简介：面向电力系统科研人员与电气工程专业学生，这份MATLAB算法包聚焦配电网故障恢复与故障重构问题，以IEEE33节点系统为算例，可用于验证故障后供电恢复策略与网络重构方案的可行性。压缩包共包含15个m文件，整体仅18KB，文件覆盖主程序、潮流计算（电压/功率）、拓扑变换、种群初始化、变异选择、适应度评估、结果可视化等模块，并针对IEEE33节点算例提供了专用的拓扑展示与参数设置，结构清晰、模块化程度高。目前已吸引534人学习下载，适合作为配电网可靠性研究、智能算法应用及课程设计的参考实现。通过运行该套代码，读者可快速掌握配网故障恢复的建模逻辑与算法实现细节，并能基于给出的优化框架灵活调整目标函数、约束条件或拓扑操作，满足不同场景下的重构实验需求；在处理含分布式电源或联络开关动作的扩展算例时，只需修改相应参数即可继续分析，有效节省从零编写代码的时间。

1. 从一个故障时段讲起：配网恢复为什么要先拿 IEEE33 节点系统试水

配网故障恢复算法，说直白一点，就是当某条馈线上发生短路故障后，系统在几秒到几十秒内算出一组新的开关状态，隔离故障段，把非故障区域的负荷转移到相邻馈线或其他电源通道上去。实际城市配电网里做这类测试代价极高——你不可能拿真实线路反复制造故障来调算法；而在几千个开关节点组成的真实模型上调试，一次算不出来是常态。所以行业里养成了一个习惯：任何恢复算法，都要先在一个公开可检验的标准测试系统上验证，最常见的实验床就是 IEEE33 节点系统。

IEEE33 节点系统规模不大，却把配电网恢复中最关键的要素都包括了：单个变电站电源、辐射状运行方式、多条分支馈线、五条常开联络开关，以及一组随时可能越限的节点电压。算法在这个系统上能不能跑通、收敛快不快、结果可不可复现，基本可以代表它在同类配网问题上的潜力。这篇文章写给配电自动化、配网仿真实方向的工程人员和研究生，我会从数学建模、算法选型、代码骨架、参数整定和常见坑五个层面，把一次完整的故障恢复仿真讲透，告诉你哪些地方值得优化，哪些地方最容易翻车。

2. 把“恢复”写成可计算的数学模型：目标函数、开关状态与潮流约束

2.1 权衡失电负荷与开关动作次数：目标函数怎么定

故障恢复不是简单的“把电送回去”，它要在隔离故障的同时决定哪些开关闭合、哪些开关断开，本质上是一个组合优化问题。所以第一步不是写代码，而是先把“好方案”的标准定义清楚。

我在实际工程里通常把目标拆成三块：恢复后仍停电的负荷最小、开关动作次数最少、运行网损最小。写成一个加权目标函数就是：

min F = α·Plost + β·Ops + γ·ΔPloss

其中 Plost 是恢复后仍然停电的负荷功率，Ops 是开关动作总次数，ΔPloss 是方案对应的线路损耗。直接把这几个量加权相加是个典型误区：失电负荷可能达到数千 kW，开关动作次数只有几次，网损也就是几十 kW 这个量级，三者数值差距太大。如果不把权重拉开，优化算法会被数值最大的项带走，最后给出的方案很可能少动两个开关，却白白甩掉几百千瓦负荷——这种方案在现场根本拿不出手。

我平时更倾向于层叠式处理：第一层把“可恢复负荷全部恢复”当作硬约束，第二层在可行解集合里最小化开关动作次数，第三层再比较网损选最优。如果非要写成加权形式，可以取 α=100、β=1、γ=0.01 作为初始值，再根据仿真结果微调。对应到 IEEE33 节点系统，因为总负荷约 3715 kW 加 2300 kvar，一次主干线故障影响的负荷可能达到一两千 kW，而开关动作次数通常控制在五次以内，两者数量级差得非常明显，权重设置尤其要小心。

2.2 IEEE33 节点系统的拓扑与联络开关位置：组合空间有多大

IEEE33 节点系统是配电网恢复研究里出现频率最高的中压馈线模型。常见约定是：12.66 kV 变电站出口，33 个节点，32 条分段支路平时闭合，5 条联络支路平时断开，含联络开关在内的总支路数为 37。节点 1 是变电站出口，也是唯一的电源节点。

五条常开联络开关的位置，大多数文献采用 8-21、9-15、12-22、18-33、25-29 这组配置。联络开关把不同分支的末端连接起来，任意闭合其中一条，就会在网络上形成一个环。配电网又不能长时间环网运行，所以每次合上联络开关之后，必须在形成的环路里再断开某个分段开关，把网络重新恢复成辐射状。这就是为什么恢复方案必须同时考虑分段开关和联络开关两类操作——它们在解空间里是强耦合的。

从组合规模看，37 条支路每个都有合/分两种状态，理论组合数是 2 的 37 次方，大约 1.37 亿亿。加上辐射状约束、电压约束和容量约束之后，可行解数量会大幅下降，但依然不是手算能遍历的量级。这套数字给我们的提醒很直接：如果一个恢复算法在 IEEE33 节点系统上都跑得慢，换到有上千个开关的真实馈线组上基本没有实用可能。所以 IEEE33 的价值之一，就是把“组合复杂性”从一个抽象概念变成可以实际测量和对比的实验环境。

2.3 辐射状约束与潮流约束：算法必须跨过的两道硬门槛

恢复方案必须同时满足两个电气条件：拓扑保持辐射状，潮流不越限。这两条是天然筛选器，也是算法容易翻车的地方。

辐射状约束的说法是：在任一通电区域里，如果只有一个电源点，闭合支路数必须等于该区域节点数减一。支路数多了出现环网，少了则出现孤岛。判断方法本身不难，一次深度优先搜索或者并查集就能完成。难在迭代类算法随机生成开关状态时，会产生大量既不连成树、又带着环的非法解。如果只是给个很大的惩罚值，算法前几十代可能全在无效空间里乱撞，收敛极慢。更实用的做法是在编码阶段就约束粒子结构，或者在每次适应度计算前做一次拓扑修复。

第二个硬约束是潮流约束。配电网的 R/X 比值高，负荷分布又不均匀，输电网常用的牛顿类算法在这里容易不收敛，工程实现更偏好前推回代法。前推回代要求网络辐射状，这恰好和恢复方案的拓扑约束一致：先修正拓扑，再用潮流结果判断电压和电流是否越限。我每次算完潮流会重点看三个量：最大节点电压、最小节点电压、重载支路比例，任何一个越限，这个候选方案直接判死。建模时把这两个约束放进目标函数之外单独作为校验层，后面的算法调参会省很多事。

3. 恢复算法三大路线与选型：图搜索、群体智能与数学规划

3.1 图搜索启发式：读拓扑找恢复路径，快但容易顾头不顾尾

经典且工程上最常见的第一类做法是图搜索启发式。思想很简单：把当前配网当成一张图，节点是母线，边是开关支路，从电源点出发做 BFS 或 DFS，找到失电区域，然后尝试闭合某条联络开关建立新的供电路径，再断开环内的一条分段开关恢复辐射状。

图搜索在 IEEE33 节点系统上的实现代价很低，一次恢复路径搜索在毫秒级完成，适合作为在线快速计算的兜底方案，也适合用来给其他随机优化算法生成初始解。我常把这种启发式当成“对照基线”：用同样的故障场景跑一遍图搜索，记录恢复率、开关次数和网损，后面所有智能算法的结果都拿这个基线做比较。

但这类方法的短板也很明显。它本质上是局部决策，每次只看当前连通状态，找一个可行路径，不会全局优化开关组合；当一个失电区有多条联络通道可选时，贪心选择的通道可能让相邻馈线过载，或者让某个分段开关附近电压严重偏低。处理单联络单环网还行，遇到 IEEE33 这种多联络结构，很多场景下顾头不顾尾。所以它适合快速出方案，不适合追求全局最优。

3.2 粒子群类算法：在 IEEE33 上最容易调出效果的路线

第二类路线是基于群体智能的随机优化算法，其中以二进制粒子群、遗传算法和蚁群算法最为常见。在 IEEE33 节点系统上，我建议先从二进制粒子群入手，原因是编码直观、参数少、迭代框架清晰，最容易把问题跑通。

粒子的位置就是一组开关状态。向量长度等于参与优化的开关数量，每一位 0 表示断开、1 表示闭合。考虑全开关参与时，向量长度最大为 37；工程场景下只考虑配备遥控的分段开关和联络开关，长度可能降到 20 以下。维度不高，粒子群在这个规模上表现相当稳定，通常 30 个粒子迭代 50 次就能看到稳定解。

适应度函数把上一章的目标和约束揉在一起，典型写法是：

f = α·Plost + β·Ops + γ·ΔPloss + penalty_invalid + penalty_voltage

其中 penalty_invalid 是拓扑非法惩罚，用于环网和孤岛；penalty_voltage 是电压越限惩罚。我一般用分层罚值：拓扑非法的方案给 1e6 级别的固定罚值，让它完全不可能进入最优比较；电压越限的方案给一个随越限幅度增长的连续罚值，让算法有方向地往电压合格区域搜索。这样比一刀切罚死更容易收敛。

参数方面，粒子数 30 到 60 之间比较合理，迭代次数 50 到 100 次足够。惯性权重从 0.9 线性衰减到 0.4，学习因子取 c1=c2=2.0。二进制粒子群的速度更新后要通过 Sigmoid 函数转成开关闭合概率，速度的上下界限制在 [-6, 6] 附近，避免概率饱和导致种群过早失去多样性。这里最需要留意的不是参数本身，而是初始化：全随机生成粒子会产生大量非法拓扑，算法前几十代全在无效空间里搜索。我的做法是初始化时默认所有分段开关闭合，只随机闭合一到两条联络开关，让初始粒子都落在接近合法运行的拓扑上。

3.3 混合整数规划与精确解法：小系统吃透，大系统分层

第三类路线是把恢复问题建立成混合整数规划模型，用数学规划求解器直接求解。开关状态作为 0/1 整数变量，支路电流、节点电压、功率作为连续变量，配合 DistFlow 线性化方程组成一组混合整数二阶锥规划或混合整数线性规划。

这种做法的最大优点是能给出全局最优，或者至少给出一个可以量化的最优性间隙。在 IEEE33 节点系统上，由于节点少、变量少，求解时间通常在一秒到几十秒之间，完全可接受。所以我做研究对比时，通常先用数学规划求出基准最优解，再拿它来衡量粒子群等启发式算法的结果差距。工程上如果面对的是一个真实大型配网，开关和节点数量动辄成千上万，直接建 MIP 模型会让求解时间变得不可控，常见做法是分两层：外层用启发式算法缩小候选开关集合，内层在缩小的子问题上调用求解器做精确优化。

选型上我给一个通用建议：如果只是验证算法想法，直接用数学规划求精确解；如果目标是做在线恢复系统，则用启发式加局部精确搜索的组合。IEEE33 节点系统的定位非常适合同时验证这两种思路——先跑精确解确认问题建模正确，再跑启发式算法对比速度和质量，这一套流程在更大系统上同样适用。

4. 在 IEEE33 节点系统上跑通一次完整的故障恢复流程

4.1 先建立电网计算基础：节点支路数据表与基准值统一

恢复算法的地基是数据。IEEE33 节点系统的支路参数在公开文献里有多个版本，差异主要出现在阻抗数据的精度上，使用时必须先统一单位。常见的参数约定是：线电压基准 12.66 kV，容量基准 10 MVA，支路阻抗以欧姆为单位，节点负荷以 kW 和 kvar 为单位。我一般先把数据整理成下面这种结构：

# ieee33_data.py # 字段顺序：首端节点, 末端节点, R(ohm), X(ohm), 末端有功(kW), 无功(kvar) branch_data = [ (1, 2, 0.0922, 0.0470, 100.0, 60.0), (2, 3, 0.4930, 0.2511, 90.0, 40.0), (3, 4, 0.3660, 0.1864, 120.0, 80.0), # 其余支路按同一格式补全 ] # 五条常开联络开关，恢复时作为可选闭合支路 tie_switches = [(8, 21), (9, 15), (12, 22), (18, 33), (25, 29)]

逻辑说明：支路表里的阻抗用于前推回代潮流计算，节点负荷默认挂接在末端节点上。联络开关单独列出来，是因为它们在初始状态上是断开的，正常潮流计算不参与，只有恢复算法选中闭合后才加入网络图。

参数说明：如果从某篇论文里抄到的数据是以标幺值给出的，必须确认它的基准容量和基准电压，再换算成有名值；否则同一个数值被当成欧姆或标幺，算出来的电压能差出十倍。IEEE33 节点系统里节点编号一般从 1 开始，Python 的列表索引从 0 开始，构造邻接表时节点号减一还是不减一，是第一个常见 bug 来源。我在代码里直接以节点编号作为字典键，避免这类偏移问题。

4.2 模拟故障注入与失电区域识别：BFS 是最可靠的方法

故障恢复仿真要先注入一个故障场景，再判断哪些节点失电。模拟中通常把故障支路从拓扑里删除，然后从电源节点做一次遍历，所有访问不到的节点就是失电区域。

def find_deenergized_nodes(adjacency, source_node=1): # adjacency: dict，键为节点编号，值为相邻节点列表 visited = set() stack = [source_node] while stack: node = stack.pop() if node in visited: continue visited.add(node) for neighbor in adjacency[node]: if neighbor not in visited: stack.append(neighbor) all_nodes = set(adjacency.keys()) return all_nodes - visited # 失电节点集合

逻辑说明：BFS 或 DFS 的思路相同，目的都是找出从电源可达的连通块。配电网正常运行是一个连通辐射状网络，但只要故障支路被切断，下游节点就与电源失去连接，这些节点就是恢复算法要处理的失电负荷。

参数说明：source_node 在 IEEE33 中固定为 1；如果系统包含多个电源，要从所有电源点分别遍历再取并集，否则会把正常节点误判为失电区。故障注入时，除了要断开故障支路本身，往往还要模拟断路器跳闸把故障区段两侧开关同时打开，这一步做不干净，后面恢复方案会遗漏隔离区域。

4.3 算法求解主循环：从粒子编码到适应度校验的代码骨架

数据就绪后，关键就是恢复算法主循环。下面给一个二进制粒子群的最小骨架，重点展示状态编码、拓扑校验和适应度计算之间的协作关系：

# pso_restoration_demo.py import random import math # 参与优化的开关集合 = 分段开关 + 联络开关 controllable_switches = [(1,2), (2,3), (8,21), (9,15), (12,22), (18,33), (25,29)] n_particle = 40 max_iter = 60 w_max, w_min = 0.9, 0.4 c1 = c2 = 2.0 alpha, beta, gamma = 100.0, 1.0, 0.01 V_MAX = 6.0 def evaluate(state): # state: 0/1 向量，1 表示该开关闭合 graph = build_graph_from_state(state) # 建立当前拓扑 if not is_radial(graph): return 1e6, False # 环网或孤岛，直接判死 pf = distflow(graph) # 前推回代潮流 if not pf.within_voltage_limit(): return 5e5 + pf.penalty, False lost = compute_lost_load(pf.energized_nodes) return alpha*lost + beta*count_switch_ops(state) + gamma*pf.loss, True def sigmoid(v): return 1.0 / (1.0 + math.exp(-v)) # 主循环中的位置更新片段 for i in range(n_particle): v[i] = w*v[i] + c1*random.random()*(pbest[i]-x[i]) + c2*random.random()*(gbest-x[i]) v[i] = max(-V_MAX, min(V_MAX, v[i])) prob = sigmoid(v[i]) x[i] = 1 if random.random() < prob else 0

逻辑说明：evaluate 函数先通过 build_graph_from_state 把开关向量还原成网络图，再做辐射状校验和潮流校验，最后计算目标函数。is_radial 和 distflow 是两个独立函数，推荐单独维护，因为恢复算法和正常配网潮流计算都会用到它们。

参数说明：w 从 0.9 线性降到 0.4，前期的全局探索强，后期收敛快。V_MAX 取 6.0，保证 Sigmoid 输出概率不会长期卡在 0 或 1 附近，避免粒子群过早停滞。alpha 的 100 倍量级是刻意拉开失电负荷与开关动作次数之间的权重，如果你把 alpha 调成 1，大概率会得到恢复率不合格但开关动作很省的方案。

4.4 方案输出与结果验收：一份可执行的开关动作表

算法输出的不能只是一个适应度数值，最终交付的是一张可执行的开关动作表。以常见的 8-9 支路故障为例，一个典型恢复方案可以简化为三步操作：

验收时不能只看失电负荷是否为 0，还要检查动作后的节点电压全部落在 0.95 到 1.05 倍额定电压之间，所有支路电流不超过载流量，并且网络中没有环路和孤岛。我会额外记录两个指标：动作开关数量是否满足现场遥控能力上限、合环瞬间会不会出现短时过载。静态方案再漂亮，过不了这两关也不能投运。

5. 恢复算法调试中的常见问题与避坑清单

5.1 现象：潮流计算不收敛或电压数值离谱 → 原因：基准值与阻抗单位没统一 → 解决

从论文里抄 IEEE33 数据时，阻抗有时是欧姆，有时是标幺值；负荷有时是 kVA，有时是 MW。直接混用，前推回代算出来的节点电压会出现 0.01 甚至负数。我自己的血泪经验是：先把基准电压 12.66 kV、基准容量 10 MVA 写在一个常驻配置里，所有支路参数统一转成标幺值再做潮流，后续调整运行方式时只需要改一组基准值。如果你发现电压普遍在 0.2 到 0.5 之间，十有八九是容量的数量级错了；如果电压全部超过 1.5，大概率是阻抗单位被当成标幺值输入了。

5.2 现象：恢复后出现环路或孤岛 → 原因：辐射状约束没有落实到编码 → 解决

很多随机算法初始化时把所有开关状态随机置 0/1，37 条支路里任意合上几条联络开关，很容易形成环网，或者让某个区域完全脱离电源。代码里只在适应度函数末尾加一个 is_radial 判断，起不到引导作用，因为非法解比例太高，算法找不到修进方向。解决方法是两条路：一是在初始化时基于当前正常运行拓扑做小扰动，默认闭合全部或大部分分段开关，只随机改变少量联络开关；二是直接在编码层限制解的结构，让每个粒子从根节点按生成树扩展，从根本上不产生环和孤岛。

5.3 现象：相同参数跑多次，结果差异很大 → 原因：随机种子没有固定 → 解决

粒子群和遗传算法都是随机算法，不固定随机种子的话，同一组参数每次跑出来的结果都不一样，你会分不清是算法改进带来的提升，还是纯粹的运气波动。我在所有随机环节入口都加了 seed 参数，每个实验固定 seed，再换五组不同 seed 取平均值和方差。论文里要复现结果，也必须在附录公布随机种子列表。IEEE33 节点系统规模小，多跑几组 seed 的成本很低，这个习惯越早养成越好。

5.4 现象：开关动作次数多到现场无法执行 → 原因：目标函数里缺少动作次数硬约束 → 解决

加权目标函数中 β=1 只表示动作次数进入目标，不能保证最终方案动作次数少。现场条件往往是“最多遥控操作五次”，多出来的操作需要人工到场，恢复时间直线上涨。正确做法是把开关动作次数做成硬约束，比如在 evaluate 函数里直接判断 Ops > 5 就返回一个很大的惩罚值；或者把参与优化的开关集合缩小到真正具备遥控条件的开关，其余开关在方案里不允许动作。这样算出来的方案才是现场肯接收的方案。

5.5 现象：故障恢复完成后，原本没停电的区域反而停电 → 原因：为了解环错开了非故障段 → 解决

恢复过程中为了消除环网，算法会选择断开环路中的某个分段开关，这个开关如果位于非故障区域，就会把原本正常供电的负荷切掉，造成“恢复某个区、牺牲另一个区”的结果。IEEE33 节点系统上最容易出这种问题的是主干线中段故障，算法为了满足辐射状树结构，把主干线上游某段给断开了。解决思路是在目标函数里增加一项“新增失电负荷”的统计，恢复率指标拆成两列：原失电且恢复的负荷、原不失电但新失电的负荷。后者必须为 0，这个方案才算合格。

6. 验证进阶：用潮流校核、时序仿真与最不利场景给恢复方案把关

6.1 静态潮流校核：不只看末端电压，看整条电压曲线

恢复方案算出来之后，第一步是从电源点到末端重新做一次前推回代潮流，记录全部节点电压曲线。如果发现中间某节点电压低于 0.95，而末端电压反而抬起来了，基本可以判断是网络结构不合理，或者负荷被集中堆到同一条馈线上了。IEEE33 节点系统支路数少，电压曲线可以直接画出来看，问题一目了然。

6.2 时序仿真：把故障隔离和开关操作时间窗加进验证

静态校验只能说明终态合法，不能说明过程安全。更严格的做法是按时间推进做仿真：0 到 10 秒故障发生、断路器跳闸，10 到 30 秒故障隔离完成，30 到 60 秒恢复算法输出方案，60 到 120 秒执行开关动作。重点观察合上联络开关那一刻的暂态电流和短时过载。我第一次做这类验证时，静态指标很漂亮，恢复率百分之百、所有节点电压合格，但时序仿真一跑，发现联络开关合闸瞬间线路上流过接近 2.3 倍额定电流。从那以后，我养成了习惯：每个恢复方案都先检查联络开关合闸前两侧的电压差和负荷差，压差过大就换一条联络通道，同时在目标函数里加入合环冲击的惩罚项。

6.3 最不利场景测试：用故障位置扫描代替单一场景调参

最后一个进阶技巧是用枚举法扫描故障支路，把所有可能发生故障的支路都跑一遍恢复算法，统计平均恢复率、最差恢复率和动作次数分布。这样做既能暴露参数在某个故障位置上的失效情况，也能检验算法的泛化能力。我在 IEEE33 节点系统上的调试习惯是：先固定一个故障支路跑通主流程，再全支路扫描，最后挑恢复率最低的两个场景针对性调权重。这套流程走完后，再把同样的代码换成真实配电网拓扑数据，风险会小很多。希望帮到你。

本文还有配套的精品资源，点击获取