配电网智能决策平台：从风险感知到自愈控制的 Python 实现

码农的神经元2026-04-25 15:15

摘要

县域配电网具有线路半径大、分支多、负荷分散、运行环境复杂等特点，极端天气、设备老化和负荷波动都可能引发停电风险。本文基于真实项目 county_grid_self_healing，完整拆解一个"风险预测 + 异常检测 + 拓扑建模 + 故障定位隔离 + 遗传算法自愈恢复 + 可靠性评估"的 Python 仿真系统。项目使用 XGBoost/RandomForest 进行停电风险预测，使用 IsolationForest 识别异常运行状态，使用 NetworkX 构建县域配电网图模型，并通过规则推理和图连通分析定位故障区段，最后用遗传算法搜索联络开关重构方案。

从实际运行结果看，该项目在一组固定随机种子下得到的风险预测指标为：Accuracy=0.6991、Precision=0.6920、Recall=0.6582、F1=0.6747、AUC=0.7626。故障最终定位在 F3-Section-03，隔离后通过闭合联络开关 T2 恢复了 70.24% 的失电负荷，自愈后 SAIDI、SAIFI、ENS 分别改善 48.61%、45.28% 和 64.09%。需要说明的是，项目中的潮流与保护逻辑采用了工程化近似实现，适合课程设计、建模展示和技术博客分析，不是严格的工程级保护整定系统。

目录

摘要

[1. 项目背景：为什么县域配电网需要风险感知与自愈？](#1. 项目背景：为什么县域配电网需要风险感知与自愈？)

[2. 项目总体架构](#2. 项目总体架构)

[3. 多源数据构建：如何模拟县域配电网运行状态？](#3. 多源数据构建：如何模拟县域配电网运行状态？)

[3.1 主要字段说明](#3.1 主要字段说明)

[3.2 数据生成不是"随机乱造"，而是带业务逻辑的](#3.2 数据生成不是“随机乱造”，而是带业务逻辑的)

[4. 停电风险预测模型：XGBoost 如何识别高风险线路？](#4. 停电风险预测模型：XGBoost 如何识别高风险线路？)

[4.1 模型输入与输出](#4.1 模型输入与输出)

[4.2 风险等级划分](#4.2 风险等级划分)

[4.3 自动降级逻辑](#4.3 自动降级逻辑)

[4.4 模型训练核心代码](#4.4 模型训练核心代码)

[4.5 模型评价指标](#4.5 模型评价指标)

[4.6 实际运行结果](#4.6 实际运行结果)

[4.7 风险等级分布与关键特征](#4.7 风险等级分布与关键特征)

[5. 异常检测模型：用孤立森林发现异常运行状态](#5. 异常检测模型：用孤立森林发现异常运行状态)

[5.1 异常检测代码](#5.1 异常检测代码)

[5.2 实际异常结果](#5.2 实际异常结果)

[6. 配电网拓扑建模：用 NetworkX 把线路变成一张图](#6. 配电网拓扑建模：用 NetworkX 把线路变成一张图)

[6.1 本项目的真实拓扑规模](#6.1 本项目的真实拓扑规模)

[6.2 拓扑构建核心代码](#6.2 拓扑构建核心代码)

[6.3 代码中的潮流是近似计算](#6.3 代码中的潮流是近似计算)

[7. 故障定位与故障隔离：规则推理 + 图搜索](#7. 故障定位与故障隔离：规则推理 + 图搜索)

[7.1 真实代码如何定位故障](#7.1 真实代码如何定位故障)

[7.2 故障隔离流程](#7.2 故障隔离流程)

[7.3 实际故障场景结果](#7.3 实际故障场景结果)

[8. 自愈恢复优化：遗传算法如何选择最优开关动作？](#8. 自愈恢复优化：遗传算法如何选择最优开关动作？)

[8.1 染色体编码与目标函数](#8.1 染色体编码与目标函数)

[8.2 约束如何体现在代码里](#8.2 约束如何体现在代码里)

[8.3 初始化、交叉和变异](#8.3 初始化、交叉和变异)

[8.4 适应度函数是整个自愈策略的核心](#8.4 适应度函数是整个自愈策略的核心)

[8.5 遗传算法迭代流程](#8.5 遗传算法迭代流程)

[8.6 实际恢复结果怎么理解？](#8.6 实际恢复结果怎么理解？)

[9. 可靠性指标：自愈前后到底改善了多少？](#9. 可靠性指标：自愈前后到底改善了多少？)

[9.1 可靠性计算代码](#9.1 可靠性计算代码)

[9.2 实际可靠性对比](#9.2 实际可靠性对比)

[10. 结果可视化：从风险分布到恢复路径](#10. 结果可视化：从风险分布到恢复路径)

1. 项目背景：为什么县域配电网需要风险感知与自愈？

相比城市核心区电网，县域配电网往往具备几个典型特征：线路长、分支多、联络关系相对稀疏、设备分布分散，而且对天气变化更敏感。暴雨、大风、雷电会提高线路跳闸和杆塔故障概率；设备老化和检修不足会削弱系统韧性；负荷高峰时的过载和电压偏差，又会进一步放大停电风险。

这类场景下，仅靠"故障后抢修"是不够的，还需要在故障前后分别做两件事：

风险感知，解决"哪里更可能出故障、风险有多高"的问题。

自愈恢复，解决"故障发生后如何尽快隔离故障、恢复非故障区供电"的问题。

这背后对应的是配电自动化中的 FLISR 思想，即：

Fault Location, Isolation and Service Restoration

翻译过来就是：

故障定位、故障隔离与供电恢复

如果把整个过程拆开，可以理解为四个层次：

  • 风险感知：提前识别高风险线路或区段。
  • 故障定位：故障发生后判断问题在哪一段。
  • 故障隔离：快速切除故障，缩小停电影响范围。
  • 自愈恢复：通过联络开关转供，优先恢复重要负荷和可恢复区域。

本文要介绍的项目，正是把这四层能力串成了一个完整的 Python 仿真流程。

2. 项目总体架构

这个项目的真实结构如下，主程序、算法模块、数据文件和输出图像都已经组织成标准工程目录。

文件 / 模块 主要功能 对应算法
main.py 主程序入口，串联数据生成、预测、异常检测、故障处理和可视化 流程控制
src/data_generator.py 生成模拟气象、负荷、设备和停电标签数据 数据模拟 + 概率建模
src/risk_model.py 训练停电风险预测模型，输出概率和风险等级 XGBoost / RandomForest
src/anomaly_detection.py 识别异常运行状态 Isolation Forest
src/topology_model.py 构建县域配电网拓扑并估算近似运行状态 NetworkX 图模型
src/fault_location.py 基于告警关系和连通状态定位故障并执行隔离 规则推理 + 图连通分析
src/self_healing_ga.py 搜索最优联络开关恢复方案 遗传算法
src/reliability_index.py 计算自愈前后可靠性指标 SAIDI / SAIFI / ENS
src/visualization.py 统一输出图表 Matplotlib / Seaborn
data/synthetic_grid_data.csv 模拟运行数据 模型输入数据
data/grid_topology.csv 拓扑边属性导出 拓扑结构结果
outputs/*.png 风险、异常、拓扑、恢复、可靠性等图像 结果展示

从 main.py 的实际实现看，项目主流程是：

  1. 创建 data 和 outputs 目录
  2. 生成模拟数据
  3. 训练停电风险模型
  4. 做异常检测
  5. 构建配电网拓扑
  6. 选取高风险候选故障区段
  7. 构造上下游告警信号并定位故障
  8. 执行故障隔离
  9. 用遗传算法做联络重构
  1. 计算自愈前后可靠性指标
  2. 输出控制台报告和全部图片

这种结构的好处是，既能单独研究某个算法模块，也能作为一个完整项目直接运行展示。

3. 多源数据构建：如何模拟县域配电网运行状态？

真实配电网停电数据通常比较敏感，因此这类项目首先要解决一个问题：如何造出"像真的一样"的数据。

这个项目在 data_generator.py 中构造了 15 个输入特征和 1 个标签字段。按照代码逻辑，数据规模为：

实际生成的 synthetic_grid_data.csv 共有 4320 行、19 列。

3.1 主要字段说明

字段名 含义 对停电风险的影响
rainfall 降雨量 降雨越大，绝缘下降、树障和接地风险越高
wind_speed 风速 风速越大，倒杆、断线和异物搭挂风险增加
lightning_count 雷电次数 雷击容易引发线路跳闸
avg_load_rate 平均负载率 长时高负载会增加设备热应力
max_load_rate 最大负载率 峰值负载越高，过载风险越高
load_fluctuation 负荷波动率 波动越剧烈，运行状态越不稳定
equipment_age 设备年限 设备越老，故障概率越高
maintenance_count 检修次数 检修越充分，风险越低
historical_fault_count 历史故障次数 历史故障多的区段，未来风险通常更高
line_length 线路长度 线路越长，暴露面越大
supply_radius 供电半径 半径越大，末端电压和故障影响范围更敏感
important_user_count 重要用户数量 重要用户越多，区段运行压力和恢复优先级越高
voltage_deviation 电压偏差 偏差增大往往是异常运行前兆
current_change_rate 电流变化率 电流突变反映负荷冲击或潜在故障
outage_label 是否发生停电 0 表示未停电，1 表示停电

3.2 数据生成不是"随机乱造"，而是带业务逻辑的

下面这段代码解决的是"如何把天气、负荷、设备状态映射成停电概率"这个问题：

python 复制代码 
risk_score = (
    -6.7
    + 0.035 * rainfall
    + 0.085 * wind_speed
    + 0.22 * lightning_count
    + 0.06 * equipment_age
    + 0.38 * historical_fault_count
    + 2.8 * max_load_rate
    + 1.6 * load_fluctuation
    + 7.5 * abs(voltage_deviation)
    + 0.9 * current_change_rate
    + 0.04 * line_length
    + 0.05 * supply_radius
    + 0.08 * important_user_count
    - 0.12 * maintenance_count
)
outage_probability = float(_sigmoid(risk_score))
outage_label = int(rng.random() < outage_probability)

这段代码来自项目真实实现，体现的是一种"规则嵌入式数据生成"思路。也就是说，数据虽然是模拟的，但标签不是瞎打的，而是通过一个带业务含义的风险得分函数生成。可以看到：

  • rainfall、wind_speed、lightning_count 都是正向提高风险；
  • equipment_age 和 historical_fault_count 也会抬高风险；
  • max_load_rate、load_fluctuation、voltage_deviation 和 current_change_rate 代表运行压力；
  • maintenance_count 则是负向项，检修越多风险越低。

这类生成方式的价值在于，它让后续机器学习模型有机会"学到"符合电网常识的规律，而不是仅仅记忆随机噪声。

另外，代码里还有一个容易被忽略但很重要的步骤：clean_synthetic_data() 会对温度、风速、负载率、电压偏差等变量做边界裁剪，避免模拟值超出合理物理范围。这一点让数据更接近真实运行记录。

4. 停电风险预测模型：XGBoost 如何识别高风险线路？

风险预测模块位于 risk_model.py。从代码实现看，这里不是单一模型，而是"优先 XGBoost，失败后自动降级到随机森林"。

4.1 模型输入与输出

模型输入可写成：

其中，项目中的特征包括降雨量、风速、雷电次数、负载率、设备年限、历史故障次数、线路长度、供电半径、电压偏差、电流变化率等 15 个变量。

风险预测函数可以表示为：

其中：

  • 表示停电概率；
  • 表示由 XGBoost 或随机森林学习得到的非线性映射。

4.2 风险等级划分

项目中对风险等级的划分是直接写在代码里的：

对应的真实代码逻辑非常直接：

python 复制代码 
def classify_risk_level(probability: float) -> str:
    if probability < 0.3:
        return "低风险"
    if probability < 0.7:
        return "中风险"
    return "高风险"

4.3 自动降级逻辑

下面这段代码解决的是"如果本机没有 xgboost 怎么办"这个问题：

python 复制代码 
def _build_primary_model(random_seed: int) -> tuple[Any, str, bool]:
    try:
        from xgboost import XGBClassifier

        model = XGBClassifier(
            n_estimators=260,
            max_depth=4,
            learning_rate=0.05,
            subsample=0.9,
            colsample_bytree=0.9,
            reg_lambda=1.0,
            objective="binary:logistic",
            eval_metric="logloss",
            random_state=random_seed,
        )
        return model, "XGBoost", False
    except Exception:
        return _build_fallback_model(random_seed), "RandomForest", True

这里的写法很适合工程项目。一方面，优先尝试性能更强的 XGBoost；另一方面，如果环境缺少依赖，也不会让整个项目失败，而是回退到 RandomForestClassifier。这对课程设计和博客项目尤其友好，因为不同电脑环境差异很大。

4.4 模型训练核心代码

下面这段代码解决的是"如何训练模型并输出概率预测"：

python 复制代码 
X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.25,
    random_state=random_seed,
    stratify=y,
)

model.fit(X_train, y_train)
y_pred = model.predict(X_test)
y_prob = model.predict_proba(X_test)[:, 1]

cm = confusion_matrix(y_test, y_pred)
full_prob = model.predict_proba(X)[:, 1]
result_df = data.copy()
result_df["risk_probability"] = full_prob
result_df["risk_level"] = result_df["risk_probability"].apply(classify_risk_level)

这段代码的含义很清楚：

  • X_train 是训练特征；
  • y_train 是停电标签；
  • y_pred 是二分类预测结果；
  • y_prob 是模型给出的停电概率；
  • risk_probability 再进一步映射成"低、中、高"三级风险。

4.5 模型评价指标

项目里输出了 Accuracy、Precision、Recall、F1 和 AUC。它们分别对应：

在停电风险预测场景下，这几个指标的意义分别是：

  • Accuracy：整体判断对了多少；
  • Precision：模型判为"停电"的样本里，有多少真会停电；
  • Recall：实际会停电的样本里，有多少被提前识别出来；
  • F1：综合平衡精确率和召回率；
  • AUC：模型区分"停电"和"未停电"的能力。

4.6 实际运行结果

在当前项目的实际运行中，模型结果如下：

指标 数值 含义
Accuracy 0.6991 整体分类正确率
Precision 0.6920 预测为停电样本中真正停电的比例
Recall 0.6582 实际停电样本中被识别出来的比例
F1-score 0.6747 精确率与召回率的综合表现
AUC 0.7626 模型区分停电与非停电样本的能力

对应混淆矩阵为：

真实\预测 未停电 停电
未停电 418 150
停电 175 337

从结果看，这个模型已经具有一定的风险辨识能力，适合做建模展示和算法演示。

4.7 风险等级分布与关键特征

项目运行后，4320 条样本的风险等级分布为：

风险等级 样本数
低风险 1403
中风险 1784
高风险 1133

这里有一个细节值得说明：主程序控制台中打印的是"高风险线路数量"，但从代码看，它统计的是高风险样本条数，而不是唯一线路数。这一点在写论文或汇报时最好表述为"高风险样本数"更准确。

模型前五个重要特征为：

特征 重要性
historical_fault_count 0.1633
lightning_count 0.0970
rainfall 0.0786
max_load_rate 0.0775
voltage_deviation 0.0737

这和数据生成逻辑基本一致，说明模型学到的规律与模拟设定是统一的。

5. 异常检测模型：用孤立森林发现异常运行状态

风险预测关注的是"未来出故障的概率"，而异常检测关注的是"当前运行状态是否异常"。两者是互补关系。

在配电网运行中，以下现象都可能表现为异常：

  • 电压偏差突然增大；
  • 电流变化率异常；
  • 最大负载率持续偏高；
  • 雷雨天气下负荷波动显著增加。

项目在 anomaly_detection.py 中使用了 IsolationForest。它的基本思想是：异常点更容易被随机切分出来，因此在树结构中的平均路径长度更短。

异常评分可以简化写成：

其中：

  • 是样本在孤立树中的路径长度；
  • 是平均路径长度；
  • 是样本规模为时的归一化因子；
  • 越大，样本越可能是异常点。

5.1 异常检测代码

下面这段代码解决的是"如何从运行状态中找出异常样本"：

python 复制代码 
ANOMALY_FEATURES = [
    "voltage_deviation",
    "current_change_rate",
    "max_load_rate",
    "load_fluctuation",
    "wind_speed",
    "rainfall",
    "lightning_count",
]

model = IsolationForest(
    n_estimators=240,
    contamination=contamination,
    random_state=random_seed,
)
subset = data[ANOMALY_FEATURES]
anomaly_label = model.fit_predict(subset)
anomaly_score = model.decision_function(subset)

data["anomaly_score"] = anomaly_score
data["anomaly_label"] = anomaly_label

这里的关键点有两个：

  • anomaly_label = -1 表示异常；
  • anomaly_label = 1 表示正常。

也就是说，项目不是在做监督式故障分类，而是在无标签前提下识别"行为异常"的运行样本。

5.2 实际异常结果

当前项目运行结果中：

  • 异常样本数量：346
  • 异常比例：8.01%

这个比例和代码里 contamination=0.08 是一致的。输出的散点图以"最大负载率"为横轴、"电压偏差"为纵轴，红色点表示异常。图中可以明显看到，异常点主要分布在高负载率、高电压偏差以及边界离群区域，这和电网实际经验是一致的。

6. 配电网拓扑建模：用 NetworkX 把线路变成一张图

如果说风险模型回答的是"哪里危险"，那么拓扑模型回答的就是"故障发生后影响谁、还能怎么转供"。

配电网可以抽象为图：

其中：

  • 表示节点集合，包括变电站、开关、负荷点、重要用户和联络开关；
  • 表示边集合，包括馈线区段、支线和联络线。

6.1 本项目的真实拓扑规模

根据代码运行结果，这个模拟配电网共有：

  • 节点数：33
  • 边数：35
  • 馈线数：3
  • 联络开关：3 个，分别为 T1、T2、T3

节点类型分布如下：

节点类型 含义 数量
source 电源点 1
switch 分段开关 12
load 普通负荷 12
important_load 重要负荷 5
tie_switch 联络开关 3

需要特别说明的是，虽然最初设计中可以设想有 fault 节点，但当前代码并没有单独创建 fault 类型节点，而是通过边属性 faulted 和红色线路高亮来表示故障区段。这是一个真实实现上的简化。

6.2 拓扑构建核心代码

下面这段代码解决的是"如何把配电设备组织成图结构"：

python 复制代码 
graph.add_node(
    SOURCE_NODE,
    node_type="source",
    display_name=SOURCE_NODE,
    controllable=False,
    closed=1,
    demand_kw=0.0,
)

feeder_layout = {
    "F1": {"y": 4.2, "switches": ["F1_S1", "F1_S2", "F1_S3", "F1_S4"]},
    "F2": {"y": 0.0, "switches": ["F2_S1", "F2_S2", "F2_S3", "F2_S4"]},
    "F3": {"y": -4.2, "switches": ["F3_S1", "F3_S2", "F3_S3", "F3_S4"]},
}

_add_edge(
    graph,
    previous_node,
    switch_id,
    line_id=line_id,
    capacity=capacity,
    impedance=impedance,
    controlled_by=switch_id,
    edge_kind="section",
)

这段代码的含义是：

  • 节点表示电气设备或负荷点；
  • 边表示馈线区段或支线；
  • capacity 表示线路容量；
  • impedance 表示线路阻抗；
  • controlled_by 表示这条边由哪个开关控制通断；
  • status 在后续会根据开关状态更新。

代码里还定义了多个重要负荷，例如县人民医院、通信基站、自来水厂、政务云机房、冷链物流园，这让后面的"重要负荷优先恢复"更有业务味道。

6.3 代码中的潮流是近似计算

下面这段代码解决的是"在当前开关状态下，如何估算线路负荷、网损和电压偏差"：

python 复制代码 
bfs_tree = nx.bfs_tree(energized_active_graph, source)
traversal_order = list(nx.topological_sort(bfs_tree))
downstream_load = {}
edge_flow = {}

for node in reversed(traversal_order):
    own_demand = float(graph.nodes[node].get("demand_kw", 0.0)) if node in energized_nodes else 0.0
    total_demand = own_demand
    for child in bfs_tree.successors(node):
        total_demand += downstream_load[child]
    downstream_load[node] = total_demand
    if node != source:
        parent = next(bfs_tree.predecessors(node))
        edge_flow[frozenset((parent, node))] = total_demand

line_loss += (flow / max(edge_data["capacity"], 1.0)) ** 2 * edge_data["impedance"] * 180
voltage_drop = min(0.12, 0.008 + path_drop[node])

这里用的是"下游负荷累加 + 路径阻抗估计"的近似方法，而不是严格潮流计算。也就是说：

  • 用 BFS 树确定供电层级；
  • 用下游负荷总和近似支路潮流；
  • 用线路负载率和阻抗估算网损；
  • 用路径压降近似电压偏差。

这不是 OpenDSS 或 DistFlow 级别的精细仿真，但对于毕业设计、算法博客和建模比赛来说，已经足够清楚地表达"重构方案会影响线路载荷和电压质量"这个核心思想。

7. 故障定位与故障隔离：规则推理 + 图搜索

在 FLISR 中，故障定位并不一定要上来就做复杂机器学习。很多时候，一个清晰可靠的规则推理框架，反而更符合配电自动化逻辑。

项目中的定位逻辑可以概括为：

当上游开关检测到告警，而下游开关未检测到告警时，故障大概率位于两者之间。

可以写成：

7.1 真实代码如何定位故障

下面这段代码解决的是"根据上下游告警开关，确定故障区段并找出受影响负荷"：

python 复制代码 
for feeder, switches in feeders.items():
    alarm_indices = sorted(switches.index(sw) for sw in alarm_switches if sw in switches)
    no_alarm_indices = sorted(switches.index(sw) for sw in no_alarm_switches if sw in switches)
    if not alarm_indices:
        continue

    upstream_index = max(alarm_indices)
    downstream_candidates = [index for index in no_alarm_indices if index > upstream_index]
    if not downstream_candidates:
        continue

    downstream_index = min(downstream_candidates)
    upstream_switch = switches[upstream_index]
    downstream_switch = switches[downstream_index]

    line_data = graph[upstream_switch][downstream_switch]
    fault_line = line_data["line_id"]
    simulated_fault_graph = apply_switch_states(
        graph,
        get_switch_states(graph),
        faulted_lines={fault_line},
    )
    affected_nodes = get_unenergized_load_nodes(simulated_fault_graph)

这段代码不是直接跑 BFS/DFS 来"猜故障点"，而是先用告警规则缩小故障区段，再通过图连通状态计算失电负荷。这个思路更贴近保护与配电自动化的实际逻辑。

需要如实说明的是：主程序中的告警信号也是模拟生成的。main.py 会先选择一个高风险候选故障区段，再构造对应的上游告警和下游无告警组合，用于驱动定位模块。这意味着这里的故障定位是"半仿真"的，而不是接真实 SCADA 告警流。

7.2 故障隔离流程

项目中的故障隔离动作可以总结为：

步骤 操作 目的
1 识别故障区段 判断故障发生位置
2 查找相关开关 确定隔离动作对象
3 断开故障相关边 防止故障扩大
4 搜索失电区域 统计受影响负荷
5 进入恢复优化 为自愈算法提供输入

对应代码中，isolate_fault() 会断开 fault_result["isolation_switches"] 中的开关，并重新计算失电区域。

7.3 实际故障场景结果

在当前运行结果中：

  • 故障区段：F3-Section-03
  • 受影响负荷：沿街商业负荷 K、冷链物流园、居民台区 L
  • 受影响重要用户：冷链物流园
  • 隔离动作：
    • 断开开关 F3_S3
    • 断开开关 F3_S4

这里也要说明一个实现细节：项目中的隔离逻辑是简化版，主要通过"将故障边 status=0 + 打开下游相关开关"来切除失电区域，而不是严格按照工程保护装置双侧边界开关模型来建模。这种简化适合算法展示，但在工程系统中还需要结合保护定值和配网自动化装置实际位置。

8. 自愈恢复优化：遗传算法如何选择最优开关动作？

在故障区段隔离之后，下一步就是恢复供电。这本质上是一个组合优化问题：

  • 哪些联络开关应该闭合？
  • 是否会形成环网？
  • 某条线路会不会过载？
  • 哪些重要负荷要优先恢复？
  • 开关动作次数能不能再少一点？

这也是为什么项目选择遗传算法来做恢复优化。

8.1 染色体编码与目标函数

项目中的染色体编码为：

其中：

  • 表示第个开关闭合；
  • 表示第 个开关断开。

需要注意的是，当前代码并没有把所有开关都纳入染色体，而是将可优化对象简化为联络开关集合，也就是 T1、T2、T3。因此这里的基因长度实际上是 3，而不是整个网络所有开关。这是一个非常重要的实现细节。

目标函数可以写成：

其中：

  • ：恢复负荷比例；
  • ：开关动作次数；
  • ：估算网损；
  • ：电压偏差；

在工程含义上：

  • 鼓励恢复更多负荷；
  • 惩罚频繁开关动作；
  • 控制重构后的运行经济性；
  • 控制供电质量。

除此之外，代码还额外引入了"重要负荷恢复比例奖励"，并对过载、成环、超电压偏差进行额外惩罚。

8.2 约束如何体现在代码里

理论上可以写成：

同时满足：

  • 故障区段不得重新投入；
  • 重要负荷优先恢复。

需要如实说明的是，代码里这些约束主要以适应度惩罚项的形式体现，而不是通过严格的数学规划求解器硬约束实现。这种做法对 GA 来说很常见，也更容易编码。

8.3 初始化、交叉和变异

下面这段代码解决的是"如何构造种群并做基本遗传操作"：

python 复制代码 
def _initialize_population(population_size: int, gene_count: int, rng):
    if gene_count == 0:
        return [np.array([], dtype=int)]

    population = [np.zeros(gene_count, dtype=int), np.ones(gene_count, dtype=int)]
    for gene_index in range(gene_count):
        gene = np.zeros(gene_count, dtype=int)
        gene[gene_index] = 1
        population.append(gene)

    while len(population) < population_size:
        population.append(rng.integers(0, 2, size=gene_count, dtype=int))
    return population[:population_size]

这段初始化不是完全随机，而是有意识地把"全断开""全闭合""单开关动作"这些典型方案预先放进种群。对于只有 3 个联络开关的小规模问题，这种设计很合理，因为能更快覆盖关键候选解。

8.4 适应度函数是整个自愈策略的核心

下面这段代码解决的是"如何评价一个恢复方案到底好不好"：

python 复制代码 
p_restore = weighted_restored_load / total_weighted_load
important_restore_ratio = restored_important_kw / total_important_load if total_important_load else 1.0
switch_operation_count = int(
    sum(abs(switch_states[switch] - base_switch_states.get(switch, 0)) for switch in candidate_switches)
)

line_loss = performance["line_loss"]
avg_voltage_dev = performance["avg_voltage_deviation"]
max_voltage_dev = performance["max_voltage_deviation"]
cycle_count = len(nx.cycle_basis(active_graph)) if active_graph.number_of_edges() else 0
overload_count = len(performance["overloaded_lines"])

fitness = (
    weights["alpha"] * p_restore
    - weights["beta"] * switch_penalty
    - weights["gamma"] * loss_penalty
    - weights["delta"] * voltage_penalty
    + 0.08 * important_restore_ratio
)
if overload_count > 0:
    fitness -= 0.65 * overload_count
if cycle_count > 0:
    fitness -= 0.85 * cycle_count
if max_voltage_dev > 0.08:
    fitness -= 1.2 * (max_voltage_dev - 0.08) / 0.08

这里最值得注意的是两点：

  • weighted_restored_load 用了 priority_weight，重要负荷权重更高；
  • cycle_count 和 overload_count 直接进入惩罚项，保证网络尽量保持辐射状且不过载。

也就是说，这个 GA 不是单纯追求"恢复节点数最多"，而是在恢复能力、动作代价、运行质量之间做平衡。

8.5 遗传算法迭代流程

阶段 作用 在自愈恢复中的含义
编码 将联络开关状态转化为染色体 表示不同重构方案
初始化 生成候选方案 构造初始恢复策略
适应度计算 评价方案优劣 恢复越多、动作越少、越不超限越好
选择 保留优秀个体 保留更优恢复方案
交叉 组合两个方案 搜索新的开关组合
变异 随机扰动个体 防止陷入局部最优
迭代更新 维护最优个体 输出最终自愈动作序列

8.6 实际恢复结果怎么理解？

当前项目的实际恢复结果是：

  • 闭合联络开关：T2
  • 恢复负荷节点：L11、I05
  • 未恢复负荷节点：L12
  • 恢复负荷比例：70.24%
  • 开关动作次数：1
  • 估算网损：52.1012
  • 平均电压偏差：0.0200

这里有一个很值得写进博客的细节：

  • restore_ratio = 70.24% 是按 负荷功率 计算的；
  • load_restore_ratio.png 饼图显示的是 节点数量比例，也就是 3 个失电节点中恢复了 2 个，因此是 66.7%。

两者不矛盾，只是统计口径不同。

另外，restoration_process.png 中的收敛曲线几乎是一条水平线。这并不是算法失效，而是因为当前问题规模很小：候选联络开关只有 3 个，理论组合也只有 2^3=8 种，初始化阶段已经覆盖了关键方案，所以最优解很早就被找到，后续迭代没有再提升。这也是一个真实工程实现中很常见的现象。

9. 可靠性指标：自愈前后到底改善了多少？

评价自愈效果，不能只看"恢复了几个节点"，更关键的是要看系统可靠性有没有提升。

项目在 reliability_index.py 中计算了三个经典指标：

其中：

  • ：系统平均停电持续时间；
  • ：系统平均停电频率；
  • ：未供电电量；
  • ：第 区域停电时间；
  • ：第 区域用户数量；
  • ：第 区域停电次数；
  • ：负荷功率；
  • ：停电持续时间。

9.1 可靠性计算代码

下面这段代码解决的是"如何把恢复前后场景转化为可靠性指标"：

python 复制代码 
def compute_reliability_indices(outage_records, total_customers):
    total_customers = max(total_customers, 1)
    saidi = sum(record["duration_h"] * record["customers"] for record in outage_records) / total_customers
    saifi = sum(record["frequency"] * record["customers"] for record in outage_records) / total_customers
    ens = sum(record["load_kw"] * record["duration_h"] for record in outage_records) / 1000.0
    return {"SAIDI": float(saidi), "SAIFI": float(saifi), "ENS": float(ens)}

而在自愈前后场景设定中，项目做了一个清晰的近似：

  • 自愈前，失电区域按 repair_time_h=4.0 小时计算；
  • 自愈后，已恢复用户按 switching_time_h=0.35 小时计算短时停电；
  • 对已恢复用户，停电频率也按 0.15 做折减。

这是一种典型的建模近似，能够把"快速转供"的价值量化到可靠性指标上。

9.2 实际可靠性对比

指标 自愈前 自愈后 改善率
SAIDI 0.6568 0.3375 48.61%
SAIFI 0.1642 0.0898 45.28%
ENS 3.3600 1.2065 64.09%

从这张表就能看出，自愈恢复并不只是"让图上多亮几个节点"，而是真正降低了平均停电时长、停电频率和未供电电量。

图 reliability_index.png 也很直观：三个指标在自愈后都明显下降，说明故障隔离与联络转供策略确实有效。

10. 结果可视化：从风险分布到恢复路径

这个项目的一个亮点，是把每一步结果都做成了可视化图像。实际 outputs 目录中生成了 11 张图片，文件名与含义如下：

结合图片内容，可以进一步解释几个重点：

risk_prediction_result.png 不是"12 条线路的风险柱状图"，而是所有样本记录的风险概率分布图。图中低风险、中风险、高风险三段区间分界清晰，和项目中的阈值划分一致。

feature_importance.png 显示 historical_fault_count 的重要性最高，其次是 lightning_count、rainfall、max_load_rate 和 voltage_deviation。这说明模型既关注外部扰动，也关注设备劣化与运行状态。

anomaly_detection.png 中红色异常点更多分布在高负载率和较大电压偏差附近，说明异常检测模块能把边缘运行状态挑出来。

grid_topology_before_fault.png 展示了 3 条馈线、多个普通负荷、5 个重要负荷和 3 个联络开关。虽然标题写的是"故障前"，但图中已经用红色标出了本次分析选中的故障区段 F3-Section-03，因此它更像"故障场景标注下的原始拓扑"。

grid_topology_after_isolation.png 中，故障段仍为红色，断开的线路变为灰色虚线，受影响节点被红色边框突出。可以清楚看到，隔离之后 L11、I05 和 L12 处于失电区域。

grid_topology_after_healing.png 是最有代表性的一张图。绿色路径显示了通过联络开关 T2 完成转供的路线，L11 和重要负荷 I05 被重新送电，而 L12 仍未恢复。这非常符合"优先恢复重要用户和可恢复负荷"的自愈目标。

restoration_process.png 中曲线几乎不变，这反映的是"小规模离散搜索空间下，初始化即命中最优解"的情况，而不是算法没有工作。

load_restore_ratio.png 则从节点数量角度说明：3 个失电节点里恢复了 2 个，因此饼图是 66.7% 对 33.3%。

需要代码的请在评论区下留言，作者会逐个回复，制作不易，请各位看官老爷点个赞

相关推荐
xlq223222 小时前
46.线程池
linux·开发语言
LF男男2 小时前
Action- C# 内置的委托类型
java·开发语言·c#
记录无知岁月2 小时前
【C/C++】头文件包含问题分析
c语言·开发语言·c++
zhaoshuzhaoshu2 小时前
主流 AI 编程助手工具特点与对比
人工智能·python
Daydream.V2 小时前
Python 多线程编程从入门到精通：基础 + 实战 + 避坑全攻略
python·线程·threading·线程教学
神仙别闹2 小时前
基于Python实现（控制台）个人信息系统
开发语言·python
a9511416422 小时前
c++如何解析二进制协议中的可选字段读取逻辑及其反序列化【详解】
jvm·数据库·python
HoneyMoose2 小时前
Discourse 更加依赖 tag 的扁平化管理
开发语言
曾阿伦2 小时前
AES 加密解密详解及示例
python·加密解密
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点03近期有什么ai的新消息，新动态？ 2026.4月042026年4月AI大事件深度解读：大模型竞争进入“深水区“05codex app每次打开重连5次Reconnecting问题解决062026年AI前瞻：量子AI、具身智能与科学发现的新纪元07AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析08CC-Switch & Claude 基于 Linux 服务器安装使用指南092026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free10Ubuntu 26.04 换国内源 清华源 阿里源 中科大源 华为源