1. 项目整体设计与模型构建
混合配电系统规划，说白了就是在一个既要交流负荷、又要带直流负荷的配电网里，回答三个问题：在哪里装设备、装多大容量、怎么接线最划算。这三个问题背后其实牵着一个更深的需求——电网公司不能只顾省钱，还要保证不停电，这两个目标放在一起就变成了非线性的多目标优化问题。这个项目用Python把整套流程跑通，从网络结构、设备模型、可靠性指标到优化算法全部编程实现，我拿到这个课题第一反应就是：真正的难点不在某个单点算法上，而是把这几个模块串起来时的接口设计和计算效率。
1.1 混合配电系统的“混合”到底指什么
传统配电网是纯交流的，从10kV母线下来，一路变压器到380V，所有负荷都挂在交流支路上。但随着光伏直流发电、储能电池、电动车充电桩这些直流设备大规模接入，交流—直流—交流来回变换导致效率下降，于是出现了交直流混合配电系统——既保留交流馈线，又新增直流母线，换流器（VSC）和DC/DC变换器作为接口设备连接两个区域。
这个项目里的“混合配电系统规划”，规划对象就是这些接口设备的选址和定容，以及网架拓扑的调整方案。规划变量包括：换流器装在哪条馈线上、容量多大；直流母线覆盖哪些负荷；储能和光伏的接入位置；是否需要新增联络线。约束条件则包含节点电压偏差、线路载流量、变压器容量、可靠性指标上限等。
我在实际建模中认为，最需要想清楚的是设备替换成本。比如一台VSC换流器，它的成本不只是设备购置费，还包括安装调试、占地、维护、损耗，以及寿命周期内的故障维修费用。不考虑这些，规划结果在工程上基本没法落地。
1.2 经济性目标函数：从账单角度拆解规划成本
经济性目标函数通常写成年度综合费用最小化，包含四大部分。
第一部分是投资等年值。设备投资不是一次性投入当年算完，而是要折算到每年。公式是：
[ C_{inv} = \sum_{i \in \Omega_{VSC}} c_{VSC} \cdot S_{VSC,i} \cdot \frac{r(1+r)^n}{(1+r)^n - 1} ]
其中 ( r ) 是折现率，一般取0.08，( n ) 是设备寿命，VSC取20年，储能取10年。这个等年值系数就是把一次性投资变成每年的还款额，类似房贷等额本息的概念。
第二部分是运行维护成本，通常按投资额的一定比例估算，取2%~3%。第三部分是网损成本，这是最考验计算精度的部分，需要先做潮流计算求出各支路损耗，再乘以电价和年利用小时数。第四部分是购电成本，从上级电网买电的费用。
很多初学的人会把投资成本和网损成本直接相加，忽略了等年值折现，这样会导致规划结果偏向选择大容量设备，因为大设备能显著降低网损，但一次性投资被低估了。这个细节我建议在建模时严查，否则结果偏差很大。
1.3 可靠性目标：用停电损失和缺供电量说话
可靠性目标我推荐用缺供电量期望值（EENS，Expected Energy Not Supplied）来量化，单位是MWh/年。它衡量的是系统在一年内因为故障、检修、容量不足等原因导致用户少用的电量。EENS越小，可靠性越高。
计算EENS的工程思路是：模拟系统中各个设备的状态（正常运行或故障停运），对每个状态做潮流计算，找出不能正常供电的负荷量，乘以其持续时间和概率，累加得到期望值。
除了EENS，还常用的指标包括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），这两个指标在可靠性评估领域用得非常多，但在规划优化里作为约束条件更合适，目标函数一般还是用EENS或者停电损失费用。
做双目标优化的关键点在于：经济性和可靠性是互相冲突的。要提升可靠性，就得增加设备冗余、加大导线截面、多装联络开关，投资成本上升；反过来只省钱，可靠性指标就会恶化。于是问题变成了在Pareto前沿上寻找一组非劣解，而不是找一个唯一最优解，这正是为什么选择多目标进化算法来处理。
2. 求解框架：为什么用NSGA-II而不是简单加权
面对双目标问题，新手最容易想到的就是加权求和，把两个目标变成单目标。但这个方法有一个致命问题：权重系数非常难定，而且不同量纲之间需要归一化，归一化因子选不好，优化方向就会被某个目标主导。实际跑下来你会发现，权重法一次只能得到一个解，要得到Pareto前沿需要反复调整权重跑几十次，效率极低。
2.1 三种多目标处理方式的对比
权重法、约束法和Pareto支配法是目前最常见的三种思路。
权重法实现最简单，但结果对权重极其敏感，而且无法处理非凸的Pareto前沿。约束法是把一个目标转为约束，比如设定EENS不超过某个值，然后优化经济性，这样也能得到一系列解，但需要合理设置约束边界，边界的取值会影响解的分布。
Pareto支配法则是通过“支配”关系来比较解的好坏：一个解A支配解B，当且仅当A在所有目标上都不比B差，且至少在一个目标上严格优于B。所有不被其他解支配的解构成第一层Pareto前沿。这种方法不需要人为定权重，一次运行能生成整个前沿面，所以我选了NSGA-II来实现。
2.2 NSGA-II的三大核心机制
NSGA-II是带精英策略的非支配排序遗传算法，它的成功靠三个机制。
第一是快速非支配排序。对种群中的每个个体，计算它被多少个其他个体支配（n_p）以及它支配哪些个体（S_p），然后分层归类。时间复杂度是 ( O(MN^2) )，M是目标数量，N是种群规模。
第二是拥挤度距离。同一Pareto层内的解之间需要保持多样性，否则所有解都挤在一个区域。拥挤度距离的计算方法是：对每个目标排序，计算相邻两个解之间的目标差值，归一化后累加。距离越大，代表这个解周围越空旷，越值得保留。
第三是精英保留策略。将父代种群和子代种群合并，从中选出前N个最优个体作为下一代。这样可以防止优秀解在交叉变异过程中丢失。
我用Python实现时，数据结构上用了dataclass来定义个体，每个个体包含决策变量数组、两个目标函数值、支配层级和拥挤度距离。代码结构清晰，后面扩展第三目标也非常方便。
2.3 编码方案与约束处理技巧
决策变量怎么编码，直接决定算法的搜索效率。我把规划变量分成两类：离散型和连续型。换流器安装位置用整数编码，索引对应节点编号；换流器容量用连续编码，范围根据负荷总量设定；储能容量也是连续变量。
约束处理上，我采用了罚函数法加可行性优先策略。具体做法是：电压越限和潮流不收敛的解，赋予极大的目标值，使其在非支配排序中必然处于较差层级。但要注意罚函数值不能设成无穷大，否则会影响拥挤度计算时的归一化。
一个非常实用的经验是：将决策变量的取值范围在种群初始化时对齐物理约束。比如换流器容量范围根据所在馈线的峰值负荷来动态调整，而不是整个系统统一范围。这样能大幅减少无效搜索过程，收敛速度明显提升。
3. 可靠性评估的工程化实现
3.1 序贯蒙特卡洛法：模拟一整年的系统运行
可靠性评估精度直接决定优化结果的可靠性，而仿真方法的选取影响计算时间，这中间需要平衡。
我采用的是序贯蒙特卡洛法（Sequential Monte Carlo Simulation），它的核心思想是：对每个可修复元件建立“正常运行—故障停运—修复—再运行”的两状态模型，用随机抽样确定每个状态持续时间，然后按时间顺序推进，模拟系统一年的运行状态。
元件状态持续时间抽样公式是：
[ T_{up} = -\frac{1}{\lambda} \ln U_1, \quad T_{down} = -\frac{1}{\mu} \ln U_2 ]
其中 ( \lambda ) 是故障率，( \mu ) 是修复率，( U_1 )、( U_2 ) 是 [0,1] 区间均匀分布的随机数。这套抽样依据的是指数分布的无记忆性。
模拟一年的流程是：初始化所有元件状态，记录每个元件的下一次状态切换时刻，找到最早发生切换的元件，更新系统状态，然后对该状态下的系统进行潮流计算，检查是否有负荷失电。如果有，累积失电负荷量和持续时间。这个循环反复进行，直到模拟时长达到8760小时。
3.2 潮流计算：前推回代法在交直流混合网里的推广
可靠性评估对潮流计算有一个硬性要求：快。一次蒙特卡洛模拟一年数据，要跑8760个状态，每次状态变化都要重算潮流，而且这个潮流计算被嵌在进化算法的适应度函数里，一跑就是几万次。所以潮流计算速度决定整个项目能不能跑完。
我采用的方法是前推回代法，它非常适用于辐射状配电网。算法分成两步：第一步前推，从末端节点向根节点推进，根据节点注入功率和电压，求支路功率；第二步回代，从根节点向末端推进，更新各节点电压。重复这两步直到收敛。
对于交直流混合系统，处理思路是把换流器看作一个特殊的功率注入节点。交流侧和直流侧分开计算潮流，通过换流器的功率平衡方程进行耦合迭代。直流潮流计算相对简单，因为直流网络没有无功和相角，只需要求解线性方程组。这里给出一个前推回代法的核心代码骨架，方便你直接复现：
def backward_forward_sweep(nodes, branches, load_power, v0=1.0, tol=1e-4, max_iter=50): """ 前推回代法潮流计算 nodes: 节点列表, branches: 支路列表(包含首端、末端、阻抗) load_power: 各节点负荷复功率, v0: 根节点电压标幺值 """ v = {n: v0 for n in nodes} # 电压初始化 s = {n: load_power.get(n, 0j) for n in nodes} # 节点注入功率 for _ in range(max_iter): # 前推：从末端累加支路功率 branch_power = {} for b in sorted(branches, key=lambda x: x['depth'], reverse=True): # 按深度降序 back = b['end'] s_accum = s.get(back, 0j) branch_power[b['id']] = s_accum # 回代：从根节点更新电压 v_new = dict(v) for b in sorted(branches, key=lambda x: x['depth']): # 按深度升序 start, end = b['start'], b['end'] z = b['impedance'] i_br = (branch_power[b['id']].conjugate() / (v[start].conjugate() * v0)) if abs(v[start]) > 1e-6 else 0j v_new[end] = v[start] - z * i_br # 检查收敛 delta = max(abs(v_new[n] - v[n]) for n in nodes) v = v_new if delta < tol: break return v这段代码简化了实际工程中的处理，但对理解算法核心非常有效。实际我在项目中加了节点深度排序的预处理，大幅降低每次迭代的计算复杂度。
3.3 年时序负荷与光伏出力曲线建模
可靠性评估不能只用峰值负荷来做，因为峰荷只在极少数时段出现，用它评估会严重高估缺电风险，导致过渡投资。正确做法是构建小时级时序数据。
负荷曲线我用了典型日+随机波动的方式生成。每组规划方案共用同一个负荷序列，确保不同方案之间的比较公平。光伏出力曲线则基于光照强度的Beta分布抽样，再换算成功率输出。风速、光照、负荷之间实际上存在一定的相关性，但这个项目为了简化，假设它们相互独立，同时通过划分季节典型场景来兼顾时序耦合关系。
在实现中，我将时序数据预先计算好存成数组，可靠性评估循环里直接索引读取，避免每次重复计算。这种预处理看似简单，但对性能提升非常明显，整个仿真速度能快30%以上。
4. 算例分析与避坑指南
4.1 IEEE 33节点系统参数与场景设置
测试算例我选用经典的IEEE 33节点配电系统，基准电压12.66kV，基准功率10MVA，系统总峰值负荷3715kW+2300kvar。在原始拓扑基础上，预设三个待选节点作为光伏接入候选点，两个待选节点作为储能接入候选点，三个待选位置作为VSC换流器接入点，连接构建直流网络。
种群规模设为50，进化代数为100，交叉概率0.9，变异概率0.1，模拟年数为2000年（序贯蒙特卡洛的抽样年数）。这些参数我在多次试验后发现比较平衡，既不会让计算时间爆炸，也能保证EENS的方差收敛。
4.2 关键代码：目标函数内部的可靠性评估调用
目标函数必须把“一个规划方案”映射为“两个目标值”。核心代码逻辑如下：
def evaluate(individual): # 解码规划变量，生成网络拓扑和设备参数 vsc_pos = int(individual[0]) vsc_cap = individual[1] ess_cap = individual[2] pv_cap = individual[3] # 更新网络参数 network = build_network(vsc_pos, vsc_cap, ess_cap, pv_cap) # 经济性目标：计算综合费用（投资等年值 + 运维 + 购电 + 网损） cost_inv = calc_invest_annuity(vsc_cap, ess_cap, pv_cap) cost_om = 0.03 * cost_inv cost_loss, cost_purchase = calc_operation_cost(network) f1 = cost_inv + cost_om + cost_loss + cost_purchase # 可靠性目标：序贯蒙特卡洛模拟计算EENS eens = sequential_mc(network, n_samples=2000) f2 = eens return f1, f2运行时你会发现这个函数非常耗时，所以后面的性能优化显得尤为重要。
4.3 常见问题与调试技巧实录
问题一：目标函数出现None或NaN。原因通常是潮流计算不收敛时没有处理返回结果。解决方案是：在目标函数开头就做潮流预检，如果潮流不收敛，直接返回一个大罚函数值，而不是让异常传递到上层。
问题二：Pareto前沿分布不均匀，解全部集中在经济性好的区域。这通常是拥挤度距离计算时的归一化出了问题。当两个目标量纲差异极大时（比如一个成本是10^6量级，EENS是10^2量级），必须对目标值做归一化后再计算拥挤度，否则EENS维度几乎不起作用。
问题三：仿真时间爆炸。2000年序贯仿真加上100代进化，每代50个个体，总共要评估10000个方案，每个方案2000次年仿真，计算量巨大。我的解决方案分三层：第一层，把潮流计算从Python循环改成NumPy向量化操作；第二层，采用时间并行——把2000年拆成多个片段并行计算；第三层，在进化早期使用低精度评估（比如500年），后期才使用完整2000年评估。
三层优化合起来，整个项目的运行时间从原来的三小时压缩到了约二十分钟，工程意义非常明显。
4.4 快速验收的实用指标
跑完之后怎么判断结果靠不靠谱？我一般看三个信号。
一看Pareto前沿形状。正常结果应该是一条从左上到右下平滑下降的曲线。如果出现阶梯形或Z字形，多半是离散变量编码粒度太粗，或者约束罚函数设置不当。
二看经济极端解的设备配置。最便宜方案大概率是所有设备容量都取下界，如果出现容量反而很大的现象，说明目标函数里有漏算的成本项。
三看可靠性极端解的电源配置。最高可靠性方案的储能和换流器容量应该接近上界，且分布式电源会分散接入多个节点而不是集中在一处。如果集中在一处，说明可靠性评估代码可能存在孤岛效应误判。
这三招可以帮助你快速定位代码缺陷，而不是对着完全不合理的曲线发呆。
我个人做下来的体会是，这个项目最有价值的不是某个算法本身，而是把一个真实的工程规划问题完整拆成了可运行的代码逻辑。对新手而言，能坚持把经济性模型、可靠性仿真和进化算法这三块拼接整合，比单点调参的收获大得多。最后再分享一个小技巧：所有随机数生成器，无论是蒙特卡洛仿真还是遗传算法的种群初始化和交叉变异，都固定随机种子。这样每次运行的对比才有意义，调试定位问题也会轻松很多。我因为在调试时忽略了这件事，曾花了整整一个晚上排查一个根本不存在的“随机Bug”。
