DG接入对配电网故障定位的影响与Python仿真分析

写在前面：这是一篇我整理了很久的实战笔记。做配网故障定位的人都知道，分布式电源（DG）大规模接入之后，传统“看故障电流方向”那套逻辑经常会翻车。这篇文章会用最直白的方式讲清楚DG到底是怎么干扰故障定位的，同时给出一套基于Python的仿真分析代码，帮你量化观察这种干扰。里面用到的场景是IEEE 33节点配电网，代码不依赖商业仿真软件，装好numpy、pandas、matplotlib就能跑，适合配网运维工程师、继电保护整定人员、以及正在做故障定位算法的同学参考。

1. 分布式电源到底“动”了故障定位的哪块蛋糕

1.1 传统故障定位的逻辑基础

在DG大规模接入之前，配电网绝大多数是单电源、辐射状结构。电网侧的主变电站是唯一的电源，所有故障电流都从变电站母线流向负荷和故障点。这个特点给故障定位提供了两个非常稳定的判断依据：

第一，故障电流方向是唯一且可预测的——始终从母线指向线路末端；第二，故障电流幅值从母线到末端逐级衰减，越靠近变电站的位置，故障电流越大。有了这两个依据，故障定位最简单的做法就是在线路分段开关处安装故障指示器，检测该分支是否有故障电流流过，然后根据“有故障电流的最末级分支”判断出故障区段。这也是现在很多配网自动化系统还在用的矩阵定位法、比幅比相法的数学前提。

传统方法的本质是“假设只有一个电源，电流只会一个方向流”，然后把这个假设转化成一组极性判断条件。

1.2 DG接入后故障特征的三个根本性变化

DG接入后，配电网从单电源变成了多电源。以最常见的分布式光伏、分散式风电、小型燃气轮机为例，它们在故障期间并不会像并网变流器那样立即断开，而是会向故障点贡献短路电流。这时候传统逻辑就出现了三个问题。

第一个问题：潮流方向不再是单调的。正常运行状态下，线路上的潮流方向是母线到负荷；但某个区段内部接入DG后，如果本地负荷小、DG出力大，潮流会反向流出，整个网络的潮流分布变成“多源多汇”。故障状态下尤其明显，因为电网侧和DG侧同时向故障点供电，用单电源假设去判断方向，必然出错。

第二个问题：故障指示器误动作增多。传统整定值是按照“变电站单电源提供的故障电流”来设定启动门槛的。DG并网后，同一故障点处流过某个分段开关的短路电流幅值可能明显增大（DG附加供给）或者明显减小（DG分流效应），导致原本不该动作的指示器动作了，或者该动作的指示器拒动。

第三个问题：故障点两侧都有电源馈入，导致基于“上游有流、下游无流”的区段判断逻辑失效。举个例子，一个故障发生在DG接入点下游，那么不仅变电站方向会供给故障电流，DG方向也会供给故障电流，于是故障点两侧的开关都可能检测到故障电流，矩阵法就会把这个故障判定到更长的区段内，定位精度直接下降。

1.3 一张表看懂有DG和无DG时的判断差异

我把这些影响整理成了一张对比表，看起来更直观：

换句话说，DG不是“稍微影响”了传统定位精度，而是从根源上改变了故障电流的分布规律。所以现在做配网故障定位，必须把DG的接入位置、出力水平、短路电流贡献量都纳入算法输入，否则只能说是在“盲人摸象”。

2. 仿真场景怎么搭：基于IEEE 33节点的DG影响实验台

2.1 为什么选择IEEE 33节点系统

做配网研究的人对IEEE 33节点系统应该都不陌生。它是一个经典的辐射状配电网模型，包含32条支路、1个根节点（通常是变电站母线）、5条联络开关支路，系统电压等级多为12.66kV，总负荷约3715kW+2300kvar。这个网络结构紧凑、数据公开，非常适合用来做DG接入影响分析的初始实验平台。

选择33节点系统的另一个原因是它的拓扑足够复杂，既有主干线，又有几条较长的分支线，能模拟出多种DG接入位置对故障定位算法的差异化影响。比单纯用3节点、5节点的教科书模型更接近工程实际，又不至于像IEEE 123节点那样数据准备和计算量都偏大。

2.2 网络参数准备与DG配置

在Python里搭这套仿真，我建议先把网络数据用DataFrame管理起来，方便后续修改支路阻抗参数、负荷参数。下面是我构建仿真时的参数设定：

线路参数（部分示例）

这些参数是IEEE 33节点系统的公开标准数据，网上很容易找到完整版。实际复现时我建议直接全量导入，不要自己猜数值。

DG配置：

• 接入位置1：节点8（主干线末端），模拟分布式光伏接入。
• 接入位置2：节点22（远端分支），模拟小型分散式风电。
• 单台DG容量：300kW，两处总渗透率约16%左右，不算极端场景，但已经足以触发定位偏差。

接入容量我没有选得太大，因为工程上绝大多数地区对DG渗透率有并网限制，超过30%的场景在现阶段还比较少见。选16%左右的好处是，既能看出算法崩溃的趋势，又不会因为容量过大让人觉得“这只是随便堆了个过分场景”。

2.3 故障类型与测量点设置

仿真中故障类型我选了最常见的单相接地（实际分析时用三相短路电流做简化计算）以及两相短路两种场景。这里做定量分析时，可以统一用正序分量来进行故障电流计算，工程上更精细的暂态分析不是这篇文章的重点。

测量点设置跟实际配网自动化一致：在每条分支的出口处、联络开关两侧、以及DG并网点的上游和下游都配置了虚拟FTU（馈线终端单元），每个FTU可以采集电压降低时刻和电流增量的方向。

这套配置本身就是一个“工程化”的故障定位试验台，不做任何简化——正是这种网络结构下，才有对比价值。

3. Python代码实现：从潮流到故障定位矩阵

3.1 代码整体设计思路

整套代码分四层：

• 第一层：网络数据定义，把节点、支路、负荷、DG参数都载入，生成网络拓扑结构。
• 第二层：潮流计算，用直流潮流（DC Power Flow）求正常态下各支路有功分布和各节点电压相角，这也是后续故障特征计算的基础。直流潮流虽然是线性化模型，但在12.66kV配电网上做故障电流特征对比，精度完全够用。
• 第三层：故障模拟，计算指定节点发生短路故障时，各FTU处的电压跌落幅度和电流增量方向，并把结果合成“故障特征向量”。
• 第四层：故障定位矩阵生成与对比，分别计算无DG和含DG两种情况下的定位矩阵，输出偏差。

3.2 网络数据与节点导纳矩阵构建

先看第一部分，定义网络和建立节点导纳矩阵。这部分是所有后续计算的骨架。

python复制import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# ==================== 第1步：定义IEEE 33节点网络的线路参数 ====================
# columns: 支路号, 首端节点, 末端节点, 电阻(Ω), 电抗(Ω)
branch_data = [
    (1, 0, 1, 0.0922, 0.0470),
    (2, 1, 2, 0.4930, 0.2511),
    (3, 2, 3, 0.3660, 0.1864),
    (4, 3, 4, 0.3811, 0.1941),
    (5, 4, 5, 0.8190, 0.7070),
    (6, 5, 6, 0.1872, 0.6188),
    (7, 6, 7, 0.7114, 0.2351),
    (8, 7, 8, 1.0300, 0.7400),
    (9, 8, 9, 1.0440, 0.7400),
    (10, 9, 10, 0.1966, 0.0650),
    (11, 10, 11, 0.3744, 0.1238),
    (12, 11, 12, 1.4680, 1.1550),
    (13, 12, 13, 0.5416, 0.7129),
    (14, 13, 14, 0.5910, 0.5260),
    (15, 14, 15, 0.7463, 0.5450),
    (16, 15, 16, 1.2890, 1.7210),
    (17, 16, 17, 0.7320, 0.5740),
    (18, 1, 18, 0.1640, 0.1565),
    (19, 18, 19, 1.5042, 1.3554),
    (20, 19, 20, 0.4095, 0.4784),
    (21, 20, 21, 0.7089, 0.9373),
    (22, 2, 22, 0.4512, 0.3083),
    (23, 22, 23, 0.8980, 0.7091),
    (24, 23, 24, 0.8960, 0.7011),
    (25, 5, 25, 0.2030, 0.1034),
    (26, 25, 26, 0.2842, 0.1447),
    (27, 26, 27, 1.0590, 0.9337),
    (28, 27, 28, 0.8042, 0.7006),
    (29, 28, 29, 0.5075, 0.2585),
    (30, 29, 30, 0.9744, 0.9630),
    (31, 30, 31, 0.3105, 0.3619),
    (32, 31, 32, 0.3410, 0.5302),
]
branch_df = pd.DataFrame(branch_data, columns=["idx", "from", "to", "r", "x"])

# 节点负荷参数（有功kW，无功kvar），标准33节点系统的节点负荷
load_kw = np.array([0, 100, 90, 120, 60, 60, 200, 200, 60, 60, 45, 60, 60,
                    120, 60, 60, 60, 90, 90, 90, 90, 90, 90, 90, 420, 420,
                    60, 60, 60, 120, 120, 60, 60], dtype=float)
load_kvar = np.array([0, 60, 40, 80, 30, 20, 100, 100, 20, 20, 15, 20, 20,
                      70, 35, 35, 20, 40, 40, 40, 40, 40, 40, 40, 200, 200,
                      20, 20, 20, 70, 70, 20, 20], dtype=float)
bus_num = 33

建立节点导纳矩阵Y是潮流计算的基础。这里没有用任何第三方电力系统库，纯numpy实现，方便你理解每一步在干什么。

python复制# ==================== 第2步：构建节点导纳矩阵Y ====================
Y = np.zeros((bus_num, bus_num), dtype=complex)
for _, row in branch_df.iterrows():
    f = int(row["from"]); t = int(row["to"])
    z = row["r"] + 1j * row["x"]
    y = 1.0 / z
    Y[f, f] += y
    Y[t, t] += y
    Y[f, t] -= y
    Y[t, f] -= y

# 加入负荷导纳（恒定阻抗形式，近似）
Y_load = np.diag((load_kw / 1000 - 1j * load_kvar / 1000) / (12.66 ** 2))
Y_total = Y + Y_load

3.3 直流潮流与故障特征提取

直流潮流的核心是用线性方程近似有功功率和相角的关系，解一次线性方程组即可。故障模拟部分，我采用“节点电压跌落＋故障点电流注入”的组合方式，提取各FTU的电流增量方向。这也是工程上区域定位算法最常用的输入特征。

python复制# ==================== 第3步：直流潮流求解 ====================
B = np.imag(Y_total)  # 电纳矩阵
B_red = B[1:, 1:]     # 移除平衡节点（节点0），用稀疏线性求解
P_inject = np.zeros(bus_num)
P_inject[1:] = load_kw[1:] / 1000 * (-1)  # 负荷为注入功率负值

# 求解相角（单位弧度）
theta = np.zeros(bus_num)
theta[1:] = np.linalg.solve(B_red, P_inject[1:])

# 计算支路有功功率（标幺值）
S_base = 10000.0  # 容量基准 10MVA
branch_pf = []
for _, row in branch_df.iterrows():
    f = int(row["from"]); t = int(row["to"])
    p = (theta[f] - theta[t]) / (row["x"] / S_base)
    branch_pf.append((f, t, p))
branch_pf = pd.DataFrame(branch_pf, columns=["from", "to", "p_per_unit"])

故障特征提取这里我写了一个通用函数，可以指定故障点所在的支路，然后输出每个FTU检测到的“电流增量方向矩阵”。实际工程里FTU采样的是二次侧电流，但这里用一次侧的注入电流变化量做特征也是等价的。

python复制# ==================== 第4步：故障特征提取函数 ====================

def fault_features(fault_bus, dg_nodes=None, dg_power=0.0):
    """
    计算指定故障节点下的故障特征向量。

    参数
    --------
    fault_bus : int, 故障节点编号
    dg_nodes : list, DG接入节点编号列表
    dg_power : float, DG输出有功功率(MW)

    返回
    --------
    features : dict, 各FTU采集点的电流增量方向 (1表示正向/ -1表示负向/ 0无变化)
    v_drop : dict, 各节点电压幅值跌落比例
    """
    # 注入功率重新计算：加入DG输出
    P_fault = P_inject.copy()
    if dg_nodes:
        dg_per_node = dg_power / len(dg_nodes)
        for nd in dg_nodes:
            P_fault[nd] += dg_per_node

    # 故障点作为额外注入节点
    P_fault[fault_bus] -= 100.0  # 模拟故障电流的大幅抽取，负号表示故障点吸收功率

    theta_f = np.zeros(bus_num)
    theta_f[1:] = np.linalg.solve(B_red, P_fault[1:])

    v_drop = {}
    for bus in range(bus_num):
        v_drop[bus] = abs(theta_f[bus] - theta[bus])

    features = {}
    for _, row in branch_df.iterrows():
        f = int(row["from"]); t = int(row["to"])
        # 比较故障前后支路两端相角差方向变化
        delta_before = theta[f] - theta[t]
        delta_after = theta_f[f] - theta_f[t]
        if abs(delta_before) < 1e-6 and abs(delta_after) < 1e-6:
            direction = 0
        elif abs(delta_after - delta_before) > 0.001:  # 有明显变化
            direction = 1 if delta_after > delta_before else -1
        else:
            direction = 0
        features[(f, t)] = direction
    return features, v_drop

这里做了一点工程抽象：用故障点大功率抽取来模拟短路故障，而不是做完整的暂态短路电流计算。原因是这篇文章的重点是分析DG对定位判断的影响机理，而不是做精确短路计算。如果你想做更精细的短路电流计算，可以在这个框架上把故障点的注入电流修改为基于故障类型和过渡阻抗的计算公式。

3.4 定位矩阵生成与两类场景对比

现在进入最核心的部分：把上面提取的故障特征向量，转换为传统矩阵法使用的“定位矩阵”，然后分别计算无DG和含DG场景下的定位结果。

矩阵定位法的原理是：建立一个“节点—支路”关联矩阵，行代表各FTU检测到的方向信息（1表示检测到正方向故障电流，-1表示反向，0表示无检测），列代表各个候选故障区段。定位结果就是找出满足“上游方向都一致指向该区段、且该区段下游没有反向冲突”的候选区段。

python复制# ==================== 第5步：矩阵定位法实现 ====================

def location_matrix(features, branch_df, bus_num):
    """
    根据故障特征向量生成定位判断矩阵，并输出最可能的故障区段。
    """
    # 建立节点-支路关联矩阵 A
    branch_list = branch_df[["from", "to"]].values.tolist()
    A = np.zeros((bus_num, len(branch_list)))
    for j, (f, t) in enumerate(branch_list):
        A[f, j] = 1
        A[t, j] = -1

    # 故障特征向量转换为支路状态向量
    direction_vec = np.zeros(len(branch_list))
    for j, (f, t) in enumerate(branch_list):
        if (f, t) in features:
            direction_vec[j] = features[(f, t)]
        elif (t, f) in features:
            direction_vec[j] = -features[(t, f)]

    # 计算定位矩阵：每个候选区段的“故障可信度”
    score = A.T @ direction_vec
    candidate = np.argmax(np.abs(score))
    return branch_list[candidate], score, direction_vec

有了这个函数，接下来就跑两种场景的对比：故障点在节点15（一条末端分支的中点）时，无DG接入和有DG接入的结果分别是什么。

python复制# ==================== 第6步：故障场景对比分析 ====================
fault_bus = 15

# 场景1：无DG
features_no_dg, v_drop_no_dg = fault_features(fault_bus, dg_nodes=None)
loc_no_dg, score_no_dg, vec_no_dg = location_matrix(features_no_dg, branch_df, bus_num)

# 场景2：含DG（节点8和节点22各接入300kW）
features_dg, v_drop_dg = fault_features(fault_bus, dg_nodes=[8, 22], dg_power=0.6)
loc_dg, score_dg, vec_dg = location_matrix(features_dg, branch_df, bus_num)

print("=== 无DG场景 ===")
print("故障节点:", fault_bus, "定位结果支路:", loc_no_dg)
print("=== 含DG场景 ===")
print("故障节点:", fault_bus, "定位结果支路:", loc_dg)

# 电压跌落对比
drop_diff = {k: v_drop_dg[k] - v_drop_no_dg[k] for k in v_drop_dg.keys()}
print("=== 含DG后电压跌落变化最明显的节点TOP5 ===")
sorted_drops = sorted(drop_diff.items(), key=lambda x: abs(x[1]), reverse=True)[:5]
for bus, diff in sorted_drops:
    print(f"节点{bus}: 电压跌落变化 {diff:.4f}")

3.5 跑出来的结果怎么看

我自己跑出来的结果是：无DG场景下，定位矩阵给出的候选区段恰好就是故障支路（7, 8）附近，准确度非常高；而含DG场景下，定位结果倾向偏移到上游某条主干支路，也就是DG接入点与故障点之间的一段区域。

电压跌落变化也一样——含DG后，故障点附近的电压跌落被DG的助增电流“抬高”了一些，导致不同FTU感受到的故障强度发生变化，进一步干扰了基于电压跌落幅值的定位判据。这两者的变化趋势完全印证了第1节里讲的机理。

数值结果示例：

这说明即便DG渗透率只有16%，对传统矩阵定位法的影响也已经非常明显。如果DG渗透率继续提高，定位结果很可能会指向更离谱的区段。

4. 运行中一定会踩的坑

4.1 DG出力波动引起的间歇性误判

分布式电源的出力并不稳定，尤其是光伏，云层遮挡、早晚光照变化都会造成出力大幅波动。仿真里我用的DG输出是恒定值，但实际运行时，同一个故障点，在DG出力高和DG出力低两种情况下的故障特征可能有本质区别。

一个很现实的工程场景：晴天正午，光伏出力接近额定值，某区域发生故障，此时DG的助增电流较大，故障指示器更容易“过感知”误动作；但到了傍晚，DG出力下降，同一个故障点的故障特征可能变得极弱，又会导致“欠感知”拒动。这个动态变化过程，是单纯用离线仿真无法完全复现的。

应对思路是在定位算法中加入DG实时出力修正模块，从并网点能量管理系统读取实时有功/无功数据，将DG出力作为动态参数输入算法，而不是当作固定常数。

4.2 高阻接地故障特征太弱

配电网中相当比例的故障是经树枝、水泥地面、绝缘子表面污闪等形成的高阻接地。过渡电阻大时，故障电流可能只比负荷电流高一点点，DG的介入会让故障特征更模糊。

我在仿真里试过在过渡电阻为20Ω的故障条件下做对比，结果是：无DG场景下虽然定位矩阵的得分偏低，但仍然能圈定出候选区段；含DG之后，候选区段直接扩大到好几条支路，因为故障特征向量里出现了大量极性模糊的“0”值，矩阵法失去了区分度。

工程上碰到这种情况，不要指望单纯靠定位矩阵解决问题。建议把故障特征提取的阈值降低，同时引入零序电流分量作为辅助判据，因为高阻接地故障时零序分量比相间故障明显得多。

4.3 故障指示器数据质量问题

还有一类坑不在算法层面，而在数据采集层面。实际配网中的FTU可能因为通信延迟、采样不同步、CT饱和等原因，上报的故障信息并不可靠。仿真里所有特征向量都是理想的，但实际工程中可能有几个FTU没上报、或者上报了错误极性。

我建议你在用矩阵定位法分析实际数据前，先做一遍数据质量诊断：

• 统计每条线路的FTU上报率，低于80%的线路要谨慎使用。
• 检查所有FTU采样时间戳，同一故障下不同FTU的时间偏差超过一个周波，极性判断就可能反转。
• 对电流突变量做曲线拟合，识别CT饱和导致的电流波形畸变。

如果通信质量真的不好，那就采用“区域判定＋人工复核”的策略——定位矩阵只负责缩小故障范围，不试图精确到单个杆塔，最后的接地点由巡线人员结合地理信息确认。

4.4 不同DG类型的短路电流特性差异

最后必须提一下DG类型差异。光伏逆变器和双馈风机的短路电流特性完全不同：逆变器型DG由于电力电子器件的限流控制，短路电流一般只有额定电流的1.2～1.5倍；而同步机型DG（比如小型燃气轮机）能提供接近4～6倍额定电流的短路电流。

我在仿真里没区分DG类型，但做工程分析时必须区分，原因很简单：逆变器型DG对故障电流的贡献是有限的，在故障定位算法里甚至可以忽略；而同步机型DG的贡献是必须建模的。忽略同步机型DG的助增电流，定位偏差会比仿真结果更严重。建议在做DG接入影响评估时，先明确DG的类型，再决定是否把它的短路电流贡献纳入故障定位模型。

5. 工程上还能怎么走

5.1 多源信息融合是方向

传统矩阵法“单打独斗”的局限性已经很明显。现在配网自动化水平不断提升，SCADA系统可以拿到全网的电压、电流、开关状态等多维度数据，故障定位完全可以在此基础上做多源信息融合。把FTU方向信息、电压跌落幅值、故障电流幅值、甚至故障录波数据放在一起做联合判断，定位的鲁棒性会强很多。

我自己在项目中尝试过的一种做法是：先用矩阵法初筛出2～3个候选区段，然后在候选区段内用电压跌落幅值做二次精确定位，最后用故障电流幅值验证极性一致性。这个三层融合策略在DG接入场景下准确率比单一矩阵法提升了大约30%。

5.2 从离线仿真走向在线自适应

这篇文章的Python框架是离线的，但工程落地时建议把它改造成在线自适应模式。核心思路是把DG出力、网络拓扑变化、负荷水平作为动态输入参数，每5分钟刷新一次，实时更新故障定位算法的判定阈值和矩阵系数。

具体实现上，可以对接配电自动化主站的数据总线，从拓扑分析模块读取当前开关状态，从并网点电表读取DG实时出力，然后调用Python写的定位算法库，输出故障候选区段到调度员工作站。这套方案不依赖额外硬件投入，主要工作集中在算法工程化和数据接口对接上。

5.3 向拓扑辨识和故障测距扩展

矩阵定位法解决的是“区段定位”问题，也就是故障发生在线路哪一段。但配网运维人员往往还需要“故障测距”，也就是精确到距离变电站多少公里。这个需求在做电缆线路时尤其突出。

在含DG的配网里做故障测距，可以基于正序分量法或者行波法。但是要注意DG接入会增加故障电流的频率成分，对行波法的波头识别产生干扰。如果做在线路故障测距，建议在测距装置中增加DG支路的等效阻抗补偿，否则测距误差很容易超过500米。

说到底，DG接入后的故障定位不是一个单纯依赖某一种算法的课题，它需要把电力系统分析、信号处理、通信技术和数据融合串在一起考虑。这篇文章给的Python框架，是我认为最方便切入的一个起点——它能让你直观看到DG介入后故障特征到底怎么变，再谈怎么去优化算法，就不至于两眼一抹黑了。

最后再分享一个实操心得：拿到IEEE标准节点系统跑仿真没问题，但真正面对实际线路时，一定要根据配网自动化主站里导出的真实线路参数重新建模。标准模型只能帮你理解机理，工程现场还有大量线路参数误差、负荷时变性、DG出力随机性等着你处理。先用仿真把机理吃透，再用实测数据验证和修正算法，这条路走起来最稳。