开头

在配电网规划这个方向折腾了几年，一个特别明显的趋势是：现在的“配电系统”早就不是传统意义上那种单电源、辐射状、只负责传电的末端网络了。大量分布式光伏、风电、储能、EV充电桩甚至柴油应急电源接入后，系统变成了一种“混合电源+多形态负荷”的复杂网络。规划这类系统时，如果只盯着经济性，很可能算出一个投资最低的方案，但一到极端天气或者设备故障场景，可靠性惨不忍睹；反过来如果只追求高可靠性，成本又会成倍往上翻，项目根本批不下来。

所以这几年圈子里最常用的做法，就是做基于经济与可靠性双目标的混合配电系统规划。两个目标一起优化，通过Python可以完整落地。Python生态里的pandapower负责潮流计算、numpy/pandas处理数据、pymoo跑多目标进化算法，基本能把“规划+可靠性评估+双目标优化”整条链路打通。

这篇文章我会从一个可复现的角度拆开讲：混合配电系统规划到底在优化什么、可靠性怎么嵌入规划模型、Python代码结构怎么搭，以及我在实际跑数时踩过的坑。适合正在做配电网规划方向的学生、刚接触综合能源系统规划的工程师，以及想用Python替代传统商业仿真软件做研究的朋友。

1. 问题拆解：混合配电系统规划到底在优化什么

1.1 什么是混合配电系统

先明确边界。混合配电系统的“混合”通常指两个层面：

一是电源侧的混合。系统里不只有上级变电站提供的传统电力，还有分布式光伏、分布式风电、燃气轮机、储能装置等。不同类型电源的出力特性差异很大：光伏中午大发、晚上归零；风机随风速波动；储能既能充电又能放电，相当于多了个“时间搬移”的工具。规划时要在什么节点接入什么类型的电源、接入多大容量、储能配在哪，这些都是决策变量。

二是网络结构层面的混合。传统配电网多为单电源辐射状，一根线路从头串到尾，某个开关跳闸，下游全黑。现在规划常常要引入“多分段多联络”的结构，甚至形成弱环网，让故障时部分负荷能从其他馈线转供。不同拓扑下，同样一套设备的供电可靠性差异非常大。

把这两层叠加起来，规划问题的复杂程度就上来了：既要做电源选址定容，又要做网架结构优化，还要考虑系统运行方式的约束。这种多变量耦合的问题，靠手工试算是完全不现实的，必须靠建模加算法求解。

1.2 为什么是“双目标”，而不是直接加一个权重

这是很多初学者最困惑的地方：为什么不能把可靠性折算成钱，和目标成本合并成一个单目标？

理论上可以，工程上也确实有人这么干——把用户停电损失定义为“缺供电量×单位停电损失费用”，然后加到总成本里。但这么做有很实际的问题：

• 单位停电损失费用很难定准。居民、商业、工业用户的停电损失差异可能相差一个数量级，而且不同地区、不同场景取值争议很大。
• 把目标合并成单目标后，其实是在人为指定两个目标之间的“汇率”，但规划者往往不确定这个汇率应该定多少。
• 单目标优化只能给一个“最优解”，但实际项目评审中，决策者更需要的是一组“方案套餐”：哪个投资最低但可靠性一般、哪个可靠性高但贵多少、有没有中间选项。

双目标优化的输出是一条Pareto前沿。前沿上的每个方案都不被另一个方案完全支配——想要更好的可靠性，就必须付出更高的成本；想压缩成本，就得牺牲一部分可靠性。最终选谁，取决于决策者的偏好和项目预算。这个框架，比强行合并成单目标要合理得多，也是论文和实际工程中都比较认可的思路。

1.3 规划中的决策变量与约束条件

在模型层面，规划问题需要明确决策变量和约束。我整理一个自己常用的模型框架：

对应的约束条件包括：

• 潮流方程约束（节点功率平衡）
• 节点电压上下限（比如0.93 p.u.到1.07 p.u.）
• 支路容量约束（线路不能过载）
• 储能充放电功率与SOC约束
• 分布式电源渗透率约束（避免反向潮流过大）
• 可靠性最低限值（如SAIDI不能超过某个阈值）

这些约束在优化算法里，有的可以通过潮流计算直接检验，比如电压和过载；有的则需要单独建模，比如储能SOC的动态变化。Python实现的时候，比较简便的做法是把不满足约束的个体直接通过罚函数淘汰，或者用修复策略强制拉回可行域。

2. 可靠性评估：核心指标与嵌入规划的方法

2.1 可靠性指标选哪些

配电系统可靠性评估的经典指标主要有三个：

• SAIFI（系统平均停电频率指标）：单位用户年停电次数的平均值，反映“多久停一次”。
• SAIDI（系统平均停电持续时间指标）：单位用户年停电小时数的平均值，反映“每次停电要停多久”。
• ENS / EENS（失电量 / 期望失电量）：系统因故障而损失的电量，反映停电对供电量的实际影响。

在双目标规划里，我个人更倾向直接用EENS作为可靠性目标，而不是SAIFI或SAIDI。原因很简单：EENS和“停电损失”挂钩最紧密，而且和成本目标不是同一个量纲，做Pareto前沿更直观。SAIFI、SAIDI则可以作为约束或辅助校验指标。比如某个候选方案虽然EENS很低，但如果单个停电事件时间过长，可能违反用户对最长停电时长的要求，这种情况就需要用SAIDI卡一下。

2.2 可靠性评估的主流方法

配电网可靠性评估的方法可以分三类：

故障模式与后果分析法（FMEA）。这是最经典也是工程上最常用的方法。思路是枚举系统中每一个元件（线路、变压器、开关）的故障，分析它对下游负荷点造成的影响，然后累加所有故障事件的影响，算出系统级指标。优点是原理透明、速度极快，适合规划阶段的成百上千次方案评估；缺点是需要人工/程序生成故障事件表，对含分布式电源和储能的系统，还要额外分析孤岛运行状态，逻辑会复杂不少。

最小割集法。本质上是把FMEA自动化：找出系统失效的最小割集组合，再通过故障概率计算系统的不可用率。适合拓扑比较复杂的网状网络，但建模门槛高，代码量也大。

序贯蒙特卡洛模拟。按时间序列模拟元件运行和故障状态，比如模拟8760小时或10000年的运行过程，统计停电事件。好处是能精细刻画储能充放电策略、光伏随机出力、负荷时序变化对可靠性的影响；坏处是计算量非常大。内层跑潮流、外层跑模拟，容易让整个规划算法慢到无法接受。

在双目标规划的大框架里，我的建议是：外层优化迭代用FMEA或解析法，对最终选出的几个Pareto方案再做一次序贯蒙特卡洛精细校验。这种“粗筛+精验”的组合，速度和精度都能兼顾。

2.3 怎样把可靠性评估嵌入规划循环

这里有一个新手特别容易忽略的点：可靠性评估不能放在规划优化结束后再补一次，必须嵌入规划循环内部。因为网架结构、电源位置、储能容量都会直接决定故障后的转供能力和孤岛运行范围，如果最后才算可靠性，优化过程就完全没有“可靠性视角”，算出来的最优方案很可能在可靠性维度上非常差。

我实际采用的流程是：

1. 种群个体对应一组决策变量（线路开关状态、DG容量、储能配置）。
2. 根据个体方案修改电网模型，调用潮流计算。
3. 如果潮流收敛且电压/容量约束通过，再执行可靠性评估。
4. 输出成本目标和EENS目标，返回给优化算法。

这样整个优化过程里，每个个体都经过“潮流+可靠性”两层校验，Pareto前沿上的每个解都是通过潮流可行的。代价是单次评估时间增加，所以外层算法要选得对、并行化要做得好。

3. Python实现：从数学模型到可运行代码

3.1 为什么要选Python生态

做配电网规划，传统工具是商业软件如DIgSILENT、CYME，或者自己写MATLAB程序。但Python这几年在科研和工程中的应用越来越广，主要原因有三：

一是pandapower这个库实在太方便了。它建立在pandapower内部的电力系统元件模型之上，可以很方便地搭建配电网拓扑、修改元件参数、跑潮流计算，不需要自己写导纳矩阵和牛顿-拉夫逊迭代。而且它对IEEE标准算例系统有内置支持，比如IEEE 33节点、123节点等，省掉了手工输入数据的大麻烦。

二是多目标优化算法库成熟。pymoo实现了NSGA-II、NSGA-III等主流多目标进化算法，接口规范，自定义问题和遗传算子都很灵活。如果自己从头写NSGA-II，至少几百行，还容易出bug。

三是数据处理和可视化的配套太全。pandas整理结果、matplotlib画Pareto前沿、numpy做矩阵运算，几乎不需要额外开发工具。

环境配置其实非常简单，三行命令的事：

pip install numpy pandas matplotlib pip install pandapower pip install pymoo

建议用Python 3.8以上的版本，我用的3.9和3.11都能稳定跑通。如果你之前没装过Python，记得安装时勾选“Add Python to PATH”，不然后面命令行无法直接识别python，这是个很低级但频率极高的坑。

3.2 双目标优化算法选型

在Python里实现双目标规划，最常用的算法是NSGA-II。它的核心思路是：通过非支配排序把种群分成不同Pareto层级，同时用拥挤度距离保持解的多样性，再配合选择、交叉、变异生成新一代种群。

NSGA-II能够一次运行输出尽可能多的Pareto前沿点，很适合分析“成本-可靠性”的权衡关系。还有一个替代方案是epsilon约束法：先单独优化经济性目标，然后把可靠性作为约束逐步收紧，跑多个单目标问题后合成Pareto前沿。这个方法在解空间较小或约束复杂时更稳定，但需要反复求解，计算量也很大。

在pymoo中，我一般用NSGA-II配合SBX交叉和多项式变异。种群大小可以设置在50到100，进化代数200到300代。下面是一个自定义问题的骨架：

from pymoo.core.problem import Problem import numpy as np import pandapower as pp import pandapower.networks as pn class DistributionPlanningProblem(Problem): def __init__(self): # 决策变量说明： # x[0]: 联络开关状态（0-1整数） # x[1:3]: 光伏接入容量（连续） # x[3:5]: 储能功率（连续） # 实际项目中按自己的决策变量维度改这里 super().__init__( n_var=5, n_obj=2, xl=np.array([0, 0, 0, 0, 0]), xu=np.array([1, 2, 2, 1, 1]), ) def _evaluate(self, X, out): costs = np.zeros(X.shape[0]) eens = np.zeros(X.shape[0]) for i, x in enumerate(X): costs[i], eens[i] = evaluate_solution(x) out["F"] = np.column_stack([costs, eens])

3.3 目标函数怎么算：成本与EENS

经济性目标的计算公式通常是：

C_total = C_inv + C_om + C_loss + C_purchase

其中C_inv是设备投资年化费用（线路建设、DG设备、储能设备等，按使用寿命折算到每年）；C_om是运行维护费用；C_loss是网损折价；C_purchase是向上级电网购电的费用。这些每一项在代码里都比较直接——单位造价乘以容量再加固废，网损由潮流结果乘以电价得出。

可靠性目标的计算逻辑是：在某个故障场景下，识别停电负荷点集合，统计停电影响户数和失电量。对于每个故障事件k，如果它导致负荷点j停电，且停电持续时间为t_k，那么EENS的累加式是：

EENS = Σ_k λ_k × P_j × t_k

其中λ_k是元件k的故障率（次/年），P_j是该负荷点的平均负荷功率。这个公式本质上就是FMEA的数学表达，代码实现起来很省力。

3.4 可靠性评估代码的实用写法

我用pandapower实现FMEA可靠性评估，核心代码如下：

def evaluate_reliability(net, fault_rate_dict, load_p_mw_dict): # 遍历所有可选故障元件 total_eens = 0.0 total_saidi = 0.0 total_users = 0.0 for element, rate in fault_rate_dict.items(): # 断开故障元件 pp.run_temporary_disable(net, element) # 潮流计算，识别失电节点 try: pp.runpp(net) # 找出电压越限的负荷节点 lost_loads = identify_lost_loads(net) except: # 潮流不收敛通常意味着大面积失电 lost_loads = all_load_buses(net) # 累加EENS for bus in lost_loads: total_eens += rate * load_p_mw_dict[bus] * outage_duration_h # 恢复网络 pp.run_temporary_restore(net) return total_eens, total_saidi

有几处细节必须提示：

• pandapower里run_temporary_disable/run_temporary_restore是成套使用的，别只disable忘了restore，否则网络状态污染，后面所有元件评估都会错。
• 潮流不收敛很多时候不是网络真“死”了，而是初值不好或并联电容器控制策略导致迭代发散。要区分“潮流计算失败”和“系统失电”两种情况，否则EENS会被高估。
• 负荷点的平均功率建议用年负荷曲线折算，而不是用峰值负荷。用峰值算出来的EENS会严重偏高，这个误差在目标函数里会被放大。

4. 算例演示：用IEEE 33节点系统跑双目标规划

4.1 算例系统构建

这里我以IEEE 33节点系统为例，它是配电网规划领域最常见的标准算例：33个节点、32条支路、1个根节点，基准电压12.66 kV，总负荷约3.7 MW。pandapower里有现成数据：

net = pn.create_ieee33_bus()

在基础网络上，我加了几处规划候选位置：

• 节点8、节点24、节点30可接入分布式光伏，单点容量上限1 MW。
• 节点14和节点29可配置储能，单点功率上限0.5 MW、容量上限2 MWh。
• 增加两个联络线候选：8-21、9-15，用于故障转供。

这样就构成了一个带有DG、储能、可调节网架的小型混合配电系统。决策变量一共是：2个联络开关0-1变量 + 3个光伏容量 + 2个储能功率 = 7维向量。

4.2 优化参数设置与运行结果

我用pymoo的NSGA-II做双目标优化，种群大小80，迭代300代，目标函数就是总成本（万元/年）和EENS（MWh/年）。跑完后把Pareto前沿画出来：

from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.operators.crossover.sbx import SBX from pymoo.operators.mutation.pm import PM from pymoo.optimize import minimize algorithm = NSGA2( pop_size=80, crossover=SBX(eta=15, prob=0.9), mutation=PM(eta=20), ) res = minimize(problem, algorithm, ('n_gen', 300), seed=1, verbose=True)

结果典型的形态是一条“L型”曲线：左边是最小成本方案，EENS较高；随着成本增加，EENS快速下降；但在曲线的右下段，再增加很多投资，可靠性提升已经很小。这就是经济学上说的“边际递减效应”，在配电网规划里表现得极其明显。

对项目实际决策来说，这条曲线最有用的信息是拐点：拐点之前的投入能“花小钱办大事”，拐点之后继续砸钱换可靠性就不划算了。如果有预算上限，也可以直接把预算约束画在图上，找交点处的方案。

4.3 从Pareto前沿到底选哪个方案

很多同学跑完双目标优化，拿到一整个前沿就不知道怎么汇报了。这里分享一个很实用的偏好选点法——TOPSIS：

1. 对Pareto前沿上的所有解，按成本和EENS分别做归一化。
2. 定义理想点（两个目标都最小）和负理想点（两个目标都最大）。
3. 计算每个解到理想点和负理想点的欧氏距离，取贴近度最大的解作为推荐方案。

还有一种更简单的“拐点法”：在Pareto前沿上取每个点，计算它到两个端点连线的距离，距离最大的那个点通常就是性价比最高的折衷解。

我自己在论文和项目报告中，一般会把“纯经济最优”“纯可靠最优”和“折衷推荐”三个方案并列展示，分别列出投资、年运行成本、EENS、SAIDI这几个核心指标。这样评审人一眼就能看懂权衡关系，不会觉得你在给他一个“黑箱答案”。

5. 常见问题与排查技巧实录

5.1 潮流总是不收敛，怎么排查

这是最大概率会遇到的问题，而且原因多种多样。

第一步看元件参数。pandapower中等值线路的r_ohm_per_km、x_ohm_per_km、c_nf_per_km这几个参数是否合理。参数填错（比如数量级搞混）会导致整个网络阻抗异常。

第二步看电压初值。含大量DG接入的弱网络，用牛顿-拉夫逊很容易因为初值不佳发散。这时候可以先用pp.runpp(net, algorithm='iwamoto_nr')试试，或者在pandapower里把电压初值设为0.98~1.02 p.u.再算。

第三步，如果加了储能的充放电控制，注意储能元件在潮流模型里是PQ节点还是PV节点。储能按恒功率充电/放电时是PQ节点，如果按电压控制模式则要考虑无功支撑能力，初值不对也容易发散。

一个排查技巧：把DG容量逐步从0加到目标值，每一步都跑一次潮流。哪个节点加到一定数值发散，问题就出在哪。

5.2 可靠性评估慢得让人崩溃怎么办

如果用的是序贯蒙特卡洛，在规划算法里循环几千次，时间开销几乎是灾难性的。我的解决思路是分层评估：

• 在优化循环内部用FMEA解析法，计算速度毫秒级，精度对方案筛选足够；
• 对最终选出的3到5个Pareto方案，再做一次序贯蒙特卡洛精细验证，模拟年限取2000到5000年，算出更精确的SAIFI、SAIDI和EENS。

另一个加速办法是故障事件预生成。对同一个网络结构，故障元件集合是固定的，只把负荷水平和DG出力作为变量。可以提前枚举好所有故障场景，在优化循环内只查表累加，不重复跑潮流。我实测下来，这个优化能提速20倍以上。

5.3 NSGA-II跑出来的Pareto前沿质量差

现象一般是两类：前沿点太少，或者前沿点分布不均匀。

前沿点太少，大概率是种群数量不够。建议按决策变量维度的5到10倍设置种群大小。7维决策变量，pop_size至少70，我通常用100。

分布不均匀，常见原因是交叉变异参数没调好。SBX的eta参数控制子代离父代的远近，eta越小子代分布越散，越大越聚集。如果发现前沿只集中在一个小块，试着把eta从15调小到10；如果太散导致收敛差，就调大到20。多项式变异的eta也是同理。

还有一个容易被忽略的问题：如果两个目标函数的数值量纲差距巨大（比如成本是百万级别，EENS只有几十），需要对目标做归一化处理。pymoo里可以通过ref_point或标准化函数处理，否则NSGA-II的选择压力会一边倒。

5.4 Python环境配置相关的避坑

这部分给刚入门的读者。网上热搜里关于Python安装、numpy库安装的提问特别多，实际就三件事：

第一，Python环境变量。Windows安装时勾选“Add Python to PATH”，否则python命令找不到。如果已经装完发现不能用，手动把C:\Users\你的用户名\AppData\Local\Programs\Python\Python39\和同目录的Scripts\加进系统PATH，重新打开终端就好。

第二，包安装失败。pip install pandapower如果速度极慢或报错，换成国内镜像源：

pip install pandapower -i https://pypi.tuna.tsinghua.edu.cn/simple

第三，numpy版本冲突。pandapower对numpy的版本有一定要求，如果pip install把numpy升到过新版本导致pandapower报错，可以用pip install "numpy<2.0"回退版本。我自己的环境是numpy 1.26.4，非常稳。

结尾

最后分享一点个人体会。双目标规划这种工作，代码本身不是最难的，难的是把电网物理逻辑“翻译”成优化模型时别偷懒。比如可靠性评估里每个故障场景是否真的识别对了停电范围，储能孤岛运行策略和故障时序是否一致，这些细节如果没捋清楚，不管算法多高级，出来的结果都是错的。

我一开始跑这个课题的时候吃过一次大亏：FMEA评估里把“故障元件上游”和“下游”的失电范围搞反了，导致EENS被严重高估，整个Pareto前沿直接往错误方向偏移。后来耐着性子把所有故障场景手算核对了一遍，才发现是转供逻辑写反了。

所以给想做类似项目的朋友一个建议：拿到任何一个新算例系统，先用一个小网络（比如3节点或5节点）手算验证你的代码结果，确认无误后再上标准33节点、123节点系统。这个“先小后大”的习惯，能帮你省下大量调试时间。多目标规划是个越做越有意思的领域，把成本和可靠的权衡讲清楚，无论在学术还是工程上都是特别值钱的能力。