简介：这份rar压缩包面向电力系统可靠性研究人员与配电网运维工程师，围绕配电网可靠性评估与ARMA预测建模问题，提供基于MATLAB的源码实现。包内总共只有1个MATLAB脚本文件，压缩包约4KB，核心代码可用于配电网可靠性指标计算（如可用度、可靠度、期望寿命）、ARMA模型参数估计、未来故障率预测等任务，适合作为配电网可靠性分析的基础工具。已有141人学习下载，代码结构清晰，便于读者结合配电网负荷、故障等时间序列数据直接运行与二次开发，理解从可靠性建模到预测决策的完整流程。通过运行和调试该源码，可深入掌握MTBF、MTTR等可靠性指标的计算方法，以及ARMA模型在电网故障预测中的实际应用思路，为制定预防性维护策略和资源分配方案提供量化依据。
1. 配电网可靠性预测为什么绕不开 ARMA：先搞清楚这个 rar 里到底在算什么
假设你手里有一份配电网过去几年的停电记录，领导让你预测未来半年的 SAIDI 或 SAIFI，用来排检修计划。很多人第一反应是上机器学习模型，但样本量往往只有几十个、上百个点，数据还带着明显的自相关和季节性，这时候 ARMA 这类经典时序模型反而比复杂模型更稳。标题里的“Reliability_配电网可靠性_配电网_ARMA预测_电网可靠性_电网模型预测_源码.rar”，核心就是把配电网可靠性指标变成时间序列，用 ARMA 做短期预测，再把预测结果喂给电网可靠性评估模型。适合配电网规划、运检、可靠性管理人员，以及在做电网模型预测方向的研究生。需要先说清楚：ARMA 不是黑匣子，用不好第一步就会翻车。
2. 配电网可靠性指标和 ARMA 预测的适配关系：先把口径和数据结构对齐
2.1 可靠性指标先对齐：SAIDI、SAIFI、CAIDI 和故障率
配电网可靠性不是一个单点概念。实际工程里常见的指标有：系统平均停电持续时间指标（SAIDI，单位是分钟/户·年）、系统平均停电频率指标（SAIFI，单位是次/户·年），以及用户平均停电持续时间指标（CAIDI，等于 SAIDI 除以 SAIFI）。做时序预测之前，必须先确定你预测的是哪条序列。常见做法是把 SAIDI 或 SAIFI 按年、按季度、甚至按月聚合成等间隔序列。如果是“年”数据，通常只有十几个点，ARMA 勉强能跑，但参数估计方差会很大；如果原始数据是每一次停电事件，那得先按时间窗口聚合，不然序列是稀疏事件计数，ARMA 根本没有用武之地。
除了指标本身，统计口径更要命。有的地区把“停电”定义为用户停电，有的定义为线路停电；有的只统计故障停电，有的把计划停电也纳进去。口径不统一会造成序列断点、阶跃，后面的差分和定阶全乱套。我拿到这类源码包时，第一步不是看模型，而是看数据清洗脚本里有没有统一的停电分类映射表。如果没有，宁可自己重写一段，也别直接用现成的聚合结果。这是整个方案里最不值得省的时间。
2.2 ARMA 能预测什么：自相关结构、平稳性和随机扰动
ARMA 是自回归移动平均模型，它假设当前值由过去的自身值（AR 部分）和过去的随机误差（MA 部分）线性组合决定。配电网可靠性序列受设备老化、天气、检修策略影响，ARMA 能抓住的是“惯性”：如果今年停电多，明年也可能多，这是 AR 部分在起作用；一些突发扰动（比如某条馈线雷击跳闸）的影响会随月份衰减，这是 MA 部分在起作用。
但 ARMA 有一个硬前提：序列平稳，也就是均值、方差在不同时间区间保持稳定。配电网的可靠性序列往往不满足：供电可靠性随着网架改造逐年上升，均值在漂移；停电事件方差也随季节变化。所以源码里通常要先做差分，把趋势去掉，得到平稳序列后再套 ARMA。这就是 ARIMA（带差分项的 ARMA）做的事。很多源码包命名为 ARMA，其实内部会在平稳化时自动做 d 阶差分，本质上已经在跑 ARIMA。
2.3 源码包里常见的四个模块：数据清洗、平稳化、定阶、回验
我看过不少“配电网可靠性 ARMA 预测”的源码包，结构上大同小异。一般有一个数据预处理脚本，把 Excel 或 CSV 里的停电记录聚合成时间序列，做缺失值处理；然后是一个平稳化模块，用 ADF 检验判断是否平稳；接着是定阶模块，画 ACF/PACF 图或者用 AIC/BIC 遍历 p、q；最后是预测和回验模块，把历史数据切成训练集和测试集，算 RMSE 或 MAPE。这个套路足够应付绝大多数场景。
值得留意的是，源码里真正的“电网模型预测”往往不是用 ARMA 直接预测每个用户可靠性，而是预测馈线或母线级别的停电频率、故障率，再代入可靠性评估公式（最小割集法、故障模式影响分析法）算出系统级 SAIDI。也就是说，ARMA 是上游输入，下游才是电网可靠性模型。所以你看源码时要分清预测对象是统计指标还是物理模型参数，两者的数据要求完全不同。我一般建议先跑通最小的“数据→ARMA→回验”闭环，再决定要不要接评估模型。
2.4 数据点太少怎么办：年度序列改成月度序列，但小心季节性
这是很多新手上手才会遇到的坑。如果只有 10 年年度数据，总共 10 个点，ARMA 的 p+q 不可能超过 2，否则参数估计方差大到没法看。改成月度序列后，10 年有 120 个点，可以尝试 ARMA(2,2)，模型空间大了很多。但月度数据会引入季节性——每年夏季台风多发，7、8 月的 SAIDI 明显偏高。这时候纯 ARMA 会漏掉周期信息，需要先用季节差分，或者直接上 SARIMA。
数据清洗这一步可以直接用代码跑出来。下面这段是我处理停电记录时的最小聚合逻辑：
import pandas as pd # 原始停电记录：每一行是一次停电事件，含开始时间、结束时间和停电类型 df = pd.read_csv('outage_records.csv', parse_dates=['start_time', 'end_time']) df['outage_duration_min'] = (df['end_time'] - df['start_time']).dt.total_seconds() / 60.0 # 只保留故障停电，排除计划停电，保证口径一致 fault_df = df[df['outage_type'] == 'fault'].copy() # 假设系统总用户数为 total_users，来自可靠性统计年报 total_users = 50000 # 按月份聚合，计算月度 SAIDI 和 SAIFI fault_df['month'] = fault_df['start_time'].dt.to_period('M') saidi_monthly = (fault_df['outage_duration_min'] * fault_df['affected_users']) \ .groupby(fault_df['month']).sum() / total_users saifi_monthly = fault_df['affected_users'].groupby(fault_df['month']).sum() / total_users逻辑说明：outage_type字段需要你根据手里的数据字典确认，不是每个系统都叫这个名字；affected_users是每次停电的受影响户数。聚合到月之后，saidi_monthly就是一条以月份为索引的等间隔序列。参数说明：total_users要取统计期内固定的系统用户数，如果用户数逐年变化，最好用当年平均值，否则 SAIDI 序列会有虚假的下降趋势。
3. 用 Python 跑通 ARMA 预测的源码：环境、平稳化、定阶和滚动预测
3.1 最小复现环境：pandas + statsmodels + matplotlib
不需要深度学习框架，也不需要 GPU。建议用 Python 3.9 以上，安装 pandas、numpy、statsmodels、matplotlib。statsmodels 的ARIMA类封装了差分、拟合和预测，比自己手写 ARMA 公式方便得多。环境装好后，第一步不是直接跑模型，而是检查版本：statsmodels 0.13 以后接口有变化，旧接口statsmodels.tsa.arima_model.ARIMA已经移除，要改成statsmodels.tsa.arima.model.ARIMA。很多从老源码包里复现的报错，都是这个问题。
建议用虚拟环境管理依赖，requirements.txt 里锁死版本。我习惯这样写：
pandas>=1.5,<2.0 numpy>=1.23,<2.0 statsmodels>=0.13,<0.15 matplotlib>=3.6 scipy>=1.9版本范围是一种妥协：pandas 2.0 以后部分 API 行为变了，statsmodels 0.15 又调整了一些默认值，锁得太死影响兼容，不锁又容易出莫名问题。
3.2 从原始序列到平稳序列：ADF 检验和差分
拿到saidi_monthly后，先画时序图，观察有没有趋势和季节性，然后做 ADF 检验。原假设是“序列非平稳”，所以 p 值小于 0.05 才说明序列平稳。配电网可靠性序列大多是非平稳的，需要差分。
import pandas as pd from statsmodels.tsa.stattools import adfuller # 读入上一章聚合好的月度 SAIDI 序列 y = saidi_monthly.astype(float).dropna() # 原始序列的 ADF 检验 result = adfuller(y) print('ADF p-value:', result[1]) if result[1] > 0.05: print('序列非平稳，需要差分') # 一阶差分后的 ADF 检验 y_diff = y.diff().dropna() result_diff = adfuller(y_diff) print('ADF p-value after diff:', result_diff[1])逻辑说明：如果差分后 p 值仍大于 0.05，可以尝试二阶差分，或者先对序列做对数变换再差分。配电网 SAIDI 可能有极端值（比如台风月），对数变换能压低方差。参数说明：adfuller默认自动选择滞后阶数，一般不用改；如果 p 值在 0.05 附近，建议再用 KPSS 检验交叉验证，两个检验结论不一致时，优先考虑序列里可能有结构突变。
3.3 定阶：ACF/PACF 和 AIC 网格搜索
定阶有两种常见做法。第一种是看 ACF 和 PACF 图：PACF 在 lag k 处截尾，说明 AR 阶数为 k；ACF 在 lag k 处截尾，说明 MA 阶数为 k。但实际数据往往不典型，拖尾截尾不明显。所以更省事的做法是用 AIC/BIC 网格搜索，遍历 p、q 取最小信息量准则值。
import itertools import statsmodels.api as sm from statsmodels.tsa.arima.model import ARIMA import pandas as pd # 这里的 y 是历史 SAIDI 序列，已经确定差分阶数 d=1 best_aic = float('inf') best_order = None best_model = None for p in range(0, 4): for q in range(0, 4): if p + q == 0: continue try: model = ARIMA(y, order=(p, 1, q)).fit() if model.aic < best_aic: best_aic = model.aic best_order = (p, 1, q) best_model = model except Exception: # 某些参数组合会导致协方差矩阵奇异，直接跳过 pass print('Best AIC:', round(best_aic, 2), 'Order:', best_order) # 可以同时看 BIC，避免选出过复杂模型 print('Best model BIC:', round(best_model.bic, 2))逻辑说明：网格范围 p、q 一般取 0 到 3，p+q 不超过 3 或 4 比较稳妥。配电网可靠性数据噪声大、样本量有限，高阶模型会把噪声当信号学进去。参数说明：order=(p, d, q)里 d 是差分阶数，前面检验后确定为 1，这里固定传 1。AIC 适合模型对比，但只对同一段训练数据有效；如果换了数据区间，AIC 不能跨区间比较。
3.4 滚动预测和回验：别一次性前向预测糊弄自己
不少源码包展示效果时，用前 80% 数据训练、后 20% 数据一次性预测，画出来的曲线难看，然后怪模型不行。实际工程里更接近的操作是滚动预测：每次只预测一步，把真实值加入历史，然后重新拟合。配电网可靠性预测通常关心未来 3 到 12 个月，所以训练集从起点到当前月，预测下个月，再把真实值滚进历史。
import numpy as np from statsmodels.tsa.arima.model import ARIMA # 假设 y 是已经排好序的月度 SAIDI y_list = y.reset_index(drop=True) n_total = len(y_list) n_test = 12 # 预测最后 12 个月作为回验 history = list(y_list.iloc[:n_total - n_test]) predictions = [] for t in range(n_total - n_test, n_total): # 每次都用当前全部历史重新拟合 model = ARIMA(history, order=best_order).fit() pred = model.forecast(steps=1) predictions.append(pred.iloc[0]) # 滚动：真实值进入历史，不用预测值填充 history.append(y_list.iloc[t]) actual = y_list.iloc[-n_test:].values rmse = np.sqrt(np.mean((actual - np.array(predictions)) ** 2)) mape = np.mean(np.abs((actual - np.array(predictions)) / actual)) * 100 print('RMSE:', round(rmse, 3)) print('MAPE:', round(mape, 2), '%')逻辑说明：history存的是原始值，ARIMA 内部会自动做差分，不要把差分后的序列填进 history，否则预测的是差分值的未来，而不是 SAIDI 本身。参数说明：steps=1表示一步预测，如果要一次性预测未来 12 个月，直接model.forecast(steps=12)，但那样误差会随步长增大，滚动回验的意义就在于模拟真实的月度更新节奏。MAPE 对接近 0 的真实值很敏感，某些月份 SAIDI 可能接近 0，MAPE 会爆炸，所以同时看 RMSE。
4. 电网模型预测的正确打开方式：把 ARMA 预测结果接回可靠性评估流程
4.1 先搞清楚预测对象：是故障率、修复时间还是系统指标
很多来搜这个标题的人，是想“预测电网可靠性”，但电网可靠性评估本身是物理模型问题：已知元件故障率和修复时间，可以用解析法或蒙特卡洛法计算 SAIDI、SAIFI。ARMA 在这里的价值不是替代电网模型，而是给模型提供输入——预测未来一段时间内各元件的故障率、平均修复时间。如果直接用 ARMA 预测系统 SAIDI，那是把电网模型当成黑匣子，模型预测结果和实际电网运行机制脱节，一旦网架拓扑变化，预测就完全失效。
我建议源码包里保留两条路径：路径 A 直接预测指标，适合快速汇报；路径 B 预测元件故障率序列，再用可靠性评估公式合成系统指标。路径 B 对电网拓扑变化更敏感，比如新投一条线路、加一个联络开关，故障率合成关系会变，但 ARMA 预测的元件级序列仍然可用。路径 A 一旦遇到拓扑变化，历史统计指标本身就不可比，模型输出自然是错的。
4.2 把故障率预测结果转成 SAIDI 的最小示例
用一个简单串联系统举例：一条馈线由若干元件构成，系统故障率近似等于各元件故障率之和，系统平均修复时间按故障率加权。如果 ARMA 预测了每个元件的月度故障率，就可以写一个转换函数。
import numpy as np import pandas as pd # 三个元件的月度故障率预测（来自 ARMA 点预测） lambda_pred = pd.DataFrame({ 'line_1': [0.12, 0.10, 0.11], 'line_2': [0.08, 0.07, 0.09], 'transformer': [0.02, 0.02, 0.03] }, index=['2025-01', '2025-02', '2025-03']) # 平均修复时间，单位：小时/次 r_hours = {'line_1': 2.5, 'line_2': 3.0, 'transformer': 8.0} # 串联模型：系统故障率=元件故障率之和；系统修复时间=故障率加权平均 lambda_sys = lambda_pred.sum(axis=1) r_sys = sum(lambda_pred[col] * r_hours[col] for col in lambda_pred.columns) / lambda_sys # 简化假设：每条馈线带 800 户，计算系统月 SAIDI（小时/户·月） customers_per_feeder = 800 monthly_energy_not_supplied = lambda_sys * r_sys * customers_per_feeder saidi_hours = monthly_energy_not_supplied / customers_per_feeder print(pd.DataFrame({'lambda_sys': lambda_sys, 'r_sys': r_sys, 'saidi_hours_month': saidi_hours}))逻辑说明：这个示例用串联可靠性模型，把元件故障率预测合成到系统级指标。实际配电网是网状结构，有分段开关、联络开关、备用容量，直接串联会高估故障后果。但作为跑通“ARMA→可靠性指标”的闭环，这个转换足以说明问题。参数说明：r_hours应该来自历史故障修复时间的统计均值，不要用设备铭牌值或厂家理论值，因为配电网故障修复受交通、备件、自动化水平影响。如果源码里只有这个简单转换，对于复杂网络就不够用了。
4.3 协变量要不要进模型：气象、负荷、检修计划
配电网可靠性受台风、暴雨、高温影响很大。ARMA 本身没有外生变量接口，ARMAX 才有。statsmodels 的ARIMA类支持exog参数，可以把月降雨量、台风天数作为协变量加入。但我不建议一上来就加协变量，原因很实际：协变量需要未来值才能预测未来，而气象预报本身就有不确定性；如果协变量数据不可得，或者存在缺失，模型输出反而更不可信。
如果确实要用，下面是最小示例：
from statsmodels.tsa.arima.model import ARIMA import pandas as pd # y_saidi 是月度 SAIDI，rainfall 是同期月降雨量，rainfall_future 是未来三个月气象预报值 model_exog = ARIMA(y_saidi, order=(1, 1, 1), exog=rainfall).fit() pred_exog = model_exog.forecast(steps=3, exog=rainfall_future) print(pred_exog)逻辑说明：exog矩阵的行数必须和内生变量y_saidi对齐；预测时，exog未来值必须给全，否则报错。参数说明：这里的rainfall可以是月累计降雨量，也可以是超过某个阈值的强降雨天数。注意：如果未来降雨量本身是预报值，那么预测结果的置信区间应该更宽，实际使用时要提醒领导这是“基于预报的预测”，不是精确结果。
4.4 验证预测结果是不是真的能指导运维
最后要回答一个现实问题：预测出来的下个月 SAIDI 上升 20%，你拿它做什么？如果是安排配网巡检计划，可能需要进一步把系统级预测分解到馈线级，找出是哪几条线路故障率上升。ARMA 预测的是整体序列，不提供空间分布，所以源码包里一般还会做聚类或按历史故障占比分解，把系统级预测拆到线路级。
这一步容易做成“看着合理但没法落地”，因为没有标准分解答案。我的经验是：先用系统级预测跑几个月，记录预测值和实际值的偏差，观察分解误差是否稳定，再决定要不要用分解结果指导运维。刚开始就追求馈线级精度，大概率会翻车，因为馈线级故障率序列更稀疏、更不平稳。
5. ARMA 预测配电网可靠性的 5 个常见坑：现象、原因和排查清单
5.1 坑一：直接把 SAIDI 原始序列建模，非平稳导致预测漂移
现象：模型拟合得很好，AIC 很低，但预测未来 6 个月全是直线或者持续上升，和实际走势完全不符。
原因：SAIDI 序列通常有下降趋势——网架改造、运维水平提升让停电时间逐年减少。非平稳序列的均值在变化，ARMA 把趋势当成均值回归的一部分，预测时会把趋势无限延伸，或者直接回归到一个不存在的均值。
解决：先做 ADF 检验，d 至少取 1。如果序列取对数后更平稳，先取 log 再差分。我踩过的坑是只看拟合阶段 R²，非平稳序列的拟合误差本来就小，真正判断标准是滚动预测的 RMSE。排查的时候，画出训练集尾部 20 个点和预测曲线的连接图，如果预测直接冲向某个水平线，先检查平稳化步骤。
5.2 坑二：AIC 网格搜索选出的最复杂模型并不抗噪
现象：网格搜索找到 ARMA(3,3)，滚动预测误差反而比 ARMA(1,1) 大很多。
原因：配电网可靠性数据噪声大、样本量有限，高阶模型把随机波动当成了可预测的信号，拟合阶段表现好，预测阶段完全失灵。
解决：限制 p+q 不超过 3，或者用 BIC 作为选择标准，BIC 对参数数量惩罚更重。我一般遇到 120 个数据点时，最多试 p、q 取 0 到 2；如果只有 36 个点，干脆用 ARMA(1,1) 或指数平滑，别折腾高阶模型。源码里如果 p、q 范围写成 range(0, 7)，一定要警惕，这个范围适合高频金融数据，不适合配电网可靠性。
5.3 坑三：月度序列里有明显季节性，ARMA 扛不住
现象：每年夏季台风季停电多、冬季负荷高峰也有影响，模型在特定月份预测总是偏低。
原因：ARMA 不处理季节周期，月度数据里的 12 阶自相关被错误地归到长周期 AR 项上，参数解释混乱。
解决：把月度序列做季节差分（周期 12），或者改用 SARIMA，在seasonal_order里指定(P,D,Q,12)。源码里如果只用了ARIMA，遇到月度数据一定要检查是否包含季节项。如果数据量不足 12 的倍数，季节项估计会很勉强，那就只能退到年度序列，或者把季节项简化成哑变量。
5.4 坑四：滚动预测窗口和模型重估频率没对齐
现象：离线滚动预测的误差看起来不错，部署到线上后越用越差，疑似模型漂移。
原因：线下滚动预测是每一步都用真实值更新历史，线上如果每周重估一次模型，但预测目标是未来 4 周的月度指标，窗口错位了。更常见的是重估周期写死成“每月 1 日”，而数据更新延迟到每月 10 日，模型用的历史里永远缺最近一个月。
解决：线上线下必须用同一套滚动逻辑。源码里把重估周期、数据截止日期、预测步长都配置化，每次跑之前先打印“数据截止到 X 月，预测从 X+1 月开始”。我习惯在预测脚本开头加一行assert data_as_of_month == expected_month，防止数据没更新就出结果。
5.5 坑五：把预测结果当精确值汇报，不带置信区间
现象：预测下个月 SAIDI 是 12.3 分钟，领导拿去做考核基线，结果实际是 18 分钟，模型被质疑造假。
原因：ARMA 预测的是条件期望，方差随预测步长增大。配电网可靠性序列受到随机停电事件冲击，预测误差在 ±30% 以上是常态。
解决：汇报时用get_forecast().conf_int(alpha=0.2)输出 80% 置信区间，对外口径只说“预测区间”，不说点预测。源码包里如果只输出点预测，一定要补上区间计算。我的经验是：点预测用于内部排序决策，区间预测用于对外汇报，两者分开用，互不混淆。
5.6 注意：代码复现时的“黑匣子”防坑
最后一条是工程问题，不是模型问题。下载的源码包里如果没有固定随机种子、没有锁版本号、输入数据格式和注释不一致，复现结果可能和作者报告完全不一样。先核输入数据 shape 和 dtypes，再核对resample的默认行为——pandas 1.x 和 2.x 对重采样的边界处理有差异，会导致序列头尾不同。
如果源码里用了statsmodels.tsa.arima_model.ARIMA旧接口，在 statsmodels 0.13 以后已经移除，会直接报错，改成statsmodels.tsa.arima.model.ARIMA即可。这类“黑匣子”问题占了调源码时间的一半以上，不是你算法不行，是环境不一致。
6. 进阶：残差诊断和模型对比，给可靠性预测留一道后悔药
ARMA 建模不是拟合完就结束，最后一道工序是残差诊断。残差序列必须是白噪声，否则说明自相关信息没提取干净，模型还有改进空间。用 Ljung-Box 检验最直接：
from statsmodels.stats.diagnostic import acorr_ljungbox from statsmodels.tsa.arima.model import ARIMA model = ARIMA(y_train, order=best_order).fit() resid = model.resid lb = acorr_ljungbox(resid, lags=12, return_df=True) print(lb['lb_pvalue'].tail())逻辑说明：如果 p 值小于 0.05，说明残差仍有自相关，当前模型信息提取不完整，需要增大 p/q 或考虑季节项。但注意，数据量大时 Ljung-Box 容易显著，配电网几十个点的数据则不容易检出问题，所以要结合残差 ACF 图一起判断。
我的习惯是同时维护两个候选模型：一个是 AIC 选出的最优模型，一个是保守的低阶模型（比如 ARMA(1,1) 或 SARIMA(1,0,1)(1,0,0,12)）。每周用最新数据重新评估两个模型的滚动预测误差，好的上线，差的留作备选。一旦上线模型遇到极端天气失灵，可以直接切回备选，而不是临时改参数。
这是我踩出来的教训。之前只看 AIC 选出的模型，上线两个月后遇到一场台风，预测完全失灵，又没有备选模型，只能连夜调参，非常被动。从那以后，我所有可靠性预测脚本里都会加一段模型对比和回退逻辑。这套源码包如果只有单模型预测，建议你自己补上这一层。先跑通滚动预测，再对照第 5 章的坑排查，最后用残差诊断验证，这个方向值得投入，但每一步都要留一手。希望帮到你。
本文还有配套的精品资源，点击获取
