简介一套围绕配电网可靠性、自回归移动平均预测模型与电网模型预测的MATLAB源码面向电力系统可靠性分析人员及相关专业研究者用于处理供电连续性、供电质量评估与故障率预测等典型问题。压缩包内为单个m文件体积约4KB代码涵盖可靠性指标计算、ARMA模型参数估计与未来故障概率预测等流程适合在MATLAB环境中直接运行、调试与二次开发。该资源已有140人学习下载适合具备一定电力系统或时间序列分析基础、希望通过实际源码理解配电网可靠性评估与预测方法的读者。通过研读该源码可掌握从配电网可靠性数学建模到ARMA预测算法落地的基本思路也能为后续开展预防性维护策略研究、电网模型仿真分析提供可复用的代码参考。1. 配电网可靠性预测拿到 Reliability 源码包先想清楚的三件事第一次拿到名字带 “Reliability_配电网可靠性_配电网_ARMA预测_电网可靠性_电网模型预测_源码.rar” 的压缩包时别急着解压跑脚本先想清楚三件事这套代码到底在预测谁、可靠性指标的口径是什么、ARMA 预测结果怎么变成可靠性评估的输入。配电网可靠性不是一句“故障少”就完事SAIFI、SAIDI、ENS 这些指标背后都依赖对未来负荷和故障率的估计而 ARMA 预测负责把时序外推做出来。对这个方向感兴趣的人大多是做配电网规划、供电可靠性管理或者电网模型预测研究的工程师与学生。这类项目预测的准确性直接决定可靠性指标算出来能不能用所以先确认“预测对象”和“指标边界”比跑通代码更重要。2. 可靠性指标与 ARMA 预测SAIFI/SAIDI/ENS 和 p、q 阶怎么对上2.1 配电网可靠性指标到底在算什么配电网可靠性评估的核心是回答一个问题用户一年里平均停几次电、每次停多久、少送了多少电。工程上通常用三个指标描述SAIFI 表示系统平均停电频率单位是次/户·年SAIDI 表示系统平均停电持续时间单位是小时/户·年ENS 表示缺供电量单位是千瓦时或兆瓦时。指标公式如下SAIFI 用户停电总次数 / 用户总数 Σ(λi × Ni) / ΣNiSAIDI 用户停电总时数 / 用户总数 Σ(λi × ri × Ni) / ΣNiENS Σ(λi × ri × Pi)其中 λi 是第 i 条馈线或元件的年故障率ri 是平均修复时间Ni 是用户数Pi 是用户的平均负荷。这里的关键点在于λi 和 Pi 都不是恒定值Pi 更是随时间变化的。配电负荷有日周期、周周期和季节趋势故障率也受天气和负载率影响所以可靠性计算不能只用年均值而要用时序预测的结果。2.2 ARMA 在可靠性链条里的位置预测负荷还是预测故障率ARMA 是自回归滑动平均模型适合描述平稳化后的线性时序关系。模型形式可以写成yt φ1 yt-1 … φp yt-p εt θ1 εt-1 … θq εt-q其中 p 是自回归阶数q 是滑动平均阶数εt 是白噪声。配电网场景下 ARMA 最常用的位置有两个一是预测负荷曲线把小时级或刻钟级负荷外推到未来几天二是预测元件故障率序列把月度的故障次数外推成下一年的期望值。相比 LSTM 这类黑匣子模型ARMA 的好处是样本量要求低、参数可解释代码跑出来还能清楚看到每个滞后项的影响这在工程审计和论文复现里都非常友好。但注意ARMA 的前提是序列平稳或者经过差分后平稳。配电网负荷原始序列几乎都是非平稳的典型特征是有明显的日内双峰早高峰和晚高峰和周末低谷。所以常规做法是先做平稳性检验必要时做一阶差分或季节差分再在平稳序列上定阶最后把预测结果反变换回原始尺度。这也是我自己拿到这类源码包后第一个检查点脚本里有没有处理平稳性如果没有后面的指标计算基本是自欺欺人。2.3 定阶之前先做的平稳性检验ADF 和差分运行任何 ARMA 拟合之前先用 ADF 检验确认序列是否平稳。下面这段代码是配电网负荷序列的通用体检步骤import pandas as pd from statsmodels.tsa.stattools import adfuller # 读入配电网负荷时序按小时一个点 df pd.read_csv(load_series.csv, parse_dates[time]) series df.set_index(time)[load] # ADF 检验p 值小于 0.05 才认为序列平稳 result adfuller(series, autolagAIC) print(原始序列 ADF p-value:, round(result[1], 6)) if result[1] 0.05: diff_series series.diff().dropna() result2 adfuller(diff_series, autolagAIC) print(一阶差分后 ADF p-value:, round(result2[1], 6)) print(差分后序列平稳可用 ARIMA(p,1,q)) else: print(原始序列已平稳直接用 ARMA(p,q))这里 adfuller 的 autolag 参数表示自动选择滞后阶数默认用 AIC 准则一般不用改。如果原始序列的 p 值大于 0.05就对序列做一阶差分并再次检验。用 diff().dropna() 是因为差分后第一项是 NaN必须丢掉否则 statsmodels 会报错或结果不稳定。很多新人在这一步翻车序列本身非平稳就直接拟合 ARMA得到的高 R² 实际上是伪回归预测出来就是一条水平线。2.4 定阶用 AIC/BIC 遍历而不是只看自相关图定阶有两种常见路径一种是看 ACF 和 PACF 图的截尾和拖尾特征另一种是直接遍历 p、q 组合用信息准则选最优。工程上我建议用遍历因为 ACF/PACF 看图主观性太强不同人解读不一样而遍历可复现。配电网负荷序列的 p、q 一般不会超过 5遍历范围设 0 到 6 足够import warnings from statsmodels.tsa.arima.model import ARIMA warnings.filterwarnings(ignore) best_aic float(inf) best_order None for p in range(0, 6): for q in range(0, 6): try: model ARIMA(series, order(p, 1, q)).fit() if model.aic best_aic: best_aic model.aic best_order (p, 1, q) except Exception: # 部分参数组合可能因矩阵奇异而失败直接跳过 continue print(AIC 最优阶数:, best_order, AIC:, round(best_aic, 2))注意这里 ARIMA 的 order 是 (p, d, q) 三元组d 是差分阶数。如果前面检验出来要做一阶差分这里直接传原序列并设置 d1不需要手动传入差分后的序列这也是新手最容易搞错的地方。选阶时 AIC 越小模型越好但只看 AIC 容易过拟合我一般同时看 BICBIC 对复杂模型的惩罚更重两个准则都选同一个阶数时结果最可信。最后还要检查残差是不是白噪声如果残差仍有自相关说明阶数不够需要加大 p 或 q。3. 用 Python 跑通 ARMA 预测从解压源码包到输出可靠性指标的最小路径3.1 先看包结构输入数据、预测脚本、指标计算的分工解压这种命名风格的源码包第一步不是立刻运行而是看清目录里三类东西输入数据、预测脚本、可靠性计算模块。一个常见的工程化包结构是这样Reliability_配电网可靠性/ ├── data/ │ ├── load_series.csv # 配电网负荷历史时序 │ └── feeder_info.csv # 馈线参数用户数、修复时间 ├── preprocessing.py # 数据清洗与平稳性检验 ├── arma_predict.py # ARMA 定阶、预测、反归一化 ├── reliability_calc.py # 可靠性指标计算 └── output/ └── load_forecast.csv # 预测结果输出我一般会先打开 preprocessing.py 看数据清洗逻辑有没有做缺失值插补有没有处理节假日有没有把单位统一。ARMA 对缺失值和异常值非常敏感一个 NaN 就能让拟合报错一个错误的极端值就能把自回归系数拉偏。然后是 arma_predict.py 里对训练集和测试集的切分方式这决定指标有没有作弊空间。最后再看 reliability_calc.py 到底用的是解析公式还是蒙特卡洛抽样两套逻辑差别很大。3.2 最小运行命令环境依赖与单条执行这种配电网可靠性预测源码在 Python 环境里主要依赖 pandas、numpy、statsmodels、scikit-learn。先装依赖再按顺序执行是最不容易出错的方式pip install pandas numpy statsmodels scikit-learn unzip Reliability_配电网可靠性_配电网_ARMA预测_电网可靠性_电网模型预测_源码.rar -d reliability_project cd reliability_project python preprocessing.py --input data/load_series.csv --output data/load_clean.csv python arma_predict.py --input data/load_clean.csv --order 2,1,3 --steps 168 python reliability_calc.py --forecast output/load_forecast.csv --simulations 5000三个脚本的职责很清楚第一步清洗数据并做平稳性检查第二步用 ARMA 预测未来 168 小时也就是 7 天的负荷曲线第三步把预测负荷带进可靠性计算。--order 2,1,3 表示 ARIMA(2,1,3)p2、d1、q3如果脚本内部已经做了差分d 位置要填 0。--steps 168 是预测步长168 对小时级数据是完整一周对刻钟级数据只是一天半所以这个值必须跟数据的采样频率匹配否则预测长度不符合需求。3.3 核心预测脚本训练测试切分与预测输出如果源码包里没有封装好的脚本我会按下面这个骨架自己写预测模块。它先做训练集和测试集切分用前 80% 的数据训练模型后 20% 用于验证import pandas as pd from statsmodels.tsa.arima.model import ARIMA from sklearn.metrics import mean_absolute_error # 读取清洗后的负荷数据 df pd.read_csv(data/load_clean.csv, parse_dates[time]) series df.set_index(time)[load] # 按小时级数据切分最后 168 个点作为测试集 train series.iloc[:-168] test series.iloc[-168:] # 拟合 ARIMA 模型差分阶数放在 order 里 model ARIMA(train, order(2, 1, 3)).fit() # 动态预测未来 168 步 forecast model.forecast(steps168) # 计算平均绝对误差 mae mean_absolute_error(test.values, forecast.values) print(测试集 MAE:, round(mae, 2), 单位与负荷相同) # 保存预测结果供可靠性计算使用 forecast.to_csv(output/load_forecast.csv, headerTrue)forecast 和 predict 的差别必须说清model.forecast(steps168) 是从训练集末端向前做动态多步预测每一步都使用上一步的预测值作为输入这才是真实的外推场景model.predict(start..., end...) 则可能使用样本内的滞后值验证时效果会虚高不能代表真实预测能力。MAE 是最直观的误差指标但配电网负荷规模差异大我还会同时看 MAPE也就是相对误差这样才能判断预测偏差对可靠性指标的影响程度。3.4 可靠性计算模块把预测负荷折算进指标可靠性计算脚本的核心是把馈线参数和预测负荷合成 SAIFI、SAIDI、ENS。下面是简化版的指标计算逻辑import numpy as np # 馈线参数每条馈线的年故障率、平均修复时间、用户数 lam np.array([0.12, 0.08, 0.15]) # 次/年 r np.array([2.0, 1.5, 3.0]) # 小时/次 n_user np.array([1200, 850, 2300]) # 户 # 负荷预测结果平均功率近似单位 kW load_forecast np.array([120.5, 118.3, 115.2, ...]) # SAIFI频率指标只看故障率和用户数 saifi np.sum(lam * n_user) / np.sum(n_user) # SAIDI持续时间指标把修复时间加权进去 saidi np.sum(lam * r * n_user) / np.sum(n_user) # ENS缺供电量乘上负荷预测值 p_avg np.mean(load_forecast) / np.sum(n_user) # 每户平均负荷 ens np.sum(lam * r * p_avg * n_user) * 8760 print(SAIFI:, round(saifi, 4), 次/户·年) print(SAIDI:, round(saidi, 4), 小时/户·年) print(ENS:, round(ens, 2), kWh/年)这段代码演示的是解析法思路直接把故障率和平均负荷代入公式。但工程上配电网可靠性源码很少只算这个更多是用序贯蒙特卡洛方法逐小时模拟故障和修复过程。所以看到 reliability_calc.py 里有大循环和随机数种子时别奇怪那是在做时序抽样。解析法算得快但只能给期望值蒙特卡洛能给出置信区间代价是计算量大代码里通常会有 simulation 次数参数来平衡两者。4. 电网模型预测落地的关键把 ARMA 预测结果接回可靠性计算4.1 从负荷预测到可靠性评估时序外推只是前半段很多源码包名字里同时出现“ARMA预测”和“电网模型预测”容易让人误以为 ARMA 就是全部。实际上电网模型预测的完整链条是负荷时序预测、电网元件建模、故障场景模拟、可靠性指标聚合。ARMA 解决的是第一段“未来负荷是多少”后面的可靠性计算需要把这个预测值送进电网模型里比如馈线潮流模型、短路电流仿真模型再判断哪些节点会失压、哪些开关会动作、停电范围怎么隔离。有个实操点特别容易忽略预测负荷要转换成节点注入功率需要知道配电网拓扑和变压器容量。常见做法是把负荷预测结果按比例分配到各节点再跑一个 10kV 配电网短路电流仿真算出故障后的隔离范围。这一环节的精度受拓扑数据影响很大如果源码包里没有拓扑文件只能用简化的馈线分组模型可靠性结果会偏乐观。所以拿到的源码若只有时序预测和指标计算脚本它更像算法验证包而不是生产级评估系统。4.2 用预测序列驱动序贯蒙特卡洛可靠性抽样的输入怎么改把预测序列接进序贯蒙特卡洛的常见做法是把一年 8760 小时的负荷预测作为基准曲线逐小时判断是否发生故障再用修复时间推进状态。下面是一个可行骨架import numpy as np np.random.seed(42) n_years 50 # 模拟 50 年累积足够多的故障事件 hours 8760 * n_years fault_rate 0.12 # 次/年 repair_hours 2.0 # 小时 # 从 ARMA 预测结果中读取一年的小时级负荷 forecast np.loadtxt(output/load_forecast.csv, delimiter,, skiprows1) load_year forecast[:8760, 1] p_avg np.mean(load_year) # 逐小时抽样判断故障是否发生 total_outage_hours 0 total_outage_count 0 for h in range(hours): if np.random.rand() fault_rate / 8760: total_outage_count 1 total_outage_hours repair_hours saidi_sim total_outage_hours / n_years saifi_sim total_outage_count / n_years print(蒙特卡洛 SAIFI:, round(saifi_sim, 4), 次/户·年) print(蒙特卡洛 SAIDI:, round(saidi_sim, 4), 小时/户·年)故障概率写成 fault_rate / 8760 是因为每小时发生故障的概率近似等于年故障率均摊到每小时。这是工程上最常见的近似严格说应该用指数分布抽样但小时步长下误差很小。这里的随机种子 np.random.seed(42) 必须固定否则每次跑结果都不同论文复现时对不上数据就是这个问题。蒙特卡洛的抽样次数直接影响稳定性50 年 4 万多个小时的样本通常够用但如果你要置信区间更窄就加大 n_years。4.3 参数表预测区间、抽样次数、置信水平怎么设配电网可靠性预测源码里最影响结果的可调参数我整理成一张表按经验值给出调节方向参数常见经验值调节方向影响预测步长 steps168小时级一周按规划周期调整步长越长误差越大ARIMA 差分阶数 d0 或 1按 ADF 检验结果定阶数过大会丢失信息蒙特卡洛模拟年数50100结果波动大时加大采样年数越大置信区间越窄故障率 λ0.050.2 次/年来自历史统计或预测主导 SAIFI 和 ENS修复时间 r1.54 小时按网架结构和抢修能力定主导 SAIDI置信水平90%工程决策需要决定区间而非期望值调参顺序也是经验先固定预测模型阶数和预测步长只调模拟年数看指标是否收敛指标稳定后再回头调 ARMA 阶数。千万不要同时改所有参数否则指标变化了也不知道是哪个参数引起的。出报告时我会同时给出点估计和 90% 置信区间因为配电网规划决策真正关心的是“最坏情况能不能扛住”而不是平均值。5. 配电网可靠性 ARMA 预测避坑指南数据、定阶、收敛三类高频问题5.1 数据坑节假日和异常尖峰把模型拉偏现象预测曲线整体偏高或偏低尤其是节假日前后的误差明显放大正常日拟合得挺好一到节假日就翻车。原因配电网负荷有强日历效应节假日负荷比工作日低很多但 ARMA 本身不认识日历它只看到“昨天此时是多少”所以节假日模式被当作异常波动拟合掉了。另一个常见原因是数据里混入了停电时段的负荷记录故障期间的负荷是断崖式下跌这些点会严重扭曲自回归系数。解决在预处理脚本里把工作日、周末、节假日分开建模或者引入节假日哑变量作为外生回归项。我在处理这类数据时会把故障时段和限电时段的负荷直接标记为缺失值用前后正常时刻插补再进入 ARMA 流程。这一步做完MAE 通常能下降 20% 以上。5.2 定阶坑AIC 最小不代表预测最好现象AIC 选出的最优阶数很大比如 p5、q5训练集上拟合非常漂亮但在测试集上一预测就发散误差大到没法用。原因AIC 对样本内拟合质量奖励过多阶数越高模型越能记住训练集的历史细节但记住的是噪声而不是规律这就是过拟合。配电网负荷序列阶数过大还会让预测值出现振荡甚至指数式发散因为高阶自回归系数的稳定性很难保证。解决不要只看 AIC同时看 BIC 和 HQIC两个准则都指向低阶时取低阶。更可靠的做法是做残差白噪声检验用 Ljung-Box 统计量看残差是否还有自相关如果 p 值小于 0.05 说明信息没提取干净。我一般会把可接受阶数上限设到 4宁可损失一点训练精度也要保证预测稳定性。5.3 收敛坑数据尺度问题导致拟合直接报错现象statsmodels 拟合时提示 Singular matrix 或 Optimization terminated 失败模型参数全是 NaN。原因负荷数据的量级太大比如刻钟级负荷上万千瓦数值不稳定会导致协方差矩阵奇异或者训练序列里有 NaN 没有清理干净优化器在迭代时遇到缺失值就崩了。还有一个隐蔽原因是数据里存在重复时间戳pandas 会把它们当成不同索引拟合时出现维度不匹配。解决先把数据标准化到零均值单位方差拟合完预测再反变换回去。这个步骤叫归一化但注意必须只用训练集的均值和标准差否则会把测试集信息泄漏进模型。时间戳重复问题用 df df[~df.index.duplicated()] 去重缺失值用 interpolate() 插补。这套组合拳能解决 90% 的收敛报错。5.4 效果坑预测结果被“拉平”峰谷细节消失现象预测序列方差明显小于真实序列峰谷被抹平LSTM 有这个问题ARMA 也一样会出现。原因多步预测时每步都引入预测误差误差累积让预测序列向均值回归这是时序预测的本质不是模型调参能完全解决的。但如果连一步预测都拉平那就要怀疑数据预处理时是否做了过分平滑比如移动平均窗口开太大。解决给预测结果叠加残差分布用预测区间替代点预测或者采用滚动预测策略每预测 24 小时就用真实数据重新拟合。工程上我不追求预测曲线完全贴合而是要求预测偏差不会把可靠性指标带偏超过 10%这更现实。5.5 指标坑可靠性指标虚高或虚低先检查输入口径现象同一套代码换一个数据源SAIFI 从 0.5 跳到 2.0变化大得离谱但又说不出哪里错了。原因大概率是馈线参数的物理量纲不一致。比如有的数据源给的是“次/百公里·年”有的给的是“次/条线·年”直接代入公式结果当然差一个量级。还有 ENS 的计算容易漏乘 8760或者把小时级负荷直接当成年平均负荷用算出来就少乘了一个时间系数。解决在 reliability_calc.py 里加一个输入校验步骤打印每条馈线的故障率、修复时间、用户数和负荷数量级人工核对一遍再跑主流程。不要相信源码包里的默认参数那些参数通常是针对某个特定算例调出来的换数据必须重新标定。这也是我给所有配电网可靠性脚本写的固定检查项比调模型本身还重要。6. 进阶滚动预测与可靠性指标漂移的验证方法6.1 用滚动窗口重估模型参数观察 SAIFI 的漂移固定一次训练、预测 168 小时的做法在长期可靠性评估里不够稳。更好的方式是滚动预测每预测完一个周期就用最新真实数据重新估计模型参数再预测下一个周期。这样可以持续跟踪模型是否退化也能看到可靠性指标随着预测窗口的漂移from statsmodels.tsa.arima.model import ARIMA # 完整负荷序列按小时排列 # 窗口过去一年数据步长预测未来一天 window 24 * 365 step 24 preds [] for start in range(0, len(series) - window - step, step): train series.iloc[start:startwindow] model ARIMA(train, order(2, 1, 3)).fit() pred model.forecast(step) preds.append(pred) # 把每段预测拼接重新计算 SAIFI看指标是否稳定跑完会发现早高峰时段的预测误差比平时大SAIFI 的置信区间也会随之变宽。这不是坏事它提醒你哪些时段需要更细粒度的模型比如把早上 7 点到 9 点单独建模。6.2 一个值得养成的习惯每次预测先跑一遍“昨天的数据”我现在的固定习惯是每次修改数据或模型参数后先跑一遍“用昨天之前的数据预测昨天”的回测对比真实值和预测值误差正常再跑正式预测。这个动作成本很低但能拦截绝大多数数据拼接、时间错位、参数写死的问题。可靠性计算最怕的不是模型不够复杂而是输入数据悄悄出错还发现不了。ARMA 预测能为配电网可靠性提供一条可解释、可复现的技术路线但要记住模型只是在逼近时序规律真正决定可靠性指标的是数据质量和对电网物理边界的理解。希望帮到你。本文还有配套的精品资源点击获取