简介：这份资源是面向电力工程学习者与科研人员的潮流计算通用程序，采用C++编写，核心基于牛顿法迭代求解非线性潮流方程，并借助tinny2稀疏矩阵技术降低大规模网络的存储与计算开销，支持txt格式输入输出，便于数据交换与结果核对。压缩包共46个文件、约2.23MB，包含cpp与h源码、txt算例数据、xlsx节点表、doc设计报告以及vcxproj、sln等工程文件，覆盖从代码到文档的完整链路。程序内置ieee14至300等标准测试系统算例，可验证正确性并开展系统性能对比分析；附带报告阐述了设计思路、算法细节与结果分析，对理解潮流计算原理及实现过程有参考价值。目前已有840人学习下载，适合需要动手实现潮流算法、研究稀疏矩阵应用或进行电力系统仿真练习的读者。
1. 从一份能跑通的潮流计算程序说起
如果你正在做电力系统仿真相关的课题，或者需要一套能直接上手改的潮流计算代码，这份“电力系统潮流计算通用程序”大概率能省掉你不少重复造轮子的时间。它解决的核心问题很具体：给定电网的拓扑、线路参数、发电机和负荷数据，算出各节点的电压幅值与相角、各支路的功率分布。听起来像教科书里的标准算例，但真正落到代码上，节点类型怎么处理、雅可比矩阵怎么组装、收敛判据怎么设，每一步都有讲究。这份程序把牛顿-拉夫逊法、PQ分解法这些经典算法做成了可切换的模块，IEEE 标准算例直接能跑，也支持导入自定义的节点和支路数据。适合电力系统方向的学生做课程设计，也适合做微电网、配电网分析的开发者拿来做二次开发底座。
2. 程序架构与核心算法模块拆解
2.1 整体目录结构与模块划分
拿到一份源码，我习惯先看目录结构，这比读文档快得多。这份程序的目录组织比较清晰，典型的结构大致是这样：
powerflow/ ├── main.py # 入口，读取配置、调度计算流程 ├── config/ │ └── case_ieee9.yaml # 算例配置文件，节点/支路/发电机参数 ├── core/ │ ├── ybus.py # 节点导纳矩阵组装 │ ├── nr_solver.py # 牛顿-拉夫逊法求解器 │ ├── pq_solver.py # PQ分解法求解器 │ └── power_flow.py # 潮流计算主控类，统一接口 ├── models/ │ ├── bus.py # 节点模型：PQ/PV/平衡节点 │ ├── branch.py # 支路模型：线路、变压器 │ └── generator.py # 发电机模型 ├── utils/ │ ├── io.py # 数据读写，支持 CSV/JSON │ └── report.py # 结果输出与格式化 └── tests/ └── test_ieee14.py # 标准算例回归测试这个划分的好处是算法和模型解耦。core/里的求解器只依赖models/定义的数据结构，换一种算法不用动模型层。config/用 YAML 存算例参数，比硬编码在 Python 里强太多，改个负荷值不用翻代码。我一般会先跑tests/里的回归测试，确认环境没问题，再去看main.py的主流程。
2.2 节点导纳矩阵的组装逻辑
潮流计算的第一步是把网络参数变成节点导纳矩阵 Ybus。这是整个计算的基石，Ybus 错了后面全错。程序里ybus.py的核心逻辑是遍历所有支路，把支路导纳累加到对应节点的对角和非对角元素上。
import numpy as np def build_ybus(buses, branches): """ 组装节点导纳矩阵 buses: 节点列表，索引从 0 开始 branches: 支路列表，每条含 from_bus, to_bus, r, x, b, tap """ n = len(buses) Y = np.zeros((n, n), dtype=complex) for br in branches: i = br.from_bus j = br.to_bus z = complex(br.r, br.x) y_series = 1.0 / z y_shunt = 1j * br.b / 2.0 # 线路充电电容，对地导纳 if br.tap == 0 or br.tap == 1.0: # 普通线路，无变压器变比 Y[i, i] += y_series + y_shunt Y[j, j] += y_series + y_shunt Y[i, j] -= y_series Y[j, i] -= y_series else: # 变压器支路，tap 为非标准变比 k = br.tap Y[i, i] += y_series / (k * k) Y[j, j] += y_series Y[i, j] -= y_series / k Y[j, i] -= y_series / k return Y这段代码的关键点在于变压器支路的处理。当变比tap不等于 1 时，导纳矩阵的元素要按变比平方和变比本身做修正，这是很多手写程序容易翻车的地方。y_shunt是线路的对地充电电容，通常取支路参数b的一半分到两端。参数说明：r和x是支路电阻和电抗，b是总充电电纳，tap是变压器非标准变比，普通线路填 1.0 即可。组装完 Ybus 后，建议打印一下稀疏性和对角占优情况，如果对角元素出现零或者矩阵明显不对称，基本可以断定支路数据有问题。
2.3 牛顿-拉夫逊法求解器实现
牛顿-拉夫逊法是这份程序的主力算法，收敛快、迭代次数少，适合大多数中小规模系统。核心思路是把潮流方程写成功率不平衡量的形式，对电压幅值和相角求偏导得到雅可比矩阵，然后解修正方程迭代逼近。
def newton_raphson(Ybus, buses, tol=1e-6, max_iter=20): """ 牛顿-拉夫逊潮流计算 Ybus: 节点导纳矩阵 buses: 节点列表，含类型和初始电压 tol: 收敛精度 max_iter: 最大迭代次数 """ n = len(buses) # 初始化电压幅值和相角 V = np.array([b.Vm for b in buses], dtype=float) theta = np.array([b.Va for b in buses], dtype=float) # 识别节点类型：0=PQ, 1=PV, 2=平衡节点 pq_idx = [i for i, b in enumerate(buses) if b.type == 0] pv_idx = [i for i, b in enumerate(buses) if b.type == 1] slack_idx = [i for i, b in enumerate(buses) if b.type == 2] for iteration in range(max_iter): # 计算注入功率 Vc = V * np.exp(1j * theta) S = Vc * np.conj(Ybus @ Vc) P = S.real Q = S.imag # 计算功率不平衡量 dP = np.array([b.Pg - b.Pl - P[i] for i, b in enumerate(buses)]) dQ = np.array([b.Qg - b.Ql - Q[i] for i, b in enumerate(buses)]) # 只取 PQ 和 PV 节点的有功不平衡，PQ 节点的无功不平衡 mismatch = np.concatenate([dP[pq_idx + pv_idx], dQ[pq_idx]]) if np.max(np.abs(mismatch)) < tol: print(f"收敛于第 {iteration} 次迭代") break # 组装雅可比矩阵（此处省略偏导计算细节，见源码） J = build_jacobian(Ybus, V, theta, P, Q, pq_idx, pv_idx) # 解修正方程 dx = np.linalg.solve(J, -mismatch) # 更新相角和幅值 n_pq_pv = len(pq_idx) + len(pv_idx) theta[pq_idx + pv_idx] += dx[:n_pq_pv] V[pq_idx] += dx[n_pq_pv:] return V, theta, iteration这里有几个工程上必须注意的点。第一，节点类型决定了哪些方程参与迭代：PQ 节点有有功和无功两个不平衡量，PV 节点只有有功不平衡，平衡节点的电压幅值和相角全程固定。第二，雅可比矩阵的维度是(n_pq + n_pv + n_pq)，不是简单的2n，因为 PV 节点不参与无功修正。第三，收敛判据用的是最大不平衡量，比用范数更直观，一般设1e-6到1e-8之间。如果迭代超过 20 次还不收敛，大概率是初值太离谱或者网络本身无解，这时候别硬调max_iter，先检查数据。
2.4 PQ分解法作为备选方案
PQ分解法利用了高压电网中电阻远小于电抗的特点，把雅可比矩阵近似成常数矩阵，有功和无功迭代解耦。虽然收敛速度比牛顿法慢一些，但每次迭代的计算量小很多，适合节点数多、对单次迭代耗时敏感的场景。程序里pq_solver.py实现了这个算法，接口和牛顿法保持一致，切换算法只需要改一个配置项。
def pq_decomposition(Ybus, buses, tol=1e-6, max_iter=30): """ PQ分解法潮流计算 利用 B' 和 B'' 矩阵分别迭代有功和无功 """ n = len(buses) V = np.array([b.Vm for b in buses], dtype=float) theta = np.array([b.Va for b in buses], dtype=float) # 构建 B' 和 B'' 矩阵（取 Ybus 的虚部，忽略电阻） B_prime = -Ybus.imag B_double_prime = -Ybus.imag for iteration in range(max_iter): # 有功迭代：解 theta dP = compute_active_mismatch(Ybus, V, theta, buses) dtheta = np.linalg.solve(B_prime[1:, 1:], dP[1:] / V[1:]) theta[1:] += dtheta # 无功迭代：解 V dQ = compute_reactive_mismatch(Ybus, V, theta, buses) dV = np.linalg.solve(B_double_prime, dQ / V) V += dV if np.max(np.abs(dP)) < tol and np.max(np.abs(dQ)) < tol: break return V, theta, iterationPQ分解法的收敛性对网络特性比较敏感。如果系统里存在大量低电压等级线路，电阻和电抗可比，分解法的收敛会明显变差，这时候还是老老实实用牛顿法。程序里两种算法都保留，实际用的时候根据系统规模选：节点数少于 300 用牛顿法，超过 300 可以试试 PQ分解法，但一定要对比两种方法的结果是否一致。
3. 从零跑通一个标准算例
3.1 环境准备与依赖安装
这份程序是纯 Python 实现，没有编译依赖，对环境要求不高。我一般用 conda 建一个干净的环境，避免和系统里的包打架。
conda create -n powerflow python=3.10 conda activate powerflow pip install numpy scipy pyyaml pandas matplotlib核心依赖就四个：numpy做矩阵运算，scipy做稀疏矩阵和线性方程求解，pyyaml读配置文件，pandas和matplotlib用于结果整理和可视化。如果你的算例规模很大，建议把numpy.linalg.solve换成scipy.sparse.linalg.spsolve，稀疏矩阵求解能快一个数量级。安装完依赖后，进入项目根目录，先跑一下测试用例确认环境没问题。
python -m pytest tests/test_ieee14.py -v如果测试通过，说明核心算法和数据结构都是正常的。如果报ModuleNotFoundError，检查一下是不是在项目根目录执行的命令，Python 的模块搜索路径有时候会让人踩坑。
3.2 配置文件格式与算例数据
程序用 YAML 存算例数据，结构分三块：节点、支路、发电机。以 IEEE 9 节点算例为例，配置文件大概长这样：
buses: - id: 1 type: 2 # 平衡节点 Vm: 1.04 Va: 0.0 - id: 2 type: 1 # PV 节点 Vm: 1.025 Va: 0.0 Pg: 1.63 - id: 3 type: 0 # PQ 节点 Vm: 1.0 Va: 0.0 Pl: 0.9 Ql: 0.3 branches: - from_bus: 1 to_bus: 4 r: 0.0 x: 0.0576 b: 0.0 tap: 1.0 - from_bus: 4 to_bus: 5 r: 0.017 x: 0.092 b: 0.158 tap: 1.0节点类型用数字区分：0 是 PQ 节点，1 是 PV 节点，2 是平衡节点。Vm和Va是初始电压幅值和相角，PQ 节点的Vm一般设 1.0，PV 节点设发电机端电压。Pg和Pl分别是有功发电和负荷，单位是标幺值。支路数据里tap填 1.0 表示普通线路，填其他值表示变压器。我一般会先用标准算例跑通，再把自己的数据按这个格式填进去，这样出问题的时候容易定位是数据问题还是程序问题。
3.3 运行主流程与结果解读
配置好算例后，运行入口脚本：
python main.py --case config/case_ieee9.yaml --method nr --output results/--method参数可以选nr或pq，分别对应牛顿法和 PQ分解法。--output指定结果输出目录，程序会在里面生成节点电压表、支路功率表和收敛过程日志。节点电压表包含每个节点的幅值和相角，支路功率表包含首末端有功无功和损耗。拿到结果后，先看平衡节点的有功出力是否合理，再看各节点电压是否在 0.95 到 1.05 之间，如果偏离太大，检查一下负荷数据和发电机出力是否匹配。
# 结果读取示例 import pandas as pd bus_result = pd.read_csv("results/bus_voltage.csv") print(bus_result[["bus_id", "Vm", "Va", "P_inject", "Q_inject"]])输出里的P_inject和Q_inject是节点净注入功率，正值表示注入电网，负值表示从电网吸收。平衡节点的注入功率就是系统的网损加上负荷总和减去其他发电机出力，这个值可以用来校验功率平衡。
4. 避坑与常见问题排查
4.1 不收敛：先查数据再调参数
现象：迭代 20 次后程序报“未收敛”，电压幅值出现负值或者数量级异常。原因通常不是算法本身，而是数据有问题。最常见的是支路阻抗填成了标幺值但没换算，或者节点类型标错了。解决步骤：第一，检查所有支路阻抗是否在合理范围，标幺值下线路电抗一般在 0.01 到 0.5 之间；第二，确认平衡节点有且只有一个；第三，把max_iter临时调到 50，看迭代过程是震荡还是单调发散，震荡通常是数据矛盾，发散是初值太远。
4.2 雅可比矩阵奇异：PV 节点转 PQ
现象：求解修正方程时报LinAlgError: Singular matrix。原因一般是某个 PV 节点的无功出力越限了，但程序没有做 PV/PQ 转换，导致该节点的无功方程和实际不符。解决：在迭代过程中监测 PV 节点的无功出力，如果超出Qmax或Qmin，自动把该节点转为 PQ 节点，无功固定在限值上。这个逻辑在power_flow.py里有一个开关，默认关闭，大规模系统建议打开。
4.3 结果与预期不符：检查变比和相移
现象：变压器支路的功率分布和手算结果对不上。原因多半是变比处理有问题。变压器的非标准变比在导纳矩阵里不是简单乘除，而是要对对角和非对角元素分别修正。另外如果变压器有相移，tap要写成复数形式。解决：先用一个单变压器两节点系统做验证，手算导纳矩阵和程序输出对比，确认变比逻辑正确后再上大系统。
4.4 大规模系统求解慢：换稀疏矩阵
现象：节点数超过 500 后，每次迭代耗时明显增加。原因是numpy.linalg.solve用的是稠密矩阵分解，复杂度是 O(n³)。解决：把 Ybus 和雅可比矩阵换成scipy.sparse的 CSR 格式，用spsolve求解。程序里预留了稀疏求解的接口，改一个配置项就能切换。实测 1000 节点系统，稀疏求解比稠密求解快 5 到 10 倍。
5. 二次开发：从能跑到好用
5.1 接入自定义数据源的改造思路
程序默认从 YAML 读数据，但实际项目中数据可能来自数据库、Excel 或者 SCADA 系统。改造的关键是抽象出一个数据加载接口，让power_flow.py不直接依赖文件格式。我一般会定义一个CaseLoader基类，然后实现YamlLoader、ExcelLoader、DbLoader等子类，主流程只调用loader.load()返回统一的Case对象。这样换数据源不用动核心算法，符合开闭原则。
class CaseLoader: def load(self) -> Case: raise NotImplementedError class ExcelLoader(CaseLoader): def __init__(self, filepath): self.filepath = filepath def load(self) -> Case: bus_df = pd.read_excel(self.filepath, sheet_name="buses") branch_df = pd.read_excel(self.filepath, sheet_name="branches") # 转换为内部数据结构 buses = [Bus(**row) for row in bus_df.to_dict("records")] branches = [Branch(**row) for row in branch_df.to_dict("records")] return Case(buses=buses, branches=branches)改造时注意字段映射，Excel 里的列名可能和内部属性名不一致，加一层映射字典就行。另外要做数据校验，比如节点编号是否连续、支路两端节点是否存在，这些检查放在 Loader 里比放在求解器里更合理。
5.2 增加新算法的验证方法
如果你想加一种新算法，比如高斯-赛德尔法或者直流潮流，建议先写一个独立的求解器类，实现和现有求解器相同的接口：输入Ybus和buses，输出V、theta和迭代次数。然后用标准算例做交叉验证，确保新算法和牛顿法在相同数据下结果一致（误差在 1e-4 以内）。验证通过后再接入主流程，通过配置项切换。我一般会保留一个regression/目录，里面放几个标准算例的预期结果，每次改完算法跑一遍回归，防止改出新 bug。
5.3 结果可视化与报告生成
程序自带的report.py只输出 CSV，实际项目中往往需要更直观的展示。可以用matplotlib画电压幅值分布图，用networkx画网络拓扑并标注功率流向。如果要做报告，用jinja2模板生成 HTML，把关键指标和图表嵌进去。这部分改造不影响核心计算，但能大幅提升交付质量。我习惯在utils/下单独建一个visualize.py，保持和计算逻辑的隔离。
5.4 一个容易忽略的细节：标幺值基准
二次开发时最容易翻车的地方是标幺值基准不统一。程序内部默认所有数据都是标幺值，但如果你从外部导入有名值数据，必须做基准换算。电压基准通常取各电压等级的额定电压，功率基准取 100 MVA 或系统总容量。换算公式是Z_pu = Z_ohm * S_base / V_base^2。我见过太多因为基准不一致导致结果偏差几倍的情况，从那以后我每次导入新数据都强制走一遍基准校验，确认所有阻抗和功率都在合理范围内再开始计算。希望这份程序能帮你少走点弯路，把精力花在真正需要创新的地方。
本文还有配套的精品资源，点击获取
