XY同学先说一个可能打击到不少人的事实：顶刊论文里那一套漂亮的结果图，直接跑作者放出的代码，多数时候是复现不出来的。 这不是作者造假，而是论文篇幅有限，很多工程细节被压缩在了“仿真验证”四个字背后。我自己在复现这篇基于优化模型的配电网可靠性评估研究时，前两周基本是在“跑通—报错—翻论文—改参数—再跑”的循环里度过的。但恰恰是这个过程，让我把“配电网可靠性评估”从教科书概念变成了真正能落地的分析工具。
这篇文章就把我的完整复现过程、踩过的坑、调试心得和最终的Matlab代码架构全部摊开来讲。无论你是刚接触可靠性评估的研究生，还是已经在做配电网规划但不太熟悉优化建模的工程师，这篇都能给你一条可以直接上手的路径。我会着重讲清楚三件事：优化模型为什么要这样建、Matlab里每一步在干什么、以及哪些地方最容易让结果“看起来对但实际错”。
1. 配电网可靠性评估的数学本质：为什么用优化模型而不是枚举仿真
在进入代码之前，必须先把这个底层逻辑掰扯清楚。很多人一提配电网可靠性，脑子里蹦出来的就是蒙特卡洛模拟：随机抽样元件故障时间、模拟开关动作、统计负荷停电时长。这确实是经典做法，而且没错，但它有一个隐藏痛点——它只能“评估”，不能“寻优”。
1.1 传统可靠性评估方法的两座大山
传统的可靠性评估手段主要有两类：
解析法（故障模式后果分析法FMEA、最小割集法、网络等值法等）的核心思路是：枚举所有可能的故障事件，计算每个事件对负荷点的影响，再聚合得到系统指标。它的优点是精度高、解释性强，缺点是计算量随系统规模指数爆炸。配电网节点数从几十涨到几百，枚举空间就变得不可接受了。
蒙特卡洛模拟法的核心思路是：用随机数模拟元件故障和修复过程，通过大量统计得到指标的期望值。它的优点是对复杂系统适应性强，缺点是为了让小概率高影响事件（比如两回线同时故障）收敛，需要的仿真时长非常惊人，而且每一次“场景变化”都得重新仿真——这让“优化”无从谈起。
1.2 优化模型带来的范式转变
当你把可靠性评估问题表达成一个**混合整数线性规划（MILP）**时，事情就不同了。
可靠性评估的底层脉络其实是：系统里哪些元件可能故障、故障发生后哪些负荷会失电、通过什么操作能恢复供电。如果你把可能的故障场景写成一堆约束条件，把“开关状态”“是否切负荷”这些决策变量放进模型，优化器就能同时回答两个问题：
- 在给定网络拓扑下，最严重的故障场景会造成多大的失负荷？
- 通过调整分段开关和联络开关，能把这部分损失降到多少？
这正好对应了可靠性评估中的“最小失负荷”概念——系统在故障情况下，通过最优调度手段仍无法避免的负荷损失，才是真正需要统计的可靠性短板。
1.3 顶刊为什么喜欢这个角度
最近几年发表在电力系统顶刊（IEEE Transactions on Power Systems、Applied Energy 等）上关于配电网可靠性的文章，大量采用优化模型，原因很实际：
- 它能和网架规划、分布式电源选址定容、储能配置这些上层优化问题无缝衔接，一个模型同时算规划和运行，不用来回迭代两套工具；
- MILP求解器（Gurobi、CPLEX）进步太快，处理几百个节点、上千个场景的可靠性模型已经只在秒级到分钟级；
- 结果天然带有“经济性”注释——失负荷量乘以单位停电损失费用，可以直接用于投资决策。
所以，复现这篇论文的关键，不是背下它的流程图，而是看透它把可靠性指标“翻译”成约束和决策变量的手法。这个手法一旦掌握，换任何网络、任何扩展场景都能用。
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. 可靠性指标与约束映射：把SAIFI、SAIDI翻译成数学表达
论文的实验部分放了一堆指标曲线，但这些指标不是天上掉下来的。你要在Matlab里真正算出来，必须清楚每个指标在模型里是怎么被表达和统计的。
2.1 核心可靠性指标体系
配电网可靠性评估里最常用的指标组如下：
| 指标 | 全称 | 公式含义 | 工程意义 |
|---|---|---|---|
| SAIFI | System Average Interruption Frequency Index | 用户停电总次数 / 用户总数 | 平均每户每年停几次电 |
| SAIDI | System Average Interruption Duration Index | 用户停电总时长 / 用户总数 | 平均每户每年停多久 |
| CAIDI | Customer Average Interruption Duration Index | 停电用户的总停电时长 / 停电用户总数 | 每次停电平均持续多久 |
| ASAI | Average Service Availability Index | 用户正常供电时长 / 总需求时长 | 供电可用率 |
| ENS | Energy Not Supplied | 失负荷总电量 | 全年总缺供电量 |
| AENS | Average Energy Not Supplied | 总缺供电量 / 用户总数 | 平均每户缺供电量 |
在优化模型的框架下，SAIFI和SAIDI通常不直接作为决策变量，而是通过“各场景下的失负荷状态”聚合得到。具体来说：
- 场景 $s$ 下，节点 $i$ 的失负荷二元变量为 $z_{i,s}$（0表示供电，1表示失电）；
- SAIFI的分子 = 对所有场景、所有节点求 $\sum_s \sum_i z_{i,s} \cdot N_i$（$N_i$是节点$i$的用户数）；
- SAIDI的分子 = 对所有场景求 $\sum_s D_s \cdot \sum_i z_{i,s} \cdot N_i$（$D_s$是场景$s$对应的故障持续时间）；
- ENS = 对所有场景求 $\sum_s D_s \cdot \sum_i (1-z_{i,s}) \cdot P_{L,i}$（$P_{L,i}$是节点$i$的有功负荷）。
这里的核心技巧是：故障场景不是连续变量，而是离散的“事件集合”。可靠性优化模型和马甲层级的优化（比如经济调度）最大的不同就在这——经济调度里场景数是固定的，可靠性模型里场景数由你截断的故障阶数决定。
2.2 场景生成：一阶、二阶故障的正交组合逻辑
论文里为了控制计算量，一般考虑到的故障场景并非全部组合，而是采用“N-1准则 + 部分N-2”策略。我在复现时按以下逻辑生成场景集：
- 一阶故障：任意一条馈线段的主动故障，场景数 = 线路段数；
- 一阶故障+检修状态：某条线段故障的同时，另一条线路处于计划检修，场景数 = 线路数 × 检修率；
- 二阶故障：最严重的前若干组双回线同时故障（通常是同塔双回或共沟