配电网双目标优化：经济性与可靠性协同的Python实现

配电系统规划做久了，你会发现最纠结的问题往往不在技术上，而在“钱”和“电”之间怎么平衡。用户要可靠，最好一年都不停电一次；可预算就那么多，每提高一个百分点的可靠性，背后都是真金白银的投资。以前我们做规划，习惯先把网架方案定下来，再去做可靠性评估验算，等于先射箭再画靶，方案常常不是过度投资就是可靠性不够。这个项目把经济性和可靠性放在同一个优化框架里，用双目标同时寻优，最后产出一组Pareto前沿解，让决策者自己根据预算和可靠性要求去选方案。整套思路用Python实现，从配电网建模、潮流计算、可靠性评估到NSGA-II优化求解，全部跑通。这篇文章就来讲讲这个项目从建模到代码落地的完整思路，以及我实际开发中踩过的一些坑。

这套内容适合三类人看：一是电力系统方向的研究生，做规划或可靠性课题时需要一套能跑的代码框架做基础；二是电网公司或设计院的规划工程师，想从“单方案验算”升级到“多方案寻优”的；三是对配电网分布式电源接入、储能配置感兴趣的开发者。文章默认你对配电系统的基本概念有了解，但我会尽量把关键公式和代码逻辑讲透，确保照着能复现。

1. 项目整体思路：为什么经济性与可靠性必须“同框”

1.1 传统“先规划后评估”流程的痼疾

传统配电网规划的流程大致是：先根据负荷预测结果，用经验或启发式方法确定变电站容量、线路截面、开关位置，形成一个网架方案，然后用可靠性评估工具计算这个方案的SAIFI、SAIDI、ENS等指标。如果指标不达标，就局部加强网架、增加联络线或改造开关，再算一次。这个过程本质上是一个“验算-修补”的循环。

问题在于，经济性和可靠性在这个流程里是串行的，那意味着你在做第一个网架方案时，并没有把可靠性指标作为目标去优化，而只是最后验收。这样容易出现两个极端：一是为了满足可靠性指标而盲目增加冗余，钱花了不少，可靠性提升却很有限；二是资金受限时只能牺牲可靠性，但说不清楚到底牺牲了多少，决策者拿不到“每多花一百万能换来多少可靠性提升”这种关键信息。

双目标规划解决的就是这个问题。它把总成本和可靠性指标同时作为优化目标，在解空间里搜索能够权衡两者的非劣解集合。每个非劣解都代表一种“投入产出比”的取舍，最后形成的Pareto前沿可以直接回答“钱花到哪儿最值”这个问题。

1.2 混合配电系统到底“混合”了什么

“混合”这个词在现在的配电系统语境下，含义比过去丰富得多。早年的混合配电系统主要指架空线和电缆混合，或者城市网和农村网混合。现在说“混合”，更多是指电源侧的混合：传统变电站供电加上分布式光伏、风电、储能、电动汽车充电桩甚至可控负荷，这些多元源荷共同构成一个系统。

这种混合带来的规划复杂度，不是1+1那么简单。光伏和风电的出力是时序波动的，储能又涉及到充放电策略，电动汽车充电负荷则有很强的随机性。如果规划时把这些都当成固定的峰值负荷去处理，算出来的网架容量一定偏大，投资一定偏高。反过来，如果完全按最恶劣情况配置，那可靠性自然高，但经济性极差。所以“混合”系统的规划，本质上是要考虑时序运行场景的，这也是这个项目的核心难点之一。

1.3 双目标模型的数学表达

这个项目的优化模型可以写成下面这样：

目标1：最小化全寿命周期总成本：

min C_total = C_inv + C_om + C_loss + C_ens

其中C_inv是设备投资等年值，包括线路改造、分布式电源、储能等；C_om是运行维护成本；C_loss是网损成本；C_ens是停电损失成本（缺供电量损失）。这四项加起来，才是经济体真正关心的“全账”。很多人做规划只算C_inv和C_om，把网损和停电损失放一边，实际方案很容易失真。

目标2：最大化系统可靠性，等价于最小化可靠性指标：

min SAIFI 或 min ENS

这里选择哪个指标，取决于项目关注的是停电频率还是停电电量。SAIFI适合关注用户停电次数的场景，ENS则适合关注经济损失的场景。由于C_ens本身已经包含了停电损失，如果目标2再用ENS，两个目标之间会有很强的相关性，这不一定坏，但会让Pareto前沿形状变化，分析时要注意。这个项目里我选了SAIFI，让“经济损失”和“频次指标”形成更独立的两个维度，前沿形状更清晰，也更容易跟电网公司的考核指标对齐。

表格化对比一下两个目标的特征：

两个目标天然冲突：要降低SAIFI，就需要增加线路联络、多装分布式电源和储能，这直接拉高C_inv和C_om。于是需要多目标优化算法在解空间里寻找均衡点，这就是NSGA-II等进化算法的用武之地。

2. 可靠性评估：不能只把指标当“事后算账”

2.1 解析法与序贯蒙特卡洛如何取舍

可靠性评估方法大体分两类：解析法和模拟法。

解析法的核心是枚举故障模式。配电网结构相对简单时，可以枚举所有可能的元件故障事件，结合潮流和网络拓扑判断影响范围，再计算出各指标。优点是计算快、结果确定性强；缺点是系统规模一大、分布式电源和储能介入后，故障影响不再是简单的“断供-转供”二值逻辑，时序出力、充放电状态都在变化，枚举所有状态组合会爆炸。

模拟法，具体说是序贯蒙特卡洛法，思路更朴素：按元件可靠性参数（故障率、修复时间）随机生成一个长时间运行的“虚拟运行过程”，比如模拟十年或一万年的运行状态，逐年统计停电事件，最后算出指标均值。它天然支持时序负荷曲线，也能模拟分布式电源随天气变化的出力波动，还能体现储能“故障时能不能顶上去”这种动态行为。

这个项目最终选择序贯蒙特卡洛，核心原因就是模型里有时序波动源和储能，解析法很难处理这类动态时序问题。代价是计算量很大，后面我会讲怎么控制这个计算量。

表格对比：

2.2 关键可靠性指标SAIFI、SAIDI、ENS的计算口径

可靠性指标的计算口径，是最容易在代码里出错的地方。我见过好几个人把SAIFI的分子分母搞反，或者把SAIDI和CAIDI混为一谈。这里把核心公式列清楚：

SAIFI（系统平均停电频率指标）： [ SAIFI = \frac{\sum 用户停电次数}{用户总数} ] 注意分子是“次数”，不是“户数”。一次停电事故如果有100户停电，那分子就加100。

SAIDI（系统平均停电持续时间指标）： [ SAIDI = \frac{\sum 用户停电持续时间}{用户总数} ] 这里分子是“户·小时”。

CAIDI（用户平均停电持续时间）： [ CAIDI = \frac{SAIDI}{SAIFI} ] CAIDI是“每次停电平均持续多久”，一个容易被忽视但很反映抢修效率的指标。

ENS（期望缺供电量）： [ ENS = \sum_{i} P_{loss,i} \times T_{out,i} ] P_loss,i是故障期间损失的负荷功率，T_out,i是停电持续时间。这个指标在双目标模型里很重要，因为它直接与停电损失成本C_ens挂钩，可以按单位电量损失价值换算成钱。

实现时注意几个口径问题：分子是所有用户的累加，分母是系统总用户数，不是受影响用户数；如果一次故障通过联络开关转供了一部分负荷，那转供出去的负荷不能算停电，只有真正失电的负荷才算。这些逻辑在代码里要用拓扑分析判断故障隔离区和转供路径，不能简单按“故障元件下游全部失电”处理。

2.3 状态持续时间抽样法实现：Python主循环逻辑

序贯蒙特卡洛里最常用的实现方式是“状态持续时间抽样法”（state duration sampling），也叫状态时序法。它的思路是：

对每个元件，根据当前的运行/停运状态，按对应的转移率抽样确定该状态持续时间。元件在运行状态时，持续时间的期望是1/λ（λ为故障率）；在停运状态时，持续时间的期望是1/μ（μ为修复率）。实际抽样时，用逆变换法生成服从指数分布的随机数。

主循环逻辑可以这样组织：

1. 初始化所有元件的状态和时间轴。
2. 推进全局时钟到下一个最近的状态转移时刻。
3. 在每一个时间段内，根据当前系统拓扑和所有元件的状态，判断哪些区域失电，哪些可以转供。
4. 结合时序负荷曲线和分布式电源出力，统计该时段内的停电户次、停电户·时和缺供电量。
5. 推进到下一个状态转移，重复，直到达到设定的模拟年限。
6. 汇总统计，计算SAIFI、SAIDI、ENS。

对应到代码，可以简化为这样的结构：

def sequential_monte_carlo(network, load_profile, dg_profile, years=10): """ 状态持续时间抽样法实现序贯蒙特卡洛可靠性评估 network: 配电网模型，含元件可靠性参数 load_profile: 8760小时时序负荷数据 dg_profile: 分布式电源时序出力数据 """ time_horizon = years * 8760 # 元件状态及状态持续时间初始化 for component in network.components: component.state = 'up' component.duration = expon.rvs(scale=1.0 / component.failure_rate) t = 0 stats = {'interruption_times': 0, 'interrupted_customers': 0, 'interrupted_duration': 0, 'ens': 0.0} while t < time_horizon: # 找到下一个发生状态转移的元件 next_comp = min(network.components, key=lambda c: c.next_transition_time) dt = next_comp.next_transition_time - t # 当前时段的系统状态分析 affected = analyze_fault(network, next_comp) # 统计停电指标 for load_point in affected.loss_loads: stats['interrupted_customers'] += load_point.customers stats['interrupted_times'] += load_point.customers stats['interrupted_duration'] += load_point.customers * dt stats['ens'] += load_point.active_power * dt # 更新时间并切换状态 t = next_comp.next_transition_time next_comp.state = 'down' if next_comp.state == 'up' else 'up' next_comp.duration = expon.rvs( scale=1.0 / (next_comp.repair_rate if next_comp.state == 'down' else next_comp.failure_rate)) return stats

这个简化版代码能跑通，但实际工程中要考虑的点很多：故障后开关动作的时间序列，比如故障隔离需要时间、转供合闸也需要时间；还有检修状态、计划停电等非故障状态；以及储能充放电策略和DG出力的时序耦合，这些都是影响指标准确性的关键。后面我会讲到更完整的实现框架。

3. 规划模型的构建与求解策略

3.1 决策变量：网架、DG、储能怎么编码

双目标优化的第一步是定义决策变量以及它们的编码方式。这个项目里，决策变量分几类：

第一类是网架结构变量。比如某条线路是否需要升级改造（加大截面）、某个位置是否需要新建联络线、开关是否需要更换为自动化开关。这类变量天然是离散的，用二进制编码，0表示不建设，1表示建设。如果是多条候选线路，就拼成一个二进制向量。

第二类是分布式电源的选址定容变量。选址是离散的，比如候选安装节点有20个，需要选择其中5个，可以用整数编码，也可以用“每个候选节点装还是不装+装多少台”的混合编码。DG容量一般按台数取整，比如每台额定功率为100kW，那容量变量就是0~N台的整数。

第三类是储能容量和功率变量。储能变量可以是连续的，比如0~2MWh。但实际选型时储能容量通常有规格档位，所以也可以做成离散的整数变量。为了优化效率，我建议把储能变量离散化为几个典型规格档位，比如0.25MWh、0.5MWh、1.0MWh，别让算法在连续空间里瞎逛。

这三种变量拼在一起，就形成一个个体（染色体）。编码设计的原则是尽量让变量的边界清晰，同时方便交叉变异操作。在Python里可以用一个字典或者dataclass来封装个体，而不是用一长串数组，否则后面可读性会非常差。

3.2 约束条件：哪些必须管，哪些容易踩坑

约束条件决定了方案能不能落地。这个项目的约束条件至少包含：

• 潮流方程约束：每组解都必须满足配电网潮流方程，保证方案在物理上可行。
• 节点电压约束：各节点电压在允许范围内，一般10kV配电网允许0.93~1.07p.u.。
• 支路潮流约束：电流不超限，尤其是DG接入后可能出现反向潮流，要重点关注联络线路和主变。
• 单辐射网约束：配电网绝大多数情况下要求开环运行，规划结果不能出现环网结构（除非特殊设计）。
• DG渗透率约束：分布式电源总装机容量不能超过系统最大负荷的一定比例，防止发生孤岛或反向重载。
• 储能SOC约束：储能荷电状态不能越限，充放电功率不超过额定值。

实际操作中，最容易踩坑的约束有两个。一个是单辐射网约束，NSGA-II的交叉变异算子是瞎改的，改完很可能产生环网，如果评估程序不检查拓扑连通性和环网情况，直接算潮流就会报错或者算出荒谬结果。所以每次评估前必须做拓扑校验。另一个是电压约束的成功率，分布式电源接入后，末端电压可能被抬到上限之外，尤其光伏大发而负荷轻载的时候。你需要把最极端的时序断面也纳入校验，不能只看峰值负荷一个断面。

3.3 NSGA-II求解与参数整定经验

多目标优化算法我选了NSGA-II，原因很简单：它足够成熟、实现多、稳定性好，对配电网规划这种中等规模问题来说，效果和性能都够用。Python生态里有现成的框架pymoo，封装了NSGA-II的标准流程，我建议优先用它，而不是自己手写一遍快速非支配排序。

参数设置的经验，列几条实打实的：

• 种群数量：节点网络规模在50~100个时，我建议种群数量设60~100。太小容易早熟，太大会让每次迭代的计算量吃不消。配电网规划往往是评估耗时严重，一次评估要几分钟，种群100意味着每代评估100次，迭代100代就是一万次评估，得算清楚这个账。
• 迭代代数：建议100~200代，配合收敛判据，比如连续20代Pareto前沿的覆盖率没有明显提升就提前终止。
• 交叉概率：一般取0.8~0.9。配电网规划问题里，网架变量交叉太激进容易破坏拓扑约束，所以可以对不同类型变量设置不同的交叉概率，网架变量低一点，DG和储能变量高一点。
• 变异概率：取1/n，n是决策变量个数。变异概率太大，后期会在一堆好解附近乱跳，收敛不了。

还有一个关键参数：可靠性评估的抽样年限。这个项目里取多少年直接影响计算耗时和结果稳定性。我的做法是先用少量抽样年数（比如3年）快速跑，用来在优化过程里区分解的好坏，最后对Pareto前沿上的最终解再用更长的抽样年数（比如50年或100年）做精确评估。这种“粗筛-精算”两步策略，能省掉至少70%的计算时间，而且最终结果并不会失真，因为粗筛阶段只要求比较相对优劣，绝对值略有波动影响不大。

pymoo里调用NSGA-II的示意如下：

from pymoo.algorithms.moo.nsga2 import NSGA2 from pymoo.core.problem import Problem from pymoo.optimize import minimize from pymoo.operators.crossover.pntx import PointCrossover from pymoo.operators.mutation.pm import PM class DistributionPlanningProblem(Problem): def __init__(self, n_vars, network_data): super().__init__(n_var=n_vars, n_obj=2, xl=0, xu=1) self.network_data = network_data def _evaluate(self, X, out, *args, **kwargs): # X是种群矩阵，每一行是一个个体 costs = [] sais = [] for individual in X: plan = decode(individual, self.network_data) cost = calculate_total_cost(plan) saifi = calculate_saifi(plan) costs.append(cost) sais.append(saifi) out["F"] = np.column_stack([costs, sais]) problem = DistributionPlanningProblem(n_vars=45, network_data=network_data) algorithm = NSGA2(pop_size=80, crossover=PointCrossover(prob=0.85), mutation=PM(prob=1/45), eliminate_duplicates=True) res = minimize(problem, algorithm, termination=('n_gen', 150), seed=42, verbose=False)

4. 代码落地：从数据到Pareto前沿的完整实现

4.1 工程目录与数据准备

一个能跑的规划项目，代码组织不能太随意。这个项目我按下面的结构来组织：

distribution_planning/ ├── data/ │ ├── network.csv # 网络拓扑、线路参数 │ ├── load_profile.csv # 8760小时负荷数据 │ ├── dg_profile.csv # 分布式电源出力时序 │ └── parameters.json # 可靠性参数、成本参数、约束参数 ├── src/ │ ├── network.py # 配电网模型与拓扑分析 │ ├── powerflow.py # 前推回代潮流计算 │ ├── reliability.py # 序贯蒙特卡洛可靠性评估 │ ├── cost.py # 经济性计算 │ ├── optimization.py # NSGA-II优化主程序 │ └── visualization.py # Pareto前沿与方案对比可视化 └── main.py # 主入口

网络拓扑数据用CSV最直观。每一行表示一条支路：

branch_id, from_node, to_node, r_ohm, x_ohm, capacity_a, length_km, is_existing 1, 1, 2, 0.42, 0.35, 400, 1.2, 1 2, 2, 3, 0.38, 0.32, 400, 0.8, 1 ...

可靠性参数放在parameters.json里，比如：

{ "fault_rate_per_km": 0.08, "repair_time_hours": 4.0, "switch_operation_time_hours": 0.5, "load_point_customers": 50, "price_per_kwh": 0.6, "dg_unit_cost_million": 0.8, "storage_cost_per_mwh_million": 1.5, "line_upgrade_cost_per_km_million": 0.4, "voltage_min_pu": 0.93, "voltage_max_pu": 1.07 }

这些参数直接决定计算结果，我的建议是参数统一从JSON读入，别在代码里硬编码，否则后面调参改方案，你会被自己之前写的魔法数字烦死。

4.2 前推回代潮流计算实现要点

配电网潮流计算，我选前推回代法而非牛顿法，因为配电网呈辐射状结构，前推回代法不需要求雅可比矩阵，迭代一次速度快，很多书上都有现成算法，实现成本低。对规划问题来说，我们要对大量方案进行评估，评估一次要跑很多潮流断面，潮流算法必须是轻量级的，前推回代非常合适。

前推回代的核心逻辑：

1. 从末端节点向根节点回推，计算各支路的功率分布；
2. 从根节点向前推，计算各节点电压；
3. 反复迭代，直到电压变化量小于阈值。

配电网中如果有DG接入，需要在回推时把DG出力当作负荷的负值处理，也就是注入功率。如果有储能，就按当前时段的充放电功率作为正负荷或负负荷参与潮流计算。

核心实现可以这样：

def backward_forward_powerflow(network, load_power, dg_power, storage_power): """ 前推回代法潮流计算 load_power: 各节点负荷功率数组 dg_power: 各节点DG注入功率数组 storage_power: 各节点储能充放电功率（正为充电、负为放电） """ nodes = network.nodes branches = network.branches v = np.ones(len(nodes), dtype=complex) s = load_power - dg_power + storage_power # 节点净注入功率 max_iter = 30 tol = 1e-5 for _ in range(max_iter): # 回推支路功率 branch_power = {} for branch in reversed(network.topo_order): child = branch.to_node parent = branch.from_node accumulated = s[child] + sum( branch_power[b.branch_id] for b in branch.child_branches) branch_power[branch.branch_id] = accumulated # 前推节点电压 for branch in network.topo_order: child = branch.to_node parent = branch.from_node v[child] = v[parent] - (branch_power[branch.branch_id] / v[parent].conjugate()) * branch.impedance # 计算更新量 if np.max(np.abs(v - v_old)) < tol: break v_old = v.copy() return v

我简化了数据结构，真实工程中拓扑顺序要预先算好。一个常见坑是：NSGA-II变异后网架结构变了，拓扑顺序必须重新生成，否则潮流程序拿到旧的顺序表就会算错。每次评估时都要检查拓扑变化，再重建拓扑顺序表。

4.3 可靠性评估函数与优化器联合

双目标优化框架里，评估一个个体（规划方案）的流程是：

1. 解码个体，得到具体的网架、DG容量和储能配置；
2. 检查拓扑约束（单辐射、连通性），不满足直接返回惩罚值；
3. 跑序贯蒙特卡洛可靠性评估，得到SAIFI和ENS；
4. 计算经济性指标，包括投资等年值、运维成本、网损成本、停电损失；
5. 返回两个目标值。

这里最费时间的环节是第3步。为了让它能在优化迭代中稳定运行，我有一个经验做法：把序贯蒙特卡洛的模拟年限设置成一个可调参数，在优化过程中用短年限粗评估，在最终结果精评估时用长年限。另外可以为每个个体设置一个“最大评估时间”上限，超过就中止并返回当前累计均值，避免个别个体卡死拖慢整个优化。

把可靠性和成本计算函数整合到一起后，主循环大致长这样：

def evaluate_individual(individual, network_data, config): plan = decode(individual, network_data) # 拓扑校验 if not is_radial(plan.network): return [1e9, 1e9] # 粗评估阶段用短年限蒙特卡洛 saifi = monte_carlo_saifi(plan, years=config.course_years) cost = calculate_total_cost(plan, saifi) return [cost, saifi]

成本计算函数calculate_total_cost里，投资成本等年值用资金回收系数把一次性投资摊到每年，公式是：

[ A_i = P_i \times \frac{r(1+r)^n}{(1+r)^n - 1} ]

其中r是折现率，n是设备寿命年限。这个等年值换算法是电网规划里的基本操作，很多刚入门的人会漏掉。比如线路改造一次性投资500万，寿命20年，折现率8%，那每年的等年值大约50.9万，而不是直接500万，否则规划期超过一年时账就算不对了。

4.4 可视化与结果解读

NSGA-II跑完之后，输出的F是N行2列的数组，每行对应一个非劣解的（成本，SAIFI）。可视化很简单，用Matplotlib把前沿画出来：

import matplotlib.pyplot as plt F = res.F plt.scatter(F[:, 0], F[:, 1], c='steelblue', edgecolors='k', alpha=0.8) plt.xlabel('Total Cost (万元/年)') plt.ylabel('SAIFI (次/(户·年))') plt.title('Pareto Front of Distribution Planning') plt.grid(True, alpha=0.3) plt.show()

Pareto前沿画出来后，一个很实用的选点方法叫“肘部法则”，就是看曲线拐弯最剧烈的地方。这个点意味着再增加投入对可靠性的边际改善急剧变小，往往是性价比最高的“甜点区”。比如前沿曲线在总成本500万/年这个位置，SAIFI的下降幅度突然变缓，那500万附近就是值得优先考虑的方案。我习惯把前沿上相邻两点的(Δ成本/ΔSAIFI)计算出来，做成边际成本曲线，选点就更直观了。

除了前沿图，我还会把几个典型方案（经济最优、可靠性最优、肘点方案）的具体配置和指标列成表格对比，比如DG装在哪、储能多大、哪些线路升级了。这对写报告、向决策者汇报非常有帮助。

5. 实际问题排查与调参经验

5.1 NSGA-II种群多样性丧失

这是我踩过最大的坑之一。NSGA-II跑着跑着，种群里的个体全都变得非常相似，Pareto前沿退化成一个小扇区，甚至是一条短线段。原因通常有两个：一是初始种群随机性不够，很多人用确定性初始化方法，导致所有个体都从某个相似起点出发；二是交叉变异概率设置不当，变量多而变异率太低时，新个体的探索能力太差。

解决方法是：初始种群用“混沌映射”或拉丁超立方抽样生成，让初始解覆盖不同的投资水平和网架形态；变异率适当提高，尤其是对储能容量这类变量，变异可以设置一个范围而不是固定比例；还可以每20代强制注入一批随机个体，增加多样性。我实测下来，光是改初始种群生成方式，Pareto前沿的覆盖率就能提升一个档次。

5.2 蒙特卡洛评估时间过长

序贯蒙特卡洛最让人崩溃的就是慢。一个中等规模的配电网，模拟一年8760小时，如果不做任何优化，评估一次可能要几十秒，而优化过程要评估上万次个体，这样算下去几天都跑不完。

我的优化思路有这几个方向：

• 事件驱动的状态持续时间抽样法比逐小时遍历快很多，因为不是每个小时都有状态转移，只有元件故障和修复的时刻才需要重新分析。
• 故障影响分析时，只对故障影响的局部区域做拓扑搜索，别动不动全网络重新分析一遍。
• 粗筛阶段用短年限模拟，前面说过了。
• 并行化。pymoo本身对并行评估支持不够好，但可以用多进程池，把种群里的个体分到8核、16核上同时评估。这个改造值得做，跑一天变跑两小时，心情完全不同。

5.3 潮流不收敛的调试技巧

规划优化过程中，总有那么一些稀奇古怪的网架结构会导致潮流不收敛。我遇到过几种典型情况：

第一种，DG出力太大而负荷太小，前推回代从根节点推不动，电压越限严重。解决办法是检查DG渗透率约束，从源头限制过大的DG接入容量。

第二种，变异产生环网，辐射状结构被破坏。前推回代在环网下直接陷入振荡。解决办法是拓扑校验时要判断是否有环，有环就跳过潮流计算直接返回惩罚值，不要在无效解上白白浪费计算时间。

第三种，负荷数据异常。比如某节点的负荷在某个时段异常偏高，导致潮流计算剧烈震荡。排查时把各节点各时段的负荷画出来，看看有没有明显野点。前推回代法本身对有重载的末端节点容易不收敛，可以考虑加入松弛因子，或者在迭代时限制电压修正步长，也能有效改善。

5.4 数据缺失与边界设置的考量

做真实项目时，经常会发现数据不完整。比如某个区域没有实测的时序负荷曲线，只有年最大负荷和典型日负荷曲线；DG出力曲线可能只有夏季和冬季两个典型日。我的处理方式是用典型场景聚类的思路，把全年365天聚类成几个代表场景，比如用K-means对负荷和DG出力的时序数据进行聚类，把8760小时压缩成十几个典型场景，每个场景赋予一个持续时间权重。这样可靠性评估时的时序维度大幅降低，但又不失代表性。

储能建模相关的一个不起眼但关键的边界条件是初始SOC。如果初始SOC设得过高，储能对可靠性的贡献被高估；设置过低则被低估。我一般把初始SOC设到50%，并把SOC的上下限设到20%~95%，充放电效率按90%算。这些参数看似细节，但对储能容量优化结果影响很大，值得多花时间标定。

另外，可靠性参数中最敏感的是故障率λ和修复时间μ。这两个参数直接决定SAIFI和SAIDI的绝对值。规划对比研究的时候可以取典型值，但做实际工程时，最好用该地区近三年的历史故障统计来率定，并且分架空线、电缆、不同老化程度设置多档参数，不要一刀切。

5.5 双目标权重选择的误区

有一个常见的认知误区是：既然叫双目标，那我给两个目标各设一个权重，把目标函数加权求和不就行了吗？行，但这样得到的只是一个单点最优解，不是Pareto前沿。如果你的目标是帮决策者看清“钱和可靠性之间的全貌”，那就必须保留多目标的形式去跑NSGA-II，而不是预先加权。

只有一种情况可以简化：决策者已经锁定投资预算上限，此时可以把成本转换为约束（总投资不超过上限），只把SAIFI作为目标，转成单目标约束优化问题。这种情况下用加权或罚函数法确实更快。但在这个项目里，我们还是保留了双目标的形式，因为预算往往本身就是一个待讨论的量，而不是固定的。

跑完之后，我经常会把Pareto前沿上的方案再做一轮“情景校验”，比如把最极端的气象场景（迎峰度夏高负荷、光伏零出力）套进去，看选出来的方案是否还满足电压和潮流约束。这一步不属于优化本身，但对方案落地非常关键，因为我见过不止一次Pareto前沿上的方案在典型日下表现完美，到了极端场景直接电压越限。

最后再分享一个小技巧：在优化过程中，每隔一定代数把当前最优的几个个体缓存在磁盘上，而不是等全部迭代结束再统一输出。我曾经跑一个大规模方案时中途断电，所有结果烟消云散，之后所有优化代码我都加了断点保存机制。用Python的话就是pickle定期dump一下种群状态，花不了几K存储，但能让你睡个安稳觉。

这套“经济+可靠”双目标规划的代码框架，前前后后我迭代了好几版，从最早的单目标加权，到引入NSGA-II，再到加入序贯蒙特卡洛和并行加速，每一步都是被实际项目里的问题推着走的。现在回过头看，纯代码量并不大，难的是把配电网的工程约束、可靠性指标的统计口径和优化算法的参数逻辑真正揉在一起。希望这篇文章能帮你少走一些弯路，尤其是那几个计算耗时和收敛性的坑，提前绕过去。