企业官网建设流程全解析

分布式电源并网以后，配电网故障定位的难度比想象中提升了一个量级。最近我在复现一个配电网故障定位仿真时，把几个分布式电源（DG）节点接进了一个10kV辐射状馈线模型，结果原来百试百灵的过流矩阵法开始出幺蛾子：明明故障发生在线路段2-3，定位结果却飘到了4-5，甚至直接报盲区。顺着这个现象，我把“分布式电源对配电网故障定位的影响”用Python完整搭了一套仿真，今天把整个思路、代码和结论都拆开来讲。这个项目适合正在做配电网保护、馈线自动化或电力系统研究的人参考，不需要你有很高的编程门槛，会基础的Python循环和列表操作，再有一点电路概念，就能跟着复现出来。

项目本身并不追求建立一个完整精确的电磁暂态模型，而是用工程上常用的短路电流计算思想，把“DG引入后电流走向发生变化”这个核心物理过程用代码形式表现出来。看完之后你会明白：为什么加了几个分布式电源，原来成熟的定位算法会失效；哪些情况下影响大，哪些情况下影响小；以及在实际工程中该用什么思路规避这些问题。

1. 分布式电源并网后，故障定位为什么不再“想当然”

1.1 传统配电网故障定位的基本逻辑

传统配电网是典型的单电源辐射状网络，变电站是唯一的电源，电能从变电站出发，沿开关、线路、分支流向各个负荷。在这种结构下，如果线路上发生短路故障，短路电流的方向只有一个：从变电站流向故障点。这就像一条单向通行的马路，某个路段封路后，交警只要知道哪些卡口看到的车流异常，就能把故障点圈在两个卡口之间。

工程上常用的过流矩阵定位法，就是把这种思路形式化。它把配电网的开关、节点、线路抽象成一个网络描述矩阵，反映各支路之间的上下游关系；当某处发生故障，馈线终端单元（FTU）上报哪里出现过流、哪里没有，系统形成一个故障信息矩阵。两个矩阵一对照，就能锁定故障区段。

在DG接入之前，这套逻辑非常可靠。因为故障电流路径唯一，过流节点一定在故障点上游，非过流节点一定在故障点下游，边界就是故障区段。哪怕是配电网结构复杂、有多条分支，只要网络描述矩阵建得对，定位结果一般不会跑偏。

1.2 DG 接入改变了什么：从单电源到多电源

分布式电源接入后，配电网不再只有一个电源。光伏、风机、燃气轮机、储能系统都会在电网故障期间向故障点注入电流。如果故障发生在变电站和DG之间的线路上，故障点会同时收到来自变电站和多个DG的电流；如果故障发生在DG下游，DG还会“逆向”向上游送流。

不同DG类型的短路电流特性差别很大。直接并网的同步发电机故障电流可以达到额定电流的4到10倍，对短路电流分布影响非常明显；鼠笼异步电机虽然自身没有励磁，但在故障初瞬也会提供一定衰减的短路电流；而逆变型DG（光伏、储能等）由于电力电子装置过流能力有限，短路电流通常被限制在额定电流的1.2到2倍左右。但别小看这“一点几倍”，它照样可以把原本单向的故障电流变成双向流动，把定位逻辑彻底搅乱。

我把几种常见DG的故障电流特征整理成了下面的表格，方便快速了解差异：

1.3 影响故障定位的三条主要路径

结合我的项目经验，DG对故障定位的影响可以归纳成三个方面。

第一，故障电流幅值变了。DG向故障点注入电流，相当于给故障点增加了额外“援兵”。原来不会过流的某些非故障支路，现在可能因为DG助增而过流，导致过流节点范围扩大。过流整定值如果仍然按无DG情况设定，就可能出现保护误动或拒动。

第二，故障电流方向变了。这是最要命的一点。传统定位算法默认故障电流全部从变电站单向流向故障点，一旦故障点下游的DG反向注入，故障点两侧都会出现过流。如果一个定位算法只关心“有没有过流”而不关心“方向是什么”，它就会把故障误判到下游很远的位置，或者干脆发现所有支路都过流，无法区分故障位置。

第三，网络拓扑的有效性变了。DG是间歇性电源，可能随光照、风速和运行方式投切。同一套物理网架，在不同的DG投运组合下，实际运行拓扑是不同的。如果定位算法仍然使用固定拓扑，矩阵运算就会建立在错误的结构上。很多系统在工程现场出现定位偏差，不是算法本身有问题，而是没有实时更新运行拓扑。

本项目的Python仿真主要针对前两条展开，重点观察方向反转和过流范围扩大这两类现象。

2. Python仿真模型的整体设计思路

2.1 配电网电气模型怎么搭

仿真第一步是搭一个最简单的配电网模型。为了保证现象足够直观，我没有用复杂的真实馈线结构，而是用一条6段链式馈线，节点0作为变电站母线，节点1到节点6依次为线路节点。这样做的目的是让“哪条支路过流、哪条支路反向过流”一目了然。分支型辐射状网络本质上也是多个链式结构的组合，原理完全一样，代码可以平滑扩展。

电气计算采用标幺值。基准电压取10kV，基准容量取100MVA。标幺值的好处是数值范围统一，不会出现一个支路电流上万安培、另一个只有零点几安培这种难以比较的情况。线路阻抗、DG注入电流全部换算成标幺值后再叠加。

我用一个列表保存所有线路，每一行代表一条支路，格式是起始节点、终止节点、电阻标幺值、电抗标幺值。这里没有单独建负荷模型，因为在短路分析中，负荷电流相比短路电流很小，通常可以忽略。DG则视为故障期间的电流源，它在故障时按自身容量和类型向网络注入一定倍数的额定电流。

2.2 故障类型与DG模型的选择

本项目的故障类型选择三相短路。三相短路是分析故障定位最常用的算例，因为它的故障电流最大，对过流式定位算法的影响最明显。单相接地短路、两相短路在电气特征上各有特点，但“DG提供额外电流并改变方向”这一核心影响是一致的。

DG模型采用简化的电流源模型：每个DG在故障期间的注入电流大小，等于它的额定容量乘以一个短路电流倍数系数k。同步机型k取5.0，逆变型k取1.5。这种做法确实省去了内阻抗、控制策略等细节，属于教学演示层面的简化。它的优势是代码简单、现象清晰，特别适合做机理分析；如果你要做工程整定计算，就得用电磁暂态仿真软件，或者至少用节点阻抗矩阵算一遍完整的故障电流分布。

2.3 选型：路径叠加法

短路电流的标准计算方法是节点阻抗矩阵法，原理是用Ybus矩阵求逆得到Zbus，再根据故障节点计算各节点电压和支路电流。这个方法精度更高，但代码量相对大，对新手不太友好。我在项目里换了一种“路径叠加法”。

路径叠加法的思路是：在辐射状网络中，任意一个电源要往故障点送电流，路径是唯一的。主电源从变电站出发，DG从其接入节点出发，各走各的唯一路径抵达故障点。每条支路上最终流过的故障电流，等于所有经过这条支路的电源贡献电流的代数和。方向与参考方向一致记为正，方向相反记为负。

这个模型不精确，但对研究“DG在故障点下游会怎样反向送流”这类问题非常合适。它把物理过程拆成一条一条路径，每一步都能清晰解释电流从哪来、到哪去。在后面的代码里，你会看到每一行累加结果都可以对上网络拓扑。

3. Python代码实现全流程

3.1 基础参数准备

先把网络拓扑、DG配置、系统基准参数写清楚。我的示例网络是0-1-2-3-4-5-6的单链结构，每一段线路用一组标幺值电阻和电抗表示。DG配置在节点3和节点6，容量分别取2000kVA和5000kVA，其中节点6的DG容量更大、k系数取5.0，用来模拟同步机型。

import numpy as np from collections import defaultdict # 基准值 V_base = 10.0 # kV S_base = 100.0 # MVA Z_base = V_base ** 2 / S_base # 欧姆，此处Z_base = 1.0 # 线路列表：(首端, 末端, 电阻标幺值, 电抗标幺值) lines = [ (0, 1, 0.020, 0.140), (1, 2, 0.018, 0.120), (2, 3, 0.015, 0.100), (3, 4, 0.018, 0.110), (4, 5, 0.016, 0.100), (5, 6, 0.014, 0.090) ] # 支路编号对应的节点对，用于结果展示 line_nodes = [(u, v) for u, v, r, x in lines] # DG配置列表 dg_list = [ {'node': 3, 'kva': 2000, 'k': 1.5}, # 逆变型 {'node': 6, 'kva': 5000, 'k': 5.0} # 同步机型 ] # 主电源在故障时的注入电流标幺值，先设为1.0 I_source = 1.0

这里需要注意，线路阻抗标幺值我写得比较小，因为10kV短线路在100MVA基准下本身就不大。DG容量换算成标幺值时，2000kVA就是0.02pu，再乘以k=1.5，得到0.03pu；5000kVA是0.05pu，乘以5.0得到0.25pu。有了这些数值，后面电流叠加才有一个清晰的数量级。

3.2 路径搜索与故障电流分配

接下来实现路径搜索。配电网是辐射状网络，所以任意两个节点之间的路径只有一条。我用一个递归函数从电源节点出发，向故障节点搜索，返回经过的节点序列。这个函数不依赖具体网络参数，以后换网络只需改lines列表。

# 构建邻接表 graph = defaultdict(list) for u, v, r, x in lines: graph[u].append(v) graph[v].append(u) # 递归寻找路径，start和end之间最多只有一条路径 def find_path(start, end, visited=None): if visited is None: visited = set() visited.add(start) if start == end: return [start] for node in graph[start]: if node not in visited: path = find_path(node, end, visited.copy()) if path: return [start] + path return None

有了路径，就能进行电流累加。主电源从节点0开始，DG从自身接入节点开始。每一步找到电源到故障节点的路径，把路径上经过的支路找出来。方向与支路参考方向相同记为正，方向相反记为负。所有电源贡献累加后，就得到每条支路的净电流。

# 支路参考方向映射 branch_ref = {} for i, (u, v, r, x) in enumerate(lines): branch_ref[(u, v)] = i def compute_branch_currents(fault_node, dg_list, I_source=1.0): # 收集所有电源 sources = [{'node': 0, 'I': I_source}] for dg in dg_list: I_dg = (dg['kva'] / 1000.0) / S_base * dg['k'] sources.append({'node': dg['node'], 'I': I_dg}) branch_current = np.zeros(len(lines)) for src in sources: path = find_path(src['node'], fault_node) if path is None: continue for a, b in zip(path[:-1], path[1:]): if (a, b) in branch_ref: idx = branch_ref[(a, b)] direction = 1 elif (b, a) in branch_ref: idx = branch_ref[(b, a)] direction = -1 else: continue branch_current[idx] += direction * src['I'] return branch_current

这里最关键的一个操作是方向符号。每条支路的参考方向都定义为“从首端流向末端”，也就是从变电站流向线路末端。DG从节点6反向流向故障点3时，路径是6、5、4、3，对应支路5-6、4-5、3-4，实际电流方向是节点6到节点5、节点5到节点4、节点4到节点3，与参考方向完全相反，所以累加时系数是负值。

3.3 两种定位判据：幅值法 vs 方向法

定位判据是本项目对比的核心。我写了两个函数：一个只用电流幅值，模拟传统过流定位；另一个同时使用幅值和方向，模拟带方向判据的定位逻辑。

I_th = 0.01 # 过流阈值，标幺值 def locate_by_magnitude(branch_current): over_list = [i for i, cur in enumerate(branch_current) if abs(cur) > I_th] if len(over_list) == 0: return "无过流信息，无法定位" if len(over_list) == len(branch_current): return "所有支路均过流，幅值法无法定位" last_over = max(over_list) return f"故障位于支路{line_nodes[last_over]}下游附近" def locate_by_direction(branch_current): last_positive = None first_negative = None for i, cur in enumerate(branch_current): if cur > I_th: last_positive = i for i, cur in enumerate(branch_current): if cur < -I_th: first_negative = i break if last_positive is None: return "未发现正向过流，无法定位" if first_negative is not None: return f"最后一个正向过流支路是{line_nodes[last_positive]}，第一个反向过流支路是{line_nodes[first_negative]}，故障在其边界附近" return f"故障位于支路{line_nodes[last_positive]}下游附近"

幅值法只看电流绝对值是否超过阈值，不关心方向。方向法则关注两个关键边界：最靠近电源侧的正向过流支路，和最靠近电源侧的反向过流支路。在故障点处，正向过流支路的下游端与反向过流支路的上游端正好对应故障附近。

从代码可以看出，方向法本质上是对过流信息做了一次“去噪”：即使故障点下游所有支路都有反向电流，只要网络拓扑没有错，最后一个正向和第一个反向之间的边界一定锁定在故障点附近。

3.4 运行与结果输出

下面把三种故障点的情况跑一遍，分别在无DG和有DG两种配置下输出定位结果。运行代码时，我会打印每条支路的电流幅值和方向，方便对照。

# 无DG基线 print("=== 无DG时，故障点在节点3 ===") cur = compute_branch_currents(3, []) for i, c in enumerate(cur): print(f"支路{line_nodes[i]}: 电流={c:.3f}") print("幅值法:", locate_by_magnitude(cur)) print("方向法:", locate_by_direction(cur)) print("\n=== 有DG时，故障点在节点3 ===") cur = compute_branch_currents(3, dg_list) for i, c in enumerate(cur): print(f"支路{line_nodes[i]}: 电流={c:.3f}") print("幅值法:", locate_by_magnitude(cur)) print("方向法:", locate_by_direction(cur))

围绕这个核心代码，你还可以继续扩展可视化。比如用matplotlib画一张支路电流柱状图，正值为正向电流、负值为反向电流，会在图上非常直观地看到“故障点两侧电流方向不同”的分布规律。画图代码如下：

import matplotlib.pyplot as plt node_labels = [f"{u}-{v}" for u, v in line_nodes] plt.figure(figsize=(8, 4)) plt.bar(node_labels, cur, color=['steelblue' if c >= 0 else 'tomato' for c in cur]) plt.axhline(0, color='black', linewidth=0.8) plt.ylabel("故障电流标幺值") plt.title("各支路故障电流分布") plt.grid(axis='y', linestyle='--', alpha=0.6) plt.show()

我实际跑下来，柱状图里最醒目的就是故障点两边一边全是蓝色正向电流、一边全是红色反向电流。这比自己只看干巴巴的数字更容易理解DG的影响机理。

4. 仿真结果：DG对故障定位的影响有多大

4.1 无DG时的基线结果

先看没有DG接入时，故障点设在节点3的情况。我运行上面的代码，得到的支路电流分布非常干净：

幅值法认为故障在支路2-3下游附近，方向法给出同样的结论。这个结果符合传统认知：故障电流从变电站出发，一路经过0-1、1-2、2-3三条支路，到故障点后入地，下游支路完全没有电流。过流区段的边界在2-3和3-4之间，定位清晰。

4.2 有DG后的结果对比

接入配置好的两个DG后，同样在节点3发生三相短路，情况就变了。此时节点3故障，节点6的DG容量大、电流贡献也大，它送出的电流路径是6-5-4-3，依次经过支路5-6、4-5、3-4，方向与参考方向相反。节点3的另一个2000kVA逆变型DG因为正好在故障节点上，其电流直接进故障点，不会流经支路，所以对支路电流分布影响较小。

我把有DG时故障点3的运行结果列在下面：

注意2-3支路的电流从1.0变成了0.97，因为主电源的1.0和节点6DG的0.25在支路2-3上方向相反、部分抵消。但净电流仍然正向，过流阈值I_th设得很低，所以它仍被判定为正向过流。真正的关键变化在3-4、4-5、5-6这三条支路，它们全部出现了方向相反的故障电流。

此时幅值法看到的情况是：所有6条支路电流绝对值都超过阈值，故障点上游有正向过流，故障点下游有反向过流，但幅值法只统计“有没有过流”，它就会输出“所有支路均过流，幅值法无法定位”。这就是DG接入后传统定位算法最典型的表现：过流区段被DG反向电流“拉满”，定位直接失效。

方向法给出的结果则是：最后一个正向过流支路是2-3，第一个反向过流支路是3-4，故障位于这两个支路的边界附近。这实际上就是节点3所在的位置。方向法的定位是正确的，说明在DG接入后，只要定位算法引入方向信息，就能抵抗很大一部分反向电流的干扰。

4.3 影响程度与系统参数的关系

我在项目里还做了参数敏感性分析，调整主电源注入电流和DG容量，观察定位结果怎么变化。当DG电流相对主电源电流足够大时，连上游共同支路都可能被反向电流“反超”，方向法也会失灵。比如主电源注入电流降到0.5，DG注入电流达到0.75，那么支路1-2上的净电流就是0.5减去0.75，结果是-0.25，方向变成反向。此时方向法看到的第一个反向支路变成了1-2，而不是故障点附近的3-4，定位反而被引到上游。

这表明影响程度取决于三个核心因素：DG容量（以及对应的短路电流倍数）、DG接入位置、故障点相对位置。具体规律如下：

• DG在故障点上游，且路径与主电源一致：只会增大故障电流幅值，方向不改变，对定位影响相对小，但过流范围可能扩大。
• DG在故障点下游，并向故障点反向送流：会产生反向过流区段，对幅值法冲击最大，方向法仍能判断。
• DG容量占比越高、主电源短路容量越低：上游共同支路发生电流反转的概率越大，方向法也可能失效。

这三种情况可以用一句话概括：故障点下游的DG才是定位算法的“天敌”。

5. 常见问题与实战排查建议

5.1 仿真中容易踩的坑

这个项目代码量不大，但有几个地方很容易出错，我逐一记录一下。

第一，路径搜索的方向写反。find_path函数返回的序列是电源节点到故障节点，如果我在累加时把a、b顺序搞反，方向符号就会全部出错。建议在代码里先打印一条路径，逐手对照线路参考方向，再继续累加。

第二，标幺换算的单位坑。DG容量是kVA，除以1000才是MVA，再除以基准容量100MVA得到标幺值。如果忘记除1000，注入电流会虚高百倍，定位结果自然完全失真。这个错误非常隐蔽，因为程序不会报错，只会在结果上让你摸不着头脑。

第三，过流阈值设置不合理。I_th设得太大，比如0.5，可能把一些真实的过流支路滤掉；设得太小，比如0.001，又可能把数值噪声放大。建议先看一遍无DG基准结果，让阈值能正确区分“有过流”和“无电流”两种状态。

第四，忽略DG电流限制。逆变型DG自身过流能力有限，代码中k值如果随意取10，结果会夸大到失真。不同DG类型要按实际短路特性取值，同步机取4~8，逆变型取1.2~2是比较合理的区间。

5.2 工程实践中如何削弱DG对定位的影响

从仿真结论出发，工程上至少有四条路可以走。

一是引入方向判据。FTU不仅上报“是否过流”，还上报“过流方向”，定位算法把反向过流单独作为边界条件。这是最直接、成本最低的做法，本项目的方向法已经验证了有效性。

二是动态更新拓扑。DG投切信息要实时同步到故障定位系统。配电网运行方式发生变化后，网络描述矩阵必须重新生成，否则算法基于错误拓扑计算，结果必然出错。

三是按DG类型分别处理。对同步机型DG，短路电流很大，必须纳入故障电流计算；对逆变型DG，虽然短路电流受限，但方向反转仍然存在，不能因为它“电流小”就忽略。

四是对于高渗透率场景，采用更高级的定位手段。比如基于同步相量量测的广域定位，或者行波法定位。这些方法对故障电流方向不敏感，抗分布式电源干扰的能力更强。

5.3 后续可扩展的方向

这个Python仿真框架虽然简单，但扩展性很好。你可以把链式网络换成带有更多分支的典型馈线模型，或者导入真实的配电网拓扑数据，观察更多节点下的定位表现。

更深入一些，可以把三相短路扩展到单相接地故障，重点分析零序电流在DG影响下的变化。也可以把恒定的电流源DG模型换成带内阻抗的电压源模型，用节点阻抗矩阵法重新计算故障电流分布，这样结果更接近工程实际。

我个人在这套仿真里最有价值的收获是理解了“方向反转”这一核心机制。很多关于分布式电源影响配电网保护的论文里反复强调“潮流可能反向”，但只有亲手用代码把每一条DG路径的电流累加到支路电流上，看到那排负数出现在故障点下游支路上，才会真正明白这件事为什么会让传统定位算法失效。建议你在跑完这个项目后，再回头去看相关的保护配置规程，你会发现那些条文背后都是类似的物理过程。

最后再分享一个小技巧：做这类仿真时，一定要先跑通无DG基线，确认定位算法本身没有Bug，再逐步把DG接入进来。每增加一个DG，就打印一次各支路电流的方向，观察哪些支路变化、哪些支路不变。这个习惯能帮你很快定位问题是出在算法逻辑，还是出在DG参数设置上。如果遇到结果不合理的情况，优先怀疑标幺值换算和方向符号，十次里有八次都是这两个地方出问题。