干配电网规划的朋友应该都有同一个体会改动一个数据重跑一轮规划可能就是一个通宵。尤其是现在把分布式光伏、风电、储能都塞进配电网之后系统从原先“单电源、单方向”的被动网络变成了“多电源、多运行方式、多控制手段”的混合系统规划模型里的变量数量直接上了一个量级。我最近用Python完整实现了一个基于经济性与可靠性双目标的混合配电系统规划与可靠性评估研究今天把这套东西拆开讲清楚包括建模思路、可靠性评估原理、Python代码框架、以及调试过程中踩过的坑。这篇文章适合电气工程方向的研究生、正在做配电网规划的工程师也想给那些刚入门Python、打算用Python做电力系统优化的同学一个完整的参考路径。这个项目的核心其实就一句话在配电网规划阶段同时考虑“花多少钱”和“可不可靠”两个目标用优化算法找出一组兼顾两者的折中方案并给出其中每套网架对应的可靠性指标。听起来不复杂但真做起来建模、评估、优化三个环节环环相扣哪个地方偷懒后面都会加倍还回来。1. 项目整体设计与建模思路1.1 混合配电系统规划到底在规划什么所谓“混合配电系统”在中文文献里最常见的是两种理解。一种是交直流混合配电网既有交流馈线又有直流馈线另一种是含有分布式电源、储能、微电网的有源配电系统。无论哪种理解规划层面的核心任务都一样在满足负荷增长和运行约束的前提下决定哪些待建线路要建、哪些变电站要扩容、分布式电源装在哪儿、装多大、储能怎么配。举个具体场景某个区域有20个负荷节点其中5个节点是待开发的产业园3个节点适合装分布式光伏另外还有1个区域供电可靠性要求极高不允许长时间停电。传统规划只算网架投资谁便宜选谁但装了一堆光伏之后如果网架结构不合理白天发电送不出去、晚上负荷又缺电系统可靠性反而下降。这就需要把经济性和可靠性放进同一个框架里权衡。1.2 经济性目标怎么用数学表达经济性目标我采用的是电力系统规划里最常用的“年度综合费用最小”它不是一个孤立的投资额而是把整个寿命周期内的成本折算到每年。核心公式可以写成C_total C_inv C_om C_loss C_ens其中C_inv是新增设备投资的等年值费用C_om是年运行维护费C_loss是年网损费用C_ens是年停电损失费用。这里有一个关键概念叫等年值系数。如果线路寿命是n年折现率是r那么把初始投资折算到每一年的系数是CRF r(1r)^n / ((1r)^n - 1)比如折现率取8%、线路寿命20年CRF大约是0.10185。也就是说一笔1000万的线路投资折算到每年大约是101.85万。这样做的目的是让一次性投资和逐年发生的运行费用可比。很多人算错成本就是栽在这个系数上把一次性投资直接和年运行费用相加量纲都不对后面优化结果自然没有意义。1.3 可靠性目标为什么不能用钱代替可靠性目标我选用的是EENS期望缺供电量单位是MWh/年。它表示系统在一整年里预计会少供多少电量。除了EENS常见的还有SAIDI系统平均停电持续时间指标、SAIFI系统平均停电频率指标、LOLP电力不足概率等但EENS在双目标规划里用得最多因为它能够直接反映“缺电的规模”而且方便折算成经济成本。为什么不直接把它折到经济目标里非要单独做一个目标原因是现实里可靠性的价值往往不是简单的电价能衡量的。比如医院、数据中心的停电损失可能是普通居民负荷的几十倍又比如上级部门对供电可靠性有硬性约束不允许平均停电时间超过某个上限。把这些信息全部折算成货币当量主观性太强而且会掩盖规划决策者对不同目标的偏好。所以双目标建模更合理一个目标是最小化年度综合费用另一个目标是最小化EENS最后给出一组帕累托前沿让人根据实际偏好去选方案。1.4 约束条件规划不是想怎么建就怎么建目标函数定完还必须有一堆约束否则优化算法会给出荒谬的方案。我这个项目里至少加了以下几类约束节点功率平衡约束每个节点的注入功率和流出功率必须守恒支路容量约束每条线路的传输功率不能超过其最大载流量节点电压约束电压幅值保持在额定值的±5%范围内辐射状约束配电网保持开环运行不能形成环网分布式电源渗透率约束DG总装机容量不能超过系统最大负荷的一定比例可靠性约束可选EENS不能超过某个上限。这些约束在Python里实现时一部分直接在做潮流计算时自动满足一部分需要额外写惩罚函数。我的经验是能自动满足的尽量靠计算本身约束住能不用罚函数就不用罚函数因为罚函数系数一旦设置不当优化过程会非常痛苦。2. 可靠性评估原理与Python化表达2.1 解析法还是蒙特卡洛规划阶段怎么选可靠性评估是这类项目里最核心也最容易卡壳的模块。主流方法分两大类解析法和蒙特卡洛模拟法。解析法以故障枚举和最小割集法为代表思路是把系统里可能发生的元件故障逐一列出来计算每个故障场景发生的概率和对应的负荷削减量最后加权求和。它的优点是非常快确定性好同样的输入永远得到同样的结果适合嵌套在规划优化迭代里反复调用。缺点是故障场景数量随元件数呈指数增长元件多了以后需要做故障筛查和剪枝。序贯蒙特卡洛则是按时间序列抽样每个元件的运行-修复状态模拟一整年甚至几千年的系统运行过程统计缺电指标。它更加精确能考虑时序性、天气因素、元件老化等复杂因素但计算量非常大。放到双目标优化里每一代种群几十个个体、每个个体都要算一次年可靠性指标用蒙特卡洛会让整体运行时间爆炸。所以在这个项目里规划阶段内部采用解析法做快速评估以故障枚举为主等优化算法选出最终方案之后再用序贯蒙特卡洛对优选方案做复核。一来一回兼顾了速度和精度这是我觉得很值得分享的工程取舍。2.2 元件可靠性参数三个参数吃透整个模型要算EENS先要把元件可靠性参数搞清楚。常用的三个参数λ (故障率)表示元件平均每年发生故障的次数单位是次/年r (平均修复时间)表示故障发生后平均需要多少小时才能修复单位是小时p (可用率)元件在长期运行中处于可用状态的比例约等于MTTF/(MTTFMTTR)。比如一条馈线的故障率是0.03次/年平均修复时间6小时那么它的年不可用率大约是0.03×6/8760约等于0.00205%。数值看起来小但如果故障发生在负荷高峰时段带来的限电损失可能非常大。在Python里这些参数可以直接用pandas的DataFrame存储。每一行是一个元件列包括元件编号、所属馈线、故障率λ、修复工时r、修复费用等。后续可靠性评估函数只需要读取这张表就能循环枚举故障场景。2.3 失负荷分析故障后哪些节点会断电故障枚举法的核心步骤是假设某线路发生故障并断开然后通过潮流计算或拓扑搜索判断哪些负荷节点会失电。这要用到图论。具体做法是把配电网看成一个无向图节点是母线或负荷边是馈线。正常运行时变电站节点是电源点分布式电源节点也可视为电源点。当某条边断开时从图中移除这条边再做连通性分析。凡是和电源节点不在同一个连通分量里的负荷节点就认为是失负荷节点。这种分析在Python里最方便的工具是networkx库。把网架结构构建成图之后调用网络连通性分析函数就能快速得到结果。切记不要自己用DFS或BFS硬写搜索不仅代码量大而且容易漏边界情况。networkx底层实现得足够严谨直接用就行。2.4 EENS的计算函数框架有了上面的基础EENS的计算函数就很好写了。核心逻辑是遍历所有可能故障的元件从图里临时移除该元件找出失负荷节点累计失负荷功率把失负荷功率乘上该元件的年故障概率λ×修复时间/8760得到该元件的年期望缺供电量把所有元件的期望缺供电量求和。Python伪代码如下def calc_eens(graph, source_nodes, load_data, lines_reliability): eens 0.0 for line_id, rel in lines_reliability.iterrows(): # 拷贝当前图并移除故障线路 g_tmp graph.copy() g_tmp.remove_edge(rel[from_node], rel[to_node]) # 找出所有与电源点连通的节点 connected set() for s in source_nodes: connected | nx.descendants(g_tmp, s) connected.add(s) # 遍历负荷节点若不在连通集合中则停电 for node, load in load_data.items(): if load 0 and node not in connected: # 概率折算 prob rel[lambda] * rel[repair_hours] / 8760.0 eens load * prob return eens这个函数虽然简化但主干的逻辑是对的。实际项目里还要考虑变压器故障、母线故障、分布式电源检修、负荷分布曲线等细节但核心的“故障移除-连通分析-加权求和”思路完全一致。3. Python代码实现核心模块这样写最省心3.1 用三张表组织全部数据我的经验是做这类复杂系统优化的第一步既不是写算法也不是画拓扑而是把数据组织好。数据组织得清晰后面所有环节都高效组织得一塌糊涂算法再厉害也白搭。本项目我用三张pandas.DataFrame作为核心数据结构nodes表节点编号、节点类型变电站/负荷/DG/联络、年峰值负荷、功率因数、电压等级lines表起点、终点、线路长度、单位阻抗、容量、单位投资成本、故障率、修复时间dgs表候选DG位置、DG类型光伏/风电/储能、单位容量投资成本、年维护率、可用率。统一的数据结构让目标函数、约束检查和可靠性评估都能直接读表计算不用到处传参。尤其是后面要做灵敏度分析时改一个表里的数据就能重新跑一轮非常方便。3.2 邻接矩阵一个小函数解决拓扑建模项目里另一个基础工作是构建邻接矩阵。很多刚开始用Python做网络分析的读者会卡在这里其实写法非常固定def build_adjacency_matrix(node_num, df_lines, node_id_to_idx): # 初始化inf代表不连通对角线是0 adj np.full((node_num, node_num), np.inf) np.fill_diagonal(adj, 0.0) for _, row in df_lines.iterrows(): i node_id_to_idx[row[from_node]] j node_id_to_idx[row[to_node]] # 双向赋值否则矩阵不对称 adj[i, j] row[impedance] adj[j, i] row[impedance] return adj注意一定不要用0表示不连通要用inf。因为如果某两个节点之间本没有线路用0填充会被后续搜索误判为“零阻抗直接导通”那拓扑就全乱了。这个坑我见很多人踩过包括我自己。3.3 潮流计算规划阶段尽量用简化模型双目标规划的目标函数里要算网损费用和电压越限这需要潮流计算。配电网传统的潮流算法是前推回代法实现起来并不难但在优化迭代里每一个个体都要计算多个场景的潮流完整交流潮流会让整体运行时间指数级上升。我的做法是分阶段处理规划阶段的快速迭代采用线性化的直流潮流模型或者只校核几个典型运行场景最大负荷场景、新能源大发场景在确定最终方案后再用前推回代法做精确交流潮流校核。这样既保证了速度又不至于让最终方案在真实的交流潮流下出现严重越限。如果非要全程用交流潮流也有一个技巧把节点导纳矩阵的稀疏分解结果缓存下来不要在每个目标函数调用时重新组装。用scipy.sparse.linalg的求解器可以比逐次迭代快一个数量级。3.4 双目标优化为什么我用NSGA-II双目标优化有很多算法可供选择比如加权和法、ε约束法、NSGA-II等。但加权和法只能得到一个方向上的折中解想得到完整的帕累托前沿需要反复调整权重效率低。ε约束法又需要给其中一个目标设边界主观性较强。所以我选了NSGA-II原因是它通过非支配排序和拥挤度距离一次运行就能得到完整的前沿分布。NSGA-II的核心逻辑用最简化的说法就是while gen max_gen: # 1. 锦标赛选择父代 # 2. 模拟二进制交叉SBX 多项式变异 # 3. 父子合并非支配排序 # 4. 按拥挤度距离裁剪到种群规模 pop np.array(offspring) gen 1在Python里最省事的方案是用pymoo库它已经把NSGA-II封装得比较好只需要用户定义决策变量、目标函数和约束函数。但自己实现一遍NSGA-II也很有价值尤其是让你理解非支配排序到底在干什么不然出了问题都不知道从哪里排查。决策变量的编码方式也值得说。我的做法是混合编码待建线路用0/1二进制变量表示建或不建DG的容量用连续变量表示比如光伏装机在0到3MW之间连续取值。这样既保留了拓扑决策的离散性也兼顾了容量优化的连续性。3.5 最终方案优选帕累托前沿上的拐点跑完NSGA-II之后会得到一批非支配解。每个解都对应一套网架方案和DG配置互有优劣谁也不能在不牺牲另一个目标的情况下胜出。那最终设计院里到底用哪一套我常用“拐点法”和“距离理想点法”。距离理想点法的做法是先找到两个目标的各自最小值组成理想点然后把每个帕累托解到理想点的欧氏距离算出来距离最小的就是折中解。这里有一个特别容易踩的坑经济性目标的值通常是百万级EENS可能是几十MWh两个数量级差太多直接算距离的话距离完全被经济性主导挑出来的“折中解”其实还是经济最优方案。所以必须先把两个目标各自归一化到[0,1]区间再算距离。这个细节很小但直接决定方案选择结果是否合理。4. 经济性与可靠性的权衡规律解读4.1 帕累托前沿通常不是曲线而是一段折线跑完这个项目后最有成就感的一步是画出帕累托前沿。横轴是年度综合费用纵轴是EENS。前沿几乎都是下凸形态从左下到右上延伸含义是在低投资水平下稍微增加一点预算EENS会大幅下降这对应着“补强关键线路”“加装联络开关”这类性价比极高的措施但到了高投资水平继续增加投入EENS改善幅度非常小因为该建的都已经建了剩下能做的只有把线路截面再加大一档、把DG容量再往上提这些措施边际效益很低。这里最值得注意的规律是帕累托前沿斜率发生明显变化的那一段就是工程上性价比最高的区间。如果这个项目有上级可靠性指标要求对应的EENS值往往也能映射到曲线上某个点那个点就是“满足指标的前提下最省钱”的方案。4.2 分布式电源的接入位置比装机规模更影响可靠性通过几组对比实验我发现一个很反直觉的现象DG的总装机规模并不是影响可靠性的第一要素接入位置的影响更显著。同样是增加2MW光伏接在馈线末端时末端负荷的供电可靠性大幅提升EENS改善明显接在变电站附近时因为电能本来就从变电站往负荷侧输送DG只是少走了几公里对整个系统可靠性的贡献很小但网损改善更明显。所以规划的时候不要只盯着“装多少”更要看“装哪里”。这也是为什么决策变量里DG选址的离散变量比容量连续变量更让优化算法头疼——因为它对目标函数的影响带有很强的非线性种群里早期个体可能一直在末端和首端之间摇摆。4.3 可靠性约束何时该从目标变约束我前面说的是双目标建模但实际工程里还有一种常用做法把可靠性要求写成硬约束比如“系统年缺供电量不能超过20MWh”然后只做经济性单目标优化。两种建模方式不存在绝对优劣更多是使用场景的差异。如果决策者对可靠性价值没有明确的货币化度量双目标建模更合适因为最后前沿上所有方案都是可选方案把决策权交给人。如果上级已经有明确的可靠性指标红线那就直接把这个红线写成约束把目标聚焦在经济性上不仅计算量小一半而且结果容易落地。我建议研究阶段先用双目标做全局探路工程化阶段再根据红线约束简化成单目标这样既全面又高效。5. 常见问题与排查技巧实录做一个这种规模的Python工程不踩坑是不可能的。我把项目里遇到的典型问题整理成了一张速查表方便后来者直接对照排查。问题现象排查思路解决建议邻接矩阵不对称拓扑搜索结果错乱构建函数里只赋值了一次忘记反向赋值在构建时同步更新adj[i,j]和adj[j,i]EENS计算结果为零故障移除后没正确更新图或失负荷判断逻辑有误单独抽一个单故障场景逐步打印各节点连通状态潮流计算不收敛节点存在孤岛或初始电压给得太差先检查连通性再换用直流潮流或增大迭代次数优化迭代速度极慢目标函数里重复构建图、重复计算矩阵分解把图结构、导纳矩阵缓存到全局变量目标函数只做增量修改帕累托前沿形变解集中在一端两个目标没有归一化或种群规模太小将目标归一化后再计算拥挤度和距离加大种群到100以上数据单位混乱投资成本算失真kW、MW、kVA混用导致数值相差1000倍全项目统一用MW和MVA或者在读数据入口统一转换并断言校验除此之外还有几个经验性的技巧第一先跑单目标再跑双目标。比如先把可靠性约束放一边单独验证经济性优化模块能否收敛到可信结果再单独跑纯可靠性评估看EENS数值是否合理。两部分都验证通过了再合并成双目标。很多新手一上来直接跑双目标出了问题根本分不清是优化器的问题还是评估函数的问题。第二Python环境建议直接用Miniconda或Anaconda建一个虚拟环境只需要numpy、pandas、scipy、networkx、matplotlib这几个库。matplotlib用来画帕累托前沿图networkx用来做网络分析。环境配置本身不要花太多精力也不要在一台机器上同时混装多个Python版本项目根目录放一个requirements.txt其他人一条命令就能复现环境。第三numpy的向量化操作非常值得花时间学习。项目里很多内层循环本质上是在遍历元件和节点如果直接用Python的for循环处理几万次迭代速度会慢到让人怀疑人生。改成numpy的数组运算之后同一个计算过程往往快几十倍。这也是为什么这个项目的核心数据结构用pandas和numpy而不是纯Python列表。6. 写在最后压箱底的几条实操体会项目做完以后我自己分析了一下最耗时间的其实不是算法而是前期的数据整理和参数标定。比如分布式光伏的时序出力曲线、负荷的年时序曲线、各类线路的单位造价和故障率这些数据来源不同、单位不同、口径不同整理起来比想象中麻烦得多。强烈建议项目一开始就建立统一的数据库结构把所有原始数据清洗成固定格式的CSV文件之后无论做规划、做可靠性还是做画图都直接读这些文件。最后再分享一个小朋友特别容易忽略的技巧在最终选择帕累托前沿上的折中解时一定要先归一化两个目标再算距离否则经济性这个“大数”会完完全全把可靠性这个小指标压没导致选出的所谓折中解其实就是经济最优解。我第一次跑完就没注意结果挑出的方案EENS惨不忍睹排查了一整天才发现是归一化的问题。这个项目整体做下来我对混合配电系统规划的理解比纯看文献时深了一个层次。规划不只是公式推导和数学变换更是一个“模型-算法-数据-工程校验”闭环的工程问题。如果后面有人想继续做我建议在两个方向上延伸一是把序贯蒙特卡洛整合进框架做更精细的时序可靠性评价二是引入多场景随机优化考虑风光出力的不确定性。两者都有挑战但也都是目前电网规划领域真正有价值的研究方向。
干配电网规划的朋友应该都有同一个体会改动一个数据重跑一轮规划可能就是一个通宵。尤其是现在把分布式光伏、风电、储能都塞进配电网之后系统从原先“单电源、单方向”的被动网络变成了“多电源、多运行方式、多控制手段”的混合系统规划模型里的变量数量直接上了一个量级。我最近用Python完整实现了一个基于经济性与可靠性双目标的混合配电系统规划与可靠性评估研究今天把这套东西拆开讲清楚包括建模思路、可靠性评估原理、Python代码框架、以及调试过程中踩过的坑。这篇文章适合电气工程方向的研究生、正在做配电网规划的工程师也想给那些刚入门Python、打算用Python做电力系统优化的同学一个完整的参考路径。这个项目的核心其实就一句话在配电网规划阶段同时考虑“花多少钱”和“可不可靠”两个目标用优化算法找出一组兼顾两者的折中方案并给出其中每套网架对应的可靠性指标。听起来不复杂但真做起来建模、评估、优化三个环节环环相扣哪个地方偷懒后面都会加倍还回来。1. 项目整体设计与建模思路1.1 混合配电系统规划到底在规划什么所谓“混合配电系统”在中文文献里最常见的是两种理解。一种是交直流混合配电网既有交流馈线又有直流馈线另一种是含有分布式电源、储能、微电网的有源配电系统。无论哪种理解规划层面的核心任务都一样在满足负荷增长和运行约束的前提下决定哪些待建线路要建、哪些变电站要扩容、分布式电源装在哪儿、装多大、储能怎么配。举个具体场景某个区域有20个负荷节点其中5个节点是待开发的产业园3个节点适合装分布式光伏另外还有1个区域供电可靠性要求极高不允许长时间停电。传统规划只算网架投资谁便宜选谁但装了一堆光伏之后如果网架结构不合理白天发电送不出去、晚上负荷又缺电系统可靠性反而下降。这就需要把经济性和可靠性放进同一个框架里权衡。1.2 经济性目标怎么用数学表达经济性目标我采用的是电力系统规划里最常用的“年度综合费用最小”它不是一个孤立的投资额而是把整个寿命周期内的成本折算到每年。核心公式可以写成C_total C_inv C_om C_loss C_ens其中C_inv是新增设备投资的等年值费用C_om是年运行维护费C_loss是年网损费用C_ens是年停电损失费用。这里有一个关键概念叫等年值系数。如果线路寿命是n年折现率是r那么把初始投资折算到每一年的系数是CRF r(1r)^n / ((1r)^n - 1)比如折现率取8%、线路寿命20年CRF大约是0.10185。也就是说一笔1000万的线路投资折算到每年大约是101.85万。这样做的目的是让一次性投资和逐年发生的运行费用可比。很多人算错成本就是栽在这个系数上把一次性投资直接和年运行费用相加量纲都不对后面优化结果自然没有意义。1.3 可靠性目标为什么不能用钱代替可靠性目标我选用的是EENS期望缺供电量单位是MWh/年。它表示系统在一整年里预计会少供多少电量。除了EENS常见的还有SAIDI系统平均停电持续时间指标、SAIFI系统平均停电频率指标、LOLP电力不足概率等但EENS在双目标规划里用得最多因为它能够直接反映“缺电的规模”而且方便折算成经济成本。为什么不直接把它折到经济目标里非要单独做一个目标原因是现实里可靠性的价值往往不是简单的电价能衡量的。比如医院、数据中心的停电损失可能是普通居民负荷的几十倍又比如上级部门对供电可靠性有硬性约束不允许平均停电时间超过某个上限。把这些信息全部折算成货币当量主观性太强而且会掩盖规划决策者对不同目标的偏好。所以双目标建模更合理一个目标是最小化年度综合费用另一个目标是最小化EENS最后给出一组帕累托前沿让人根据实际偏好去选方案。1.4 约束条件规划不是想怎么建就怎么建目标函数定完还必须有一堆约束否则优化算法会给出荒谬的方案。我这个项目里至少加了以下几类约束节点功率平衡约束每个节点的注入功率和流出功率必须守恒支路容量约束每条线路的传输功率不能超过其最大载流量节点电压约束电压幅值保持在额定值的±5%范围内辐射状约束配电网保持开环运行不能形成环网分布式电源渗透率约束DG总装机容量不能超过系统最大负荷的一定比例可靠性约束可选EENS不能超过某个上限。这些约束在Python里实现时一部分直接在做潮流计算时自动满足一部分需要额外写惩罚函数。我的经验是能自动满足的尽量靠计算本身约束住能不用罚函数就不用罚函数因为罚函数系数一旦设置不当优化过程会非常痛苦。2. 可靠性评估原理与Python化表达2.1 解析法还是蒙特卡洛规划阶段怎么选可靠性评估是这类项目里最核心也最容易卡壳的模块。主流方法分两大类解析法和蒙特卡洛模拟法。解析法以故障枚举和最小割集法为代表思路是把系统里可能发生的元件故障逐一列出来计算每个故障场景发生的概率和对应的负荷削减量最后加权求和。它的优点是非常快确定性好同样的输入永远得到同样的结果适合嵌套在规划优化迭代里反复调用。缺点是故障场景数量随元件数呈指数增长元件多了以后需要做故障筛查和剪枝。序贯蒙特卡洛则是按时间序列抽样每个元件的运行-修复状态模拟一整年甚至几千年的系统运行过程统计缺电指标。它更加精确能考虑时序性、天气因素、元件老化等复杂因素但计算量非常大。放到双目标优化里每一代种群几十个个体、每个个体都要算一次年可靠性指标用蒙特卡洛会让整体运行时间爆炸。所以在这个项目里规划阶段内部采用解析法做快速评估以故障枚举为主等优化算法选出最终方案之后再用序贯蒙特卡洛对优选方案做复核。一来一回兼顾了速度和精度这是我觉得很值得分享的工程取舍。2.2 元件可靠性参数三个参数吃透整个模型要算EENS先要把元件可靠性参数搞清楚。常用的三个参数λ (故障率)表示元件平均每年发生故障的次数单位是次/年r (平均修复时间)表示故障发生后平均需要多少小时才能修复单位是小时p (可用率)元件在长期运行中处于可用状态的比例约等于MTTF/(MTTFMTTR)。比如一条馈线的故障率是0.03次/年平均修复时间6小时那么它的年不可用率大约是0.03×6/8760约等于0.00205%。数值看起来小但如果故障发生在负荷高峰时段带来的限电损失可能非常大。在Python里这些参数可以直接用pandas的DataFrame存储。每一行是一个元件列包括元件编号、所属馈线、故障率λ、修复工时r、修复费用等。后续可靠性评估函数只需要读取这张表就能循环枚举故障场景。2.3 失负荷分析故障后哪些节点会断电故障枚举法的核心步骤是假设某线路发生故障并断开然后通过潮流计算或拓扑搜索判断哪些负荷节点会失电。这要用到图论。具体做法是把配电网看成一个无向图节点是母线或负荷边是馈线。正常运行时变电站节点是电源点分布式电源节点也可视为电源点。当某条边断开时从图中移除这条边再做连通性分析。凡是和电源节点不在同一个连通分量里的负荷节点就认为是失负荷节点。这种分析在Python里最方便的工具是networkx库。把网架结构构建成图之后调用网络连通性分析函数就能快速得到结果。切记不要自己用DFS或BFS硬写搜索不仅代码量大而且容易漏边界情况。networkx底层实现得足够严谨直接用就行。2.4 EENS的计算函数框架有了上面的基础EENS的计算函数就很好写了。核心逻辑是遍历所有可能故障的元件从图里临时移除该元件找出失负荷节点累计失负荷功率把失负荷功率乘上该元件的年故障概率λ×修复时间/8760得到该元件的年期望缺供电量把所有元件的期望缺供电量求和。Python伪代码如下def calc_eens(graph, source_nodes, load_data, lines_reliability): eens 0.0 for line_id, rel in lines_reliability.iterrows(): # 拷贝当前图并移除故障线路 g_tmp graph.copy() g_tmp.remove_edge(rel[from_node], rel[to_node]) # 找出所有与电源点连通的节点 connected set() for s in source_nodes: connected | nx.descendants(g_tmp, s) connected.add(s) # 遍历负荷节点若不在连通集合中则停电 for node, load in load_data.items(): if load 0 and node not in connected: # 概率折算 prob rel[lambda] * rel[repair_hours] / 8760.0 eens load * prob return eens这个函数虽然简化但主干的逻辑是对的。实际项目里还要考虑变压器故障、母线故障、分布式电源检修、负荷分布曲线等细节但核心的“故障移除-连通分析-加权求和”思路完全一致。3. Python代码实现核心模块这样写最省心3.1 用三张表组织全部数据我的经验是做这类复杂系统优化的第一步既不是写算法也不是画拓扑而是把数据组织好。数据组织得清晰后面所有环节都高效组织得一塌糊涂算法再厉害也白搭。本项目我用三张pandas.DataFrame作为核心数据结构nodes表节点编号、节点类型变电站/负荷/DG/联络、年峰值负荷、功率因数、电压等级lines表起点、终点、线路长度、单位阻抗、容量、单位投资成本、故障率、修复时间dgs表候选DG位置、DG类型光伏/风电/储能、单位容量投资成本、年维护率、可用率。统一的数据结构让目标函数、约束检查和可靠性评估都能直接读表计算不用到处传参。尤其是后面要做灵敏度分析时改一个表里的数据就能重新跑一轮非常方便。3.2 邻接矩阵一个小函数解决拓扑建模项目里另一个基础工作是构建邻接矩阵。很多刚开始用Python做网络分析的读者会卡在这里其实写法非常固定def build_adjacency_matrix(node_num, df_lines, node_id_to_idx): # 初始化inf代表不连通对角线是0 adj np.full((node_num, node_num), np.inf) np.fill_diagonal(adj, 0.0) for _, row in df_lines.iterrows(): i node_id_to_idx[row[from_node]] j node_id_to_idx[row[to_node]] # 双向赋值否则矩阵不对称 adj[i, j] row[impedance] adj[j, i] row[impedance] return adj注意一定不要用0表示不连通要用inf。因为如果某两个节点之间本没有线路用0填充会被后续搜索误判为“零阻抗直接导通”那拓扑就全乱了。这个坑我见很多人踩过包括我自己。3.3 潮流计算规划阶段尽量用简化模型双目标规划的目标函数里要算网损费用和电压越限这需要潮流计算。配电网传统的潮流算法是前推回代法实现起来并不难但在优化迭代里每一个个体都要计算多个场景的潮流完整交流潮流会让整体运行时间指数级上升。我的做法是分阶段处理规划阶段的快速迭代采用线性化的直流潮流模型或者只校核几个典型运行场景最大负荷场景、新能源大发场景在确定最终方案后再用前推回代法做精确交流潮流校核。这样既保证了速度又不至于让最终方案在真实的交流潮流下出现严重越限。如果非要全程用交流潮流也有一个技巧把节点导纳矩阵的稀疏分解结果缓存下来不要在每个目标函数调用时重新组装。用scipy.sparse.linalg的求解器可以比逐次迭代快一个数量级。3.4 双目标优化为什么我用NSGA-II双目标优化有很多算法可供选择比如加权和法、ε约束法、NSGA-II等。但加权和法只能得到一个方向上的折中解想得到完整的帕累托前沿需要反复调整权重效率低。ε约束法又需要给其中一个目标设边界主观性较强。所以我选了NSGA-II原因是它通过非支配排序和拥挤度距离一次运行就能得到完整的前沿分布。NSGA-II的核心逻辑用最简化的说法就是while gen max_gen: # 1. 锦标赛选择父代 # 2. 模拟二进制交叉SBX 多项式变异 # 3. 父子合并非支配排序 # 4. 按拥挤度距离裁剪到种群规模 pop np.array(offspring) gen 1在Python里最省事的方案是用pymoo库它已经把NSGA-II封装得比较好只需要用户定义决策变量、目标函数和约束函数。但自己实现一遍NSGA-II也很有价值尤其是让你理解非支配排序到底在干什么不然出了问题都不知道从哪里排查。决策变量的编码方式也值得说。我的做法是混合编码待建线路用0/1二进制变量表示建或不建DG的容量用连续变量表示比如光伏装机在0到3MW之间连续取值。这样既保留了拓扑决策的离散性也兼顾了容量优化的连续性。3.5 最终方案优选帕累托前沿上的拐点跑完NSGA-II之后会得到一批非支配解。每个解都对应一套网架方案和DG配置互有优劣谁也不能在不牺牲另一个目标的情况下胜出。那最终设计院里到底用哪一套我常用“拐点法”和“距离理想点法”。距离理想点法的做法是先找到两个目标的各自最小值组成理想点然后把每个帕累托解到理想点的欧氏距离算出来距离最小的就是折中解。这里有一个特别容易踩的坑经济性目标的值通常是百万级EENS可能是几十MWh两个数量级差太多直接算距离的话距离完全被经济性主导挑出来的“折中解”其实还是经济最优方案。所以必须先把两个目标各自归一化到[0,1]区间再算距离。这个细节很小但直接决定方案选择结果是否合理。4. 经济性与可靠性的权衡规律解读4.1 帕累托前沿通常不是曲线而是一段折线跑完这个项目后最有成就感的一步是画出帕累托前沿。横轴是年度综合费用纵轴是EENS。前沿几乎都是下凸形态从左下到右上延伸含义是在低投资水平下稍微增加一点预算EENS会大幅下降这对应着“补强关键线路”“加装联络开关”这类性价比极高的措施但到了高投资水平继续增加投入EENS改善幅度非常小因为该建的都已经建了剩下能做的只有把线路截面再加大一档、把DG容量再往上提这些措施边际效益很低。这里最值得注意的规律是帕累托前沿斜率发生明显变化的那一段就是工程上性价比最高的区间。如果这个项目有上级可靠性指标要求对应的EENS值往往也能映射到曲线上某个点那个点就是“满足指标的前提下最省钱”的方案。4.2 分布式电源的接入位置比装机规模更影响可靠性通过几组对比实验我发现一个很反直觉的现象DG的总装机规模并不是影响可靠性的第一要素接入位置的影响更显著。同样是增加2MW光伏接在馈线末端时末端负荷的供电可靠性大幅提升EENS改善明显接在变电站附近时因为电能本来就从变电站往负荷侧输送DG只是少走了几公里对整个系统可靠性的贡献很小但网损改善更明显。所以规划的时候不要只盯着“装多少”更要看“装哪里”。这也是为什么决策变量里DG选址的离散变量比容量连续变量更让优化算法头疼——因为它对目标函数的影响带有很强的非线性种群里早期个体可能一直在末端和首端之间摇摆。4.3 可靠性约束何时该从目标变约束我前面说的是双目标建模但实际工程里还有一种常用做法把可靠性要求写成硬约束比如“系统年缺供电量不能超过20MWh”然后只做经济性单目标优化。两种建模方式不存在绝对优劣更多是使用场景的差异。如果决策者对可靠性价值没有明确的货币化度量双目标建模更合适因为最后前沿上所有方案都是可选方案把决策权交给人。如果上级已经有明确的可靠性指标红线那就直接把这个红线写成约束把目标聚焦在经济性上不仅计算量小一半而且结果容易落地。我建议研究阶段先用双目标做全局探路工程化阶段再根据红线约束简化成单目标这样既全面又高效。5. 常见问题与排查技巧实录做一个这种规模的Python工程不踩坑是不可能的。我把项目里遇到的典型问题整理成了一张速查表方便后来者直接对照排查。问题现象排查思路解决建议邻接矩阵不对称拓扑搜索结果错乱构建函数里只赋值了一次忘记反向赋值在构建时同步更新adj[i,j]和adj[j,i]EENS计算结果为零故障移除后没正确更新图或失负荷判断逻辑有误单独抽一个单故障场景逐步打印各节点连通状态潮流计算不收敛节点存在孤岛或初始电压给得太差先检查连通性再换用直流潮流或增大迭代次数优化迭代速度极慢目标函数里重复构建图、重复计算矩阵分解把图结构、导纳矩阵缓存到全局变量目标函数只做增量修改帕累托前沿形变解集中在一端两个目标没有归一化或种群规模太小将目标归一化后再计算拥挤度和距离加大种群到100以上数据单位混乱投资成本算失真kW、MW、kVA混用导致数值相差1000倍全项目统一用MW和MVA或者在读数据入口统一转换并断言校验除此之外还有几个经验性的技巧第一先跑单目标再跑双目标。比如先把可靠性约束放一边单独验证经济性优化模块能否收敛到可信结果再单独跑纯可靠性评估看EENS数值是否合理。两部分都验证通过了再合并成双目标。很多新手一上来直接跑双目标出了问题根本分不清是优化器的问题还是评估函数的问题。第二Python环境建议直接用Miniconda或Anaconda建一个虚拟环境只需要numpy、pandas、scipy、networkx、matplotlib这几个库。matplotlib用来画帕累托前沿图networkx用来做网络分析。环境配置本身不要花太多精力也不要在一台机器上同时混装多个Python版本项目根目录放一个requirements.txt其他人一条命令就能复现环境。第三numpy的向量化操作非常值得花时间学习。项目里很多内层循环本质上是在遍历元件和节点如果直接用Python的for循环处理几万次迭代速度会慢到让人怀疑人生。改成numpy的数组运算之后同一个计算过程往往快几十倍。这也是为什么这个项目的核心数据结构用pandas和numpy而不是纯Python列表。6. 写在最后压箱底的几条实操体会项目做完以后我自己分析了一下最耗时间的其实不是算法而是前期的数据整理和参数标定。比如分布式光伏的时序出力曲线、负荷的年时序曲线、各类线路的单位造价和故障率这些数据来源不同、单位不同、口径不同整理起来比想象中麻烦得多。强烈建议项目一开始就建立统一的数据库结构把所有原始数据清洗成固定格式的CSV文件之后无论做规划、做可靠性还是做画图都直接读这些文件。最后再分享一个小朋友特别容易忽略的技巧在最终选择帕累托前沿上的折中解时一定要先归一化两个目标再算距离否则经济性这个“大数”会完完全全把可靠性这个小指标压没导致选出的所谓折中解其实就是经济最优解。我第一次跑完就没注意结果挑出的方案EENS惨不忍睹排查了一整天才发现是归一化的问题。这个项目整体做下来我对混合配电系统规划的理解比纯看文献时深了一个层次。规划不只是公式推导和数学变换更是一个“模型-算法-数据-工程校验”闭环的工程问题。如果后面有人想继续做我建议在两个方向上延伸一是把序贯蒙特卡洛整合进框架做更精细的时序可靠性评价二是引入多场景随机优化考虑风光出力的不确定性。两者都有挑战但也都是目前电网规划领域真正有价值的研究方向。
