投建还是不建分布式电源的接入位置选择储能设备的接入位置。约束条件则需要考虑潮流约束、节点电压上下限约束、支路电流热极限约束、配电网辐射状运行约束以及N-1安全校验的简化处理。3. Python工具选型与工程架构3.1 为什么这个场景适合用Python做这样的研究C和MATLAB也能实现但我最终选了Python纯粹是性价比原因。Python的科学计算生态实在太匹配这个任务了。Pandas和NumPy处理配网节点的表格数据、线路参数和负荷数据基本不用写一堆嵌套循环NetworkX做拓扑分析非常顺手判断网络是不是辐射状、查找故障后孤岛范围几行代码就能搞定Matplotlib做帕累托前沿散点图和可靠性指标对比图可视化质量对最终汇报很重要优化部分可以自己写NSGA-II也可以用scipy或者DEAP库做底层交叉变异DEAP的灵活性很适合学术项目。另外Python的调试体验也很好。这种项目最怕的就是中间数据状态看不清Pandas DataFrame一打印各节点的计算中间量一目了然。3.2 五大核心模块怎么划分我把整个项目拆成五个相对独立的模块每个模块职责单一接口清晰数据管理模块负责读入配网拓扑、线路参数、负荷曲线、分布式电源出力曲线统一封装成DataFrame和字典结构。潮流计算模块实现前推回推法用于稳态运行状态分析和N-1故障后的状态校验。可靠性评估模块核心是序贯蒙特卡洛模拟器负责故障抽样、故障影响分析、负荷点指标统计。优化算法模块实现NSGA-II主流程包括染色体编码、解码、约束处理、非支配排序和拥挤度距离计算。结果分析模块输出帕累托前沿解集、典型方案对比表格、规划方案地理接线示意图。模块划分的价值在于可靠性评估可以脱离优化单独测试优化算法也可以换一种再跑不会牵一发动全身。实话说单独测试每个模块比直接跑通全流程高效得多我总共遇到的九成问题都是靠分模块调试定位出来的。3.3 数据结构和参数设计节点的表示选用统一编号字典线路表包含首端节点、末端节点、类型、长度、单位阻抗、投资费用候选走廊单独一张表增加一列0-1状态位。几个关键参数要提前定好否则后期反复改很痛苦。可靠性模拟的年限要设置足够长比如每轮模拟8760小时的典型年蒙特卡洛总抽样次数设成2000到5000次折现率取8%项目计算期取20年单位停电损失费按负荷类型分别设定居民区取低值商业区取高值。这些参数我都是在项目开始时花一个上午统一核实过的后面基本没再动。4. 核心代码实现与注意细节4.1 配电网拓扑建模与前推回推潮流潮流计算是网络分析的底层能力。混合配电网多数时间呈辐射状结构用前推回推法效率很高。基本思想分两步已知根节点电压先假设各节点电压初值从末端节点往回推功率分布然后从根节点往前推电压降反复迭代直到收敛。这个方法对辐射状配网非常快但要求网络不能成环只要闭合了联络开关就得先做拓扑开环处理。核心数据结构用Pandas的DataFrame保存节点信息和支路信息配合NetworkX做拓扑遍历。节点信息长这样node_data pd.DataFrame({ node: [1, 2, 3], pload: [[50.0, 40.0], [30.0, 25.0], [60.0, 45.0]], # 各节点有功/无功 type: [slack, pq, pq] })潮流计算函数如下这里省略了迭代中的功率更新细节但整体框架是标准的。def backward_forward_loadflow(node_data, branch_data, tolerance1e-6, max_iter50): # 初始化节点电压幅值单位kV v_mag pd.Series(1.0, indexnode_data[node]) v_ang pd.Series(0.0, indexnode_data[node]) for _ in range(max_iter): v_mag_old v_mag.copy() # 回推支路功率 branch_power compute_branch_power_from_load(v_mag, node_data, branch_data) # 前推节点电压 v_mag, v_ang update_node_voltage(v_mag, v_ang, branch_power, branch_data) if max(abs(v_mag - v_mag_old)) tolerance: break return v_mag, v_ang注意节点顺序必须保证子节点在父节点之后出现不然回推顺序就乱了。实际程序中我直接按拓扑DFS后序生成节点序列稳定可靠。4.2 序贯蒙特卡洛可靠性模拟可靠性评估模块是整个项目计算量最大的部分容易被拖慢要精打细算。元件状态持续时间抽样用的是两状态模型。正常运行持续时间TTF按指数分布抽样修复时间TTR同样按指数分布抽样def sample_ttf(lam): # lam是平均故障率单位次/年 return -math.log(1 - random.random()) / lam def sample_ttr(mu): # mu是平均修复时间单位小时 return -math.log(1 - random.random()) * mu一个典型年的模拟流程是为每个元件生成一整年的状态时间轴合并所有元件的事件扫描事件点进行故障后果分析。故障后果分析要做三件事判断故障后的孤岛划分、统计失电负荷、检查能否通过联络开关转供转供的前提是目标馈线不过载且电压满足约束。这个分析过程要用潮流计算配合浸染算法。统计指标时要注意用户数的权重不能漏。SAIFI计算要求“用户数加权”如果用户数全按1算结果偏乐观。def monte_carlo_reliability_analysis(network, load_points, samples2000): saifi_list, saidi_list, ens_list [], [], [] for _ in range(samples): event_seq generate_yearly_state_timeline(network) saifi_i, saidi_i, ens_i analyze_events(event_seq, network, load_points) saifi_list.append(saifi_i) saidi_list.append(saidi_i) ens_list.append(ens_i) return { SAIFI: np.mean(saifi_list), SAIDI: np.mean(saidi_list), ENS: np.mean(ens_list) }实际测试时我发现模拟次数少于800次SAIDI的波动能到正负15%以上根本没法用来比较方案优劣增加到5000次后波动控制在2%以内但耗时明显增加。解决办法是给每次蒙特卡洛抽样固定随机种子不同方案用同一批随机数序列这样方案间比较的方差大幅降低业内叫对偶变数或公共随机数法效果立竿见影。4.3 基于NSGA-II的双目标规划求解优化部分关键是染色体编码和解码。一条染色体就是一组0-1整数变量代表候选走廊是否投建、候选节点是否安装分布式电源。优化算法向所有个体发指令依次完成潮流计算和可靠性评估再回传成本和可靠性指标。为避免不可行解浪费算力要把约束处理融合进适应度评价里。比如某个体对应的网络不满足辐射状要求直接赋予极大惩罚成本不参与非支配排序。NSGA-II的几个核心函数直接架在DEAP库上实现比较省事但需要自定义交叉变异算子。def evaluate(individual): build_network_from_binary_vector(individual) # 潮流校验、N-1粗校验 if not verify_radial_and_loadflow(): return (1e12, 999.9, 1e12) # 计算年费用 annual_cost calc_annual_cost(individual) # 可靠性评估 rel monte_carlo_reliability_analysis(network, load_points, samplessamples) return (annual_cost, rel[SAIFI])目标函数返回元组DEAP库会直接按多目标处理。种群大小设60到100迭代代数设100到200。代码跑完输出帕累托前沿展示在二维散点图上一条清晰的下包络曲线就是经济性与可靠性的权衡曲线。我个人习惯在曲线拐点处挑一个方案因为拐点之后再多投入资本对可靠性提升的边际效益已经很小了这在工程上叫边际成本分析法汇报时特别好用。5. 算例演示一个33节点配网的方案对比5.1 算例参数与输入数据用一个33节点的典型辐射状配电网作为测试算例基准电压12.66kV系统总负荷约5.1MW候选新建线路有8条候选分布式光伏接入点有4个储能候选接入点有2个。基础网架只能满足约70%负荷的转供需求其余需要通过新建线路和分布式电源补强。经济参数按常见工程实践取值10kV架空线综合造价25万元/公里年运维费率2%折现率8%计算期20年。负荷类型分三档居民负荷停电损失单价0.8元/千瓦时商业负荷5.1元/千瓦时工业负荷7.5元/千瓦时这组参数会直接影响优化倾向。5.2 结果对比与方案解读优化运行结束后我从帕累托前沿里抽了三个典型方案做对比。为方便说明统一折算成10000户规模下的用户指标数据做了归一化处理。方案类型新建设备年费用万元SAIFI次/户·年SAIDI小时/户·年ENS兆瓦时/年方案A最低投资方案1682.807.956.8方案B均衡方案2351.924.531.2方案C高可靠方案3101.432.919.5方案A只投资基本线路把成本压到最低但SAIDI接近8小时这在很多城市根本扛不住可靠性考核。方案B多投入67万换来了SAIDI从7.9降到4.5小时降幅43%是三个方案里投入产出比最好的。方案C继续加钱可靠性确实更高但对比方案B多投入75万只换回1.6小时的降幅边际效益明显衰减。这个算例清楚展示了双目标规划的价值不是让软件替你拍板选方案而是软件把决策空间可视化你来根据预算和指标压力做取舍。在实际工程项目里方案B对应的网架设计往往就是最终落地的那套。6. 实际运行中高频问题与排查经验6.1 可靠性指标波动大怎么收敛最典型的坑就是蒙特卡洛抽样次数太少。我最早跑项目时用500次抽样前后两次运行同一方案SAIDI能差2个小时居然以为代码写错了浪费了两天排查。后来把抽样提到5000次并固定随机种子结果才稳定下来。另外要注意如果系统里有低概率高影响事件比如极少发生的变电站母线故障这类事件抽样次数不够就容易被漏掉或夸大导致指标突变。这种情况下建议把重要元件单独做解析枚举不参与随机抽样整体结果会更平滑。6.2 优化算法收敛慢容易早熟NSGA-II跑网架规划时最怕早熟和漫无目的地乱搜。我处理早熟的办法有两个一是给初始种群注入启发式解比如先用贪婪算法生成一个最小成本可行解再把它的邻居个体填进初始种群这样第一代的质量就高很多二是调高交叉概率到0.9变异概率调到0.1让种群保持活跃。如果算法始终得不到可行解问题大概率出在约束处理上。辐射状约束如果只靠惩罚搜索空间里大量个体是不连通的全部被罚死后种群就废了。建议编码时就约束候选线必须构成连通图把可行性直接限制在编码结构里优化效率会显著提升。6.3 结果“看起来不对”怎么办信任但要验证。运行结束先做三项检查潮流结果里的网损率是否在2%到8%的合理区间所有节点电压是否在0.93到1.07之间能否找到任意一个单条线路故障后仍能通过转供恢复的案例。如果三项都过不了首选怀疑的是数据内容比如线路阻抗单位写错、长度单位写错、用户数没加权。我这边吃过大亏线路单位阻抗用的是欧姆/公里但表里实际给的是毫欧/米潮流计算出的网损直接高了两倍可靠性评估的停电供电量也出了问题。先打印中间量形成直觉再回查源头数据是排查这类问题的唯一高效路径。7. 经验体会与一点建议这个项目跑通之后我最大的感受是“规划”这两个字的分量。以前做配网方案主要靠经验公式和规程条文来定导线截面和联络方式现在有了这套工具可以在项目论证阶段就把备选方案的投入产出曲线摆出来对业主汇报时不仅讲工艺还能讲经济账和可靠性账说服力完全不一样。代码本身并不复杂真正花时间的地方是理清各个模块之间的数据流关系以及处理那些只有跑过才知道的细节问题比如抽样次数、随机种子、孤岛划分的边界条件。我强烈建议第一次接触这类项目的朋友糊里糊涂把全流程跑通之后一定要分模块做单测可靠性模块单独验证极端场景优化模块单独测试简单两节点案例难度会降一大截。这个项目后续可扩展的方向也很清晰在可靠性模拟里加入储能运行策略和光伏随机出力模型在优化算法里引入鲁棒优化以应对源荷不确定性甚至可以在帕累托前沿上叠加碳排放成本维度做三目标规划。路是一步步铺出来的先把双目标这个基础框架吃透后面的扩展都是增量修改。
