简介这份资源面向配电网故障重构方向的学习者与研究人员提供一套基于DistFlow潮流的MATLAB程序支持输入任意故障线路编号自动求解优化重构方案。相比早期以电压质量为目标、未严格约束网络拓扑的版本本程序引入辐射状与连续状约束确保重构结果始终满足配电网连通性与辐射性要求即使将目标改为网损或弃负荷也不会出现环网或孤岛。程序以网损和弃负荷为目标函数约束涵盖二阶锥、电压电流关系、欧姆定律及网络潮流等适合初学者理解故障重构的建模精髓。压缩包共2个文件均为m脚本文件整体约6KB包含主程序与IEEE33节点算例数据便于直接运行与修改。目前已有247人学习下载可作为配电网重构、二阶锥优化与YALMIP建模的入门实践素材。1. 从一条10kV线路跳闸说起DistFlow潮流与配电网故障重构到底在算什么10kV 馈线因为雷击或者树障跳闸之后调度最关心的不是“哪条线断了”而是“我把哪几个联络开关合上、把哪几个分段开关拉开能在不烧设备的前提下把停电范围压到最小”。这就是配电网故障重构要回答的问题。它和输电网的 N-1 分析不一样配电网是辐射状、闭环设计开环运行支路 R/X 比值大PQ 解耦基本失效所以潮流算法得换一套。DistFlow 潮流就是为这种辐射状配电网量身定做的支路潮流模型它把每条支路上的有功、无功和节点电压平方当成状态量沿着馈线一层层递推不需要牛顿-拉夫逊那种大矩阵求逆。把 DistFlow 嵌进故障重构本质上是把“开关组合”这个离散变量和“潮流可行”这个连续约束放在同一个优化框架里求解。输入任意线路的意思是你拿到一条实际 10kV 馈线的拓扑和参数就能跑不用改代码结构。这套东西适合做配网自动化、分布式电源接入评估、以及故障后恢复策略验证的工程师不适合只想调个潮流包看电压曲线的人。2. DistFlow 潮流为什么适合配电网从支路递推公式到辐射状约束2.1 支路潮流递推的物理含义与数学形式DistFlow 的核心思想是把配电网看成一棵树根节点是变电站母线每条支路从父节点流向子节点。对支路 (i,j)定义 P_ij 和 Q_ij 为从 i 流向 j 的有功和无功v_i 为节点 i 电压幅值的平方。递推关系写成# DistFlow 支路递推核心方程辐射状配电网 # 节点 j 是节点 i 的子节点支路 i-j # P_ij, Q_ij: 支路有功/无功功率 # v_i: 节点 i 电压幅值平方 # r_ij, x_ij: 支路电阻/电抗 # p_j, q_j: 节点 j 的净注入功率负荷减分布式电源 P_ij p_j sum(P_jk for k in children(j)) r_ij * (I_ij**2) Q_ij q_j sum(Q_jk for k in children(j)) x_ij * (I_ij**2) v_j v_i - 2*(r_ij*P_ij x_ij*Q_ij) (r_ij**2 x_ij**2) * (I_ij**2) I_ij**2 (P_ij**2 Q_ij**2) / v_i这段代码里第一个和第二个方程是功率平衡支路首端功率等于末端节点负荷加上所有下游支路功率再加上本支路损耗。第三个方程是电压降用电压平方表示可以避免开方保持模型在优化里的二次特性。第四个方程是电流平方的定义它把非线性的电流项引进来。实际做重构时很多人会把损耗项忽略掉得到所谓的 LinDistFlow这样模型变成线性求解速度快很多但电压精度在重载线路上会差 2% 到 5%。我一般会在故障重构的预筛选阶段用 LinDistFlow最终方案校验再用完整 DistFlow。参数上r_ij 和 x_ij 来自线路型号比如 LGJ-120 的电阻约 0.27 Ω/km电抗约 0.35 Ω/km。p_j 和 q_j 是节点负荷故障重构时要把失电区域的负荷置零把可恢复区域的负荷按容量比例分配。v_i 的初值通常设成 1.0 p.u. 的平方也就是 1.0。迭代收敛判据一般取相邻两次电压平方差的最大值小于 1e-6。2.2 辐射状拓扑约束与开关状态映射配电网故障重构的决策变量是开关状态但 DistFlow 递推要求网络是辐射状的。如果合环运行递推就断了。所以必须加辐射状约束。常见做法是用生成树约束或者单商品流约束。单商品流约束更直观给每个节点定义一个虚拟流变量根节点注入总流等于节点数减一每个非根节点消耗一个单位流支路流非负且不超过支路数乘以开关状态。# 单商品流辐射状约束以 Pyomo 为例 # x[i,j] 为支路 i-j 的开关状态1 表示闭合 # f[i,j] 为虚拟流变量 # N 为节点集合root 为根节点 model.x Var(edges, domainBinary) model.f Var(edges, domainNonNegativeReals) def flow_balance_rule(model, n): if n root: return sum(model.f[root, j] for j in children(root)) len(nodes) - 1 else: inflow sum(model.f[i, n] for i in parents(n)) outflow sum(model.f[n, j] for j in children(n)) return inflow - outflow 1 model.flow_balance Constraint(nodes, ruleflow_balance_rule) def flow_capacity_rule(model, i, j): return model.f[i, j] (len(nodes) - 1) * model.x[i, j] model.flow_capacity Constraint(edges, ruleflow_capacity_rule)这段代码的逻辑是根节点发出 N-1 个单位流每个非根节点净消耗 1 个单位流支路流只能走闭合支路。这样任何闭合支路集合如果形成环流平衡就无法满足因为环上没有节点消耗流。参数上len(nodes) 是节点总数root 一般选变电站母线节点。注意这个约束只保证辐射状不保证连通性还需要加电压约束和功率平衡来间接保证所有节点被供电。如果某个节点失电它的负荷要置零否则模型无解。3. 故障重构的优化模型怎么搭目标函数、约束与求解器选择3.1 目标函数失电负荷、开关操作次数与网损的加权故障重构的目标通常不是单一的。只最小化失电负荷可能导致开关频繁动作只最小化开关次数可能恢复不了重要负荷。我一般用加权和# 目标函数失电负荷 开关操作次数 网损 # w1, w2, w3 为权重 # y[n] 为节点 n 的供电状态1 表示供电 # P_load[n] 为节点 n 的负荷有功 # x[i,j] 为开关状态x0[i,j] 为故障前状态 # P_loss[i,j] 为支路损耗 def objective_rule(model): lost_load sum(P_load[n] * (1 - model.y[n]) for n in nodes) switch_ops sum(abs(model.x[i,j] - x0[i,j]) for i,j in edges) loss sum(model.P_loss[i,j] for i,j in edges) return w1 * lost_load w2 * switch_ops w3 * loss model.obj Objective(ruleobjective_rule, senseminimize)权重怎么设如果故障后首要目标是恢复供电w1 取 1.0w2 取 0.01w3 取 0.001。如果开关是手动操作的w2 要加大到 0.1 以上。注意 abs 在优化里是非线性的实际实现时用两个辅助变量拆开。P_loss 在 LinDistFlow 里可以写成 (P_ij^2 Q_ij^2) / v_i * r_ij但这是非凸的通常用分段线性化或者直接忽略因为网损在目标里权重很小。3.2 约束条件电压上下限、支路容量与分布式电源出力电压约束是 v_min v_i v_max一般取 0.95 到 1.05 p.u. 的平方即 0.9025 到 1.1025。支路容量约束是 P_ij^2 Q_ij^2 S_max^2S_max 来自导线载流量或者变压器容量。分布式电源处理成负的负荷但要注意它的出力波动。如果做故障重构通常假设 DG 在故障期间要么脱网要么按额定出力运行。# 电压与支路容量约束 v_min 0.95**2 v_max 1.05**2 def voltage_rule(model, n): return v_min model.v[n] v_max model.voltage Constraint(nodes, rulevoltage_rule) def capacity_rule(model, i, j): return model.P[i,j]**2 model.Q[i,j]**2 S_max[i,j]**2 model.capacity Constraint(edges, rulecapacity_rule)求解器选择上如果做了线性化用 CBC 或者 GLPK 就能跑小规模线路。如果保留非线性得用 IPOPT 或者 Bonmin。10kV 馈线一般 30 到 100 个节点开关组合数在 2^20 量级直接枚举不现实。我一般用 Benders 分解或者遗传算法做外层搜索内层用 DistFlow 校验。也有用二阶锥松弛的把非凸约束松弛成凸的求解快但解可能不可行需要做可行性修复。4. 输入任意线路怎么落地数据格式、拓扑解析与代码骨架4.1 线路数据表设计节点、支路与开关三张表要让代码接受任意线路数据格式必须统一。我一般用三张 CSV 表节点表、支路表、开关表。节点表包含节点编号、有功负荷、无功负荷、电压等级、是否根节点。支路表包含首端节点、末端节点、电阻、电抗、容量。开关表包含开关编号、所在支路、初始状态、是否可控。表名字段示例说明nodes.csvid, p_load, q_load, is_root1, 0.0, 0.0, 1根节点负荷为0branches.csvfrom, to, r, x, s_max1, 2, 0.27, 0.35, 5.0r/x单位Ωs_max单位MVAswitches.csvid, from, to, state, controllableS1, 2, 3, 1, 1state1表示闭合解析时先根据 branches.csv 建邻接表再用深度优先搜索确定父子关系。如果存在环说明初始拓扑不是辐射状需要先处理。开关表里的可控开关是决策变量不可控开关状态固定。故障信息单独用一个列表表示哪些支路断开。4.2 从拓扑到 DistFlow 递推的代码骨架# 读取数据并构建 DistFlow 递推 import pandas as pd import networkx as nx nodes pd.read_csv(nodes.csv) branches pd.read_csv(branches.csv) switches pd.read_csv(switches.csv) G nx.Graph() for _, br in branches.iterrows(): G.add_edge(br[from], br[to], rbr[r], xbr[x], s_maxbr[s_max]) # 确定根节点 root nodes[nodes[is_root] 1][id].values[0] # 生成辐射状树假设初始拓扑无环 T nx.bfs_tree(G, root) # 按层序遍历顺序计算 DistFlow order list(nx.bfs_tree(G, root).nodes()) v {n: 1.0 for n in order} # 电压平方初值 P {} Q {} for n in reversed(order): if n root: continue parent list(T.predecessors(n))[0] p_j nodes[nodes[id] n][p_load].values[0] q_j nodes[nodes[id] n][q_load].values[0] # 累加子节点功率 for child in T.successors(n): p_j P[(n, child)] q_j Q[(n, child)] r G[parent][n][r] x G[parent][n][x] # 忽略损耗的 LinDistFlow P[(parent, n)] p_j Q[(parent, n)] q_j v[n] v[parent] - 2*(r*P[(parent, n)] x*Q[(parent, n)])这段代码先读三张表建图找根节点生成 BFS 树。然后按逆 BFS 序从叶子往根算功率再按正序算电压。注意这里忽略了损耗项是 LinDistFlow。如果要完整 DistFlow需要在功率累加时加上 rI^2 和 xI^2并且迭代直到电压收敛。参数上v 的初值设 1.0迭代次数一般 10 到 20 次就够。故障重构时把故障支路的开关状态置 0重新生成树再跑一遍。5. 避坑与排查故障重构里最容易翻车的五个地方5.1 现象模型无解求解器报 infeasible原因通常是辐射状约束和供电约束冲突。比如故障后某些节点变成孤岛但负荷没有置零功率平衡无法满足。解决方法是先做拓扑连通性分析把孤岛节点的负荷置零再求解。如果还是无解检查电压约束是否太紧把 v_min 从 0.95 放到 0.90 试试。5.2 现象重构方案合环了DistFlow 递推结果不对原因是单商品流约束只保证辐射状不保证解唯一。如果目标函数里网损权重太小求解器可能选一个含环的解。解决方法是加一个很小的环惩罚项或者用生成树约束替代单商品流。我一般会在目标里加 sum(x[i,j] for i,j in edges) 的惩罚因为辐射状网络的闭合支路数等于节点数减一多了就是环。5.3 现象电压越限但求解器说可行原因是 LinDistFlow 忽略了损耗电压降算小了。在重载线路上实际电压可能比模型算的低 3% 到 5%。解决方法是最终方案用完整 DistFlow 校验如果越限要么调整开关组合要么在模型里加电压安全裕度比如把 v_min 提到 0.96。5.4 现象开关操作次数太多调度不接受原因是目标函数里开关权重太小或者没有考虑开关的机械寿命。解决方法是在开关表里加一个 max_ops 字段限制每个开关在重构中的最大动作次数。另外可以把开关按重要性分组重要开关权重加大。5.5 现象分布式电源接入后重构方案反而更差原因是 DG 出力波动导致潮流方向变化原来的辐射状假设可能被破坏。解决方法是把 DG 当成负负荷但在故障重构时考虑它的脱网概率。如果 DG 容量超过负荷的 30%要加反向潮流约束防止电压抬升越上限。6. 进阶技巧用灵敏度矩阵快速筛选候选开关组合完整优化跑一次 100 节点线路可能要几分钟故障恢复要求秒级响应。我一般用灵敏度矩阵做预筛选。先算失电负荷对每个开关状态的灵敏度也就是合上某个开关能恢复多少负荷。这个灵敏度可以用 DistFlow 的线性化模型快速算出来。# 灵敏度筛选计算每个开关闭合后的负荷恢复量 # 基于 LinDistFlow 的线性关系 import numpy as np # 假设已有失电节点集合 out_nodes # 对每个可控开关 s临时闭合跑一次 LinDistFlow # 计算恢复的负荷总量 recovery {} for s in controllable_switches: close_switch(s) v run_lindistflow() if all(v[n] 0.95**2 for n in out_nodes): recovery[s] sum(p_load[n] for n in out_nodes if is_connected(n)) open_switch(s) # 按恢复量排序取前 10 个开关组合做完整优化 candidates sorted(recovery.items(), keylambda x: -x[1])[:10]这段代码的逻辑是对每个可控开关临时闭合跑一次 LinDistFlow检查失电节点电压是否合格如果合格就累加恢复的负荷。最后按恢复量排序只对前 10 个候选做完整非线性优化。参数上电压合格判据用 0.95 平方实际可以放宽到 0.93 做粗筛。这个技巧能把求解时间从分钟级降到秒级代价是可能漏掉一些次优但开关次数更少的方案。我一般会保留前 20 个候选再按开关次数做二次排序。另一个技巧是热启动。把上一次故障重构的解作为初始点传给求解器。如果两次故障位置接近热启动能减少 50% 以上的迭代次数。具体做法是把上次的开关状态向量存下来作为 model.x 的初值。注意如果拓扑变化太大热启动可能反而拖慢收敛所以我会设一个阈值拓扑差异超过 30% 就不用热启动。最后说一个我踩过的坑DistFlow 的电压平方变量在优化里容易遇到数值问题尤其是 v_i 接近 0 的时候。我一般给 v_i 设一个下限比如 0.5防止除零。另外电流平方项在 LinDistFlow 里被忽略了但如果线路很长损耗不能忽略这时候要么用完整 DistFlow 迭代要么把损耗项分段线性化。分段线性化的断点我一般取 0、0.5、1.0、1.5 倍额定电流精度够用。希望帮到你。本文还有配套的精品资源点击获取