做配電系統(tǒng)規(guī)劃繞不開一個很現(xiàn)實的沖突投資預算有限但供電可靠性指標又年年被考核。這兩件事在多數(shù)時候是矛盾的——多上一臺聯(lián)絡開關(guān)可靠性確實上去了但賬面上多出幾十萬投資少裝一套儲能經(jīng)濟性好看可夏天尖峰時段電壓和停電次數(shù)又不好看。我這兩年一直在做混合配電系統(tǒng)的規(guī)劃項目逐漸摸到一套比較順手的處理方式把經(jīng)濟性和可靠性拆成兩個獨立目標用多目標優(yōu)化算法去跑帕累托前沿再用序貫蒙特卡洛做可靠性評估驗證方案整套流程用 Python 串起來。這篇文章就把這套技術(shù)路線的完整實現(xiàn)邏輯拆開講從數(shù)學模型怎么建、目標函數(shù)怎么量化到 NSGA-II 算法怎么和配電網(wǎng)潮流計算銜接再到最后可靠性評估的代碼怎么寫適合正在做配電網(wǎng)規(guī)劃方向課題的研究生以及想從單一目標優(yōu)化轉(zhuǎn)向雙目標優(yōu)化的工程師參考。1. 雙目標規(guī)劃的源起為什么單一目標在配電系統(tǒng)里不夠用配電系統(tǒng)規(guī)劃的經(jīng)典做法通常是先算負荷預測然后按容量滿足、電壓合格、短路電流不越限這幾個約束條件去做網(wǎng)架方案比選。這個思路本質(zhì)上是在給定可靠性水平下找費用最低的方案也就是把可靠性當成一個固定約束。問題是可靠性到底定在什么水平才算合理這本身就是一個決策問題。你把它當成約束等于預先替決策者把答案藏起來了。我在實際項目里遇到的情況是供電公司通常有一個明確的可靠性考核指標比如年戶均停電時間不能超過多少小時但規(guī)劃方案一旦涉及新增分布式電源、儲能這類投資較大的設備領(lǐng)導層就會追問這些錢花下去可靠性到底提升了多少停電損失減少了多少這時候你拿單一目標優(yōu)化的結(jié)果去匯報很難講清楚為什么是這套方案而不是另外一套更便宜或更可靠的方案。雙目標規(guī)劃的價值就在這里。它把方案篩選從找唯一最優(yōu)解變成生成一組候選方案集讓決策者直觀看到經(jīng)濟性和可靠性之間的此消彼長。在帕累托前沿上每個點都對應一套規(guī)劃方案任何一個目標變好都會讓另一個目標變差。決策者可以根據(jù)財政預算或者可靠性考核壓力在前沿上挑一個偏好的落點。這個視角對實際工程的意義非常大因為規(guī)劃本身就不是一次算出一個答案交差的事而是反復權(quán)衡、多方博弈的過程。1.1 經(jīng)濟性與可靠性的矛盾具體來自哪里單純從設備投資看想讓配電網(wǎng)更可靠最直接的辦法是增加冗余。多敷設一條聯(lián)絡線、多裝一臺分段開關(guān)、多配置一套儲能這些都能在故障時快速轉(zhuǎn)供或支撐重要負荷但每一樣都要花錢。而分布式電源的接入更復雜一些光伏和風機裝多了發(fā)電量能沖抵網(wǎng)損和購電費用經(jīng)濟性看起來不錯但出力的間歇性可能導致電壓越限或保護配合問題反而降低可靠性指標。儲能則正好反過來初始投資很大但削峰填谷和應急供電的價值在可靠性評估里能明顯體現(xiàn)出來。這個矛盾不是線性的。投資少的階段每投入一筆錢對可靠性的邊際提升很可觀但投資超過某個閾值之后再往上加錢的提升幅度會迅速衰減。這種邊際遞減特性決定了雙目標問題的帕累托前沿通常是一個向下凸的曲線而不是一條直線。理解了這一點后面看優(yōu)化結(jié)果時就不會覺得奇怪為什么帕累托前沿右半段的點那么密集因為在那一段花費大量投資只能換來零點幾個小時的停電時間改善性價比已經(jīng)很低了。1.2 混合配電系統(tǒng)的混合到底指什么這里說的混合不是指電壓等級混合或者交流直流混合那種拓撲意義上的混合而是指配電系統(tǒng)內(nèi)同時存在傳統(tǒng)設備與新設備、可控電源與不可控電源、交流網(wǎng)架與電力電子接口。典型構(gòu)成包括原有輻射狀配電網(wǎng)、分布式光伏、風電機組、儲能系統(tǒng)可能還有少量分布式柴油發(fā)電機或燃氣輪機作為可控備用。這些設備的運行特性差異很大光伏和風電幾乎零邊際成本但有間歇性儲能響應快但能量有限柴油機可靠可控但運維成本和燃料成本高。規(guī)劃這類系統(tǒng)時決策變量既包含離散的設備選型與安裝位置又包含連續(xù)性的容量配置約束條件也涉及潮流、電壓、線路載流量等多個維度。數(shù)學上這是一個混合整數(shù)非線性多目標優(yōu)化問題如果用傳統(tǒng)的加權(quán)求和法把經(jīng)濟性目標和可靠性目標合并成一個單目標會面臨權(quán)重系數(shù)怎么定、兩次求解結(jié)果如何比較等一連串麻煩。我自己的經(jīng)驗是少吃把多目標壓成單目標的虧直接上多目標進化算法讓算法自己去探索帕累托前沿后續(xù)分析時靈活得多。2. 經(jīng)濟與可靠性雙目標模型的數(shù)學化過程把規(guī)劃問題寫清楚核心是三個步驟確定決策變量、構(gòu)造目標函數(shù)、明確約束條件。這一步看起來是純數(shù)學工作但里面很多細節(jié)直接決定后面 Python 代碼好不好寫、優(yōu)化算法跑起來快不快。2.1 年綜合費用如何拆分經(jīng)濟性目標我通常用年綜合費用來表示單位是萬元/年。它的物理含義是把規(guī)劃期內(nèi)所有與方案相關(guān)的支出一律折算成等年值這樣不同使用年限的設備之間可以公平比較。年綜合費用的構(gòu)成主要有這么幾塊投資等年值設備初始投資乘以等年值系數(shù)折算到每一年。等年值系數(shù)由折現(xiàn)率和設備使用壽命決定公式是 CRF r(1r)^n / [(1r)^n - 1]其中 r 是折現(xiàn)率n 是設備壽命。光伏板壽命通常取 20 年儲能電池有些項目只按 8 到 10 年算柴油機則按 15 年。算出來的結(jié)果差別挺大規(guī)劃時最好分開細分設備算不要圖省事統(tǒng)一用一個系數(shù)。運行維護費用包括設備的檢修、保養(yǎng)、人工、消耗品等一般按初始投資的百分比估算。光伏取 1% 到 2%儲能取 2% 到 3%柴油機取 3% 以上。儲能這塊還要考慮電池替換成本我習慣把它單獨列成一項折算成每千瓦時的更換費用避免混在運維費率里失真。網(wǎng)損費用由潮流計算結(jié)果得到系統(tǒng)總網(wǎng)損電量乘以平均購電價。分布式電源接入后系統(tǒng)網(wǎng)損可能變大也可能變小取決于安裝位置和出力曲線這屬于規(guī)劃方案評估中容易忽略的隱藏成本。停電損失費用這是經(jīng)濟性目標和可靠性目標之間的橋梁。把可靠性評估算出的缺供電量乘以單位停電損失費用就變成經(jīng)濟損失并入年綜合費用。不過要注意如果經(jīng)濟性目標里已經(jīng)包含停電損失費用那可靠性目標可以換成純技術(shù)性指標比如系統(tǒng)平均停電持續(xù)時間或者缺供電量期望值避免兩個目標之間的耦合過強導致帕累托前沿形態(tài)退化。這一點在第三章建模時需要整體想清楚。我用一個具體的模型示例來說明。設決策變量有分布式電源的安裝位置和容量、儲能的功率和容量、聯(lián)絡線選擇。那么年綜合費用可以寫成C_total C_inv C_om C_loss C_interruption其中 C_inv Σ設備投資額 × CRFC_om 是年運維費C_loss 年網(wǎng)損電量 × 單位購電價C_interruption 年缺供電量 × 單位停電損失費用。2.2 可靠性目標的量化從故障率到缺供電量可靠性評估的輸出指標有很多規(guī)劃階段最常用的是期望缺供電量Expected Energy Not SuppliedEENS和系統(tǒng)平均停電持續(xù)時間SAIDI。前者單位是 MWh/年后者是 小時/戶·年。兩個指標對規(guī)劃方案的經(jīng)濟性評估都有價值EENS 可以直接乘單位停電損失費用折算成錢SAIDI 則更容易與供電公司的考核指標對應。計算 EENS 需要輸入元件級的可靠性參數(shù)主要包括饋線段的故障率和平均修復時間、開關(guān)的操作時間、故障隔離時間和聯(lián)絡開關(guān)的轉(zhuǎn)供時間。這些都是規(guī)劃人員從歷史統(tǒng)計中獲得的基礎(chǔ)數(shù)據(jù)不同類型線路差別很大。架空裸導線的故障率明顯高于電纜絕緣導線介于兩者之間。沿公路敷設的電纜故障率低于穿農(nóng)田的電纜因為外力破壞的概率不同。我做項目時一般按線路類型、敷設環(huán)境分類設定參數(shù)而不是整個網(wǎng)絡用同一套故障率否則評估結(jié)果和實際差距會很大。可靠性指標對負荷點的計算本質(zhì)上是在枚舉所有可能的故障事件及其后果。輻射狀配電網(wǎng)中某一元件故障后部分負荷可能通過聯(lián)絡線轉(zhuǎn)供部分負荷必須等待故障修復部分負荷甚至可能被隔離后無法恢復。每一類負荷對應各自的停電時間乘以負荷功率后得到該故障事件下的缺供電量。所有故障事件遍歷完成后求和取期望就是 EENS。2.3 決策變量與約束條件的取舍規(guī)劃問題的決策變量常用一個編碼向量來表示。針對一個候選節(jié)點集合每個節(jié)點可能安裝的光伏、風機、儲能容量都從離散檔位里選比如 0 kW、100 kW、200 kW、300 kW 這樣。線路改造或新增聯(lián)絡線則用 0/1 變量表示。把這些變量拼接起來就是粒子群或遺傳算法里一個個體的完整基因。編碼設計上要注意變量數(shù)量不能太多否則搜索空間爆炸收斂變慢。約束條件除了潮流方程本身還包含節(jié)點電壓上下限約束通常取 0.93 到 1.07 倍標幺值支路電流不超過載流量極限分布式電源總滲透率不超過設定閾值這個閾值根據(jù)不同網(wǎng)絡情況而定儲能荷電狀態(tài)在調(diào)度周期內(nèi)保持在一定范圍防止過度充放影響壽命輻射狀網(wǎng)絡結(jié)構(gòu)約束特別是涉及網(wǎng)架改造時不能讓網(wǎng)絡出現(xiàn)環(huán)網(wǎng)或者孤島。約束處理方式我常用罰函數(shù)法。把越限量加權(quán)加到目標函數(shù)中讓優(yōu)化算法自動淘汰不可行解。這種方法實現(xiàn)簡單但罰函數(shù)權(quán)重需要調(diào)試。權(quán)重太小不可行解會混進帕累托前沿權(quán)重太大算法探索能力下降。我一般先跑一版看輸出的方案里不可行解的比例再調(diào)整權(quán)重重新跑通常迭代兩三輪就能找到合適的量級。3. 求解方法選型為什么最終選擇 NSGA-II多目標優(yōu)化問題的主流解法包括加權(quán)求和法、約束法、多目標進化算法MOEA。這個選擇直接關(guān)系建模和代碼實現(xiàn)的難度也影響最終結(jié)果的可用性。加權(quán)求和法最容易實現(xiàn)把兩個目標分別乘上權(quán)重 w1、w2 再相加然后跑單目標優(yōu)化。缺點也很明顯權(quán)重怎么取沒有客觀標準而且如果帕累托前沿是非凸的加權(quán)法無法找到前沿中段的一些解。我見過不少論文用加權(quán)法算雙目標給出的結(jié)果只有少數(shù)幾個點說服力有限。約束法是把一個目標保留為目標函數(shù)另一個目標轉(zhuǎn)成約束比如可靠性指標 SAIDI 小于給定值的前提下最小化年綜合費用。這個方法技術(shù)上可行通過改變閾值可以掃出一組解但每次掃描都要重新求解一次單目標問題計算開銷很大尤其在可靠性評估還嵌套蒙特卡洛仿真的情況下耗時讓人難以接受。NSGA-II 是處理這類問題的成熟選擇。它基于遺傳算法框架一次運行能生成整個帕累托前沿不需要預先指定權(quán)重。它的核心機制有兩點非支配排序和擁擠度距離。非支配排序把種群中所有個體按照支配關(guān)系分成若干層第一層是當前的帕累托前沿第二層是被第一層中某些個體支配的剩余個體依次類推。這樣算法的選擇壓力始終朝向更接近真實前沿的方向。擁擠度距離則保證同一層內(nèi)個體的分布盡量均勻防止算法收斂到前沿的某一小段區(qū)域。NSGA-II 還有一個精英保留策略下一代種群由父代和子代合并后的最優(yōu)個體組成這意味著算法不容易丟失已經(jīng)找到的優(yōu)秀解。對于配電網(wǎng)規(guī)劃這種單次評價成本較高的場景精英保留能顯著提高樣本利用效率。在具體編碼上NSGA-II 的遺傳操作包括選擇、交叉、變異。選擇階段采用錦標賽選擇法從種群中隨機挑幾個個體比較支配關(guān)系和擁擠度性能好的留下交叉階段對兩個個體對應的變量進行交換或算術(shù)組合變異階段則隨機擾動某個變量值保持種群多樣性。配電網(wǎng)規(guī)劃問題中變量離散性強交叉可以用單點或多點交叉算子變異則結(jié)合位翻轉(zhuǎn)變異和重新采樣的方式。這些操作在 Python 里手寫起來并不復雜而且可控性強我最終在項目里就是全部自己實現(xiàn)的。3.1 用現(xiàn)成庫還是手寫算法Python 生態(tài)里有多目標進化算法庫比如 pymoo、Platypus、DEAP。這些庫封裝得比較完善直接調(diào)用 NSGA-II 很方便。但我實際用下來發(fā)現(xiàn)一個問題規(guī)劃問題的評價函數(shù)耦合了潮流計算和可靠性評估而這些計算又依賴自定義的數(shù)據(jù)結(jié)構(gòu)和前推回代求解器庫自帶的接口適配需要額外寫不少膠水代碼。與其繞一圈去適配不如把 NSGA-II 的核心邏輯自己實現(xiàn)評價函數(shù)直接調(diào)用自己的潮流函數(shù)。這樣代碼結(jié)構(gòu)更清晰調(diào)試定位問題也更快。當然手寫 NSGA-II 也有代價。非支配排序的經(jīng)典實現(xiàn)是 O(MN2) 復雜度M 是目標數(shù)量N 是種群規(guī)模。規(guī)劃問題里種群規(guī)模通常 100 到 200目標數(shù)只有 2這個復雜度完全可以接受。如果以后要擴展到三目標或大規(guī)模問題可以再引入快速非支配排序的優(yōu)化版本或者觀察是否需要上 MOEA/D。做項目時先跑通為主后續(xù)優(yōu)化留到有真實需要時再說。3.2 NSGA-II 與配電系統(tǒng)評價函數(shù)的耦合方式優(yōu)化算法和評估函數(shù)之間的關(guān)系是整條技術(shù)路線的關(guān)鍵橋梁。一個個體解碼后是一套完整的規(guī)劃方案評估它需要兩步走。第一步是潮流計算。給定這個方案下的網(wǎng)絡結(jié)構(gòu)、分布式電源出力和負荷數(shù)據(jù)用前推回代法計算各支路電流、各節(jié)點電壓和系統(tǒng)網(wǎng)損得到經(jīng)濟性評價所需的網(wǎng)損費用。如果潮流不收斂說明該方案極不可行直接給一個很大的罰值。第二步是可靠性評估。用序貫蒙特卡洛模擬法輸入該方案對應的網(wǎng)絡拓撲和元件可靠性參數(shù)隨機模擬若干年的元件故障、修復和轉(zhuǎn)供過程統(tǒng)計系統(tǒng)的缺供電量和停電時間指標。這一步是整個流程中計算量最大的部分。兩者的順序也很講究。如果潮流算法已經(jīng)判斷方案不可行比如電壓越限很嚴重就沒必要再跑可靠性仿真了直接淘汰掉省下不少計算時間。這類先粗篩后精算的流程在工程優(yōu)化里非常常見也是方案可行性和計算效率之間的一種平衡。4. Python 實現(xiàn)細節(jié)從數(shù)學模型到可運行代碼這一節(jié)講代碼怎么落地。配電網(wǎng)規(guī)劃仿真代碼框架其實不復雜但細節(jié)決定成敗。我會把幾個關(guān)鍵的數(shù)據(jù)結(jié)構(gòu)和核心函數(shù)展開來講照著這個思路基本能復現(xiàn)出完整的代碼框架。4.1 配電網(wǎng)數(shù)據(jù)結(jié)構(gòu)的構(gòu)建配電網(wǎng)本質(zhì)上是一張有根的樹狀圖。根節(jié)點是變電站出口母線其余節(jié)點是負荷節(jié)點或開關(guān)節(jié)點邊是饋線或聯(lián)絡線。我用兩個 Python 類來表示Node 類和 Branch 類。Node 記錄節(jié)點編號、父節(jié)點、負荷有功與無功、電壓幅值、電壓相角以及接入的分布式電源類型和容量Branch 記錄支路首末節(jié)點、支路電阻電抗、允許載流量以及是否屬于聯(lián)絡線。class Node: def __init__(self, index, load_p0.0, load_q0.0): self.index index self.load_p load_p # 有功負荷單位 kW self.load_q load_q # 無功負荷單位 kVar self.voltage 1.0 # 電壓標幺值 self.dg_p 0.0 # 接入分布式電源有功出力 self.dg_q 0.0 # 接入分布式電源無功出力 self.parent -1 # 父節(jié)點編號 class Branch: def __init__(self, start, end, resistance, reactance, capacity): self.start start self.end end self.r resistance self.x reactance self.i_max capacity self.is_tie False # 是否聯(lián)絡線網(wǎng)絡拓撲在規(guī)劃中不是固定的因為決策變量中包含線路改造或新增連接。所以每次評估一個個體時要先根據(jù)解碼后的安裝方案修改相應的 Branch 對象和 Node 對象再重新構(gòu)建鄰接表。構(gòu)建鄰接表用的是最直接的字典映射節(jié)點編號做鍵值是一個列表存放該節(jié)點相連的所有支路和鄰居節(jié)點信息。這個結(jié)構(gòu)雖然樸素但勝在清晰、不易出錯。4.2 前推回代潮流計算在輻射狀配電網(wǎng)里前推回代法是配合度最高的潮流算法。思路分兩步回代時從末端節(jié)點往根節(jié)點方向逐段累加支路電流和功率損耗前推時從根節(jié)點往末端節(jié)點方向逐段更新節(jié)點電壓。往復迭代幾輪直到電壓變化小于閾值潮流就算收斂了。def back_forward_sweep(nodes, branches, max_iter50, tol1e-6): for _ in range(max_iter): # 回代計算每條支路的電流和功率損耗 for branch in reversed(branches): end_node nodes[branch.end] start_node nodes[branch.start] # 節(jié)點功率 負荷功率 - 分布式電源出力 - 父支路流入功率 power complex(end_node.load_p - end_node.dg_p, end_node.load_q - end_node.dg_q) current (power / complex(end_node.voltage, 0)).conjugate() # 累加到父支路 start_node.load_p end_node.load_p start_node.load_q end_node.load_q # 前推更新節(jié)點電壓 for branch in branches: end_node nodes[branch.end] start_node nodes[branch.start] delta_v (complex(end_node.load_p, end_node.load_q) / complex(start_node.voltage, 0)).conjugate() * \ complex(branch.r, branch.x) end_node.voltage abs(complex(start_node.voltage, 0) - delta_v) return nodes這段代碼是原理演示性質(zhì)實際工程中還要考慮支路電流限制、變壓器抽頭、無功補償設備的影響。但核心思想就是這樣每一輪更新都基于上一輪的電壓和功率假設收斂速度在配電網(wǎng)這種淺網(wǎng)絡上通常是夠用的。要注意的是如果網(wǎng)絡結(jié)構(gòu)改變比如新增了聯(lián)絡線前推回代前需要先做拓撲排序確保支路順序是分層明確的否則迭代容易不收斂。4.3 序貫蒙特卡洛可靠性評估的代碼落地可靠性評估這塊我把序貫蒙特卡洛的核心邏輯拆成三個部分元件狀態(tài)采樣、故障事件遍歷、指標統(tǒng)計。元件狀態(tài)采樣采用狀態(tài)持續(xù)時間抽樣法。對每個元件根據(jù)其故障率參數(shù) λ 抽樣一個正常運行持續(xù)時間再根據(jù)修復率 μ 抽樣一個修復時間。這兩個時間都是指數(shù)分布的隨機變量可以用random.expovariate直接生成。這樣一年 8760 小時內(nèi)每個元件會經(jīng)歷若干次故障-修復循環(huán)。故障事件遍歷是指某一元件處于故障狀態(tài)時分析它對各個負荷點的影響。這需要知道網(wǎng)絡拓撲中哪些負荷可以通過聯(lián)絡線轉(zhuǎn)供、哪些被隔離、哪些必須等待修復。實際代碼實現(xiàn)時我對每個故障元件執(zhí)行一次網(wǎng)絡分割操作以故障支路為缺口用寬度優(yōu)先搜索識別哪些節(jié)點在主網(wǎng)側(cè)、哪些節(jié)點在故障下游。下游節(jié)點中如果存在聯(lián)絡線且聯(lián)絡線容量足夠則這部分負荷停電時間僅為切換操作時間否則停電時間等于元件修復時間。由此累計缺供電量。def reliability_assessment(nodes, branches, fault_rate, repair_time, n_years2000): ens_total 0.0 # 總?cè)惫╇娏繂挝?MWh saidi_total 0.0 # 總停電時間單位 小時/戶 for _ in range(n_years): for year in range(1): # 每年 for branch in branches: # 模擬該支路的故障次數(shù) n_fault np.random.poisson(fault_rate * 8760) for _ in range(n_fault): repair_h np.random.exponential(repair_time) # 計算受影響負荷 affected_load, affected_customers find_affected_load( branch.start, branch.end, nodes) ens_total affected_load * repair_h saidi_total affected_customers * repair_h return ens_total / n_years, saidi_total / n_years這里find_affected_load需要結(jié)合電網(wǎng)拓撲來判斷故障后哪些負荷真正停電。如果網(wǎng)絡中有聯(lián)絡轉(zhuǎn)供路徑停電時間就不是修復時間而是切換時間統(tǒng)計邏輯要更精細。這個函數(shù)我強烈建議單獨寫成一個模塊因為它是整個可靠性評估里最容易出 bug 的部分。測試時用經(jīng)典的兩饋線手拉手算例驗證一下確保邏輯沒有問題。4.4 雙目標優(yōu)化主循環(huán)的組裝有了評價函數(shù)NSGA-II 的主循環(huán)就順理成章了。初始化種群時隨機生成一批個體每個個體解碼后對應一套規(guī)劃方案。評價完所有個體后進入迭代錦標賽選擇父代、交叉和變異生成子代、父子代合并做非支配排序、按擁擠度截斷生成下一代。重復若干代后輸出第一層非支配個體作為帕累托前沿。def nsga2(pop_size, num_generations, nodes_data, branch_data, limits): population init_population(pop_size, limits) for generation in range(num_generations): # 評價 for ind in population: if not ind.evaluated: ind.fitness evaluate(ind, nodes_data, branch_data) # 生成子代 offspring create_offspring(population) for ind in offspring: ind.fitness evaluate(ind, nodes_data, branch_data) # 合并與選擇 combined population offspring fronts fast_non_dominated_sort(combined) new_pop [] for front in fronts: if len(new_pop) len(front) pop_size: new_pop.extend(front) else: crowding crowding_distance(front) front_sorted sorted(front, keylambda x: x.crowding, reverseTrue) new_pop.extend(front_sorted[:pop_size - len(new_pop)]) break population new_pop return get_pareto_front(population)這個循環(huán)看起來簡單但實際跑起來有幾個性能瓶頸?？煽啃栽u估函數(shù)最耗時如果每個個體都要模擬幾千年種群一百個體迭代一百代總計算量是千萬級的抽樣次數(shù)。我的處理方式先跑一個較小的仿真年數(shù)比如 500 年做快速評估把明顯差的方案淘汰掉最后保留的結(jié)果再用較長的仿真年數(shù)重新精確評估。這種兩階段精化策略能節(jié)省大量時間。5. 仿真實例與結(jié)果解讀光講理論不夠我拿一個典型的配電系統(tǒng)作為示例把整個流程串起來演示一遍。這里采用常見的 IEEE 33 節(jié)點測試系統(tǒng)在部分節(jié)點上增加分布式電源候選位置并在兩組饋線之間設置可選的聯(lián)絡線。5.1 測試系統(tǒng)設定與場景設計IEEE 33 節(jié)點系統(tǒng)是配電網(wǎng)研究中用得最廣泛的標準算例原始數(shù)據(jù)網(wǎng)上到處都能找到包括線路參數(shù)和負荷分布。我在這個基礎(chǔ)上做了兩類擴展一是設定五個候選節(jié)點可以安裝光伏和儲能容量檔位按 100 kW 的步長遞增二是設定兩條可選的聯(lián)絡線用于故障時轉(zhuǎn)供負荷。這樣決策變量的數(shù)量保持在合理范圍便于觀察優(yōu)化算法的行為。方案對比設置了三個場景場景 A基礎(chǔ)網(wǎng)架不新增分布式電源僅作可靠性評估基準場景 B允許接入分布式光伏但不裝儲能場景 C允許同時接入光伏和儲能并且可選聯(lián)絡線。三個場景分別用 NSGA-II 跑帕累托前沿對比不同選項組合對經(jīng)濟性目標和可靠性目標的影響。這樣設置能清楚看出儲能在雙目標規(guī)劃里的真實價值。5.2 帕累托前沿的形態(tài)分析與方案選取跑完優(yōu)化之后把種群中第一層非支配個體對應的兩個目標值畫成散點圖橫軸是年綜合費用縱軸是期望缺供電量 EENS就能清楚看到帕累托前沿的形狀。場景 A 的結(jié)果只有一個點因為沒有任何決策變量可選經(jīng)濟性和可靠性都是固定值。場景 B 的前沿是一條下降的曲線費用越低EENS 越高反過來想要更可靠就得裝更多光伏投資隨之上升。場景 C 的前沿整體在場景 B 前沿的左下方這說明同時配置儲能和聯(lián)絡線確實能實現(xiàn)用更少的錢達到同等可靠性或同等費用下可靠性更好這也是混合系統(tǒng)相對傳統(tǒng)系統(tǒng)的主要優(yōu)勢所在。前沿上的拐點很有意思。左端靠近橫軸的點年綜合費用最低但 EENS 很高原因是不裝任何設備故障只能被動等待修復右端則相反光伏、儲能、聯(lián)絡線全裝上費用高企EENS 很低但曲線走勢已經(jīng)趨于平緩說明繼續(xù)增加投資的邊際收益已經(jīng)很小。實際決策時通常選擇曲線上斜率發(fā)生明顯變化的拐點附近再留一點可靠性的裕度。這樣既不會浪費投資又能保證絕大多數(shù)考核場景下滿足指標要求。5.3 結(jié)果穩(wěn)定性與參數(shù)敏感性的驗證優(yōu)化的結(jié)果不能看一遍就信。我額外做了兩組驗證第一組是隨機數(shù)種子穩(wěn)定性測試用不同的隨機種子重復跑幾次 NSGA-II對比最終前沿的差異范圍第二組是參數(shù)敏感性分析針對單位停電損失費用、分布式電源投資單價、故障率這三個關(guān)鍵參數(shù)各取高、中、低三檔觀察帕累托前沿整體位置和形態(tài)的變化幅度。從結(jié)果看單位停電損失費用對前沿形態(tài)的影響最明顯。這個參數(shù)本質(zhì)上衡量了用戶停電產(chǎn)生的社會成本如果定得高優(yōu)化會傾向于犧牲一點經(jīng)濟性換取更高的可靠性定得低前沿會整體向低成本方向移動。投資單價和故障率的變化也有影響但主要表現(xiàn)在部分區(qū)域的方案排序上不會改變整體趨勢。這種敏感性分析對寫報告特別有用因為它向決策者展示了方案推薦結(jié)論對參數(shù)假設的依賴程度而不是給一個貌似精確實則脆弱的唯一答案。5.4 復現(xiàn)過程中的幾個大坑代碼層面的坑主要集中在三個方面。第一是潮流程序在新增 DG 后的收斂性問題。光伏出力大的時候線路末端電壓可能抬升當前推回代算法迭代次數(shù)不足時很容易誤判為不收斂。我的對策是把最大迭代次數(shù)放寬到 100并且把收斂判據(jù)從節(jié)點電壓變化改為節(jié)點注入功率殘差改進后基本不再出現(xiàn)誤判。第二是蒙特卡洛評估的隨機波動。仿真年數(shù)不夠時EENS 的估計值方差很大導致同一套方案前后兩次評估結(jié)果差很多進而干擾優(yōu)化算法對個體優(yōu)劣的判斷。前面提到的兩階段評估策略就是專門解決這個問題的先粗后精、先選后驗。第三是 NSGA-II 種群規(guī)模與迭代代數(shù)的搭配。配電網(wǎng)規(guī)劃的評價函數(shù)單次耗時在秒級種群和代數(shù)設得太大整體計算可能要數(shù)小時甚至更久。我的經(jīng)驗是問題規(guī)模不算特別大時種群 80 到 120、迭代 60 到 100 代已經(jīng)能得到形態(tài)完整的前沿再往上加收益遞減反而明顯。6. 從仿真到落地幾個值得關(guān)注的擴展方向前幾章講的是一套完整可運行的技術(shù)骨架。實際做工程時這套骨架還需要往幾個方向做擴展我把自己踩過的坑和下一步思路也一并說一下。6.1 時序負荷與出力數(shù)據(jù)的重要性多數(shù)配電網(wǎng)規(guī)劃的簡化做法是用年最大負荷進行潮流計算評估結(jié)果偏保守。但分布式光伏的出力天然隨時間變化儲能更是靠時間差套利不用時序數(shù)據(jù)儲能的規(guī)劃結(jié)果會有系統(tǒng)性偏差。我現(xiàn)在做項目時至少會用典型日的方式選取夏季、冬季、過渡季各一個典型日每 24 小時一個時點負荷和光伏出力都按曲線輸入。這樣年綜合費用里的網(wǎng)損計算和停電損失計算都比單點計算準確得多代碼實現(xiàn)上只是把潮流計算多包一層時間循環(huán)而已計算量翻幾倍但完全可接受。6.2 不確定性場景的分析光伏出力和負荷本身就存在很強的隨機性用確定性的典型日代替全時序是一種近似。要想更嚴謹可以引入場景生成與削減技術(shù)用歷史數(shù)據(jù)聚類出幾十個典型場景每個場景帶有概率權(quán)重分別評估目標函數(shù)后按概率加權(quán)求和。這樣做的好處是優(yōu)化結(jié)果對不確定性的刻畫更真實壞處是計算量成倍增加。折中的做法是在優(yōu)化迭代中使用少量代表性場景快速評估最終確定方案后再用全部場景做一次精算驗證這個思路和前面兩階段蒙特卡洛評估是同一個套路。6.3 可靠性參數(shù)的分區(qū)差異化不同用戶對停電的敏感度差很多醫(yī)院、數(shù)據(jù)中心、通信基站這些重要負荷的停電損失費用可能是普通居民的幾十倍。規(guī)劃時如果把所有負荷都用同一個單位停電損失費用得到的最優(yōu)方案可能過度重視末端居民負荷而忽略了關(guān)鍵用戶的需求。我在可靠性評估里會為每個負荷節(jié)點或區(qū)域設置一個權(quán)重系數(shù)把 EENS 拆成普通負荷 EENS和重要負荷 EENS兩部分分別計算指標。這樣優(yōu)化出來的方案往往會在重要負荷附近多配置一些儲能或聯(lián)絡線這個細節(jié)在實際匯報中非常加分。6.4 儲能配置問題的專項建模儲能是混合配電系統(tǒng)里最特殊的設備因為它既能提升可靠性又能通過峰谷套利降低運行費用。但儲能電池的壽命受充放電次數(shù)和深度影響規(guī)劃時如果不建模壽命衰減優(yōu)化算法會把儲能容量往大里推因為算出來的收益很漂亮實際上電池提前衰減后收益遠沒那么多。我習慣在目標函數(shù)里加一個電池循環(huán)老化成本項按實際模擬出的年充放電次數(shù)折算損耗費用。這個成本項對最終儲能容量的推薦值影響很大特別是前沿右半段加了這項之后儲能配置的尺寸會明顯更克制、更貼近工程實際。回到最初的問題經(jīng)濟性和可靠性到底誰優(yōu)先我的答案從來不直接給而是讓帕累托前沿替我說。作為規(guī)劃者我的任務是把前沿盡可能完整、可信地呈現(xiàn)出來把每個決策對投資和停電的影響算清楚這才是這套 Python 實現(xiàn)的核心價值所在。項目代碼里我一直把參數(shù)做成外部配置文件讓每次運行都能調(diào)整故障率、電價、停電損失費用這些關(guān)鍵參數(shù)跑出的結(jié)果也始終保留原始記錄方便后續(xù)追溯。這套流程跑順之后支撐我做其他配電網(wǎng)規(guī)劃項目時省了非常多重復造輪子的時間。