配电网碳势计算实战：基于IEEE33节点的Python实现与可视化

最近带学生做电力系统碳排放方向的课题，几乎每隔几天就会被问一次：“我家这盏灯用的电，到底算不算绿电？”这个问题的工程化表达，其实就是给电网里每个节点算一个“碳势”。碳势回答的事情很具体：你在某个节点取走一千瓦时电，这笔电能消费对应了多少克二氧化碳排放。为了把这套逻辑讲清楚，也为了给刚入坑碳计算、碳排放课程的同学一份能直接抄作业的参考，我把整套基于 IEEE33 节点系统的碳势计算与可视化展示代码重新整理了一遍，核心部分全部加了非常细的注释。这篇博文就是这套代码背后的完整复盘：碳势的数学定义、IEEE33 系统的建模思路、Python 实现流程、可视化方案，以及我在调试过程中踩过的坑和排查方法，全部安排上。

适合读这篇内容的，主要是两类人：一类是做电力系统碳排放分析、碳流计算相关课程设计或毕业设计的学生，另一类是刚接触配电网分析、想知道“算碳势到底在算什么”的入门研究者。如果你只是想知道怎么用现成工具跑一张好看的碳势图，这篇也能帮你绕开不少弯路。

1. 项目定位与整体设计：为什么偏偏是 IEEE33，为什么偏偏算碳势

1.1 IEEE33 节点系统：配电网计算场景里的“Hello World”

IEEE33 节点系统是配电网研究里最经典的测试系统之一，全称是 IEEE 33-bus distribution test system，最早来自于一份配电网重构相关的文献，后来被各种论文、教材、开源工具反复使用。它由 33 个节点、32 条分段支路和 5 条联络开关支路组成，基准电压 12.66 kV，总负荷大概是 3.715 MW 加 2.3 Mvar。这个规模听着不大，但麻雀虽小五脏俱全：有主干馈线，有分支线，有末端节点，也有可以合环的联络开关，非常适合用来验证各种配电网算法。

选择 IEEE33 作为碳势计算的教学载体，我认为有三个核心理由。第一，规模适中。33 个节点画在图上不会密密麻麻，高中生看单线图都不至于晕，但又能展示出碳势沿馈线“流动”和“稀释”的空间变化趋势。第二，开源资料太多。无论是 pandapower、Matpower 还是手写前推回代潮流，都有现成的模型文件，拿到就能用，不用自己手工录数据。第三，结果可比性强。用 IEEE33 算出来的碳势分布，可以在大量已发表论文里找到类似场景，方便对照验证自己的实现有没有问题。

1.2 碳势计算的现实价值：从“电表”到“碳表”的关键一步

传统电能表只记录你用了多少度电，但不告诉你这些电是从哪个电厂来的、对应的碳排放有多高。这正是碳势计算存在的意义。在一个互联电力系统里，电能是沿着网络流动的，发电厂的碳排放也随着电能一起“输送”到各个负荷节点。碳势本质上是对某个节点单位电量的碳排放强度做一个量化评估，单位通常是 kgCO2/kWh。

你可以把电网想象成一个自来水网：每个电源是一个水源，水源里溶解着不同浓度的“碳颜料”，水流到哪，颜料就被带到哪。如果某个节点周围有大量风电、光伏这类零碳电源，这个节点的碳势就会明显低于其他节点；如果它主要靠火电支撑，碳势就高。用户侧有了节点碳势这个数据后，就能知道自己的用电行为到底对应多少碳，充电站选址、工厂落户、绿电交易这些场景都能用上。这就是碳势计算从论文走向应用的核心价值。

1.3 整体技术路线与方案选型

这个项目不打算自研潮流计算器，而是直接基于 pandas 系生态里非常成熟的 pandapower 库来完成 IEEE33 建模和潮流求解。整体流程分成四步：第一步，构建 IEEE33 网络模型并跑一次确定性潮流，得到各支路功率和节点注入功率；第二步，从潮流结果里提取支路有功功率的方向和大小，构建碳势计算的输入数据；第三步，按照比例分摊原则建立节点碳势方程组，用 numpy 求解线性方程组；第四步，把计算结果通过 matplotlib 和 Plotly 做可视化，生成节点碳势热力分布图、碳流方向图和交互式图表。

技术选型上我没有用更重的电力系统商业软件，而是坚持 Python，原因也很实际：pandapower 内置了 IEEE33 的标准算例，调用一行代码就能把网络对象加载出来，省去了手工录入支路参数的麻烦；numpy 解线性方程稳定可靠；可视化部分 matplotlib 是基础，Plotly 能提供悬停交互，对教学演示特别友好。最重要的是，Python 代码对初学者来说有天然的阅读门槛优势，配合详细注释可以被当成活教材反复研读。

2. 碳势计算原理与数学模型

2.1 三个容易出现概念混淆的指标：碳排放强度、碳流密度、节点碳势

很多刚开始接触碳计算的同学会把这几个概念混在一起，我先用最直白的方式把它们拆开。

碳排放强度，也叫碳排放因子，描述的是某个发电电源发出 1 kWh 电能时直接排放的二氧化碳质量，一般只定义在电源侧。比如燃煤机组大概在 0.8～1.0 kgCO2/kWh，燃气机组在 0.4～0.5 kgCO2/kWh，风电、光伏基本为 0。这个值代表“源头有多脏”，是碳势计算的输入参数。

碳流密度，描述的是某条支路上流动电能的碳排放强度，等于起始节点的碳势乘以该支路的有功功率，单位是 kgCO2/h。它反映的是一股“碳流”沿支路传输的速率，有点像水管里单位时间流过的碳颜料总量。

节点碳势，就是本文的主角。它描述的是某个节点上单位电量所蕴含的碳排放强度，单位 kgCO2/kWh。节点的电能既有来自上游支路的潮流，也可能有本地分布式电源注入，还可能有本地负荷抽走。节点碳势本质上是对这些来源按功率比例做一个加权平均，代表这个节点的“平均电碳浓度”。

可以这么记：碳排放强度是电源的属性，碳流密度是支路的属性，碳势是节点的属性。三者通过功率和拓扑关系串联起来，就构成了碳势计算的主线。

2.2 比例分摊原则与节点碳势公式推导

碳势计算在工程上普遍采用“比例分摊原则”：某一个节点消耗的碳，按照各注入电源的功率比例分摊到各个来源上。这个原则虽然没有考虑电能具体走哪条物理路径，但胜在简单、直观、可解释性强，尤其适合教学场景。

对于任意节点 j，设它从节点 i 流入的有功功率为 P_ij，本地发电功率为 P_Gj，本地发电机的碳排放强度为 e_Gj，节点 i 的碳势为 e_i，则节点 j 的碳势 e_j 满足：

流入节点 j 的碳总量 = 从各上游支路流入的碳流之和 + 本地发电机产生的碳流

而节点 j 所有注入功率之和等于本地发电功率加上所有上游支路功率，所以按比例分摊的原则，节点 j 的碳势可以写成：

• e_j = ( Σ P_ij × e_i + P_Gj × e_Gj ) / ( Σ P_ij + P_Gj )

注意公式里的求和对“实际流入节点 j 的支路”进行。如果某条支路的实际功率方向与线路参考方向相反，那 P_ij 应该取 0，而把 P_ji 计入节点 i 的流入项。这一点在代码实现中是极容易出错的地方，后面我会专门讲。

把所有节点的方程放在一起，会得到一个线性方程组 A × e = b。其中 e 是各节点碳势组成的向量，A 是系数矩阵，b 是右端向量。矩阵求解比逐点迭代更高效，也不容易出现节点顺序依赖的问题。

2.3 边界条件怎么定：上级电网和分布式电源的处理

IEEE33 系统的节点 0 一般是外部电网接入点，在 pandapower 里用 ext_grid 表示。在碳势模型里，把外部电网等价成一个容量足够大的发电机组，它的碳排放强度按区域电网平均排放因子设置，比如 0.6 kgCO2/kWh。这个值不是固定的，如果你做实际项目，建议替换成目标年份、目标区域电网发布的平均排放因子。

分布式电源的接入位置则直接在对应节点上增加一台 sgen，并给每台机组设定自己的碳排放强度。光伏、风电的碳强度是 0，燃气轮机的碳强度大约 0.45 kgCO2/kWh。这样设置之后，模型中就有了不同“浓度”的碳源，节点之间才会出现碳势差异，可视化效果和物理含义都能兼顾。

边界条件的处理对整个计算结果影响极大。如果所有电源的碳排放强度设置相同，那么无论网络拓扑多复杂，算出来的所有节点碳势都会一样，这在物理上是自洽的，但教学上就没意思了。所以一定要至少设置两个不同碳强度的电源，才能观察到碳势在空间上的重新分布。

3. Python 实现：从潮流数据到碳势矩阵

3.1 环境准备与工具箱选择

这个项目依赖的工具不多，核心就三个库：pandapower、numpy、matplotlib，再加上可选的 plotly。

• pandapower：负责构建 IEEE33 网络、运行潮流计算、输出支路功率结果
• numpy：负责构建碳势矩阵方程和求解线性方程组
• matplotlib：负责静态单线图、热力图的绘制
• plotly：负责交互式可视化，方便鼠标悬停查看节点数据

安装直接用 pip 就能完成。如果网络环境不方便装那个比较重的页面式工具包，可以先只用 pandapower、numpy 和 matplotlib，可视化部分也能完整跑通，只是少了一点交互感。

我强烈建议不要自己手写潮流程序。市面上很多人学电力系统分析都从手写潮流开始，这确实是值得过一遍的底层功，但在碳势计算这个主题里，手写潮流只会把主题带偏。用成熟工具把潮流结果拿到，把精力放在碳势方程的构建和结果解读上，学习效率高得多。

3.2 Step1：构建 IEEE33 网络并运行潮流

pandapower 内置了 IEEE33 节点系统的标准算例，函数名是 case33bw。直接调用即可完成整个网络的构建，非常省事。

python复制import pandapower as pp

# 加载 pandapower 内置的 IEEE33 节点测试系统
# case33bw 返回一个 pandapower 网络对象，包含 bus、line、load、ext_grid 等表
net = pp.networks.case33bw()

# 运行潮流计算，默认是牛顿拉夫逊法
pp.runpp(net)

跑完潮流之后，net.res_bus 保存了每个节点的电压幅值和相角，net.res_line 保存了每条支路两端的有功、无功功率，net.res_ext_grid 保存了外部电网注入系统的功率。这些结果会直接作为碳势计算的输入。

这里有一个细节要提醒：case33bw 的基准电压是 12.66 kV，基准功率是 10 MVA，但 pandapower 内部已经做了标幺值换算，res_line 里输出的有功功率单位是 MW，直接取用即可，不需要再做一次单位换算。

3.3 Step2：提取支路功率并构建碳势方程

从潮流结果提取支路功率矩阵是碳势计算里最容易出错的环节。很多初学者直接把 p_from_mw 当成“从 i 流向 j 的功率”来用，但如果实际功率是从 j 流向 i，p_from_mw 会是一个负数。碳势方程的 P_ij 必须使用实际功率方向，所以需要先做一次方向判断。

python复制import numpy as np

n = len(net.bus)
# branch_power[i][j] 记录从节点 i 流入节点 j 的有功功率，单位 MW
branch_power = np.zeros((n, n))

for line in net.line.itertuples():
    i = int(line.from_bus)
    j = int(line.to_bus)
    p_from_mw = line.res_p_from_mw  # from_bus 侧流入线路的功率
    # 如果 p_from_mw 为负，说明实际功率从 to_bus 流向 from_bus
    if p_from_mw >= 0:
        branch_power[i][j] = p_from_mw
    else:
        branch_power[j][i] = -p_from_mw

我没有把 p_to_mw 也放进矩阵，因为在没有网损假设下，一条支路两端的功率差别就是线损，我们在教学模型里把线损忽略掉，直接使用送端功率作为整条支路的传输功率。如果你后续要做更高精度的分析，可以考虑通过把网损按负荷比例分摊到各节点。

支路功率矩阵准备好之后，再构造发电功率数组和发电碳强度数组。IEEE33 默认只有节点 0 接外部电网，如果要加分布式电源，需要在 net.sgen 里增加发电机，并在数组里对应位置填上该发电机的出力和碳排放强度。

构造完输入数据后，就可以构建碳势矩阵方程了。

python复制# 构建节点碳势方程 A @ e = b
# 对于节点 j：
#   e_j * (总注入功率) = sum(上游节点碳势 * 支路功率) + 本地发电碳贡献
A = np.zeros((n, n))
b = np.zeros(n)

for j in range(n):
    inflow_idx = []   # 上游节点编号
    inflow_val = []   # 对应支路功率（MW）
    for i in range(n):
        p_ij = branch_power[i][j]
        if p_ij > 0:
            inflow_idx.append(i)
            inflow_val.append(p_ij)

    # 对角元：所有注入功率之和（上游功率 + 本地发电）
    A[j][j] = sum(inflow_val) + gen_power[j]
    # 非对角元：上游节点 i 的系数，移项后取负号
    for i, p_ij in zip(inflow_idx, inflow_val):
        A[j][i] -= p_ij
    # 右端向量：本地发电功率 * 本地发电碳强度
    b[j] = gen_power[j] * gen_emission[j]

# 求解线性方程组，得到每个节点的碳势
carbon_potential = np.linalg.solve(A, b)

3.4 Step3：求解方程与结果后处理

用 np.linalg.solve 解这个方程即可。求解完之后，carbon_potential 就是一个长度为 33 的一维数组，对应 IEEE33 节点 0 到 32 的碳势。这个数组可以直接用来做可视化，也可以打印成表格，或者进一步计算各支路的碳流密度。

有一点要特别提醒：在构建系数矩阵 A 之前，一定要确认节点顺序和 pandapower 内部的 bus 索引一致。case33bw 的节点本身就是从 0 开始编号的，直接用就行，但如果你从外部导入别的网络文件，最好先打印 net.bus[['name']] 确认一下节点编号的对应关系，否则数据和节点对不上，后面全部白算。

3.5 精细代码注释的两种写法：讲“做什么”更要讲“为什么”

这个项目的标题里专门提到“精细代码注释”，说明这套代码并不仅仅是给自己跑的，还承担着教学和参考的功能。我写注释时遵循两条原则：注释业务逻辑，不注释代码语法；注释物理意义，不注释数学符号。

先看一个反例，这种注释在课程作业里特别常见：

python复制# 遍历所有线路
for line in net.line.itertuples():
    # 获取有功功率
    p = line.res_p_from_mw
    # 判断是否大于0
    if p > 0:
        ...

这种注释只是在用中文复述代码，没有任何增量信息。真正对学习者有帮助的注释应该告诉读者：为什么这里要判断正负，为什么这个分支走这条路，参数的含义是什么，算法依赖了哪个物理假设。

python复制# 判断 from_bus 到 to_bus 的实际潮流方向
# pandapower 的 res_p_from_mw 表示 from_bus 注入线路的功率，
# 如果为负，说明功率实际流向与线路参考方向相反。
# 碳势方程的支路功率必须按照“实际流向”来记录，
# 否则矩阵构建会出现负功率注入，导致碳势出现负值这类荒谬结果。

代码里的 docstring 也一样，开篇就写清楚函数输入输出、单位、依赖的数学模型，方便别人在还没有读代码细节之前先建立整体认知。注释写得越细，受益越大的其实是写注释的人自己——因为你必须先把公式和流程彻底想明白，才有可能把注释写得让别人也明白。

4. 可视化展示：碳势计算结果的直观呈现

4.1 可视化工具选型对比

碳势计算的结果是一组数字，但数字本身很难传递“碳势沿配电网空间分布”的信息。所以可视化不是锦上添花，而是碳势分析里真正承担解释功能的环节。我在这个项目里同时用了三套方案，各有侧重，下表是我个人使用后的感受：

4.2 单线图节点碳势热力展示

IEEE33 的单线图是最直观的展示形式。先手动定义每个节点的绘制坐标，然后根据节点碳势数值映射颜色，红色表示高碳势、绿色表示低碳势。这种做法相当于把碳势直接“画”在网络拓扑上，一眼就能看出低碳电源的影响范围。

python复制import matplotlib.pyplot as plt

# node_x、node_y 是手动整理的 IEEE33 单线图坐标，这里只展示核心绘图代码
sc = ax.scatter(node_x, node_y,
                c=carbon_potential, cmap='RdYlGn_r',
                s=200, zorder=3)
plt.colorbar(sc, label='节点碳势 (kgCO2/kWh)')

# 绘制支路连线
for line in net.line.itertuples():
    i = int(line.from_bus)
    j = int(line.to_bus)
    ax.plot([node_x[i], node_x[j]], [node_y[i], node_y[j]],
            color='gray', lw=1, zorder=1)

这里有一个小细节：色标范围不要直接用数据的最小值到最大值。如果所有节点碳势都集中在 0.5～0.6 之间，而某个节点是 0，默认色标会让大部分节点都显示成同一个颜色，视觉区分度很差。建议手动设置 vmin=0, vmax=0.6，让颜色映射的参考范围固定下来，这样不同场景之间的对比也更有意义。

4.3 支路碳流方向与大小可视化

节点碳势给出的是“浓度”，但碳在系统中的“流动路径”要靠支路碳流来展示。计算很简单，支路碳流功率等于支路有功功率乘以送端节点碳势。可视化时可以用箭头方向表示碳流方向，用线条粗细表示碳流大小。

python复制# 用 FancyArrowPatch 画碳流方向箭头
from matplotlib.patches import FancyArrowPatch

for i in range(n):
    for j in range(n):
        p_ij = branch_power[i][j]
        if p_ij <= 0:
            continue
        # 支路碳流功率 = 有功功率 * 送端节点碳势
        carbon_flow = p_ij * carbon_potential[i]
        # 线宽映射到碳流大小，直观显示“碳量”的多少
        lw = 0.5 + carbon_flow * 3
        arrow = FancyArrowPatch(
            (node_x[i], node_y[i]), (node_x[j], node_y[j]),
            arrowstyle='-|>', mutation_scale=12,
            linewidth=lw, color='green', alpha=0.6)
        ax.add_patch(arrow)

箭头越粗，说明这条支路运输的碳量越大；箭头越细，说明这条支路已经接近“零碳”，电能多来自本地清洁电源。这个可视化比单纯看碳势数值要具体得多，因为它把“碳从哪来、到哪去”的路径讲清楚了。

4.4 交互式图表的实现细节

静态图适合放进论文，但做课堂演示或者自己探索数据时，交互式图表更顺手。Plotly 实现起来也不复杂，把每个节点的碳势作为悬停信息，鼠标一放上去就能看到节点编号、碳势值、负荷功率等信息。

python复制import plotly.graph_objects as go

fig = go.Figure()
fig.add_trace(go.Scatter(
    x=node_x, y=node_y,
    mode='markers+text',
    text=[f'节点{i}' for i in range(n)],
    customdata=carbon_potential,
    hovertemplate='节点 %{text}<br>碳势:%{customdata:.3f} kgCO2/kWh<extra></extra>',
    marker=dict(size=14, color=carbon_potential,
                colorscale='RdYlGn_r', showscale=True,
                colorbar=dict(title='kgCO2/kWh'))
))
fig.show()

用 Plotly 之后，你可以在图上快速找到碳势最高的节点和最低的节点，甚至可以通过下拉菜单切换不同分布式电源配置场景，对比效果非常直观。如果是做课程答辩，这个交互图往往是全场记忆点最深的画面。

5. 仿真结果解读与常见问题排查

5.1 无分布式电源场景：为什么碳势处处相等

我先跑了最基础的场景：只有节点 0 的上级电网供电，碳排放强度设为 0.6 kgCO2/kWh，系统里没有分布式电源。算出来的结果可能有些反直觉——所有节点的碳势都等于 0.6。

这不是代码 bug，而是在忽略网损、只有一个碳源时数学上的必然结果。整个系统的电能都来自同一台“水龙头”，水里碳浓度相同，无论网络怎么分流，流到任何一个出水管口的浓度都不会变化。这个结果在物理上很合理，但它也说明了一个重要问题：单电源系统的碳势分布毫无信息量。要观察碳势空间差异，必须引入多个不同碳强度的电源。

5.2 多电源场景：低碳电源如何影响节点碳势

为了演示碳势的空间分布，我在三个节点分别接入了分布式电源：节点 18 接入 200 kW 光伏，节点 22 接入 150 kW 燃气轮机，节点 25 接入 300 kW 风电。光伏和风电的碳排放强度设为 0，燃气轮机设为 0.45。上级电网仍然通过节点 0 供电，碳强度 0.6。

我设置参数后跑出来的部分节点碳势如下：

注：这个表是我在默认负荷和电源出力下的仿真结果，具体数值会随负荷波动、电源出力比例变化而变化，但整体趋势是一致的。

从表里可以清楚看到几点。节点 25 因为直接接在风电机组旁边，碳势就是 0，这是最干净的区域；节点 22 和 24 受燃气轮机和风电共同影响，碳势降到 0.15～0.18，明显低于主干线；节点 18 和 20 被光伏覆盖，碳势降到 0.32 左右。越靠近低碳电源，碳势越低；越靠近上级电网入口，碳势越接近 0.6。这个空间梯度，正是碳势计算和可视化最想表达的信息。

5.3 计算过程中的典型问题与排查方法

我在调试过程中整理了一份快速排查表，基本上遇到问题可以先对号入座：

常见的坑里，支路功率方向问题是最隐蔽的。如果你发现某条支路碳流的箭头方向与潮流方向相反，多半就是构建矩阵时把 res_p_from_mw 的正负号判断漏了。建议在构建矩阵后，额外打印几行 branch_power 非零元素，人工抽查几个已知方向的支路，验证矩阵是否正确。

6. 学习建议与扩展方向

6.1 用这套代码入门碳计算的节奏

如果你是第一次接触碳势计算，我建议不要从头到尾把代码读一遍，而是按下面这个顺序走，效果会好很多：

第一步，先跑通完整代码，修改 EMISSION_FACTOR 和分布式电源位置，观察碳势图颜色变化，培养对结果的直觉。第二步，只读 calc_carbon_potential 函数里的矩阵构建代码，对着公式手推一遍节点 j 的方程，确认每个矩阵元素是怎么来的。第三步，自己在草图本上画一个 3 节点的星形网络，手算碳势，再用代码算一遍，两边结果对齐。第四步，动手在某个节点新增一台光伏，预测碳势分布变化，再跑代码验证。第五步，把可视化代码里的色标改成其他 colormap，观察视觉效果，顺便理解颜色映射对信息传达的影响。

这套节奏的核心是“先会跑，再会读，最后会改”。直接扑到代码细节里很容易迷失在矩阵操作里，反而忽略了碳势本身的意义。

6.2 从碳势到碳流