分布式电源下配电网可靠性评估：孤岛划分与蒙特卡洛模拟实现

1. 为什么分布式电源改变了配电网可靠性评估的玩法

做配电网可靠性评估这些年，我一直有个很深的感触：传统教材里的那套评估方法，基本都建立在一个默认假设上——配电网是单电源辐射状网络，潮流方向永远从变电站流向负荷。在这个假设下，故障处理逻辑非常清晰：上游某个位置发生故障，下游所有负荷全部失电，等维修人员把故障点隔离、修复，负荷才能恢复供电。可靠性指标说白了就是统计"哪些用户停了多久、停了多少次"。

但分布式电源（DG）大规模接入之后，这个经典框架被打破了。

你想想看，一条馈线上挂着好几台光伏、风机或者储能，当上游故障把主网电源切断时，只要DG还在运行，它其实完全可以继续给孤岛范围内的负荷供电。这个现象从运行角度看叫"孤岛运行"，从规划评估角度看，就是我们要讨论的"孤岛划分"问题。能不能划分出合理的孤岛、孤岛内电源和负荷是否匹配，直接决定了故障后的失电范围有多大、停电时间有多长。

很多刚接触这个方向的同学容易陷入一个误区：以为可靠性评估和孤岛划分是两件事——先做划分，再算可靠性。实际上在最优孤岛划分的框架下，这两者是一个耦合问题。孤岛方案不同，负荷转供路径不同，各节点的停电频率和停电时间就不同；反过来，可靠性目标函数又决定了我们要以什么标准去划分孤岛。这个相互制约的关系，才是这个课题真正有技术含量的地方。

我最初做这个方向是为了解决实际工程里的一个问题：某园区配电网接入了大量屋顶光伏，线路故障后检修人员发现，即使光伏还在发电，也不敢轻易让局部区域脱离主网运行，因为缺乏有效的孤岛划分策略，怕功率不平衡引发更大事故。所以"怎么划、按什么目标划、划完之后可靠性提升多少"是很有实际意义的。

本文要聊的就是这套东西从原理到Matlab实现的全过程：最优孤岛划分怎么建模、可靠性评估指标怎么算、蒙特卡洛模拟怎么嵌进整个评估流程，以及代码跑通之后怎么处理那些让人头疼的收敛性和随机性问题。

2. 最优孤岛划分：数学模型与求解思路

2.1 孤岛划分在数学上到底在算什么

先不急着看代码，我们把问题拎清楚。

孤岛划分直观描述是：配电网某个位置发生故障后，断路器动作将故障隔离，此时系统被分成若干个电气岛，有的岛不含DG，直接失电；有的岛含DG，可以继续供电。我们要决定的，就是这些含DG的岛"到底包含哪些负荷节点"。

这本质上是一个组合优化问题。配电网用图来描述最方便，每一段馈线支路是图的边，母线节点是图的顶点。故障隔离后，我们面临的是一棵或多棵"被切剩的树"，要在其中搜索一个包含DG节点的连通子图，使这个子图内部的负荷价值最大、或者停电损失最小、或者恢复的负荷节点数最多。

我用一个简单例子说明。假设某条馈线有10个节点，节点1靠近变电站方向，节点5接了一台容量500kW的燃气轮机，故障点位于节点3和节点4之间。此时节点4~10与主网断开，但节点5的DG还在。如果DG出力可以使节点4~7的负荷自给自足，那么最优方案大概率是把节点4~7划入孤岛，节点8~10因功率不足只能停电。这个"4~7"的边界由谁决定？由功率平衡约束决定，也由网架拓扑决定。

2.2 目标函数与约束条件的取舍

在论文和工程实践中，孤岛划分的目标函数主要有三类：

大多数研究采用第一种，因为它最容易量化，而且和可靠性指标有直接的单调关系——恢复的负荷越多，ENS（电量不足期望）通常越低。

约束条件里比较核心的几条：

• 功率平衡约束：孤岛内DG总出力要能覆盖负荷总需求，即∑P_DG ≥ ∑P_load。实际中还要留一定裕量，一般不会按1:1卡边界。
• 节点电压约束：孤岛内每个节点电压幅值偏差不能超过允许范围，一般配电系统允许±7%。
• 支路容量约束：流过每条支路的潮流不能超过导线长期载流量。
• 拓扑连通性约束：孤岛必须是一个连通子图，这个约束在数学建模时最容易被忽略，在算法实现上却最容易出问题。

这里额外提醒一句：DG出力本身也有不确定性，光伏要看光照，风机要看风速。工程上常用典型出力场景代替确定性值，更精细的做法是在可靠性评估里对DG出力做时序抽样。后面讲蒙特卡洛时还会回到这个点。

2.3 为什么要用智能算法而不是穷举

刚接触时我第一反应是穷举——节点数少的时候没问题，但配电网动辄几十上百个节点，故障场景又有成百上千种，每一种都要重新划岛，穷举的时间复杂度直接爆炸。

网上很多代码用遗传算法（GA）、粒子群（PSO）或模拟退火（SA）求解。这些算法的好处是适应性强，目标函数改起来很灵活；缺点是需要调参数、容易陷入局部最优。后来我实际跑了几个算例发现，单纯用智能算法在连通性约束处理上很麻烦，经常解出一个"看起来最优但不连通"的方案。

所以更稳妥的做法是两阶段思路：

1. 先用图搜索算法（比如改进的深度优先搜索、基于最小生成树的割集搜索）快速生成满足连通性的候选孤岛集合；
2. 再以候选集合为基础，用智能算法或直接枚举（候选集不大时）做优化选择。

这个思路对Matlab实现来说特别友好，因为Matlab的图处理工具箱（graph/ digraph对象）本身就提供了连通分量分析、最短路径等现成函数，省去很多底层工作。后面代码模块里我会展开讲。

3. 可靠性指标与序贯蒙特卡洛模拟的配合

3.1 三个核心指标的计算口径

刚入这个方向的读者，先要把指标搞明白，否则后面结果分析根本没法读。

IEEE Std 1366定义了配电网可靠性的几个标准指标，最常用的是这三个：

• SAIFI（系统平均停电频率指标）：单位是"次/用户·年"，表示每个用户每年平均经历多少次停电。计算式：SAIFI = 用户停电总次数 / 总用户数。
• SAIDI（系统平均停电持续时间指标）：单位是"小时/用户·年"，表示每个用户每年平均停电多少小时。计算式：SAIDI = 用户停电总时间 / 总用户数。
• ENS（电量不足期望）：单位是"MWh/年"，表示系统每年因停电损失的电能量。这是和孤岛划分关系最直接的指标，因为它直接跟负荷大小挂钩。

有些研究还会用到CAIDI（用户平均停电持续时间，等于SAIDI/SAIFI）和ASAI（供电可用率）。做工程报告时，业主最关心SAIDI和ENS，因为一个对应民生体验，一个对应经济损失。

3.2 序贯蒙特卡洛的基本逻辑

可靠性评估的解析法（故障模式后果分析法FMEA）在元件数少的时候很好用，但一旦引入DG出力的时序特性、随机故障的时序特性，解析法就非常吃力了。所以我更推荐序贯蒙特卡洛（Sequential Monte Carlo, SMC）——原理不复杂，但实现细节有点讲究。

SMC的核心逻辑可以这样理解：给每个元件（线路、变压器、DG）建立"运行—故障—修复"的状态转移过程。元件运行时间TTF和修复时间TTR一般假设服从指数分布或者威布尔分布，通过随机抽样生成每个元件的时序状态曲线，然后把所有元件叠加起来，得到系统在模拟周期内（比如8760小时）的状态序列。每检测到一个故障事件，就调用孤岛划分和潮流计算模块，评估这次故障的停电范围和时间，最后累计统计指标。

我最早踩的一个坑是把故障持续时间简单等同为修复时间，忽略了"故障隔离后部分负荷可以通过孤岛恢复供电"这个事实。实际上，一次故障事件中，不同类型的负荷可能有完全不同的停电时长：孤岛内的负荷可能只停几分钟（开关动作时间），非孤岛负荷要停到维修结束。这个差异如果不建模，SAIDI的计算会明显偏高。

3.3 孤岛策略如何嵌入时序模拟

把孤岛划分嵌进SMC时，最容易搞混的是"何时划分、何时取消孤岛"。

我的处理方法是这样：

1. 模拟过程中检测到线路故障，隔离故障后识别失电区域；
2. 对失电区域执行孤岛划分算法，确定孤岛范围和DG运行方案；
3. 考虑到孤岛不能永久运行（受DG容量和能量限制、以及恢复并网条件的限制），我会设置一个"孤岛最大运行时间"，一般取1~4小时，超过这个时间如果主网还没修复，孤岛内负荷自动失电；
4. 主网故障修复后，孤岛重新并网，系统恢复常态。

这四步看起来简单，但在代码层面要处理好时序匹配的问题——蒙特卡洛是按小时推进的，但故障修复时间可能是0.5小时、3小时、7小时等非整数小时，需要做时间离散化处理。这个细节也直接影响指标精度，后面会专门提。

4. Matlab代码架构与核心模块实现

4.1 整体文件结构与数据流

我不喜欢把所有代码堆在一个main脚本里，那样调试一次想哭一次。建议按这个结构组织：

code复制reliability_project/
├── main.m                  % 主程序：参数设置、调用各模块、输出结果
├── case_study.m            % 测试系统数据定义（节点、支路、负荷、DG）
├── topology.m              % 网络拓扑生成与邻接矩阵处理
├── island_partition.m      % 孤岛划分主函数（含图搜索+优化）
├── reliability_smc.m       % 序贯蒙特卡洛主循环
├── powerflow.m             % 潮流计算（牛顿-拉夫逊或前推回代）
├── indicators.m            % 可靠性指标统计
└── utils/
    ├── generate_ttf_ttr.m  % 元件可靠性时序抽样
    └── plot_results.m      % 结果可视化

数据流是单向的：main.m读取case_study.m定义的系统数据，初始化结构体；然后进入reliability_smc.m的时序循环；循环中每次检测到故障状态就调用island_partition.m生成孤岛方案，再调用powerflow.m校验孤岛是否可行；循环结束后用indicators.m统计SAIFI/SAIDI/ENS，最后用plot_results.m出图。

这种模块化拆分的好处有两点：一是故障场景和算例系统可以灵活换，二是每个模块都能单独测试。我在调试阶段最常用的是先单独测island_partition.m，给它注入一个已知故障场景，看孤岛划分结果是否符合预期，确认无误后再接进SMC主循环。

4.2 配电网拓扑初始化的实现细节

拓扑处理是容易被低估的部分。很多刚上手的人觉得"不就是个邻接矩阵嘛"，实际上一旦系统复杂起来，邻接矩阵的稀疏性、节点编号规则、开关状态变化都会成为bug温床。

我在case_study.m里用结构体数组保存节点和支路数据，关键字段如下：

matlab复制% 节点结构体：编号、类型、有功负荷、无功负荷、用户数、电压等级
node(1).id = 1;
node(1).type = 'substation';  % substation / bus / dg
node(1).Pload = 0;            % kW
node(1).Nuser = 1500;         % 该节点用户数

% 支路结构体：两端节点、阻抗、容量、长度、故障率、修复时间
branch(1).from = 1;
branch(1).to = 2;
branch(1).r = 0.12;           % 欧姆/km
branch(1).x = 0.35;
branch(1).capacity = 3000;    % kVA
branch(1).lambda = 0.08;      % 故障次数/年
branch(1).r_time = 4.0;       % 平均修复时间(小时)

邻接矩阵我推荐直接用稀疏矩阵存储，对Matlab的运算效率影响很大。用adj = sparse(n,n)初始化，然后逐条填支路。注意是无向图还是有向图：孤岛划分本身是拓扑问题，用无向图就可以；但潮流计算需要功率流向信息，得用好digraph或者存支路方向数组。

一个实际经验：节点编号尽量按"变电站—主干线—分支线"的顺序编排，这样画图和调试都能省不少力气。如果系统来自论文算例，尽量保留原文的编号，避免对不上。

4.3 孤岛划分算法的Matlab实现要点

孤岛划分函数的核心输入是：当前网络拓扑（含开关状态）、DG出力和节点负荷数据、故障隔离后的失电区域节点集合。输出是最优孤岛方案（包含哪些节点、哪些开关闭合/打开）。

我实现的island_partition.m分三层：

matlab复制function island_solution = island_partition(adj_matrix, dg_info, load_info, outage_nodes)
    % 第一层：识别失电区域中的连通子图
    % 使用graph对象
    G = graph(adj_matrix);
    bins = conncomp(G);                % 连通分量标记
    target_bins = unique(bins(outage_nodes));
    
    % 第二层：对每个含DG的连通子图，用DFS/广度优先搜索生成候选孤岛
    % 约束条件：功率平衡 + 连通性
    
    % 第三层：基于停电损失最少的目标，从候选中选择最优方案
    % 这里我用枚举（候选少时）或遗传算法（候选多时）
end

第二层的候选孤岛生成是整个算法的精髓。我的做法是：从DG节点出发做广度优先搜索（BFS），每探索到一个新节点就判断"如果把新节点纳入孤岛，功率是否还平衡"。不平衡就停止，因为加入一个负荷节点只会让功率更紧张。但这里有个陷阱——某些节点的负荷很小，即使当前已经接近功率极限，多带一个小负荷依然可行。所以不能简单一刀切。

工程上我更推荐用"贪心+回溯"的方式：先用贪心按负荷密度从大到小尝试，如果某节点加入后违反约束，就回溯跳过它，继续探索其他分支。这和回溯法解背包问题很像。代码实现时注意维护一个当前候选节点集合，避免重复访问造成死循环。

第三层的优化目标函数，我通常写为：

matlab复制% 孤岛方案评估函数
function loss = evaluate_solution(island_nodes)
    P_island = sum(load_power(island_nodes));   % 孤岛总负荷
    P_dg = sum(dg_power(find_dg_in_island(island_nodes)));
    energy_loss = max(0, P_island - P_dg);       % 未满足的负荷量
    load_loss = total_load_outside(island_nodes); % 岛外失电负荷
    loss = load_loss + 10 * energy_loss;          % 惩罚系数
end

惩罚系数10是我调出来的经验值，目的是让算法优先保证孤岛内功率自平衡。如果你在复现时遇到孤岛方案总是不合理，先检查惩罚系数是否够大。

4.4 可靠性指标统计模块

时序模拟跑完之后，指标统计其实不难，但要小心按用户数加权而不是按节点加权。

matlab复制function [SAIFI, SAIDI, ENS] = indicators(interruption_record, load_data)
    % interruption_record 每一行记录一次停电事件
    % 字段：事件开始时间、结束时间、停电节点集合、停电原因
    
    total_users = sum(load_data.Nuser);
    total_interruptions = sum(record.users_affected);
    total_duration = sum(record.users_affected .* record.duration_hours);
    
    SAIFI = total_interruptions / total_users;          % 次/用户·年
    SAIDI = total_duration / total_users;               % 小时/用户·年
    ENS = sum(record.energy_not_served);                 % MWh/年
end

有个细节值得多说一句：录停电事件时，同一时刻不同节点的停电开始时间可能不同。比如故障发生后0.1小时，孤岛划分完成，孤岛内节点恢复供电；而孤岛外节点要等到修复。所以记录时不能只记一个"事件结束时间"，要按节点类型区分。我在实现中用矩阵记录每次事件下各节点的"失电时段"，统计时按行求和。

5. 算例跑通流程与结果解读

5.1 测试系统与参数设置

复现代码时，我推荐先用一个经典的小系统验证逻辑。我用的测试系统是RBTS Bus 6的馈线F1，这个系统在可靠性评估领域非常经典，几乎每篇相关论文都会引用，参数容易查到。

系统规模不大——大概23个负荷节点、几条主干线和分支线，接入了2台分布式电源（一台容量800kW的燃气轮机、一台容量500kW的光伏）。关键参数我列一下：

模拟年限设10000年听起来夸张，但SMC的收敛需要足够样本。你可以先跑1000年看趋势，正式出结果再加大。

5.2 从母线数据到孤岛方案的完整链路

整个流程跑通后的效果是这样的：

每模拟到一个故障年份，程序会随机抽样生成该年的元件故障时间和修复时间序列。以某一次故障为例——主干线第5段线路在8760小时中的第2134小时发生故障：

1. 故障隔离后，节点8~节点20（共13个节点）与主网失去连接；
2. 这13个节点中有5个节点处于两台DG的潜在供电范围内；
3. 孤岛划分算法开始工作：燃气轮机DG所在子树节点负荷总计920kW，光伏DG所在子树负荷总计650kW，两台DG总出力850kW（光伏此时按典型出力60%计算）；
4. 由于光伏出力仅有300kW，燃气轮机侧功率相对宽裕，算法最终把燃气轮机DG周围的6个节点划入孤岛，光伏侧由于出力不足只保留了2个关键负荷节点；
5. 孤岛内负荷总计780kW，DG出力合计850kW，满足功率平衡；潮流计算校验各节点电压均在0.95~1.05pu范围内；
6. 这次故障中，孤岛内8个节点的停电时间只有0.2小时（开关动作时间），而孤岛外5个节点要停到第4.5小时（修复完成）。

这个过程在代码里就是一次island_partition.m调用加一次powerflow.m校验，效率很高。10000年模拟下来，几秒钟就能完成几万次事件评估。

5.3 结果解读：孤岛划分到底提升了多少可靠性

拿我的算例结果来说，不启用孤岛时，系统SAIFI约为1.52次/(用户·年)，SAIDI约为6.85小时/(用户·年)；启用最优孤岛划分后，SAIFI降到1.21，SAIDI降到4.4左右，ENS从约215MWh/年降到了约142MWh/年。

这几个数字对照着看很有意思：

• SAIFI降幅不如SAIDI明显，说明孤岛划分并不能显著减少停电次数——毕竟故障发生了，用户至少会经历一次短时停电；
• SAIDI降幅明显，因为大量负荷的停电时长从"修复时间"缩短到了"开关动作时间"；
• ENS降幅最直观，直接体现为经济效益。按当地工商业电价计算，这套策略每年减少的停电损失相当可观，足以覆盖配置DG和自动化开关的投资。

当然，不同DG渗透率、不同网架结构下，数字会有明显差异。如果你复现时结果不合理（比如SAIDI没有改善），大概率是孤岛划分模块根本没被正确调用，或者DG在故障时被保护装置误切了——后者在中压配电网中其实很常见，注意在模型里设置"故障时DG是否并网运行"这个开关变量。

6. 复现过程中的坑与调试经验

6.1 随机数种子：为什么两次运行结果不一样

这是初学SMC最常见的困惑。蒙特卡洛本身基于随机抽样，每次运行结果自然有波动，但这不意味着模型有问题。问题是：工程报告中需要可复现的结果。

我的做法是在main.m开头固定随机数种子：

matlab复制rng(2024);   % 固定随机数种子，保证结果可复现

这样同一台机器上每次跑结果完全一致。换成不同版本Matlab时，随机数算法可能有细微差异，但总体趋势不会变。

另外要区分"抽样误差"和"模型错误"。我判断模型是否正确的土办法：先用100年模拟跑一版，再用10000年跑一版，如果SAIDI相差超过3%，说明抽样规模不够，加大模拟年限；如果趋势稳定但绝对值异常（比如SAIFI超过5），大概率是故障率参数单位搞错了——有人会把"次/km·年"直接当成"次/年"用，结果全线故障率虚高好几倍。

6.2 矩阵稀疏化的必要性

如果配电网规模稍大（比如IEEE 123节点系统），直接构造满矩阵做拓扑搜索，Matlab会慢得让人怀疑人生。

我实测过：用全矩阵存储123节点邻接矩阵做一次DFS，大约要几十毫秒；在10万次SMC事件中放大了分析就有明显卡顿；改成稀疏矩阵后耗时能降到原本的1/10以下。还有一个小技巧：graph()对象里查连通分量用conncomp，查最短路径用shortestpath，都是内置优化过的，比你自己写BFS快得多。

另外在SMC主循环中，频繁修改邻接矩阵（模拟开关开断）会触发矩阵重建的开销。一个优化办法是预先把所有可能的开关状态组合对应的邻接矩阵算好，循环里直接用索引切换，避免每次动态构造。这个优化在做大量场景扫描时收益非常明显。

6.3 算法收敛不稳定怎么办

如果你用遗传算法做第三层的优化，可能会遇到这类情况：同样的参数、同样的故障场景，两次运行划出来的孤岛范围不一样，偶发还会出现明显劣解。

我的排查顺序很固定：

1. 先检查种群规模和迭代次数——对于几十个节点的系统，种群少于50、迭代少于100，收敛性基本没保障；
2. 再检查适应度函数有没有"台阶效应"——如果目标函数里停电损失相差不到1%的方案分数过于接近，算法很难区分优劣，这时加大惩罚系数或增加目标函数的梯度；
3. 最后检查约束处理——连通性约束如果靠罚函数实现，罚函数太弱会让算法给出不连通解。我的经验是，罚函数权重至少要比正常目标值大一个数量级。

如果你不想在调参上花太多时间，还有一种"笨但稳"的替代方案：孤岛候选集规模通常不会太大，直接对候选集做全排列枚举或分支定界，反而比智能算法更快更可靠。毕竟孤岛划分问题在单次故障中的搜索空间往往只有几百到几千个可行解，这个规模对现代计算机来说根本不是负担。

我就是这么干的——小系统用枚举，大系统用两阶段（图搜索降维+智能算法），实测下来比单一算法稳定得多。

6.4 DG出力时序建模的一个提醒

最后提醒一个我踩过最大的坑：DG出力不能简单地用额定容量的固定比例替代。光伏午间出力高、早晚出力低，风机则看天气波动——如果不做时序化处理，孤岛划分会严重高估DG对负荷的支撑能力。

我在SMC模块中对每个小时都生成了DG出力系数序列：光伏用Beta分布模拟光照强度的随机性，风机用Weibull分布模拟风速，然后换算成出力。这样孤岛划分时判断"功率是否平衡"就有意义了——同样是下午3点的故障和晚上10点的故障，光伏侧的孤岛方案可能会完全不同。

如果你不想搞太复杂的出力模型，至少用"典型日曲线+随机扰动"的方式生成24小时的时序出力序列，这比固定值要可靠得多。这个改进会让NS仿真结果更贴近实际，特别是在做年度可靠性统计的时候，不会出现"光伏晚上也在全额出力"这种明显不合常理的场景。

总的来说，这套代码从架构到实现都不算复杂，真正的门槛在细节建模：孤岛划分的目标函数怎么定、SMC的时序怎么走、DG出力怎么模拟。把这些想清楚，写代码只是体力活。希望这篇文章能帮你少走点弯路。