电力系统可靠性评估：停运模型、状态解析法与Monte Carlo仿真实践

简介：《电力系统规划与可靠性：6 电力元件和系统的可靠性模型》PPT是面向电力系统规划与可靠性工程的教学课件，适合电力系统规划人员、可靠性工程师和电气专业学生学习和参考。内容首先介绍可靠性评估的三个层次——发电系统、发输电系统和整体可靠性，分别说明其考虑的设备范围与评估目的；随后系统讲解元件失效模型，涵盖故障率、修复时间等基本参数，并给出我国220kV变压器和架空线路的实际故障率数据，便于结合工程背景理解。课件还详细梳理了独立停运、半强迫停运、计划停运以及共因停运、连锁停运等常见停运模式，并介绍状态解析法、频率持续时间法、Monte Carlo模拟和故障树法等可靠性评估方法，以及部分元件组的可靠性等值建模思路。压缩包内含单个PPT文件（约987KB），结构清晰、重点突出，已有62人学习浏览，适合用于课程复习、培训教学或供电可靠性管理工作的参考资料。

1. 从0.243次故障率说起：这份PPT解决的是“元件→系统”的最后一公里

拿到一份220kV架空线路的可靠性数据，故障率0.243次/(百公里年)，也就是一条50公里的线路平均每年只故障0.12次，看起来低到可以忽略。但大多数可靠性分析翻车恰恰就翻在这种“数字看着很小”的地方：故障率变成不可用率，要过λ和μ；不可用率变成系统状态概率，要过状态枚举；系统概率再变成LOLE、EENS这些指标，还要过频率平衡。这份PPT把中间这段链路讲透了。它围绕元件失效模型、发电/输电/配电三个评估层次、状态解析法与Monte Carlo等五大评估方法展开，适合电网规划、运行方式、可靠性管理岗位的工程师，也适合刚接触可靠性评估的研究生。顺着它的路径走一遍，你就能把“一条线路跳了”这种事故语言，翻译成系统能量化的概率语言。

2. 元件停运模型拆解：独立停运、相关停运与连锁停运的状态空间建模

2.1 可修复强迫停运：两状态模型里的λ、μ与可用率推导

PPT里最基础也最常用的模型，是“运行—停运”两状态循环。元件在运行一段时间后故障，进入停运状态，修复后回到运行状态，如此往复。这里两个核心参数是故障率λ和修复率μ。故障率是单位暴露时间内元件故障的次数，修复率是修复时间的倒数。注意修复时间不是从“发现故障”到“报修完成”的全部时间，而是故障定位、故障矫正和核查三段时间之和，PPT里这句话值得反复读几遍，因为实际统计时最容易把“通知调度”的时间算进去，导致修复率偏小。

两状态模型的状态概率推导很直接。长期运行下，运行状态占比A等于μ/(λ+μ)，停运状态占比U等于λ/(λ+μ)，A加U等于1。这里的A就是可用率，U是不可用率。如果λ是0.243次/(百公里年)，一条50公里的线路换算后λ约等于0.1215次/年，那么平均无故障工作时间MTTF是8.2年；若平均修复时间MTTR是10小时，μ就是876次/年，这样算出来的不可用率U约等于0.000139，也就是一年里大约1.2小时处于停运状态。这个换算过程在工程里极其常见，但单位陷阱也最多，后面避坑章节会专门展开。

这个模型隐含一个假设：修复后元件“如新”，λ不随时间老化。对投入运行不久的设备这基本成立，但对进入磨耗期的老旧设备，λ会随时间上升，两状态模型会低估风险。工程上的处理方式是把设备按年限分段，分别统计λ，而不是强行用一个平均值。

2.2 计划停运与部分失效：多状态模型的工程展开

实际运行中，元件不是只有“运行”和“强迫停运”两个状态，还要考虑计划检修。PPT给出了计划停运元件的独立停运模型，把状态扩展为运行、强迫停运、计划停运三个，对应概率P_o、P_fo和P_pp。推动状态转移的不再只是λ和μ，还有计划停运率λ_p和计划修复率μ_p。这个模型落到工程里的意义在于：N-1校核只考虑强迫停运，但计划检修期间系统抗风险能力是下降的，把计划停运状态显式建模，能算出检修窗口下的真实风险水平。

部分失效模型处理的是“元件还能用，但能力打折”的情况。典型例子是变压器过负荷降额运行，或者双回线路中一回停运后另一回的输送容量受限。模型用全额运行、降额、全额停运三个状态描述，降额状态的故障率λ_d和修复率μ_d单独统计。很多新手容易把降额直接当作全额停运来处理，算出来的失负荷量偏大，规划方案因此过度保守。正确的做法是单独枚举降额状态，在系统状态分析时把可用容量按降额比例折算。

选择多状态还是两状态，取决于评估目的。做长期规划指标，两状态足够；做运行方式校核或高风险场景分析，必须把计划停运和部分失效加进去。这个判断在PPT后面的实例里反复出现，核心思路是一致的：状态分得越细，对数据的精细度要求越高，如果统计不到λ_d和μ_d，宁可用保守估计也不要凭空捏造一个值。

2.3 共因停运与连锁停运：相关性建模的三类场景

独立停运假设元件之间互不影响，但实际电网里相关性停运往往才是大停电的导火索。PPT把相关停运分成三类：共因停运、元件组停运和连锁停运。

共因停运指同一外部原因引起多个元件同时停运，最典型的是同塔双回线路遭雷击后两回同时跳闸。PPT给出了组合模型和分离模型两种处理方式。组合模型把所有状态（两个元件各自运行/停运，再加上共因停运状态）放一起求解，需要列N²+1个方程；分离模型则利用“独立停运和共因停运同时发生的概率可忽略”这个假设，把独立部分和共因部分分开计算，工程实现上简单很多。我一般偏向用分离模型，因为它能直接复用已有的独立停运计算框架，只需要单独叠加一个共因停运状态。

元件组停运是另一种相关性：某个元件失效导致一组元件同时退出。典型场景是变电站终端设备故障，出线断路器跳闸，导致多回出线全部停运。这类模型的关键在于识别“母元件”和“从属元件”的关系，把组停运事件作为一个整体状态枚举，而不是把每条出线当成独立事件分别枚举。

连锁停运则是时间序列上的相关性：第一个元件失效后，潮流转移导致第二个元件过载跳闸，然后第三个跟着跳。PPT里用状态0到状态N的链式模型描述，每个转移率λ1、λ2……依次递增，直观地表达了“越往后越脆弱”的物理过程。连锁停运建模是电力系统可靠性研究里最复杂的部分之一，因为它涉及潮流计算和稳定分析，不是单纯的概率模型能覆盖的。

2.4 工程实例等值：双回线、风电场与HVDC子系统的模型化

PPT的实例章节给出了几个非常值得抄作业的等值思路。双回输电线路分同塔和不同塔两种：不同塔的双回线可以近似为两个独立元件；同塔双回则必须引入共因停运状态，等值成一个多状态元件。这个“等值”的思路贯穿整个PPT：先把局部系统简化成一个超级元件，再放到全局系统里参与枚举或模拟。

多台机组的电厂等值模型，本质是把多台发电机的状态组合成一个容量停运表。N台相同机组，停运k台的概率服从二项分布，这就是电厂容量概率表的基本来源，也是后面状态解析法里枚举系统状态的基础输入。风电场模型更复杂一些，因为出力随风速变化，每个风速段对应一个出力状态，本质上是一个多状态降额模型的扩展，用状态聚合的方式把连续的风速离散成若干出力档位。

HVDC系统的换流变子系统和交流滤波器子系统，是“把子系统当成超级元件”的典型场景。换流变是直流输电的核心设备，故障影响范围大，需要单独建模；交流滤波器组结构复杂，但功能相对单一，可以等值成可修复的多状态元件。处理这种复杂子系统时，我常用的策略是先用状态空间法算出子系统本身的可用率，再把这个可用率作为单台“元件”的参数放进输电网评估模型。这样既保证了局部模型的精度，又不至于让全局状态数爆炸。

3. 状态解析法落地：四步迭代、频率计算与一个两元件系统算例

3.1 四步迭代与状态概率计算：把枚举公式写成代码

状态解析法的核心是状态枚举。PPT给出的四步流程是：枚举产生一个系统状态，分析该状态是否为失效状态，计算失效状态的可靠性指标，最后累计指标。这四步里，第一步枚举和第三步计算是纯数学工作，可以用代码固化下来；第二步状态分析则要接入潮流计算或最小切负荷模型，属于确定性分析范畴。

枚举所有状态时，最关键的计算是状态概率。某个系统状态的概率公式是：所有停运元件的不可能率U相乘，乘以所有运行元件的可用率A相乘。写成代码就是遍历所有状态组合，逐项累乘。

def enum_states(u_list, a_list): """枚举所有系统状态并计算概率 u_list: 每个元件的不可用率列表, 如 [0.001, 0.002] a_list: 每个元件的可用率列表, 与 u_list 一一对应 返回: [(状态掩码, 状态概率), ...] """ n = len(u_list) states = [] for mask in range(1 << n): # 二进制掩码, 0 表示运行, 1 表示停运 prob = 1.0 for i in range(n): if (mask >> i) & 1: prob *= u_list[i] # 停运元件乘 U else: prob *= a_list[i] # 运行元件乘 A states.append((mask, prob)) return states

这段代码里，mask的每一位代表一个元件的状态。range(1 << n)枚举了所有2的n次方种组合，顺序从全运行到全停运。概率累乘的顺序不影响结果，但建议固定顺序，方便后续把mask映射到具体的元件状态向量。u_list和a_list必须长度一致，且满足第i个元件的A_i加U_i等于1。如果某个元件有多个停运状态（降额、计划停运），可以先把多状态聚合成等效的两状态参数，再进入这个枚举函数，否则需要自行扩展概率计算公式。

3.2 频率、失电量与系统指标：求和逻辑与公式含义

状态概率算出来后，下一步是计算状态频率。PPT给出了频率计算公式：某状态的频率等于该状态概率乘以从该状态出发的所有转移率之和。这里要注意，频率不是“该状态出现的概率”，而是“单位时间内进出该状态的期望次数”，它等于概率乘以转移率，但转移率是离开该状态的λ或μ之和。工程上常犯的错误是把频率直接当成概率来用，导致指标结果对不上。

失电量指标的计算更直接：某个失效状态失电量等于该状态概率乘以失负荷量。把所有失效状态的概率乘以对应失负荷量再求和，就是期望缺供电量EENS；把所有失效状态的概率直接求和，就是失负荷概率LOLP；再乘以时间长度，就是失负荷期望LOLE。把指标计算封装成函数，就能复用同一套枚举框架。

def system_indicators(states, loss_list): """根据状态概率和失负荷量计算系统级指标 states: enum_states 返回的状态列表 loss_list: 每个状态对应的失负荷量, 与 states 顺序一致 返回: (lolp, eens_per_hour) """ lolp = 0.0 # 失负荷概率 eens = 0.0 # 期望缺供电量 for (mask, prob), loss in zip(states, loss_list): if loss > 0: lolp += prob # 所有失负荷状态概率求和 eens += prob * loss # 概率乘失负荷量求和 return lolp, eens

loss_list需要由状态分析步骤得出，也就是把mask代表的元件停运组合代入潮流计算或容量充裕性判断，算出该状态下系统缺少多少电力。对纯发电系统，loss就是“系统可用发电容量减去负荷”；对发输电系统，则要过网架约束，判断是否出现线路过载或节点失电。这套接口设计的好处是：把概率计算与状态分析解耦，枚举部分保持稳定，状态分析可以按系统复杂度自由替换。

3.3 两元件手算算例：单位换算与维数灾的直观感受

为了验证代码正确性，我习惯先用两元件系统手算一遍。假设两台发电机，每台的λ是0.1次/年，平均修复时间MTTR是10小时。先把μ换算成年单位：μ等于8760除以10，等于876次/年。那么每台机组的U等于λ除以(λ+μ)，约等于0.000114；A约等于0.999886。

枚举四个状态：全运行概率A×A约0.999772；1号停运、2号运行概率U×A约0.000114；2号停运、1号运行也是0.000114；双机全停概率U×U约1.3e-8。如果负荷是单机容量，那么后三个状态都是失负荷状态，LOLP约等于0.000228，EENS按单位容量折算成小时数大约是每年2小时。这个数用手算能复现，就可以把同样的参数喂给enum_states函数，对比输出结果。两元件系统手算一遍的另一个收获，是直观感受状态数增长的速度：5个元件是32种状态，10个元件是1024种，20个元件就超过一百万种。PPT里“维数灾”三个字，就是对这个问题的直接警告，这也是为什么工程上要做状态筛选、截断，或者直接转向Monte Carlo模拟。

4. 从解析法到Monte Carlo：可靠性评估方法的适用边界与选型

4.1 五类方法的原理与对比表

PPT列举了五类评估方法：状态解析法、频率持续时间法、非时序Monte Carlo模拟、时序Monte Carlo模拟、故障树法。这五类方法不是竞争关系，而是适用于不同场景的工具组合。

状态解析法的优势是物理概念清楚、模型精度高，但计算量随系统规模指数增长，适合元件数不多、对精度要求高的场合。频率持续时间法（FD法）把状态空间法求得的长期概率和频率结合，直接计算可靠性指标的长期期望值，计算效率比全状态枚举高，适合做年度或更长周期的指标评估，但它丢失了事件发生的先后次序信息，没法处理时序相关的策略。非时序Monte Carlo模拟通过大量随机抽样系统状态，再用统计方法估计指标，收敛速度与系统维度无关，适合大规模发输电系统，但小概率事件的估计需要大量抽样，否则方差很大。时序Monte Carlo模拟则按时间顺序模拟元件的运行-停运-修复过程，能自然处理检修计划、天气变化这类时序因素，代价是计算量更大。故障树法从顶事件向下逐层分解故障原因，适合故障逻辑清晰、层次分明的系统，比如核电站安全系统、变电站保护配置这类场景。

4.2 用序贯Monte Carlo模拟两机系统：事件步进法代码

时序Monte Carlo的关键是生成元件的运行-停运序列。常见做法是事件步进法：每次采样当前状态的持续时间，状态切换后继续采样，直到模拟周期结束。以两机系统为例，代码可以写成这样。

import numpy as np def simulate_gen(lambda_h, mu_h, t_max, rng): """模拟单台发电机在 [0, t_max] 小时内的状态序列 lambda_h: 小时故障率, 由年故障率除以 8760 得到 mu_h: 小时修复率, 等于 1 / 平均修复小时数 返回: 每个时间点的累计停运时长(小时) """ t = 0.0 is_up = True down_time = 0.0 last_switch = 0.0 while t < t_max: rate = lambda_h if is_up else mu_h # 当前状态的转移率 t += rng.exponential(1.0 / rate) # 采样本状态持续时间 if t > t_max: t = t_max break if not is_up: down_time += t - last_switch # 累计停运时长 is_up = not is_up # 切换状态 last_switch = t if not is_up: down_time += t_max - last_switch # 末尾如果处于停运, 补算剩余时长 return down_time rng = np.random.default_rng(42) t_max = 8760 * 10 # 模拟10年 lambda_h = 0.1 / 8760 mu_h = 1 / 10.0 # 平均修复10小时 down_1 = simulate_gen(lambda_h, mu_h, t_max, rng) down_2 = simulate_gen(lambda_h, mu_h, t_max, rng) unavail_1 = down_1 / t_max unavail_2 = down_2 / t_max print(f"1号机组不可用率: {unavail_1:.6f}") print(f"2号机组不可用率: {unavail_2:.6f}")

这段代码的边界条件值得细看。rate只在状态切换时更新，采样时间是按指数分布生成的，这符合“元件失效率恒定”的假设。down_time的累计逻辑分成两段：状态切换时累计上一段停运时长，循环结束后检查最后状态是否为停运，补算剩余时长。这样即使模拟结束落在停运区间，也不会丢失统计量。rng的种子固定为42，保证每次运行结果可复现，这是工程评审时非常重要的一个习惯，否则换个机器跑一遍结果变了，很难解释是代码问题还是抽样随机性导致。

4.3 工程选型判断：什么时候解析法够用，什么时候必须上模拟

我参与过的项目里，选型判断经常被简化成一句话：系统规模小、元件数少、指标精度要求高，用解析法；系统规模大、需要处理时序逻辑、或者解析法枚举状态不现实，用Monte Carlo。这个判断方向大体正确，但有两个容易被忽略的细节。

第一个细节是“小概率高风险事件”的评估。解析法枚举所有状态时，那些概率极低的连锁故障状态很容易在截断时被丢掉，但这类状态一旦发生，后果往往是灾难性的。非时序Monte Carlo对这类事件的估计需要极多样本，否则方差大到无法使用。工程实践里常用重要抽样法：对高风险的故障状态人为提高抽样概率，最后再乘以修正系数还原真实概率。这个技巧在PPT里没有展开，但它是Monte Carlo类方法真正的进阶门槛。

第二个细节是评估周期与数据粒度。状态解析法和FD法输出的是长期平均期望，要求输入参数也是长期稳定的平均值；如果有明确的检修计划、气象条件变化、负荷曲线波动，时序Monte Carlo才能把这些时变因素带进去。反过来，如果只有年故障次数和平均修复时间这类数据，强行上时序模拟也不会让结果更准，反而可能因为数据粒度不匹配引入额外的误差。我的原则是：数据能支撑多细，模型就用多细；数据只有平均值，就老老实实用解析法。

5. 避坑：从PPT模型到工程代码的五个常见翻车点

5.1 故障率单位不统一：可用率算出来超过1

现象：用PPT里的两状态模型计算元件不可用率，结果跟厂家给的指标差了一个数量级，甚至算出来的可用率大于1。

原因：这是最常见的翻车点。故障率的统计口径可能是次/(百台年)、次/(百公里年)或者次/年。PPT里的220kV变压器故障率是1.68次/(百台年)，直接把它当次/年代入公式，数值就缩小了100倍；220kV架空线路的0.243次/(百公里年)同理。修复率的单位也容易错，平均修复时间用小时，修复率要换算成年或反过来，λ和μ在同一个公式里必须采用相同的时间基准。

解决：所有参数统一换算成“次/年”和“年”再代入。换算公式很简单：λ_元件年 = λ_统计口径 × (元件实际长度或台数) / 统计基准。修复率μ = 8760 / MTTR(小时)。每次算完U = λ / (λ + μ)之后，顺手验证一下U是否远小于1，如果U大于0.1，大概率是单位换算出了问题。

5.2 把不可修复失效套进可修复模型

现象：断路器拒动、保护误动这类失效，直接用两状态模型算不可用率，得到的结果与事故统计数据对不上。

原因：可修复强迫停运模型描述的是“故障—修复—再故障”的循环过程，修复率μ必须是一个现实的有限值。但断路器拒动是“一次性”事件：它发生后，保护系统可能根本没有机会在评估周期内把它修复回来继续统计，这类失效更接近不可修复或极长修复时间的情况。强行套用λ/(λ+μ)模型，相当于人为设定了一个修复率，把拒动风险稀释掉了。

解决：对不可修复失效单独建模。工程上常用概率事件来描述它：某个状态下元件以固定概率拒绝动作，这个概率直接作为修正系数叠加到系统状态概率上。比如一台断路器拒动概率是0.001，那么包含该断路器动作逻辑的系统失效概率要乘以修正因子，而不是把拒动率当成λ放进两状态模型。处理这类问题时先问一句：这个元件失效后，系统会在合理时间内把它修回来吗？如果不会，就不要用可修复模型。

5.3 共因停运被当成独立事件分别枚举

现象：同塔双回线路的可靠性评估结果，比实际运行统计的故障次数明显偏小，台风或雷雨天气下差距更明显。

原因：把两条线路当作独立元件分别枚举，相当于假设两回线同时跳闸的概率是两个独立事件概率的乘积。但同塔双回线有共同的物理支撑结构和走廊环境，一次雷击或外力破坏会同时导致两回线跳闸，这个联合概率远比独立事件的乘积大得多。

解决：把同塔双回线作为一个复合元件处理，显式添加共因停运状态。工程实现上可以在枚举函数里新增一个“组停运”维度：正常运行、独立停运、共因停运，分别对应不同的转移率。如果采用PPT里的分离模型，则分别计算独立停运部分的指标和共因停运部分的指标，最后合并。从治理角度看，更稳妥的做法是设计阶段避免同塔双回，或者至少配置快速重合闸和备自投，降低共因停运的实际影响，但这是规划问题了，可靠性模型的作用是先把风险的量级算准。

5.4 计划停运与强迫停运的时间耦合被忽略

现象：N-1校验结果显示系统完全满足安全准则，但实际运行中在某个检修窗口内发生了负荷损失，事后分析发现单台变压器计划检修期间，另一回线路刚好故障跳闸。

原因：N-1准则只考虑单一强迫停运，没有把计划检修造成的“系统元件已退出”状态叠加进去。从概率模型上看，如果只建强迫停运两状态模型，计划检修期间的风险根本不会出现在评估结果里。

解决：对关键检修窗口做N-1-1校核，即一个元件计划检修、另一个元件强迫停运的场景。用PPT里的计划停运三状态模型，把计划停运率λ_p和计划修复率μ_p纳入状态枚举，计算出检修窗口下的失效概率。实操中，调度部门排检修计划时，应该把“检修期间系统是否仍满足N-1”作为硬约束，而不是只凭经验避开高峰负荷。

5.5 状态枚举截断阈值拍脑袋定

现象：用状态解析法评估一个20元件的系统，为了控制计算量只枚举了前1000个状态，结果LOLP比Monte Carlo模拟的估计值偏小20%以上。

原因：状态枚举按“概率降序”排列时，确实能覆盖大部分概率质量，但截断点设在哪里，直接影响指标精度。如果只固定枚举数量而不看累计概率覆盖率，很可能把一些概率不高但失负荷量很大的状态截掉了。尤其在重负荷场景下，高失负荷状态不一定对应高概率状态。

解决：枚举时按概率排序，动态截断，以累计概率覆盖率为准。比如枚举到累计概率超过99.5%才停止，对剩下的未枚举状态采用上限估算或直接用Monte Carlo补算。代码实现上，可以在第3章的enum_states函数返回后对状态按概率降序排序，再循环累加概率直到达到阈值。评估报告中要明确写出截断阈值和对应的覆盖率，否则评审专家没法判断指标的可信度。

6. 用频率平衡法做模型自检：状态概率归一性验证与Benchmark测试

任何可靠性评估代码写完，第一步不是跑系统，而是做归一性验证。把所有枚举状态的概率求和，必须严格等于1。这一步能暴露单位换算错误、状态遗漏、概率公式写错等一大半问题。代码实现很简单：对第3章的enum_states返回结果，循环累加所有prob即可。如果求和不等于1，逐个检查元件参数是否满足A加U等于1。

第二步是拿两状态模型的解析解当benchmark。单元件系统有闭式解：U等于λ除以(λ加μ)。把任意一组λ、μ喂进枚举函数，输出的全停运状态概率必须等于这个值。这个测试用例价值极高，因为两状态模型的解析解和枚举计算是两条完全独立的路径，对上了说明枚举逻辑没问题。更完整的做法是把两元件串并联系统的解析解也放进去，比如两元件并联系统全停运概率等于U1乘U2，直接把两个不可用率相乘就能验证枚举的联合概率计算。

第三步是频率指标的交叉验证。PPT明确提到状态空间法可用频率平衡法求解，这给了一个很好的自检手段：对任意状态，流入该状态的频率之和必须等于流出该状态的频率之和。工程里我通常写一个简短的校验函数，遍历所有状态对，统计净流量，如果净流量不接近零，说明转移率矩阵构造有误。这个方法在状态数少时是绝佳的debug工具，状态多了以后建议改为随机抽几个状态做抽查，或者对关键高风险状态专项校验。

从那以后，我每次拿到一套新的元件可靠性数据，都会强制走一遍“归一性检查→解析解对照→频率平衡校验”这三步，全部通过后才敢把结果放进规划报告。这套流程看起来很基础，可就是这些基础关卡，帮我挡住了不知多少回因单位换算、状态遗漏带来的返工。希望这套验证习惯对你也有用。

本文还有配套的精品资源，点击获取