半年前我接手一个县级配电网的扩建规划用的还是老一套最小投资模型结果方案被业主方退回来三次。头一次只压投资电网公司问“停电时间多少”第二次加了个N-1约束把所有走廊都按最大型号扩容预算超了百分之三十直到我把经济性和可靠性拆成两个目标在Pareto前沿上挑出一组方案才开始被认可。以我自己的经验混合配电系统规划从来不是一个“算出最优解”的问题而是一个“在风险和成本之间找出可接受解集”的问题。这篇文章就聊一聊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思路以及我整个Python代码实现过程中踩过的坑、验证过的方法、积累的数据上的体会。适合正在做配网规划项目的工程师、写相关论文的研究生以及想用Python把电网拓扑优化和可靠性仿真串起来的人。1. 混合配电系统规划为什么“省钱”和“可靠”必须放在同一个模型里1.1 所谓“混合”到底混了什么很多同行一看到“混合配电系统”这个说法第一反应是“交流直流”。实际工程中这个词的覆盖面宽得多。我接触的项目里至少见过三种形态传统辐射网接入分布式光伏、风电和储能的多馈线网络含联络开关、能被上游变电站转供电的“辐射多联络”复合网架还有通过电压源型换流器把直流线路嵌入交流配电网的交直流混合系统。这几种形态的共同点是供电拓扑不再单一电源不再只来自变电站母线运行方式存在大量不确定性。因此规划的约束和评估维度都要比传统单辐射配电网复杂很多。论文或项目标题里写“混合配电系统规划”大多数情况下就是指这类含分布式电源、储能和联络通道的复合配电网规划。1.2 单目标规划的盲区最便宜的方案往往最贵我刚做这类项目的时候第一版模型目标函数只有“年度综合费用最小”包括线路建设、DG投资、运维和网损。优化出来的方案确实便宜但它把新增负荷全部压在了少数几条主干线上末端电压贴近下限任意一条中压馈线故障下游一大片负荷停电。整个方案在“正常运行”工况下看起来没问题一旦遇到故障或检修风险就暴露得干干净净。这让我意识到一个关键点配电系统规划和输电网规划有本质区别。配网故障离用户更近供电可靠性直接对应到用户侧的停电时户数。省下来的一段电缆钱在停电损失里可能翻几倍还回去。这就是单目标规划最典型的盲区——它把“未来可能发生的故障事件”默认成了零成本。实际上从全寿命周期角度看一个可靠性的微小改善往往比一次重大停电的经济价值更可观。1.3 双目标优化的实质不是找唯一最优而是给出决策序列为什么双目标比单目标更贴合工程实际因为经济性和可靠性之间天然存在对抗关系。你多花一千万新建联络线可靠性指标确实会变好但经济性变差你不花这笔钱指标反过来。这种问题不存在一个解在所有维度上都碾压其他解只存在一个Pareto最优解集在解集中改善经济性必然牺牲可靠性改善可靠性必然增加成本。工程师真正的价值恰恰在于把这一整条“成本—可靠性”曲线交给决策者让决策者根据投资上限、可靠性考核指标和负荷重要性去选点。这个思路几乎适用于所有配电网扩建规划项目也特别适合写成论文——目标清楚、方法标准、结果可以可视化。它的输出不再是一个武断的“最优解”而是一组有工程解释的候选方案决策过程也变得透明。2. 双目标数学模型决策变量、目标函数与约束条件的工程化设计要把问题交给Python第一步就是把工程语言转成数学语言。这里有两个原则一是决策变量必须对应真实工程操作二是目标函数能算、可比、可解释。2.1 决策变量怎么定义规划问题里决策变量就是规划人员要“决定”的东西。我一般把这类项目的决策变量分成三类决策变量含义类型x_l ∈ {0,1}是否新建/升级馈线线路 l含路径选择、导线型号0-1整数P_PV,i、Q_PV,i节点 i 接入光伏的额定容量连续P_ESS,i、E_ESS,i节点 i 储能额定功率和额定容量连续y_DG,i ∈ {0,1}是否在节点 i 建设分布式电源0-1整数这里有一个经验分布式电源和储能的“是否建设”与“建设多少”要分开建模。原因很简单混合整数非线性规划的求解难度与0-1变量数量高度相关。如果每个节点只能装固定容量那直接一个0-1决策就够了如果需要选容量等级就得再加一组离散档位变量解空间瞬间膨胀。我通常先做灵敏度分析确定哪些节点值得装再把这些节点的容量设成连续变量能省掉大量无效解。另外还要注意变量之间的耦合关系。比如储能只能建在有DG接入的节点时就需要加逻辑约束 y_ESS,i ≤ y_DG,i否则优化器会在一个无电源节点凭空放一套储能结果无法工程实现。2.2 经济性目标函数把钱算清楚经济目标建议用“全寿命周期等年值费用”而不是一次性总投资。原因在于DG和线路的寿命不同光伏25年、电缆30年、储能可能只有10年。如果直接把总投资相加模型会天然偏好短期便宜、寿命短的设备。我采用等年值法f_econ r_a × (C_inv C_OM) C_loss其中C_inv是折现到建设年的总投资C_OM是年运维成本C_loss是网损年费用r_a是资金回收系数。网损年费用按下式计算C_loss 8760 × c_elec × P_loss_avg这里的P_loss_avg需要用典型年曲线的时序潮流算出来不能用一个峰值负荷代替。我第一版建模时就偷懒用了最大负荷时段的网损结果经济目标被严重高估优化方案里网损排序全乱后来换成典型日曲线取加权平均才正常。关于停电损失C_ENS要不要放进经济目标这里有个容易踩的坑。如果把它放进经济目标实际上就是一种“经济化可靠性”的单目标思路把可靠性按停电损失单价折算成钱如果同时又把ENS单独当作第二目标两个目标就不是真正独立的等于暗中给两个目标绑定了线性权重Pareto前沿会扭曲。我的做法是优化阶段经济目标只含投资/运维/网损可靠性目标用ENS最后在方案比选阶段再用停电损失费用做一次整体评估。这样模型干净解释也清楚。2.3 可靠性目标函数为什么我选ENS可靠性指标有SAIFI、SAIDI、CAIDI、ENS等都能刻画“可靠程度”。在多目标优化里我建议把ENS期望缺供电量作为第二目标函数。原因有三点第一ENS是能量量纲单位是MWh/年在数值上与投资费用可比画Pareto图时两个坐标轴量纲不会差出好几个数量级第二ENS天然与停电损失费用线性相关后续做经济评估时衔接很顺第三ENS能直接反映“故障期间有多少负荷被削减”对电网公司来说这个数字比停电次数更好理解。ENS并不能完全替代SAIFI和SAIDI因为它们刻画维度不同。我的做法是优化阶段以ENS为第二目标函数方案输出后再用SAIFI、SAIDI做一次离线核算用来填电网公司的可靠性考核表。这样在优化器里模型简洁在工程报告里指标全面。2.4 约束条件里最容易写漏的三个东西建模时约束条件决定优化结果是否可信。我吃过亏的地方有三个第一是潮流平衡约束。配电网常用DistFlow模型描述有功、无功注入与支路流量的关系以及电压降方程。在优化阶段我坚决用线性化DistFlow不要直接上完整交流潮流否则求解时间完全失控。线性化后的精度在规划阶段完全够用最终方案的精确校验再交给完整潮流工具。第二是辐射状结构约束。正常运行状态配电网要求开环运行拓扑必须是无环连通图。数学上常用 |E| |V| - 1 加连通性约束表达。但注意这个约束拆开写才有效只写边数关系不写连通优化器会构造出“有环但有孤岛”的图只写连通不写边数又可能自动闭合联络线。两点必须同时成立。第三是N-1安全约束。任意一条线路故障退出后系统仍能通过转供保证不失负荷或者切除负荷在允许范围内。这个约束最严格也最消耗计算资源通常不会原样写成显式约束而是在评估阶段对每个候选方案做N-1校验违反的用罚函数或舍弃处理。还有一个细节经常被忽略电压约束不能只看稳态下限。DG出力高峰且负荷低谷时可能出现功率倒送电压不是偏低而是偏高。我初版模型只加了电压≥0.95 p.u.的下限约束跑出来的方案在仿真中被巡检出大量过电压节点。现在我的模型一律写作 0.95 ≤ V_i ≤ 1.05 p.u.并且用风光出力典型场景分场景校验。3. 可靠性评估从指标到序贯蒙特卡洛模拟模型建好之后下一步就是怎么算出ENS。这一步是整个项目技术含量最高的地方也最考验工程判断。3.1 四个核心指标先厘清指标定义公式含义SAIFI系统平均停电频率总停电用户次数 / 总用户数SAIDI系统平均停电持续时间总停电用户小时 / 总用户数CAIDI用户平均停电持续时间SAIDI / SAIFIENS期望缺供电量所有故障场景下损失电量期望规划阶段我主要盯ENS校验阶段再核算SAIFI/SAIDI。这里要特别提醒SAIFI和SAIDI的计算需要知道每条馈线上的用户数。有些项目资料只有负荷功率没有用户数此时只能用ENS或AENS做目标避免口径不一致。3.2 解析法为什么在混合配电系统里不够用最早的可靠性评估常用故障枚举法把每条线路、每台变压器的故障事件列出来算出故障概率、负荷削减量再求和。这个方法在单一电源、单一辐射网络里非常好用因为故障影响范围清晰。可一旦网架含DG、储能、联络开关情况就变了储能充放电行为与故障发生时刻强相关光伏出力随时间变化联络转供需要设备动作时间这些已经不再是“事件概率相乘”能准确刻画的。解析法状态数量随元件数指数膨胀几十条线路就够呛更别提时序相关性。3.3 序贯蒙特卡洛模拟的正确打开方式我实际采用的是序贯蒙特卡洛模拟。核心思想是在时间轴上模拟每个元件的“正常—故障—修复—正常”循环让系统逐年、逐小时演化统计停电事件最后用多年的平均结果估计可靠性指标。具体步骤如下设置仿真时钟按小时步长推进一般按8760小时/年。对每个元件馈线段、变压器、断路器抽取首次故障时刻TTF。找出最早故障元件将时钟推进到该时刻。判断故障影响隔离故障区段后哪些负荷可以被转供哪些负荷必须切除。若负荷被切除累计停电时户数和缺供电量同时抽样该元件修复时间TTR。该元件修复后网络恢复循环回到步骤2直到达到仿真年限。这里最花时间的是步骤4的“影响分析”。在只有十几条支路的小算例里每步甚至可以用networkx的连通性判断完成到了真实规模就必须对每个时间步做潮流和电压约束校验性能会急剧下降。我在第5节会专门讲提速方案。Python侧的采样代码本身很简单核心就几行import numpy as np def sample_ttf(failure_rate_per_year, t_now): # 指数分布元件平均无故障时间 1/λ年 # 输入λ单位是次/年输出为小时 return t_now np.random.exponential(365 * 24 / failure_rate_per_year) def sample_ttr(mttr_hours): # 修复时间分布工程上常用指数分布近似 return np.random.exponential(mttr_hours)真正复杂的是“怎么把故障事件连成时间流”和“故障后的负荷削减逻辑”这两部分必须在网络拓扑数据结构上做文章而不是靠简单循环。设备切换动作时间在月级长周期模拟中通常小于1小时所以中压配网年可靠性分析按小时步长已经足够。只有做秒级短时可靠性分析时才需要细化联络开关动作时间。3.4 负荷削减判断的两种策略故障后的负荷削减量取决于有没有冗余通道。我的判断分两层快速判断先用networkx判断故障后网络是否依旧连通。如果故障元件两端存在备用通道整个网络仍然连通则可以初步认为不需要切负荷在容量允许前提下。这一步是O(|V||E|)级别非常快。精确判断如果网络虽连通但某些支路过载或电压越限需要做一次线性DistFlow找到需要削减的量。这一步较慢只对少数严重场景执行。这个分层判断能筛掉80%以上的非故障影响场景把蒙特卡洛时间从“不可用”降到“可用”。4. Python实现全链路从拓扑建模到NSGA-II求解与Pareto前沿分析下面进入代码实现的主线。我把整个项目拆成四步拓扑建模、评估函数、优化求解、结果输出。环境依赖很简单pip install numpy networkx matplotlib pymoo就够了。4.1 用NetworkX构建配电网拓扑我最开始用自定义字典存节点和线路代码写起来灵活但后期可靠性模拟处处要查连通性、算路径、找邻居把字典从头实现一遍太痛苦。后来全部改用NetworkX工程效率高一个数量级。构建拓扑的骨架代码import networkx as nx import numpy as np G nx.Graph() # 节点0为变电站其余为负荷或分布式电源节点 G.add_node(0, node_typesource, v_rated10.0) # 10 kV中压配网 G.add_node(1, node_typeload, peak_p2.0) # 峰值负荷2MW G.add_node(2, node_typeload, peak_p1.5) G.add_node(3, node_typepv, cap_p0.8) # 光伏节点 # 线路边属性包括长度、单位阻抗、容量、故障率 G.add_edge(0, 1, length2.1, r0.13, x0.08, cap6.0, fail_rate0.08, mttr5.0) G.add_edge(1, 2, length1.5, r0.13, x0.08, cap4.5, fail_rate0.06, mttr5.0) G.add_edge(2, 3, length1.8, r0.13, x0.08, cap4.0, fail_rate0.07, mttr5.0)这里fail_rate的单位到底是“次/年·公里”还是“次/年·条”非常容易搞混。我的经验是每条线路的故障率单位长度故障率×线路长度km在代码注释里写清楚不然换算例后指标会整体漂移且很难察觉。邻接矩阵在论文里有需求时可用nx.to_numpy_array(G)一行生成。但注意这个矩阵只保留拓扑连通信息不含电气参数。真正的电气计算我建议用边列表加属性的DataFrame处理起来比矩阵直观得多。4.2 优化里不能天天跑全潮流线性化DistFlow配网潮流精确计算有Pandapower这类工具但放在NSGA-II里每个个体跑一年8760小时潮流根本不现实。我在优化阶段用的是线性化DistFlow忽略损耗和电压降的高阶项P_j P_i - p_load,j p_dg,j - p_ess,jV_j V_i - (r_ij × P_ij x_ij × Q_ij) / V_0线性化之后全网电压可以直接用一次矩阵运算序贯推出来def linear_distflow(G, p_inject, q_inject, v01.0): # p_inject节点净注入有功负荷取负、DG取正 # 仅适用于单源辐射网通过后序节点逐个推算 from networkx.algorithms.traversal import dfs_postorder_nodes order list(dfs_postorder_nodes(G, source0)) v {0: v0} for j in order: if j 0: continue # 因为是辐射网j的上一级节点唯一 i next(iter(G.neighbors(j))) v[j] v[i] - (G[i][j][r] * p_inject[j] G[i][j][x] * q_inject[j]) / v0 return v这只是一个简化示意。真正实现要注意后序节点的负荷聚合而且对于含联络开关、存在多馈线的情况辐射状假设不成立这时要退一步用直流潮流近似做N-1校验不必解完整交流潮流。4.3 NSGA-II求解pymoo库的接入方式与骨架代码双目标优化的求解我推荐用pymoo里的NSGA2这是当前Python生态里最省事的多目标进化算法库Pareto前沿的可视化也完整。核心思路是自定义一个Problem类把前两节定义的评估函数放进去from pymoo.core.problem import Problem from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.optimize import minimize class DNPPlanning(Problem): def __init__(self, n_var): super().__init__(n_varn_var, n_obj2, xl0, xu1) # 决策变量归一化 def _evaluate(self, X, out, *args, **kwargs): f1 np.array([self.calc_economic(x) for x in X]) f2 np.array([self.calc_ens(x) for x in X]) out[F] np.column_stack([f1, f2]) algorithm NSGA2(pop_size40, n_offsprings20) res minimize(DNPPlanning(n_var12), algorithm, (n_gen, 50), seed42, save_historyTrue)calc_economic和calc_ens就是前两节定义的评估函数。这里有一个性能关键点_evaluate里不要一个一个循环调用蒙特卡洛尽量向量化或者用多进程并行。我把评估函数设计成传入整个种群内部用multiprocessing.Pool分摊提速非常明显。4.4 Pareto前沿绘制与方案优选优化完成后把结果画出来。横轴是经济性f1万元/年纵轴是可靠性ENSMWh/年每个点是一个规划方案。正常情况下散点会呈现一条左低右高或左高右低的下降带这就是Pareto前沿import matplotlib.pyplot as plt F res.F plt.scatter(F[:, 0], F[:, 1], csteelblue, alpha0.7, s40) plt.xlabel(Annual total cost (10k CNY/yr)) plt.ylabel(ENS (MWh/yr)) plt.grid(alpha0.3) plt.tight_layout() plt.savefig(pareto_front.png, dpi200)方案优选我一般用“拐点法”找前沿斜率变化最剧烈的位置拐点附近的解通常性价比最高——再增加一单位投资可靠性改善已经明显放缓再往后走性价比持续下降。如果项目方有硬性投资上限直接取前沿上不超过预算的最左侧点如果有可靠性考核指标就取满足考核的最小成本点。5. 实测中的坑可靠性仿真时间失控、收敛性与结果可信度代码能跑通只是第一步结果能被项目组信任才算完。我在这套代码上反复调试踩过的坑集中在三个方向。5.1 蒙特卡洛仿真慢到怀疑人生第一版代码NSGA-II迭代50代、种群40总共2000个候选解每个候选解用500年序贯蒙特卡洛评估年步长8760小时。算完一个实验要三天。这不叫优化这叫测试耐心。后来做了四个改动时间从72小时压到4小时左右。第一把评估从“逐年逐小时扫描”改成“事件驱动”。序贯蒙特卡洛不需要每个小时都评估系统状态只在元件状态变化的时间点做网络分析。大量时间步里系统拓扑根本没变重复计算毫无意义。第二故障影响分析用“连通性预筛潮流精算”两级判断快速排除无影响的故障事件。第三对蒙特卡洛抽样精度做动态控制。不是固定500年而是每模拟200年就检查一次ENS的方差系数降到阈值就提前停止。可以用简单的收敛判据β σ / (μ × √N)当β 2%且ENS变化率小于1%时停止既能保证精度又省算力。第四多进程并行。pymoo把候选解分给多个核每个核独立跑自己的评估这是理想并行场景加速比接近核心数。5.2 辐射状约束没写死N-1校验全是违例第二次修改模型时为了让求解器跑得快我把辐射状约束里的“连通性”条件漏了只保留了 |E| |V| - 1。结果优化器很聪明地构造出一堆“有环但边数刚好”的图拓扑看起来满足条件实际存在孤岛。这些孤岛在N-1校验里全部暴雷。解决方式不要在目标函数里软性惩罚要写成硬约束或者干脆在初始化种群时生成合法的辐射状拓扑变异操作限定在“断一边、连一边”的环交换范围内。这样种群从初始阶段就保证连通后期不用补救。生成辐射状连通拓扑的经典方法很朴素先随机生成一个连通图然后用“破圈法”反复删除能形成环的边直到边数等于节点数减一。这样做出来的拓扑天然满足开环运行约束后续优化只需在合法拓扑间做小幅变异。5.3 指标波动大收敛判据与参数兜底早期遇到一个诡异现象同一个算例跑两次ENS结果差了8%。一开始怀疑随机种子问题后来发现是收敛条件设置得过于宽松。改进后我使用5.1节提到的方差系数作为停止条件并要求ENS滑动平均变化率小于1%结果重复运行基本稳定在2%以内。另一个参数敏感性问题是可靠性基础数据。线路故障率、修复时间、联络开关动作时间这些参数在论文里可能是假设值但在工程里必须来自运行统计数据。我建议把所有可靠性参数单独放在一个config.yaml文件里方便换算例、做敏感性分析reliability: line_failure_per_km_year: 0.08 transformer_failure_per_year: 0.02 mttr_hours: 5.0 switch_operation_hours: 0.5计算完成后还要做校验把特定故障场景下的ENS与手工推演的结果比对或者与历史停电统计对照确认模型行为符合实际。6. 最后对想做这类项目的人说几句心里话写到这里主体内容基本讲完了。我个人在这类项目里最大的体会是模型复杂度永远要跟决策精度匹配。给电网公司做规划不要把算法堆到他们不敢用、甚至看不懂的程度。先把单辐射网络的潮流、可靠性串起来再逐步加DG、储能、联络转供每加一层都做一次结果验证。Python这个工具链最大的优势不是哪一步有多高级而是你能把“网络建模—优化求解—可靠性仿真—出图报告”全部打通在一个环境里不用在多个软件之间导数据改一个参数重跑全流程的成本也低得多。还有一个容易被忽略的交付细节最后给业主的图一定要有原始负荷分布、方案网架结构、DG/储能位置、故障后转供路径这几张图如果能把Pareto前沿图和一个对比表格同时给出把经济指标、ENS、SAIFI、SAIDI全部列在一起逻辑闭环就非常完整评审时省很多口舌。如果你正在写类似论文或者刚接手类似项目建议先把基础算例跑通再逐步加复杂度。遇到性能瓶颈优先优化评估函数而不是优化器遇到指标对不上先查元件故障率单位再查网络连通性。这个项目最终交付时一组经过校核的可靠参数和一版可读性良好的代码比任何花哨的算法都重要。