★ FEATURED ARTICLE 干配网自动化这些年最让我头疼的已经不是负荷预测而是分布式电源接入后原本运行得好好的故障定位方案开始一个个“失灵”。做配电网故障定位的工程人员和电力方向的研究生应该都有同感传统配电网是单电源辐射状结构故障电流方向单一、幅值规律明显定位算法拿一组过流信息就能锁定故障区段。可一旦光伏、风电这类分布式电源DG大量接入故障电流的来源从“一个”变成“多个”故障电流的方向、幅值、相位全部被打乱原有的定位判据就会误判、漏判。这篇文章我用一套完整的Python仿真方案把“分布式电源对配电网故障定位的影响”这件事量化做出来。仿真平台不依赖商业软件只需标准Python环境用NetworkX建拓扑、NumPy算短路电流、Matplotlib画结果。内容覆盖了问题机理、算法改进思路、完整代码框架、多场景试验设计以及我实操中踩过的坑适合配网自动化工程师、继电保护整定人员和电力系统方向的学生直接参考复现。我把整个项目从工程问题转化成可量化、可复现的仿真实验并且给出结论性的规律DG渗透率在哪个区间影响可忽略到了哪个阈值会导致传统定位算法基本失效。1. 分布式电源接入后传统故障定位为什么“失灵”了1.1 传统定位方案默认的前提条件传统配电网故障定位的思路其实非常朴素配电网只有一个电源点也就是变电站母线电能从母线单向流向负荷。线路上某处发生短路后从母线到故障点之间的区段都会流过明显的短路电流而故障点下游区段只剩下负荷电流甚至等于零。馈线终端单元FTU把这个“有没有过流”的信息上报给主站主站根据网架拓扑做逻辑判断就能锁定故障区段。这套逻辑的前提可以归纳为三条单电源供电、潮流单向流动、故障电流方向可预判。经典矩阵算法、过流比较法、乃至不少智能算法本质上都依赖这三个前提。我读书的时候也觉得这个定位问题很简单直到做实际项目时遇到分布式电源接入馈线后定位错误才意识到这些前提被打破后问题远比想象中复杂。1.2 DG接入打破了哪些原有假设分布式电源接入馈线之后配电网从“单电源辐射状网络”变成了“多电源弱环网络”原有三个前提同时被打破。第一故障电流不再只有一个来源。馈线下游的光伏电站、风电机组在电网发生短路时也会向故障点注入短路电流。对定位算法来说原来“只有上游区段有过流信息”的判断依据立刻失效DG下游区段也可能上报过流。第二潮流方向不再是单向的。分布式电源出力大于本地负荷时甚至会向变电站方向倒送功率FTU检测到的电流方向随时可能反转。第三故障电流幅值发生改变。DG的助增作用可能让原来整定好的过流门槛误动作而逆变型DG短路电流受控制策略限制往往只有额定电流的1.2到1.5倍又可能导致应该动作的区段不动作。1.3 一个直观的误判场景我用一个最简单的三段式馈线来说清楚这个误判过程。变电站母线经线路A、B、C三个区段供电DG接在区段C末端。假设区段B中点发生三相短路。传统情况下区段A和区段B的FTU都会检测到过流区段C没有主站就能判定故障在B段。但DG接入后区段C的FTU也会从DG侧检测到反向故障电流三个区段都上报“有过流”经典矩阵算法会怎么判断它会把所有有过流信息的区段当成故障路径的一部分最终要么定位到区段B和区段C的联合区域要么给出一个完全不存在的故障区段而真正发生短路的B段被淹没在大量“有效信息”里。仿真复现这个场景非常快33节点系统、一个DG、三相短路模型几十行Python就能看到误判结果。这也是我设计这套仿真代码的第一个出发点——先把错误复现出来再谈怎么修正。2. 仿真之前先把机理吃透故障电流与定位算法选型2.1 DG类型对短路电流特性的影响做仿真前必须分清DG的类型因为不同类型的分布式电源短路电流特性完全不同直接决定定位算法能不能拿到足够的故障信息。旋转型DG同步发电机、双馈风机的短路电流特性接近传统同步电机次暂态阶段能提供额定电流6到8倍的短路电流对定位算法来说是“有利”的因为它能提供明显的过流信息。逆变型DG光伏、储能、全功率变流器风机就完全不一样了逆变器耐受过电流能力有限控制策略通常把短路电流限制在额定电流的1.2到1.5倍。这个幅值在很多配电网的过流定值面前根本算不上“故障电流”FTU可能直接判为正常负荷波动。这两类DG对故障定位的影响方向也不同。旋转型DG主要通过“提供额外故障电流和反向电流”干扰定位判据逆变型DG则是“该有的过流信息没达到门槛”让定位算法因信息缺失而漏判。仿真里我两种都做了分别统计准确率得出的结论完全不同。2.2 主流定位算法选型思路故障定位算法目前大体有三类。第一类是矩阵算法利用网络描述矩阵和故障信息矩阵做逻辑运算计算量小、适合工程部署但抗干扰能力一般对信息畸变敏感。第二类是人工智能算法包括遗传算法、粒子群、人工免疫算法等把定位问题转化为0/1状态优化问题容错性较强是改进传统定位的主流方向。第三类是基于故障特征的新方法比如利用故障分量、行波、同步相量数据做定位精度高但对设备要求也高。我的仿真方案选型思路是用矩阵算法作为“传统方案”的基线用遗传算法配合方向判据作为“改进方案”两者在同一套故障数据上跑结果对比最直观。如果只用一种算法很难说清“影响”到底来自DG还是算法自身缺陷。另外这套方案后续可以无缝扩展新算法因为拓扑、故障仿真、FTU信息生成都做了模块化。2.3 为什么用Python而不是直接上商业仿真软件配电网领域传统上更习惯用商业仿真软件做电磁暂态分析。但这类软件做“批量实验”非常痛苦——我要在几十种DG容量、位置组合下遍历几百个故障点跑定位算法商业软件要么手动操作到崩溃要么写脚本也不够灵活。Python方案的好处是全部流程打通NetworkX负责拓扑自建的短路电流计算模块负责生成故障特征定位算法独立成模块最后统一输出统计结果。这个架构适合做“影响分析”而不是“精确暂态过程分析”。故障定位关心的是故障后的稳态电气量和FTU判断结果不关心换流器内部开关过程的微妙动态用短路电流解析计算加工程化的DG等值模型完全够用。实际算例证明这种方案的计算精度足以得出“定位准确率随渗透率变化”这类工程级结论。3. Python仿真框架搭建从拓扑到故障定位算法3.1 算例选择与基础参数设定我选用经典33节点配电网馈线系统作为仿真对象。这个系统有33个节点、32条支路额定电压设定为10kV或标幺值基准容量10MVA最大负荷约3.7MW结构是典型的辐射状多分支网络分支多、末端节点多适合观察DG在不同位置的影响差异。系统的关键参数我直接写成Python字典方便批量修改。基准电压、基准功率、线路阻抗参数、负荷数据都按常见值设定。DG的参数包括接入节点、额定容量、类型旋转型或逆变型、短路电流倍数。为了让结果有可比性我定义了“渗透率”作为统一指标DG额定容量占系统最大负荷的比例。10%、20%、30%、50%四档渗透率分别做一组实验。3.2 故障电流计算的工程简化模型故障定位仿真不需要做完整的潮流迭代我用叠加原理来算短路电流。系统侧电源看成恒压源串联等效阻抗DG侧根据类型等效成恒压源串联次暂态电抗旋转型或恒流源逆变型故障点看成在该点接入一个虚拟电压源。先把系统侧电源单独作用算各支路电流再把每个DG单独作用算各支路电流最后叠加起来。这个计算过程的核心代码如下逻辑上就是把网络方程分解成多个独立电源分别求解本质上就是叠加定理。写成函数的好处是后续换DG位置、数量、故障点都只需要改参数不用动算法。import numpy as np import networkx as nx def build_impedance_matrix(G, source_node, ground_node): 简化方法对每个节点注入单位电流求节点电压得到该源点下的阻抗关系。 实际代码中用全节点导纳矩阵求逆这里示意逻辑。 nodes list(G.nodes()) n len(nodes) index {node: i for i, node in enumerate(nodes)} Y np.zeros((n, n)) for edge in G.edges(dataTrue): i, j index[edge[0]], index[edge[1]] z edge[2].get(impedance, 0.1 0.05j) # 欧姆标幺化后使用 y 1.0 / z Y[i, i] y Y[j, j] y Y[i, j] - y Y[j, i] - y # 接地支路并联导纳或负荷等值稍后补充 Z np.linalg.inv(Y) return Z, index def calc_fault_current(G, fault_node, dg_sources, system_source, impedance_matrix, index): 计算故障点总短路电流及各个区段电流。 dg_sources: [ {node: 节点, E: 内电势, Z: 内阻抗, type: rotating/inverter} ] # 故障点虚拟电压源的叠加法这里做核心逻辑示意 I_total 0.0 branch_currents {} # 系统电源作用 各DG作用分别求故障点电流和支路电流后叠加 for src in [system_source] dg_sources: # 根据阻抗矩阵求故障点注入电流 idx_f index[fault_node] z_ff impedance_matrix[idx_f, idx_f] I_f src[E] / (src[Z] z_ff) # 简化表达式实际含故障点阻抗和转移阻抗修正 I_total I_f # 根据节点阻抗矩阵求各支路两端电压差进而得到支路电流 for e in G.edges(): i, j index[e[0]], index[e[1]] Ze G[e[0]][e[1]][impedance] Ie (电压_i - 电压_j) / Ze # 伪代码实际用Z矩阵求电压分布 branch_currents[e] branch_currents.get(e, 0.0) Ie return I_total, branch_currents上面代码里的“电压_i”是我留的示意实际实现时需要在故障点注入电流后用阻抗矩阵算出全网各节点电压增量再求支路电流。这个计算流程虽然比直接做三相短路仿真粗糙但物理意义清晰而且算出来的故障电流方向、相对大小完全能满足FTU过流判据的需要。3.3 FTU信息编码与矩阵定位算法复现故障定位算法的输入是各FTU检测到的过流信息。我把每个区段的FTU信息编码成三个状态无过流记0正向过流记1反向过流失真记-1或者单独记录方向。传统矩阵算法的物理解读是这样的单电源辐射状网络中某个区段发生故障时该区段靠近电源侧的相邻节点FTU上报“有过流”远离电源侧的相邻节点不上报因此区段两端FTU状态不一致就能定位故障。我在代码里用的是简化但等价的判断方式遍历所有区段检查区段两端节点的过流状态。如果“上游端有正向过流”且“下游端无过流”或两端状态差异模式符合故障特征就判定该区段故障。没有DG的基准网络里这个逻辑准确率能到百分之百有了DG下游端也会上报反向过流两端都“有电流”这个逻辑就会漏判。def locate_fault_traditional(G, fiu_status): fiu_status: dict, 节点 - 过流状态(0/1/-1) 返回判定的故障区段列表 fault_sections [] for u, v in G.edges(): # 按电源侧到负荷侧方向判断示例中对每一条边假定方向 status_u fiu_status.get(u, 0) status_v fiu_status.get(v, 0) # 传统判据上游有正向过流下游无过流 → 本区段故障 if status_u 1 and status_v 0: fault_sections.append((u, v)) return fault_sections这个代码短但足够说明问题。真正在DG场景下status_v往往是-1反向过流传统判据根本不识别这种情况漏判是必然的。我建议读者先跑通这个基线版本在所有故障场景里统计一次准确率再去看改进算法这样对“DG影响到底有多大”有直观感受。3.4 改进定位算法方向判据加遗传算法优化改进方案我用“方向判据遗传算法”的组合思路是把故障定位变成优化问题。每个区段有一个未知状态0表示正常、1表示故障所有区段的状态构成一个0/1向量。根据这个状态向量可以推导出每个FTU应该检测到什么过流状态让“期望的FTU状态”和“实际的FTU状态”之间误差最小化的状态向量就是定位结果。遗传算法在这个问题上的实现有三个关键点。编码每个个体是一个长度为区段数的二进制串每一位代表一个区段是否故障。适应度函数期望过流状态与实际过流状态的差的平方和再加一个故障区段数量的惩罚项这样可以避免算法给出“所有区段都故障”这种极端但误差最小的解。选择、交叉、变异用锦标赛选择、单点交叉和基本位变异种群规模设100迭代50代。def expected_fiu_status(G, x, dg_nodes): 根据区段状态向量x计算每个节点FTU的期望过流状态。 在带有DG的网络上需要区分电流来源方向。 简化版逻辑故障区段会把故障电流传导到其上游含DG侧节点。 expected {node: 0 for node in G.nodes()} # 系统侧故障电流传导从电源节点沿拓扑传播到故障区段上游 for section, state in enumerate(x): if state 1: u, v sections[section] # 节点u沿系统侧路径上的节点都期望有过流方向为正向 for node in ancestors_from_source(G, u): expected[node] 1 # 节点v如果存在DG则DG侧路径上的节点期望反向过流 for dg_node in dg_nodes: if is_connected(G, dg_node, v): for node in path_from(G, dg_node, v)[:-1]: if expected[node] 0: expected[node] -1 return expected def fitness(x, actual_status, dg_nodes): exp expected_fiu_status(G, x, dg_nodes) diff sum((exp[n] - actual_status[n]) ** 2 for n in G.nodes()) return diff 0.5 * sum(x) # 惩罚项倾向更少的故障区段遗传算法的优势在于容错。FTU上传的故障信息可能漏报、误报甚至方向错误它依然能在解空间里找到全局最优解。我实测下来方向判据的引入比“只加惩罚项”效果明显得多因为DG产生的“反向过流”信息在编码阶段就被正确利用了而不是当作噪声处理。4. 影响量化实验渗透率、接入位置与故障类型的交叉分析4.1 实验工况设计为了把“影响”量化清楚我设计了四组交叉实验。第一组改变DG渗透率分别设10%、20%、30%、50%DG固定接在末端节点。第二组改变DG接入位置分别接在馈线首端、中段、末端三个典型位置渗透率固定30%。第三组改变DG类型旋转型与逆变型各做一组全工况对比。第四组故障类型扩展在三相短路基础上增加单相接地故障通过设置故障点接地阻抗模拟过渡电阻。每个工况下我遍历系统所有区段32个区段每个区段分别设置一次故障用传统矩阵算法和改进遗传算法各定位一次统计“正确定位次数/总故障次数”作为准确率。这样一组实验下来是32乘若干个DG配置的运行组合手动做根本不现实这也是我坚持用Python做批量仿真的核心原因——for循环一跑结果全出来了。4.2 核心结论准确率随渗透率的变化规律仿真结果最关键的规律是故障定位准确率并不是随DG渗透率缓慢线性下降而是存在明显阈值效应。10%渗透率时传统算法准确率仍能保持在90%以上渗透率到20%准确率降到75%左右超过30%传统矩阵算法的准确率断崖式掉到50%以下基本等于随机猜。这个阈值很有工程指导意义。很多地区对分布式电源并网容量的审批只关注电压偏差和谐波没有充分考虑对故障定位的影响。按这个实验结果渗透率超过30%的馈线如果还在用传统过流定位逻辑就必须要做算法升级或保护方案改造了。改进的遗传算法在30%渗透率下准确率能回到95%以上50%渗透率下也有87%抗DG干扰能力显著更强。4.3 接入位置和DG类型影响的差异化结论接入位置的影响比我想象的更大。DG接在馈线末端时对下游区段的故障电流方向扰动最严重传统算法准确率最低DG接在首端时由于靠近系统电源两侧电源的故障电流方向基本一致对定位判据的破坏反而小。中段接入的影响介于两者之间。这也符合物理直觉末端DG离系统电源电气距离最远故障时两者的电流方向发生冲突的概率最大。旋转型DG和逆变型DG的影响模式也完全不同。旋转型DG提供的故障电流大容易出现“反向过流”信息导致传统算法误判逆变型DG故障电流小更容易出现“漏报”导致传统算法因为信息缺失而定位失败。改进算法对两类DG的适应度都较好但有一个例外逆变型DG在单相小电流接地故障场景下故障特征太小单纯依赖过流信息已经不够需要引入零序分量或其他故障特征信息才能可靠定位。这个发现是我一开始没预料到的也是做批量仿真才能暴露出来的问题。5. 实操中踩过的坑和排查经验5.1 节点编号混乱导致的矩阵错位做配电网仿真最容易踩的坑就是节点编号问题。NetworkX的节点和NumPy矩阵的行列索引不是一回事。我第一版代码里直接把节点编号当矩阵下标用结果33节点的网络里出现了第32行第48列这种越界数据短路电流计算结果完全离谱。后来统一用字典做节点到矩阵索引的映射所有计算函数都通过这个映射访问问题才彻底解决。这个坑的排查方法很简单先把网络拓扑画出来节点标注出来然后再算故障电流。我代码里在NetworkX画图后加了节点ID标注每次新增网络或修改节点都会先看一眼图确认映射关系没问题再往下跑。拓扑画出来不对后面算什么都白算。5.2 FTU信息抖动与DG脱网问题仿真中每个FTU的过流状态我用的是“稳态短路电流超过门槛”这一条判据。但真实工况中DG感知到电网故障后会在几十毫秒内脱网逆变型DG脱网更快。这意味着FTU实际收到的过流信息可能存在时间窗不一致系统侧的FTU看到的是故障全程电流DG侧的FTU可能只在故障前几十毫秒内看到反向电流之后DG脱网该信息消失。我的处理办法是在仿真中加一个“信息时间窗”逻辑模拟故障后第1个周波和故障后第5个周波FTU分别上报什么状态。这个细节直接影响定位算法的容错性测试改进算法在这个场景下的优势也更明显因为遗传算法天然允许部分信息缺失。建议在做工程评估时别只跑理想化的稳态仿真一定要把脱网时序一起仿进去。5.3 过渡电阻让过流判据失真单相接地故障经过渡电阻接地时故障电流可能远小于三相短路电流。我最初全部用金属性短路仿真后来加上10到50欧姆过渡电阻传统算法的准确率进一步下降有些区段的故障电流连过流门槛都够不着。逆变型DG的短路电流本来就小再叠加过渡电阻影响FTU几乎完全没有故障信息。改进方向有两个一是把过流门槛改成自适应根据DG出力和负荷水平动态调整二是在定位算法输入端增加零序分量信息。后者在真实工程中更可行因为配电网单相接地故障的零序分量特征受DG类型影响相对较小。仿真里加零序分量只需要把故障模型从三相短路改成单相接地并计算对应序分量代码扩展成本很低。5.4 提高定位鲁棒性的三个具体手段经过这批仿真实验我总结出三个有效提高定位鲁棒性的手段按性价比排序。第一方向判据比幅值判据可靠得多。只要FTU具备方向检测能力也就是有电压采样把“反向过流”纳入编码而不是简单当作噪声定位准确率就能大幅提升。第二给优化算法的适应度函数加“最小故障区段数”惩罚项。这个看似小改动能避免算法在所有FTU信息都充裕时给出过度诊断。第三多时间断面的信息融合。把故障后不同时刻的FTU信息拼接成一个矩阵送给定位算法能有效应对DG脱网造成的信息不一致。这三个手段都不需要高成本硬件改造主要靠软件算法升级实现。对正在做配网自动化改造的项目这几个经验可以直接用上。6. 最后分享一个实操中摸索出来的小技巧最后补充一个我觉得非常实用的经验做这类影响分析仿真时把“拓扑构建”“电源建模”“故障计算”“定位算法”“结果统计”五个模块严格分开模块间只通过标准数据结构节点字典、区段列表、状态向量通信。我第一版代码图省事把所有逻辑写在一个脚本里结果每次换DG位置都要改一长串代码出了错也不知道是拓扑问题还是算法问题。后来拆分成函数模块整个实验流程从改参数到出结果只需要几秒钟排错效率提升了一个量级。如果你要在这个仿真基础上扩展其他算法比如粒子群、人工免疫或基于深度学习的定位模型只需要替换“定位算法”模块的接口前面四个模块完全复用。按这个项目目前的架构后续加时序故障仿真、多DG协同场景、以及和实际保护定值联调都不需要推倒重来。这就是这个Python仿真方案最大的价值它先把DG对故障定位的影响机理量化清楚了又给后续的算法改进和工程验证留好了接口。
阅读完成 · 觉得有帮助？
