含分布式电源的配电网可靠性评估：建模与蒙特卡洛仿真实践

1. 为什么配电网可靠性评估要把分布式电源算进去

先说一个我早年踩过的认知误区。当时我刚接触配电网可靠性分析，用的是传统配电系统可靠性评估那套思路，认为分布式电源（DG）接入以后，无非就是在原来的负荷点上多了一个电源，计算可靠性指标时把它当成一个“额外的发电容量”就行。结果做出来的评估结果和实际运行情况差得离谱——明明是同一段馈线，DG接入前后，系统平均停电频率指标（SAIFI）和系统平均停电持续时间指标（SAIDI）的理论计算值和实测值对不上，而且差的方向都不是固定的，有的场景算出来比实测好，有的场景比实测差。后来我才意识到，分布式电源在配电网里的角色根本不是“多了一台发电机”那么简单，它会改变整个网络的故障潮流方向、保护配合策略、孤岛运行方式，甚至会影响故障后的恢复路径。

先把这个问题的本质说清楚。传统配电网是单电源辐射状结构，电能从变电站母线单向流向负荷，可靠性评估的核心逻辑就是“沿着供电路径逐级累加故障率和故障时间”。这个逻辑在无源配电网里是成立的，因为每一段线路、每一个开关、每一台变压器的故障都只影响它下游的负荷，评估模型可以按树状拓扑逐层计算。但DG接入之后，网络变成了多电源结构，任意一个负荷点可能同时从系统主电源和DG获得供电，一旦上游发生故障，DG可能继续供电，形成计划孤岛或非计划孤岛——这时候负荷点是否停电、停电多长时间，不再只取决于“上游设备是否故障”，还取决于“DG能否成功孤岛运行”“孤岛范围怎么划分”“孤岛内的功率是否平衡”等一系列新变量。

所以，含DG的配电网可靠性评估，本质上是把“配电网可靠性分析”和“分布式电源运行特性建模”两个问题耦合在一起求解。这不是简单的叠加，而是要在传统可靠性评估框架里引入DG的出力不确定性模型、故障后的孤岛划分策略、保护与备自投的配合逻辑、以及各类开关设备在故障隔离和恢复中的动作时序。下面我把整个研究思路和Matlab实现过程拆开来讲，包含我从建模到仿真的完整链路，以及踩过的几个关键坑。

2. 可靠性评估指标体系的选取：别只盯着SAIFI和SAIDI

2.1 传统三大指标在新的评估场景下够不够用

做配电网可靠性评估，绕不开IEEE Std 1366标准里的那套指标体系。SAIFI、SAIDI、CAIDI（用户平均停电持续时间指标）、ASAI（供电可用率指标）这四个指标是行业通用的，几乎所有论文和工程报告都会用到。这套指标的物理含义很清楚：

• SAIFI = 用户总停电次数 / 用户总数，反映停电频率；
• SAIDI = 用户总停电持续时间 / 用户总数，反映停电时长；
• CAIDI = 用户总停电持续时间 / 用户总停电次数，反映单次停电的平均修复时长；
• ASAI = 用户总供电小时数 / 用户总需求小时数，反映供电可用率。

但在含DG的场景里，只算这四个指标会掩盖很多信息。举一个我实际遇到的情况：某个10kV馈线末端接了一个光伏DG，上游变电站母线故障，故障隔离后，DG带着馈线后半段形成孤岛运行了2小时，然后由于光照下降，孤岛内功率不平衡，末端负荷最终还是停电了1小时。用传统指标统计时，末端负荷被记作“停电1小时”，SAIDI只增加了1小时；但如果用孤岛内供电时间作为分母，DG实际为这个负荷提供了2小时的供电服务，这2小时的价值在SAIFI/SAIDI里完全体现不出来。反过来，如果DG孤岛运行失败，原本故障隔离后可以恢复的负荷全部停电，SAIDI会显著恶化。

所以我在Matlab代码里不仅实现了传统四大指标，还额外实现了几个面向DG场景的扩展指标：

尤其是ENS（Expected Energy Not Supplied，期望缺供电量），在含DG场景里特别关键。因为DG的出力具有随机性，孤岛运行期间可能出现“部分时段供电、部分时段缺供”的情况，SAIDI只能反映停电时间长短，ENS才能反映停电期间到底损失了多少电量。我在代码里用故障持续时间乘以负荷功率再折算DG出力曲线，逐时段累加得到ENS，这个指标也是后续做DG容量配置优化时的目标函数之一。

2.2 负荷点和系统级指标的聚合逻辑

写代码时容易犯的一个错误是“用户数”的处理。IEEE标准里的用户数是指连接到配电网的终端用户数量，不是负荷点的数量，更不是馈线数。一个负荷点可能包含多个用户（比如一台配电变压器下挂了几十户居民），在计算SAIFI时，分子是“所有用户停电次数之和”，分母是“总用户数”，所以必须给每个负荷点配置“用户数”参数，不能默认所有负荷点用户数相同。

我这里实现的聚合逻辑分两层：

第一层，负荷点级指标。对每个负荷点，遍历所有故障事件，统计该负荷点在评估周期内（通常取一年，8760小时）的停电次数和停电持续时间。停电持续时间的计算要考虑故障隔离时间和故障修复时间，实际是一个分段函数：如果故障在上游且DG可以孤岛供电，停电持续时间 = 开关倒闸时间（如果存在短时停电）+ 孤岛失败后的缺供时间；如果无法孤岛供电，停电持续时间 = 故障修复时间。

第二层，系统级指标。将负荷点指标按用户数加权汇总，得到系统级SAIFI、SAIDI、CAIDI、ASAI、ENS。这里有个细节：如果某个负荷点的失电时间中包含孤岛供电时段，那么该时段的停电次数记不记入SAIFI？标准做法是：如果负荷经历了“停电-孤岛供电-再停电”的过程，首次停电视为一次停电事件，孤岛供电期间的停电不算新增停电次数，因为用户侧可能感觉不到停电（如果孤岛切换够快）。但如果孤岛切换过程中负荷断电了，即使时间很短（几秒钟），也应计入一次停电事件。在Matlab时序仿真中，我会给每个负荷打上“是否经历短时停电”的标记，这个标记由孤岛切换策略和开关动作时间共同决定。

3. 分布式电源的出力随机性建模：光伏、风电和储能的一次系统级建模思路

3.1 光伏出力建模不能只用一个恒定功率

很多初学可靠性评估的人喜欢把DG的出力设成额定功率的固定百分比，比如“光伏出力取额定值的80%”，然后整个评估周期都用这个值。这样做出来的结果只能算“确定性评估”，不是可靠性评估里真正关心的“概率性评估”。光伏出力的核心特征是其波动性，而波动性恰恰是影响孤岛运行成功率的关键因素——孤岛内的电源出力小于负荷需求，孤岛就维持不住。

我在代码中采用的方法是：用一年8760小时的光照强度时序数据，配合光伏出力模型来计算每个小时的DG最大可用出力。光照数据可以从典型气象年数据（TMY）中提取，也可以使用Beta分布拟合每个时段的光照概率密度，再通过蒙特卡洛抽样生成时序场景。这里给出我用的一个简化但足够工程精度的模型：

code复制光伏出力P_pv(t) = η_pv * S_area * Irradiance(t) * (1 - 0.005 * (T_cell(t) - 25))

其中，η_pv是光伏组件的光电转换效率，S_area是光伏阵列总面积，Irradiance(t)是t时刻的太阳辐照度（kW/m²），T_cell(t)是电池板温度（摄氏度）。温度项是很多人容易忽略的，光伏组件温度升高会导致输出功率下降，典型温度系数是-0.5%/℃，夏季高温时同一辐