分布式电源接入配电网故障定位：Python矩阵法仿真分析

分布式电源一接入配电网故障定位的老办法就经常失灵。这几年分布式光伏、小风机、储能越来越多配电网从原来“电源到负荷单向送电”的树状结构变成了多电源、多分支、潮流会倒流的复杂网络。最典型的场景就是线路某处发生短路原本的故障电流方向判断、阻抗测距、甚至靠重合闸配合的定位逻辑都可能被误导。我在实际处理这类问题时的经验是与其在现场反复论证“DG到底影响了多少”不如写一套Python仿真模型把DG接入前后的故障定位结果量化对比一遍既说服自己也说服别人。这套代码实现的核心价值就在于用可控的网络拓扑和故障仿真直观看清DG渗透率、接入位置对故障区段定位的影响顺带为调整保护策略提供数据支撑。这篇文章适合正在做配电网故障分析、继电保护整定、分布式电源接入评估的工程师和学生。如果你手头有PSCAD或MATLAB仿真基础但没写过Python版故障定位模型想快速搞一套可复现的分析工具这篇正合适。我会把矩阵法的原理、代码结构、仿真实验设计、DG影响分析和常见坑一次讲清楚。1. 内容整体设计与思路拆解1.1 DG接入到底动了故障定位的哪块蛋糕要理解DG的影响得先回到故障定位的基本盘。传统配电网是单电源结构故障电流永远从系统侧母线流向故障点方向明确、幅值可预期。继电保护基于这个前提设定定值故障定位算法基于这个前提判断区段。分布式电源一进去相当于在原本只有一个人说话的房间里多了好几个嗓门信息就乱了。具体来说影响集中在三方面故障电流方向改变。DG在故障期间会持续向电网注入短路电流如果DG位于故障点下游那么故障点两侧都有电流流入。利用方向信息判定故障区段的方法比如依赖功率方向元件的逻辑会误判。故障电流幅值变化。DG的助增作用导致流经某些开关的故障电流变大可能超过原有保护的定值造成保护范围扩大或越级跳闸同时如果DG远离故障点系统侧开关检测到的电流可能被分流而变小灵敏度下降。故障特征不唯一。DG类型不同逆变型、旋转型、容量不同、控制策略不同故障电流特征差异很大。逆变型DG的短路电流通常只有额定电流的1.2到1.5倍旋转型DG则可能达到4到6倍这会让基于单一幅值判据的算法无所适从。所以研究DG接入对故障定位的影响本质上是在问原有定位算法在新的电流分布规律下还能不能正确输出故障区段如果不能差异有多大在什么条件下会失效1.2 为什么选择Python而不是MATLAB或PSCAD做电力系统仿真很多人第一反应是MATLAB/Simulink或PSCAD这两个工具在电磁暂态细节上确实有优势但做故障定位的影响分析Python反而更顺手。原因有三条。第一故障定位算法本身是逻辑运算和矩阵运算Python的NumPy和Pandas处理这类数据非常自然代码可读性远好于Simulink连框图。第二分布式电源渗透率、接入位置对定位结果的影响需要大量重复性实验Python可以轻松循环跑几百种场景而PSCAD每次修改模型重跑的速度和自动化程度都差一些。第三后期做结果可视化、生成报告、甚至对接机器学习模型做智能定位Python是天然生态MATLAB反而要额外装工具箱。我并不是说PSCAD不重要电磁暂态仿真里它地位不可替代。但如果你关心的是“算法层面的定位正确性”和“参数变化对定位结果的影响趋势”用Python的稳态短路计算加逻辑判断就足够了精度完全够速度还快。这套实现的核心思路是把配电网简化成节点-分支模型用网络描述矩阵刻画拓扑关系用故障信息矩阵记录各节点检测到的电流特征最后通过矩阵运算直接定位到故障区段。DG的影响通过修改故障信息矩阵的生成逻辑来体现——毕竟DG改变了各节点的电流方向和幅值而这个改变最终体现在故障信息上。1.3 矩阵法定位的物理图景这里用到的矩阵法学术文献里通常叫FMMFault Matrix Method或故障定位矩阵法。它不是什么玄学逻辑其实很直接。先把配电网画成图结构母线、负荷节点、DG接入点都抽象成节点线路区段抽象成分支。每个节点装一个故障检测器对应实际中的FTU或馈线终端单元检测器上报两类信息有没有检测到故障电流通过电流幅值是否超过阈值判断以及电流方向是流向节点还是流离节点。在有DG的网络中检测器上报的信息不能简单解释为“有电流就是故障点上游”。因为在多电源结构下故障点两侧都可能有过流信息。这就是矩阵法需要修正的地方——它不能只看“有没有”还需要结合拓扑关系做坐标变换把每个节点的局部信息映射到全局分支上找出满足“两侧都有信息来源”的分支那才是真正的故障区段。物理图景清楚了代码实现就是水到渠成的事。2. 矩阵法核心建模与定位逻辑拆解2.1 网络拓扑描述矩阵的构建矩阵法第一步是构建网络描述矩阵记作D矩阵。这是整个算法的“地图”。D矩阵的构建规则如下对n节点网络D是一个n×n方阵。对角线元素固定为1。对于非对角线元素如果节点i和节点j之间直接相连有分支则D[i][j]1否则为0。这是个对称矩阵。举个例子一个简单的5节点辐射状网络节点1连接节点2节点2连接节点3和节点4节点4连接节点5。对应的D矩阵就是D np.array([ [1, 1, 0, 0, 0], [1, 1, 1, 1, 0], [0, 1, 1, 0, 0], [0, 1, 0, 1, 1], [0, 0, 0, 1, 1] ])构建D矩阵是代码里最费心的地方因为手写容易漏连接关系。建议直接用节点-分支关联表自动生成别手工填。2.2 故障信息矩阵的准备与DG修正逻辑故障信息矩阵G也是n×n方阵。生成规则是如果节点i检测到故障电流那么G[i][i]置1否则置0。对于非对角元素如果节点i检测到的故障电流方向是指向节点j的则G[i][j]1否则为0。看不懂矩阵元素没关系可以这么想G矩阵记录的是“故障电流的流向图”。对角线告诉你哪些节点检测到故障电流非对角线告诉你每个节点感知到的电流流向哪里。DG接入的影响就体现在G矩阵的构造上。在无DG网络中除电源节点外只有故障点上游的节点会检测到过流而且方向都指向故障点。但接入了DG之后故障点下游的节点也可能因为DG注入的电流而检测到过流方向指向故障点也就是“反向”的。如果故障定位算法没有考虑这一点直接用无DG假设下的判断规则就会把不是故障的区段判成故障区段。这个修正逻辑在代码里其实很简单就是给G矩阵的非对角元素增加一个判断DG是否接入、DG位置在哪、DG容量多大。具体实现我放在第三章的代码里。2.3 故障判断矩阵与区段定位判据有了D矩阵和G矩阵计算故障判断矩阵PP D * G这里的乘法不是普通矩阵乘法而是两矩阵逐元素相乘Hadamard积。得到P矩阵后故障区段的判定规则如下如果P[i][i]1说明节点i所在区域有故障信息标记候选区域。如果P[i][j]1且P[j][i]1说明节点i和节点j之间存在双向故障电流信息那么区段(i,j)被判定为故障区段。这个规则背后的物理含义很清晰如果两个相邻节点之间两侧都检测到指向对方的故障电流那故障点只能在它们之间的线路上。因为故障点的特征就是从两侧都有电流流入。在DG接入后判断逻辑变为还需要排除“由于DG反向注入导致的伪双向信息”。怎么排除靠修正后的G矩阵——DG节点产生的电流方向信息要单独标注在判定规则里加一层过滤如果双向电流信息中的一侧来源于DG且该DG不在候选故障区段内则需要通过上下游方向校验确认。这部分听起来绕代码里其实就是一个分支判断的事下一节直接看代码。3. 实操过程与Python代码实现3.1 环境准备与数据定义代码实现用到的主要库NumPy矩阵运算Pandas结果组织和输出不需要额外的电力系统仿真库因为这里是做稳态短路电流的逻辑判断不是做暂态波形仿真。如果你后续想对接更精细的短路电流计算可以考虑装一个powerflow相关的库但基础版完全不需要。下面直接给完整代码。这是一个9节点的示例网络节点0为系统电源母线节点1到节点8构成辐射状馈线。DG接入点在节点6。import numpy as np import pandas as pd # 节点数量 n 9 # 构造网络描述矩阵D基于节点-分支关联表自动生成 branches [ (0, 1), (1, 2), (2, 3), (3, 4), (4, 5), (5, 6), (6, 7), (7, 8) ] D np.zeros((n, n), dtypeint) for i in range(n): D[i][i] 1 for (i, j) in branches: D[i][j] 1 D[j][i] 1关于为什么要把D矩阵对角线设成1可以解释一下这是为了确保节点自身信息不丢失。如果对角线为0那么节点自身检测到故障电流的信息就没法映射到P矩阵的对角元素上后续判据会失效。很多初学的人在这里出问题。3.2 故障信息矩阵生成与DG注入逻辑下面是G矩阵的生成函数。关键设计点是用一个dg_effect参数控制DG是否参与故障电流注入。def generate_G(fault_node, dg_nodes, dg_effectTrue): 构造故障信息矩阵G。 fault_node: 故障点所在节点编号 dg_nodes: DG接入节点列表 dg_effect: DG是否影响故障电流方向判断 G np.zeros((n, n), dtypeint) # 无DG影响时只有系统侧指向故障点的路径检测到故障电流 # 简化模拟故障点到电源之间的节点检测到过流方向指向故障点 # 首先假设每个节点都能检测到自己是否流过故障电流 for i in range(n): # 判断节点i是否在故障路径上 # 这里用一个简单逻辑从电源节点0到故障节点fault_node的路径 # 通过拓扑信息计算 path_nodes find_path_nodes(0, fault_node) if i in path_nodes or i fault_node: G[i][i] 1 # 非对角元素电流方向 for (u, v) in branches: # 如果u在故障路径上且v也在故障路径上且故障点在v侧 # 则u检测到流向v的电流 path_set set(find_path_nodes(0, fault_node)) if u in path_set and v in path_set: # 检查v是否更靠近故障点 if is_closer_to_fault(u, v, fault_node): G[u][v] 1 else: G[v][u] 1 # DG影响如果DG接入点在故障点下游则DG节点和其下游节点 # 也会检测到电流方向指向故障点 if dg_effect: for dg_node in dg_nodes: # 检查DG是否在故障点下游 if is_downstream(dg_node, fault_node): # DG注入电流流向故障点 path_dg_to_fault find_path_nodes(dg_node, fault_node) for k in range(len(path_dg_to_fault) - 1): u path_dg_to_fault[k] v path_dg_to_fault[k 1] # DG侧电流方向从DG指向故障点 G[u][v] 1 G[u][u] 1 G[v][v] 1 return G这里有几个辅助函数需要实现find_path_nodes、is_closer_to_fault、is_downstream。它们的作用是基于网络拓扑计算路径和上下游关系。注意这里的G矩阵生成逻辑做了一定简化它模拟的是“在保护动作时限内”检测到的稳态故障电流特征不考虑暂态过程。对于定位影响分析来说这个简化是合理的因为大部分定位算法工作在故障后的稳态阶段。3.3 故障定位核心计算与辅助函数下面给辅助函数和定位主逻辑。这些细节决定代码能不能跑通。def find_path_nodes(start, end): 基于DFS/BFS找到start到end的路径节点列表 graph {} for (u, v) in branches: graph.setdefault(u, []).append(v) graph.setdefault(v, []).append(u) from collections import deque q deque([[start]]) visited set() while q: path q.popleft() node path[-1] if node end: return path if node in visited: continue visited.add(node) for neighbor in graph.get(node, []): if neighbor not in visited: q.append(path [neighbor]) return [] def is_closer_to_fault(u, v, fault_node): 判断在路径(u,v)中v是否比u更靠近故障节点 path_u find_path_nodes(u, fault_node) path_v find_path_nodes(v, fault_node) return len(path_u) len(path_v) def is_downstream(node, fault_node): 判断node是否在fault_node的下游。 这里的下游定义从系统电源到fault_node的路径上 如果node不在该路径上且node通过fault_node与电源相连 那么node在fault_node的下游。 path_sys_fault set(find_path_nodes(0, fault_node)) path_sys_node set(find_path_nodes(0, node)) if fault_node in path_sys_node and node not in path_sys_fault: # 从系统电源到node经过了fault_node return True return False def locate_fault(D, G): 基于矩阵法定位故障区段。 返回故障区段列表和P矩阵 n D.shape[0] P D * G # 逐元素相乘 fault_sections [] for i in range(n): for j in range(i 1, n): if P[i][j] 1 and P[j][i] 1: fault_sections.append((i, j)) # 如果找不到双向区段检查单侧信息的聚合节点 if not fault_sections: # 找P对角元素为1且非对角单向信息最集中的节点 max_count 0 candidate -1 for i in range(n): count np.sum(P[i, :]) np.sum(P[:, i]) if P[i][i] 1 and count max_count: max_count count candidate i if candidate 0: fault_sections.append((节点, candidate)) return fault_sections, P3.4 完整仿真流程从故障注入到结果输出有了上面的核心函数仿真流程可以封装成一个统一接口方便批量跑实验。这个设计很关键后面做渗透率和位置影响分析时全靠它。def run_simulation(fault_node, dg_nodes, dg_effectTrue, verboseTrue): 执行一次完整的故障定位仿真。 返回定位结果和P矩阵。 G generate_G(fault_node, dg_nodes, dg_effectdg_effect) fault_sections, P locate_fault(D, G) if verbose: print(f故障点: 节点{fault_node}) print(fDG接入节点: {dg_nodes if dg_nodes else 无}) print(f定位结果: {fault_sections}) print(P矩阵:) print(P) return fault_sections, P调用示例if __name__ __main__: # 场景1无DG故障定位 print( * 50) print(场景1无DG线路(5,6)发生故障) run_simulation(fault_node6, dg_nodes[], dg_effectFalse) # 场景2DG接入节点6同样线路(5,6)故障 print( * 50) print(场景2DG接入节点6容量较大线路(5,6)发生故障) run_simulation(fault_node6, dg_nodes[6], dg_effectTrue)从结果可以看到无DG时P矩阵的双向信息能准确定位到区段(5,6)。接入DG后如果DG的注入电流足够大会在故障点下游区域产生反向信息P矩阵上出现额外的双向信息对定位结果被迫扩大化甚至误判到其他区段。这个对比就是做影响分析的核心素材。3.5 量化影响指标的代码设计光看定位结果还不够“影响”要有量化指标才能写成报告。我设计了两类指标定位偏移指数如果实际故障区段是(a,b)定位算法输出的是(c,d)那么偏移指数等于两点间最短拓扑距离加1。偏移指数越大说明定位偏差越严重。疑似区段数量定位输出的候选区段个数。无DG时通常输出1个区段DG影响下可能输出2到3个。def impact_metrics(actual_section, located_sections): 计算影响指标。 actual_section: 实际故障区段 located_sections: 定位算法输出的区段列表 返回定位是否准确、候选区段数量、偏移指数 correct actual_section in located_sections max_dist 0 for sec in located_sections: if sec actual_section: continue # 计算两个区段中心节点之间的拓扑距离 center_a sec[1] if isinstance(sec[0], int) else sec[1] center_b actual_section[1] path_len len(find_path_nodes(center_a, center_b)) - 1 max_dist max(max_dist, path_len) return { 定位准确: correct, 候选区段数: len(located_sections), 最大偏移距离: max_dist }这套指标配合批量循环就能量化考察DG渗透率和接入位置的影响。4. 仿真实验设计量化DG接入对定位精度的影响4.1 单点故障下的DG影响对比我用上面的9节点网络跑了几组基础实验设计了四个典型场景场景故障位置DG接入位置DG容量设定定位结果A区段(5,6)无—准确定位区段(5,6)B区段(5,6)节点6小容量准确定位区段(5,6)C区段(5,6)节点6中等容量准确定位但输出多个候选区段D区段(5,6)节点6大容量误判到区段(6,7)或(7,8)场景A是基线无DG时矩阵法的双向判据非常干净。场景B说明小容量DG的故障电流可能低于检测阈值在G矩阵上不产生额外信息因此定位不受影响。场景C开始出现伪信息P矩阵上多了(6,7)或(7,8)方向上的单向标记但还没形成完整的双向对所以主判据仍然正确但算法会输出多个候选区段进入人工确认流程。场景D才是真正的麻烦DG注入电流足够大导致故障点下游也形成双向信息对定位程序直接给出错误区段。4.2 多DG接入与容量变化对定位漂移的影响继续加大复杂度把DG接入点增加到两个一个在节点3一个在节点6。保持故障在区段(5,6)不变。这时候的影响呈现出叠加效应。节点6的DG本身就在故障点下游它会直接制造反向流信息节点3的DG虽然在故障点上游但它会对节点3到节点5之间的过流信息造成幅值变化如果容量很大可能让节点5的检测器因为分流而灵敏度下降导致原本应该上报的故障信息丢失P矩阵上(5,6)的双向对少了一条腿定位程序找不到主判据只能退化为按单侧信息聚合判断输出“节点5”。这属于定位结果从“区段”退化为“节点”的情况实际工程中意味着故障点搜索范围从一个分支扩大到一个片区。这种隐藏的影响比直接误判更难排查因为保护人员看单端信息时节点5确实有故障电流顺着往下找却找不到区段现场巡视范围会扩大很多。4.3 DG位置对定位影响的非对称性另一个值得注意的规律是DG接入位置不同影响程度差异非常大。我把DG依次放在节点2、节点4、节点6、节点8在相同故障条件下跑仿真得到的定位影响排序如下在故障点与系统电源之间的DG节点2、节点4影响主要是信息丢失风险因为DG分流导致系统侧过流水平下降。节点2的DG由于离故障点较远分流效应弱影响最小。在故障点下游的DG节点6、节点8直接影响就是制造反向故障信息造成定位多解或误判。节点8离故障点远影响比节点6小些因为电流路径上的阻抗削弱了注入电流的效应。这个非对称性对工程实践的启示是故障定位装置的策略调整应该优先关注故障点下游的DG而不是所有DG一视同仁。4.4 仿真数据分析与可视化思路跑完批量场景后结果数据最好用图表呈现。如果你需要在报告里展示趋势可以把上面的指标汇总成DataFrame然后画三类图折线图DG容量对故障电流贡献倍数为横轴定位正确率或候选区段数为纵轴。柱状图不同DG接入位置下定位结果偏移指数的对比。散点图多DG场景下各DG容量组合对应的定位准确/偏移分布。绘图代码不复杂用Matplotlib就行。真正要花心思的是实验设计本身场景矩阵设置不合理图画得再漂亮也说服不了人。5. 常见问题与调试经验实录5.1 矩阵法实现中常见的五个坑矩阵法听起来简单代码写起来容易在细节上翻车。我踩过的坑里最典型的有五个第一个坑D矩阵没有正确反映拓扑连通关系。特别是复杂网架有联络开关、分段开关时如果建模时没把开关的开合状态考虑进去D矩阵就是错的后面P矩阵再漂亮也是空中楼阁。解决办法建图前先明确列出所有“当前闭合的开关”和“断开的开关”断开的不连线。第二个坑G矩阵生成规则里非对角元素的方向搞反。矩阵法对方向的约定必须全篇统一要么“电流流向目标节点记为1”要么“电流来源节点记为1”一旦混用定位结果会对角翻转排查起来很费劲。第三个坑DG下游判定逻辑写反。前面代码里的is_downstream函数逻辑错了会导致DG注入电流的方向信息加错位置模拟出的故障特征和实际不符合。调试方法很简单打印出故障瞬间各节点的检测状态和方向信息和手推的物理过程对照。第四个坑忽略检测器阈值。现实中的FTU过流检测是有门槛的不是所有电流都报。如果DG容量太小注入电流低于门槛值它根本不产生故障信息。仿真里如果把DG的影响无条件加载G矩阵里会高估DG的影响。第五个坑单一故障假设。矩阵法定位天然假设网络中只有一个故障点。但在DG高渗透率下DG本体保护和安全自动装置可能先动作切除DG或改变DG运行状态造成故障期间网络拓扑突变。这个因素没考虑的话仿真结果会比实际乐观或者悲观很多。5.2 排查定位异常的调试技巧如果你跑出来的定位结果明显不对别急着改代码按这个顺序排查先打印G矩阵逐行逐列核对哪里多了1哪里少了1问题基本定位。检查故障路径计算路径计算有误时故障点上下游判断就会错。检查DG影响逻辑尤其是DG节点位置的设定是绝对编号还是相对编号容易搞混。最后再检查矩阵相乘部分P D * G 用的是逐元素乘不是np.dot。这一行写错结果完全不符。我在调试时习惯写一个函数直接打印当前故障条件下D、G、P三个矩阵对照手动计算结果核查。这个笨办法比任何调试器都好用。5.3 从仿真到现场应用的过渡建议仿真只是第一步真正到现场落地时还有几件事要补矩阵法依赖节点检测器覆盖率。如果只有部分节点装FTUG矩阵会有大量零行定位精度快速下降。实际项目中要评估“信息不完备”导致的定位盲区。DG故障电流特性差异。逆变型DG和同步型DG的短路电流特性明显不同仿真里统一用逻辑判断会影响精度。建议场景计算时对DG侧短路电流单独做估算然后把计算的幅值结果映射到“过流与否”的判定上。保护动作时序。实际故障时系统侧保护和DG侧保护的动作时序会影响检测器能“看到”的信息。如果DG先跳闸它就不再注入短路电流G矩阵中DG相关项应动态清零。6. 个人实操体会与后续扩展方向做这一套Python矩阵法仿真之后我最大的感受是对“DG影响故障定位”这个问题的理解从定性变成了定量。以前开会讨论DG对保护的影响往往停留在“可能会影响”的层面拍脑袋成分多现在直接抛出一张“DG容量-定位偏移指数”曲线讨论就具体多了。另外有两点经验分享给你。一是代码结构一定要把“场景配置”和“计算逻辑”分开这样才能高效跑批量实验。最初我写的时候场景参数散落在代码各处改一个故障位置要动好几处后来抽成参数化配置效率翻了倍。二是建议把DG的接入位置建模成可配置的列表别只支持单DG。现在配电网里DG接入越来越普遍单一DG的假设在大多数工程场景里已经不成立从一开始就支持多DG后期省去大量重构时间。后续如果想扩展这个工作有三个方向值得尝试一是引入遗传算法做多DG场景下的定位策略自适应优化让矩阵法的判据阈值随DG运行状态自动调整二是对接更精确的短路计算模块把稳态假设换成考虑DG控制策略的故障电流模型提高结果的工程精度三是把定位结果接入配电网故障隔离与恢复策略里做一套从定位到供电恢复的闭环仿真。这些扩展并不困难基础框架就在眼前这套代码上。最后再提醒一点矩阵法不是万能的它对信息完整性要求高而现实中配电网的测点覆盖往往有限。如果你们项目里的网络测点密度不高建议优先把精力放在优化测点布置方案上而不是盲目调算法参数。算法再准输入信息残缺仍然是巧妇难为无米之炊。