含分布式电源配电网可靠性评估的序贯蒙特卡洛模拟与Matlab实现-代码聚汇网

配电网可靠性评估这个方向，我在读研的时候啃了整整一年，从看着IEEE RBTS测试系统大眼瞪小眼，到能自己动手把分布式电源的时序特性塞进评估模型，中间的坑踩得相当扎实。刚接触这个课题的朋友，或者准备拿它当毕业设计题目的同学，我可以很负责任地告诉你：这个题目最大的难点不在可靠性理论本身，而在怎么把分布式电源（DG）那种"看天吃饭"的随机性和时序性，跟传统配电网的可靠性评估模型揉在一起。今天我就把这个过程完整拆开来讲，包括原理、Matlab实现思路、还有我当年调代码时遇到的几个典型问题。

1. 项目核心思路与方案选型拆解

1.1 为什么传统的可靠性评估方法不够用了

传统配电网可靠性评估之所以成熟，是因为它的结构相对简单：一个辐射状网络，电源点在根节点，负荷顺着馈线往下挂，故障发生后靠分段开关、联络开关这些设备来隔离和转供。评估方法也基本定型——故障模式后果分析法（FMEA）、最小割集法、网络等值法，跑出来的指标像SAIFI、SAIDI、CAIDI、ENS这些，都有一套现成的公式。

但分布式电源一接入，局面就变了。风机、光伏这些电源出力随机波动，而且出力曲线和负荷曲线往往不同步；更关键的是，当配电网发生故障进入孤岛运行状态时，DG能不能支撑起孤岛内的负荷，取决于故障时刻的出力水平，这就把可靠性评估从"静态拓扑计算"推向了"时序模拟"。

我一开始也想过用解析法扩展：把DG当成一个多状态电源，用马尔可夫模型描述它的出力状态，然后枚举所有组合。但仔细一算就放弃了——单个DG的出力可能分几十个状态，多个DG组合之后状态数爆炸，解析法枚举组合在工程上根本不现实。所以最终方案锁定在序贯蒙特卡洛模拟法上。

1.2 序贯蒙特卡洛模拟法为何是首选

序贯蒙特卡洛的核心思想其实很简单：在时间轴上一步步往前推，每个时间步模拟系统元件的运行/故障状态，结合DG的时序出力模型和负荷时序曲线，统计整个模拟周期内的停电事件，最后用统计平均得到可靠性指标。

这个方案最大的优势在于天然契合时序特性。DG出力和负荷都是随时间变化的量，序贯模拟可以在每个时间步精确知道当前时刻DG能发多少电、负荷需要多少电，从而判断孤岛能否成立，而不是像非序贯抽样那样只能用年平均数去近似。对含DG配电网而言，这种时间分辨率的差异会直接导致可靠性指标出现显著偏差。

我选Matlab实现而不是C++、Python，理由很实在：Matlab的矩阵运算和内置统计工具箱能大幅缩短开发周期，而且在电力系统领域，Matlab的生态积累很厚——MATPOWER可以算潮流，各种测试系统的数据文件也好找。虽然Matlab跑大规模序贯仿真（几万个模拟年）确实慢，但配电网可靠性评估更看重模型的灵活性和可调试性，Matlab在这个维度上优势非常明显。

1.3 整体方案的技术路线

整个项目我按下面这条线推进，每一步都有明确产出，如果你也打算复现，建议不要跳步：

数据建模：配电网拓扑参数（馈线长度、阻抗、节点负荷）、开关配置（分段开关、联络开关）、DG配置（类型、容量、接入位置）、元件可靠性参数（故障率、修复时间）。
负荷时序曲线建模：典型日96点（15分钟一个点）或8760小时负荷曲线。
DG时序出力建模：光伏出力主要受光照强度影响，风机出力主要受风速影响，需要考虑它们的随机性和时序性。
序贯蒙特卡洛模拟主程序：元件状态抽样、故障事件判断、故障影响分析、孤岛划分与DG支撑判断、可靠性指标统计。
结果可视化与灵敏度分析：绘制指标随光伏容量、渗透率、接入位置变化的曲线。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 配电网可靠性评估的核心原理与指标体系

2.1 序贯蒙特卡洛模拟的数学框架

序贯蒙特卡洛模拟的时间推进方式有两种：一种是固定时间步长法，把整个模拟周期（比如一年8760小时）细分成等间隔的时间片（比如1小时），在每个时间片内判断元件状态；另一种是状态持续时间抽样法，对每个元件分别抽样它的"正常运行时长"和"故障修复时长"。

我做了个对比评估，直接说结论：固定时间步长法更适合含DG系统。为什么？因为DG出力和负荷本身就是以小时或更细粒度为单位的时序数据，固定步长能让DG时序模型和元件状态模型“同频共振”，避免状态持续时间抽样法中“事件发生在哪一时刻，此刻DG出力是多少”的匹配尴尬。代价是计算量偏大——一个模拟年就要8760个时间步，通常要模拟几千个模拟年才能让指标收敛。

元件状态转移的数学模型是这样的：对每个可修复元件i，用两个时间变量TTF（Time To Failure）和TTR（Time To Repair）来描述。在每个时间步，如果元件处于正常运行状态，则累加运行时间，当运行时间超过TTF时，元件转入故障状态，并抽样新的TTR；如果元件处于故障修复状态，则累加修复时间，当修复时间超过TTR时，元件恢复运行，同时抽样新的TTF。

$$TTF_i = -\frac{1}{\lambda_i} \ln(U_1)$$
$$TTR_i = -\frac{1}{\mu_i} \ln(U_2)$$

其中$\lambda_i$是元件i的故障率（次/年），$\mu_i$是修复率（次/年），$U_1$和$U_2$是[0,1]均匀分布的随机数。这里有个Matlab实现细节：用exprnd(1/lambda)可以一次生成TTF，比手写-log(rand)/lambda更直观，结果是一样的。

2.2 可靠性评估指标体系与计算方式

配电网可靠性指标分三大类：持续性指标、充足性指标、经济性指标。我表格整理一下最常用的几个：

指标名称	缩写	含义	计算公式
系统平均停电频率	SAIFI	每个用户平均停电次数	用户停电总次数 / 总用户数
系统平均停电持续时间	SAIDI	每个用户平均停电时间	用户停电总时长 / 总用户数
用户平均停电持续时间	CAIDI	停电用户平均每次停电时长	用户停电总时长 / 用户停电总次数
平均供电可用率	ASAI	供电时间占总时间的比例	用户总供电小时数 / (用户数×8760)
期望缺供电量	ENS	系统全年总缺供电量	各次停电事件缺供电量之和
平均系统缺电频率	ASIFI	按容量加权的停电频率	停电容量 / 系统总容量

这里我要特别提醒一个易错点：ENS的统计不是简单的"负荷功率×停电时长"，因为含DG后，停电期间可能有孤岛支撑，负荷能通过分布式电源继续供电一部分。所以每个节点的缺供电量应该是该节点在停电期间未被DG支撑的负荷功率积分。也就是说，只有在故障导致节点完全失电、且DG无法支撑的情况下，才算全额缺电；如果孤岛成立，那么孤岛内负荷的停电时长要按实际未供电时间段来计算。

2.3 分布式电源的时序出力特性对评估的影响

DG对配电网可靠性的影响是双面的，这个在论文里经常被美化，但实际做仿真时你会发现情况复杂得多。

正面效应主要体现在故障后的孤岛运行：上游发生永久性故障后，如果故障点下游存在DG，且DG容量足够带动孤岛内的负荷，就可以通过断开分段开关形成孤岛，减少停电范围。这相当于改变了传统辐射状配电网"一变停电、全线停电"的命运。

负面效应却常被忽视：DG的随机性本身就是一种新的不确定性来源。举个例子，假设某馈线下游接了一个光伏电站，平时白天出力能带起孤岛，但如果故障恰好发生在夜间或者阴雨天，光伏出力接近零，孤岛根本形成不了。这个"时间巧合性"如果不用时序模拟，根本捕捉不到。我做过一个对比实验，用年均出力来近似光伏时，ENS指标比用时序模型乐观了将近一半——这个偏差已经足以误导工程决策了。

3. Matlab代码实现的核心模块与实操细节

3.1 数据建模与初始化

我强烈建议所有拓扑数据、可靠性参数、DG数据都通过结构的Excel表格或.mat文件统一管理，而不是硬编码在代码里。这样后面做灵敏度分析、更换测试系统时，改数据就行，不用改代码。

下面是一个典型的数据结构，我用结构体数组来组织：

matlab复制%% 基础参数设置
sim.years = 2000;            % 模拟年数
sim.dt = 1;                  % 时间步长，单位小时
sim.steps = 8760;            % 每年时间步数
sim.burn_in = 200;           % 预热年数，不计入统计

%% 拓扑结构定义（以IEEE 33节点系统为例）
% bus: 节点编号 [编号, 有功负荷(kW), 无功负荷(kvar), 用户数]
bus = [
    1,    0,    0,    0;
    2,  100,   60,   67;
    3,   90,   40,   60;
    % ... 完整33节点数据略
];

% branch: 支路数据 [起点, 终点, 长度(km), 故障率(次/年/km), 修复时间(h/次)]
branch = [
    1,  2, 0.5, 0.065, 5.0;
    2,  3, 0.4, 0.065, 5.0;
    % ... 完整数据略
];

%% DG参数设置
dg.type = 'PV';              % 类型：PV/WG/Storage
dg.bus = 18;                 % 接入节点
dg.capacity = 300;           % 额定容量 kW
dg.power_curve = [];         % 时序出力标幺值曲线，8760×1

%% 可靠性参数
lambda_branch = 0.065;       % 馈线故障率 次/(km·年)
r_branch = 5.0;              % 平均修复时间 小时
lambda_switch = 0.003;       % 开关故障率 次/年

初始化阶段有个容易被忽略的点：随机数种子。如果你打算复现或对比实验，必须在开头设置rng(2024)类似的种子，否则每次跑出来的结果都不一样，无法判断指标差异是方案不同导致的还是随机波动导致的。

3.2 负荷与DG时序出力建模

负荷时序数据我用的是IEEE-RTS系统标准的8760小时负荷数据，归一化后乘上各节点峰值负荷。很多文献直接假定负荷是常数，这在含DG研究中会严重高估DG的支撑效果——因为负荷低谷期恰好是光伏出力高峰期的可能性很大，常数负荷就把这种相关性过滤掉了。

光伏出力模型，我推荐直接采用Beta分布抽样并叠加时序基础值的方式。每个时刻的太阳辐照度服从$Beta(\alpha, \beta)$分布，其中$\alpha$和$\beta$与一天中的时刻有关。简化处理时，可以用下面的解析式先算出理论晴空辐照度上限：

matlab复制% 生成8760小时光伏出力标幺值曲线
% solar_elevation_angle 为该小时太阳高度角（弧度）
hour = mod(0:8759, 24)';
solar_irradiance = zeros(8760, 1);

for t = 1:8760
    % 白天时间 (6:00-18:00) 才有光照
    if hour(t) >= 6 && hour(t) <= 18
        % 简化正弦形状的光照强度曲线
        base_irr = sin(pi * (hour(t) - 6) / 12);
        % 叠加Beta分布随机扰动模拟云层影响
        alpha = 2; beta = 5;
        random_factor = betarnd(alpha, beta);
        solar_irradiance(t) = base_irr * random_factor;
    end
end

% 考虑光伏板转换效率和温度修正（简化）
pv_efficiency = 0.85;
dg.power_curve = solar_irradiance * pv_efficiency;

实际光伏数据如果有历史辐照度数据，直接插值成8760小时更好。我这里给的是通用骨架，你的场景里如果只有日峰值辐照度，也只需要修改这一段的输入部分，输出结构保持一致就行。

风机出力模型稍微复杂一点，需要风速—功率转换关系。风速分布通常用Weibull分布拟合，风速到出力的转换有二次和三次分段多项式两种简化模型。更精确的做法是用厂家提供的功率曲线逐点查表。模拟时先在每个时刻抽样一个风速，再查功率曲线，这样得到的出力自然带有随机性。

matlab复制% 风速Weibull分布抽样 - 形状参数k和尺度参数c需要实际历史数据拟合
k = 2.0;
c = 6.5;
wind_speed = wblrnd(k, c, 8760, 1);

% 简化的风机功率曲线
v_in = 3; v_rated = 12; v_out = 25;  % 切入、额定、切出风速 m/s
P_rated = 1.0;                      % 额定功率标幺值

wind_power = zeros(8760, 1);
for t = 1:8760
    v = wind_speed(t);
    if v < v_in || v >= v_out
        wind_power(t) = 0;
    elseif v < v_rated
        wind_power(t) = (v - v_in) / (v_rated - v_in) * P_rated;
    else
        wind_power(t) = P_rated;
    end
end
dg.power_curve = wind_power;

3.3 序贯蒙特卡洛模拟主循环

主循环是整个程序的心脏，逻辑上分四步：元件状态推进、故障事件筛选、故障后果分析、指标统计。我贴的核心代码会直接给出这四步的框架，稳定性优先，性能优化放在后面讲。

matlab复制%% 初始化状态数组
[br_num, ~] = size(branch);
next_failure_time = exprnd(1 ./ lambda_branch, br_num, 1);  % 下一次故障时刻(h)
repair_time_left = zeros(br_num, 1);                        % 剩余修复时间

% 指标累加器
total_customer = sum(bus(:, 4));
sum_freq = 0;          % 停电次数合计
sum_duration = 0;      % 停电时长合计
sum_ens = 0;           % 缺供电量合计

%% 主模拟循环
for year = 1:sim.years
    for t = 1:sim.steps
        current_time = (year - 1) * 8760 + t;
        
        %% 步骤1: 元件状态推进
        for i = 1:br_num
            if repair_time_left(i) > 0
                % 正在修复中
                repair_time_left(i) = repair_time_left(i) - sim.dt;
                if repair_time_left(i) <= 0
                    % 修复完成，重新抽样下一次故障时间
                    next_failure_time(i) = current_time + exprnd(1 / lambda_branch(i));
                end
            else
                % 正常运行，检查是否该故障了
                if current_time >= next_failure_time(i)
                    % 发生故障
                    repair_time_left(i) = r_branch;  % 设定修复时间
                    % 记录故障事件
                    fault_branch = i;
                    % 执行故障后果分析（步骤2和步骤3）
                    [affected_buses, outage_duration, ens_loss] = ...
                        fault_analysis(fault_branch, current_time);
                    % 更新指标
                    sum_freq = sum_freq + length(affected_buses);
                    sum_duration = sum_duration + sum(outage_duration);
                    sum_ens = sum_ens + ens_loss;
                end
            end
        end
    end
end

%% 计算可靠性指标
SAIFI = sum_freq / (sim.years * total_customer);
SAIDI = sum_duration / (sim.years * total_customer);
CAIDI = sum_duration / max(sum_freq, 1e-6);
ENS_annual = sum_ens / sim.years;

这段框架代码没有包含开关操作和孤岛判断的细节，因为那些逻辑都在fault_analysis函数里。我单独把故障后果分析拆出来讲，这是整个项目最复杂的部分。

3.4 故障后果分析与孤岛判断

故障后果分析的核心逻辑是：找到故障支路后，判断哪些负荷节点会受影响，以及影响是"完全失电"还是"经过转供恢复"还是"由DG孤岛供电"。这个判断在Matlab里实现时，最方便的方式是利用稀疏矩阵和拓扑搜索。

matlab复制function [affected_buses, outage_duration, ens_loss] = fault_analysis(fault_branch, current_time)
    % 输入: 故障支路编号, 当前时刻
    % 输出: 受影响负荷节点, 停电持续时间(h), 缺供电量(kWh)
    
    global bus branch adj_matrix load_profile dg;
    
    % 找到故障支路的上下端节点
    from_node = branch(fault_branch, 1);
    to_node = branch(fault_branch, 2);
    
    % 通过深度优先搜索判断下游负荷节点
    % （这里假设故障支路的潮流方向是从from_node流向to_node）
    downstream_nodes = dfs_downstream(from_node, to_node, adj_matrix);
    
    % 遍历下游节点，判断每个节点是否可以转供或者由DG支撑
    affected_buses = [];
    outage_duration = [];
    ens_loss = 0;
    
    for node = downstream_nodes'
        % 判断该节点是否处于DG孤岛范围内
        dg_support = check_dg_support(node, fault_branch);
        
        if dg_support
            % DG可以支撑该节点，停电时间为0（但是容量有限制时可能部分负荷失电）
            [support_power, total_load] = get_node_power(node, current_time);
            if support_power < total_load
                % DG出力不足以带起全部负荷，切除部分负荷
                curtailed = total_load - support_power;
                affected_buses = [affected_buses; node];
                outage_duration = [outage_duration; find_outage_time(node, fault_branch)];
                ens_loss = ens_loss + curtailed * outage_duration(end);
            end
        else
            % 无法转供也无法DG支撑，全额停电
            affected_buses = [affected_buses; node];
            od = find_outage_time(node, fault_branch);
            outage_duration = [outage_duration; od];
            ens_loss = ens_loss + get_node_load(node, current_time) * od;
        end
    end
end

孤岛判断这里有一个关键细节我吃过亏：必须判断DG到负荷节点之间的电气连通性。DG接入在18号节点，如果故障在18号节点上游，那么18号及之后的其他节点可以实现孤岛；但如果故障发生在两个节点之间，而DG又接入在故障点上游，那么下游节点根本没有电源支撑。初学者最容易犯的错误就是只看"DG接入在故障点下游"这一条，忽略了电气路径。

关于孤岛形成的时序逻辑：故障发生后，调度自动化系统需要一定时间来判断和操作开关，这个切换时间通常设为1小时左右。也就是说着故障发生后的第1个小时内，负荷可能还是完全失电状态，DG还没来得及形成孤岛。所以严谨的做法是在故障分析里加上一个switching_time变量，停电时间从故障发生时刻算起，减去DG实际投入时刻。我在早期版本里忽略了这个切换时间，SAIDI偏低了不少。

4. 完整实操过程与参数整定细节

4.1 测试系统选择与数据处理

我用的主测试系统是IEEE RBTS Bus 6，也就是IEEE 32节点测试系统，这个系统有两个关键优势：一是拓扑规模适中（4条馈线、32个节点、23条支路），单次序贯蒙特卡洛模拟可以在可接受的时间内跑完；二是文献里参考值和对比数据丰富，你自己评估完后可以跟已有论文的基准值做对照，验证程序正确性。

RBTS 6的原始数据在不少开源代码库都能找到，但需要注意单位换算——有些文献给的是标幺值，有些给出的是有名值，混着用在可靠性计算时很容易出错。我的习惯是全部转换成有名值：支路长度用km，负荷功率用kW，故障率用次/年。

DG接入方案，我做了三组对比：

方案A：不接DG（基准场景）
方案B：在节点18接300kW光伏
方案C：在节点22接300kW风电

这里接入位置选18和22是有讲究的，他们分别在主馈线的中后段，能够代表"故障下游还有较长馈线段和多个负荷"的典型场景。如果你自己设计实验，建议至少选一个靠近馈线末端的节点，一个靠近馈线首端的节点，这样能看出来DG位置对可靠性改善的灵敏度。

4.2 模拟年数与收敛性判定

蒙特卡洛模拟的误差与模拟年数的平方根成反比，所以模拟年数直接决定了结果可信度。我一开始图快只跑500年，结果ENS的波动幅度超过15%，完全没法用。后来改用自适应收敛判据：每跑完一批（比如每200年），算一次ENS和SAIFI的方差系数$\beta$：

$$\beta = \frac{\sigma}{\mu \sqrt{N}}$$

其中$\sigma$是指标标准差，$\mu$是指标均值，$N$是模拟年数。当$\beta$小于0.05时判为收敛。以RBTS 6跑下来，SAIFI的收敛速度较快，大概800年左右；ENS收敛要慢一些，通常需要1500到2000年。所以我在仿真参数里默认设定sim.years = 2000，并在代码里加了实时显示beta值的功能，你可以看着它慢慢变小。

还有一个容易踩的坑：预热期（burn-in）不能省。序贯蒙特卡洛模拟要求系统从稳态——运行状态开始模拟，初始所有元件都处于正常状态，相当于人为引入了初始条件。为了避免初始状态对统计结果造成偏差，前200年（约175万小时）的统计量不应该计入指标累加器，只让系统“转起来”。这个处理在sim.burn_in里已经体现。

4.3 DG渗透率与容量配置的灵敏度分析

做完基础场景后，我进一步做了渗透率灵敏度分析。渗透率定义为DG总容量占系统峰值负荷的比例：

$$\text{渗透率} = \frac{\sum P_{DG}}{P_{peak,load}} \times 100%$$

以光伏为例，我依次设置渗透率从0%到60%，每种渗透率下跑2000年模拟，记录ENS和SAIFI的变化。结果是两个明显趋势：

ENS先快速下降后趋于饱和：渗透率从0%到20%时，ENS下降最快，改善效果显著；超过40%后，ENS下降速度明显放缓。原因很简单——DG对可靠性的改善受限于故障期间DG能否支撑负荷，而支撑能力又受限于故障位置、时刻和孤岛范围，不是容量越大效果就线性越好。
SAIFI改善幅度远小于ENS：这说明DG主要是通过"减少停电时间"来提升可靠性，而不是"减少停电次数"。停电次数主要由故障事件频次决定，DG不改变故障本身的发生频率，但能缩短故障影响时间。

这个结论对实际规划很有价值：配电网里装DG不能只盯着渗透率数字，更高的渗透率在可靠性维度的边际收益递减，还要综合考虑经济性、保护整定等其他因素。

4.4 参数设置对结果影响的敏感性检验

大量参数里，我得提醒你区别对待。馈线故障率$\lambda$和修复时间$r$这类有效性参数，在整个评估模型中起“骨干”作用，它们直接决定了基准指标的大小，任何误差都会被成比例放大。所以在设置这些参数时，一定要引据可靠的标准数据来源，像IEEE标准测试系统的可靠性数据就不要随意改动。

而DG时序曲线的偏差对结果的影响是“结构性”的——光伏曲线整体平移1小时（相当于时区错误）造成的影响，远比β分布参数从(2,5)改成(3,4)大得多。原因在于系统负荷峰值时段和DG出力的重叠程度才是决定孤岛支撑水平的关键，曲线形状差异相对次要。这是我实验后得出的经验，也算是一个可以省时间的建模思路。

5. 常见问题排查与避坑实录

5.1 Matlab实现中的典型报错与性能陷阱

问题1：循环太慢，2000年模拟跑到天荒地老。Matlab的for循环确实慢，但配电网规模小（几十个节点）时，单年循环的操作量并不大。真正的大坑是别把fault_analysis函数内部的搜索写成递归或频繁访问全局变量。我在优化时做了三件事：预设好邻接矩阵避免运行时搜索、把负荷和DG出力数据提前向量化、故障分析里用逻辑索引代替循环。

问题2：随机数流不稳定导致结果不可复现。记住每个脚本开头统一设置rng(N)，N为固定整数。另外要提醒一点，在并行计算工具箱里（如果有用到它来加速），不同的worker会有独立的随机数流，需要显式控制，否则结果更不可复现。

问题3：状态变量初始化错误导致负的TTR。exprnd(1/lambda)生成的期望是1/lambda，但如果你把单位搞混——比如lambda用的次/年，时间单位用的小时——就会出现数量级错误。我的统一做法是全程使用小时作为时间单位，lambda从次/年除以8760换算成次/小时。

5.2 孤岛范围判断的逻辑边界问题

孤岛判断是出错频率最高的地方。我遇到过的典型逻辑漏洞包括：故障支路本身就在孤岛路径上却仍然把下游节点视为可被DG支撑；跨越联络开关把非本馈线负荷误划入孤岛范围；以及DG节点本身在故障上游，却把下游节点也纳入DG出力范围。

解决这个问题我后来改用基于连通矩阵的方法：构建一个n×n的邻接矩阵，故障发生时，把故障支路对应的元素置零，然后查找DG节点到目标节点是否仍然存在连通路径。Matlab里这个查通性的操作，直接用graph对象：

matlab复制% 创建图对象并移除故障支路
G = graph(adj_matrix);
G = rmedge(G, from_node, to_node);
% 检查DG节点和目标节点是否连通
paths = shortestpath(G, dg.bus, target_node);
if ~isempty(paths)
    % 连通，DG可以支撑
else
    % 不连通，DG无法支撑
end

这种方式比DFS手写可靠得多，代码也少很多。

5.3 结果合理性校验的经验

程序写完后，先别急着跑大规模实验，做三个合理性检验：

第一，零DG场景对照。不接入DG时，ENS和SAIFI要跟文献基准值比，偏差超过10%就要回头查数据。基准值可以从IEEE相关论文里找，RBTS Bus 6的基准值早就是公开数据了。

第二，极端场景检验。把DG容量设成无穷大（实际用一个极大值），看ENS是否趋近于零——应该趋近于零，因为故障都能被DG支撑；再把DG容量设为零，结果应该与基准场景一致。用CS架构的思路说，就是先做最基础的单元测试，再上集成测试。

第三，单调性检验。渗透率从0%逐步升高时，ENS和SAIDI应该单调不增（至少不该出现明显恶化）。如果出现某个渗透率下可靠性反而变差的现象，不要急着下结论说DG有负面影响，先查是不是孤岛划分逻辑出了bug——我遇到过类似现象，最后定位到是DG接入位置导致某种特殊的潮流返送情况，属于孤岛内节点间功率分配实现的缺陷。

6. 工具版本选择与运行环境配置

6.1 Matlab版本与工具箱要求

这个项目对Matlab版本的要求不算苛刻，基础功能在R2018b以后都能正常运行。但有两个工具箱建议安装：Statistics and Machine Learning Toolbox（用于exprnd、betarnd、wblrnd这些概率分布抽样函数）和Graph Toolbox（用graph对象做拓扑连通性分析）。

如果没有Statistics工具箱，也不是不能用——用-log(rand)/lambda代替exprnd，用逆变换法手写Beta分布抽样也能实现，但代码会多许多。我之前在一台没装工具箱的机器上跑过，纯粹为了验证代码可移植性，虽然可以用，但没必要在新环境里折磨自己。

MATLAB的并行计算工具箱（Parallel Computing Toolbox）对这个项目是“锦上添花”而非“雪中送炭”。原因是蒙特卡洛模拟本身是天然并行的，理论上可以把你所有的CPU核心都利用起来，但我实测过，当模拟规模在2000年以内、节点数32个时，并行化的加速比只有3~4倍，却引入了Random stream同步的额外复杂度。建议先跑通串行版，最后再考虑并行。

6.2 与MATPOWER等外部工具箱的配合场景

如果项目不只需要可靠性评估，还要求故障后重新计算孤岛内的潮流分布，检验电压约束或者线路容量约束，那就需要在故障后果分析之后调用潮流计算。MATPOWER提供现成的潮流求解器，但需要把配电网数据转换为MATPOWER的bus/branch格式，makeYbus和runpf会帮你完成大部分工作。

有一点要提醒：可靠性评估的时间尺度是“年”，故障场景数量巨大，如果每个故障场景都调用一次完整潮流，计算量会非常可怕。工程上更常见的做法是先用潮流校验几个典型工况，比如最严重故障（离DG最远）、最高负荷时刻、最低DG出力时刻，验证网络方案可行，然后序贯模拟里只做功率平衡和连通性判断。除非你要做电压越限概率分析，否则不必在序贯模拟中嵌入潮流计算。

6.3 代码组织的工程建议

写这种研究型代码，我一路踩坑总结出来的最佳实践是函数颗粒度要细、全局变量要慎用。虽然我在示例中用了global，但那是为了简化展示——实际工程中建议用结构体传参，或者直接把数据和函数都整理成类。Matlab的classdef虽然语法麻烦一些，但对这种状态多、模块多的项目，收益是真的值。

我最后重构的代码模块清单如下：

data_loader.m：读取系统数据
load_profile.m：生成负荷时序曲线
dg_model.m：生成DG时序出力模型
monte_carlo_main.m：主模拟程序
fault_analysis.m：故障后果分析
reliability_index.m：指标计算与输出

这样组织的好处是每个模块可以单独调试，尤其是fault_analysis.m，我在写的时候就单测了它，把支路故障的各种场景（首端故障、末端故障、DG上下游故障、联络开关转供场景）都分别跑了一遍，确定逻辑无误后再接入主程序，省掉了无数从大头到小头的连锁排查。

7. 项目扩展与其他研究方向

项目做完基础版以后，往哪个方向扩展是很多人关心的。我根据自己的经验给出几个方向，按难易程度排序：

方向一：考虑储能系统的可靠性提升。储能和光伏/风电不一样，它是可控电源——有电就能放，没电还能充。孤岛期间，如果光伏出力不够，储能可以顶上；光伏出力过剩时，储能可以充电。但储能的荷电状态（SOC）约束、充放电功率限制都是新增的状态变量，需要扩展时序模拟的状态空间。这个方向的难点在SOC的管理策略设计，以及如何协调储能“平时充、故障放”的双重角色。

方向二：考虑微电网与主动配电网的协同。当多个DG加上储能构成微电网时，可靠性评估不再是“单DG支撑”，而是“微电网整体能否离网运行”。这部分对潮流的精度要求更高，通常需要嵌入式潮流计算。我现在的框架里预留了潮流计算接口，往这个方向扩展比较顺。

方向三：基于可靠性评估的DG选址定容优化。当评估程序跑得足够快、足够稳定，就可以把它嵌进优化框架里做DG规划。用遗传算法或粒子群算法对DG的接入位置和容量进行寻优，目标函数是“最小化年度综合费用”，约束中考虑可靠性指标限值。这种“评估-优化”耦合的模式在研究生课题中非常常见，但对程序效率和收敛性的要求都比较高。

我个人做下来最大的感触是：这个项目表面上是写代码，本质上是"把电力系统可靠性的机理吃透"。很多工程问题不是代码难写，而是机理没理顺——比如孤岛为什么有时候成立有时候不成立，故障影响范围为什么跟DG时序出力强相关。代码只是把机理变成可计算的形式。你如果正在做这个方向，建议先花时间弄懂机理，再动键盘，这样写出来的程序不容易变成到处是补丁的“加急代码”。

含分布式电源配电网可靠性评估的序贯蒙特卡洛模拟与Matlab实现