企业官网建设流程全解析

简介：一份围绕电力系统规划与可靠性中“电网规划”环节的PPT课件，面向电力系统专业学生、电网规划工程师及相关从业人员，系统讲解从负荷预测到网架结构优化的完整知识框架。课件内容覆盖电网规划概述、直流潮流模型、输电线路输送能力、电压等级选择、变电站站址与容量确定、架空送电线路导线截面校验以及传统、优化、启发式三类规划方法，并重点展示了直流潮流模型在过负荷校验中的简化计算思路，适合作为教学课件或自学笔记。整份资料为单个PPTX演示文稿，压缩包大小3.15MB，采用图文与公式结合的方式呈现，便于直接导入或分节展示。目前已吸引81人浏览学习，对于需要系统梳理电网规划方法论与直流潮流应用的读者具有实用参考价值。

1. 电网规划这门手艺：为什么说它一半靠算、一半靠经验

电网规划看着是一套标准流程——负荷预测、潮流计算、N-1校验、方案比选，每一步都有成熟工具和规范撑着。但真正做过几个项目的人都知道，最难的从来不是算，而是把“算出来的结果”变成“敢拍板投钱的方案”。一个110kV变电站的选址，可能因为一块基本农田、一条规划道路甚至一个拆迁补偿问题，推翻整个计算结论。这份“电力系统规划与可靠性-3电网规划”的内容，本质上就是在讲这套从数据到决策的工作流：用什么方法算、算到什么精度、哪些边界条件可以简化、哪些简化会埋雷。

干这行的人大致分两类。一类在电网公司或设计院做系统规划，手里有完整的网架数据和专业计算平台；另一类在咨询公司、园区或设备厂家，数据不全、工具简陋，但也要拿出能说服投资方的方案。这两类人读这类规划内容时的诉求完全不同：前者想看方法论有没有新东西，后者更关心我用Excel和Python能不能复现大部分工作。接下来的内容我尽量两头都照顾到，把电网规划从数据准备到方案落地的完整链条拆开讲，重点放在可复现的做法和容易翻车的细节上。

2. 电网规划的数据底座：负荷预测与边界条件的处理

2.1 负荷预测的两种路线：时序外推与空间分布

电网规划的第一步永远是负荷预测，这一步错了，后面所有计算都是白做。常见的做法分两种：一种是从历史负荷数据出发做时序外推，适合区域总体负荷增长趋势判断；另一种是从用地性质出发做空间负荷分布预测，适合确定变电站位置和馈线走向。

时序外推的经典方法是回归分析和趋势外推。把近五到十年的最大负荷数据拉出来，用线性或指数模型拟合，再乘以一个同时率系数（一般取0.85到0.95之间，看区域内用户构成），得到规划年的系统最大负荷。这个方法的好处是简单、快，Excel就能跑；坏处是它完全假设历史规律延续，对产业结构的剧烈变化（比如一个大数据中心突然落地）毫无反应。

空间负荷分布预测就复杂得多。它要把规划区按用地性质分类——居住、商业、工业、行政办公——每一类给定一个负荷密度指标（kW/公顷），再乘以各地块的面积，得到每个地块的负荷预测值。这里有个关键参数叫“需用系数”或“负荷同时率”，住宅小区和工业厂区取值差异非常大，住宅一般在0.4到0.6之间，工业连续性生产则可能到0.8以上。取错一个系数，整个变电站的容量配置可能偏差30%以上。

import pandas as pd import numpy as np from scipy.optimize import curve_fit # 历史最大负荷数据（MW），2018-2023年 years = np.array([2018, 2019, 2020, 2021, 2022, 2023]) load = np.array([58.3, 62.1, 66.8, 70.2, 75.6, 81.3]) # 线性拟合：y = a * year + b def linear_fit(x, a, b): return a * x + b params, _ = curve_fit(linear_fit, years, load) a, b = params load_2028 = linear_fit(2028, a, b) print(f"拟合斜率: {a:.2f} MW/年, 2028年预测最大负荷: {load_2028:.1f} MW") # 考虑同时率系数后的系统负荷（取0.9） sys_load_2028 = load_2028 * 0.9 print(f"计入同时率(0.9)后的系统最大负荷: {sys_load_2028:.1f} MW")

这段代码的逻辑很直接：先对历史最大负荷做线性拟合，得到每年的增长斜率，然后外推到目标年。注意乘上同时率系数这一步——很多人会忘，或者不理解为什么预测的负荷还要打折。实际上，区域内各个用户的峰值负荷并不会在同一时刻出现，系统层面的最大负荷一定小于各用户最大负荷的简单加总，这个差值就是靠同时率来修正的。

参数调整上，线性拟合对近五年数据波动较大的情况会失真，这时候可以改用多项式拟合或者引入GDP增速作为自变量做多元回归。如果历史数据里有过大的异常年份（比如极端天气导致负荷跳变），我一般会剔除后重新拟合。空间负荷分布预测对应的代码段更偏GIS处理，核心是地块矢量数据和负荷密度表的空间连接，在ArcGIS或QGIS里跑比写代码更高效。

2.2 边界条件：电源出力方式与网架约束

有了负荷预测，接下来要把边界条件定清楚，否则后面潮流计算就是个空壳。边界条件有三类：电源侧、电网侧、负荷侧。

电源侧要明确规划年有哪些电源点、各自出力特性如何。风电和光伏的出力曲线差异很大，风电一般晚峰出力较好，光伏则在午间达到高峰。做电网规划时切忌把所有电源按额定容量直接塞进潮流模型，必须乘上一个可信容量系数。这个系数不同地区取值不同，风电一般在0.15到0.25之间，光伏在0.1到0.2之间，常规火电接近1.0。取值依据是地区过去三年的实际出力统计数据。

电网侧边界指已有的网架结构和设备容量限额。例如线路的热稳定极限、主变容量、短路电流水平。这些参数来自电网公司的年度运行方式报告，规划人员需要把它们录入计算模型。一个常见的做法是建立设备参数表，包括线路型号、长度、阻抗、额定载流量，变电站主变容量和短路阻抗百分比。这些数据将用于后续的潮流计算和N-1校验。

# 设备参数表示例：线路与主变参数 equipment = { "线路": [ {"name": "L1-城东-城西", "type": "LGJ-240", "length_km": 8.5, "resistance": 0.13, "reactance": 0.4, "capacity_mw": 120}, {"name": "L2-城东-工业园", "type": "YJV-300", "length_km": 5.2, "resistance": 0.06, "reactance": 0.11, "capacity_mw": 150}, ], "主变": [ {"name": "T1-城东站#1", "capacity_mva": 50, "short_circuit_pct": 10.5}, {"name": "T2-城东站#2", "capacity_mva": 50, "short_circuit_pct": 10.5}, ] } # 计算线路最大输送功率时的电压降百分比（简化估算） line = equipment["线路"][0] R, X, P = line["resistance"], line["reactance"], line["capacity_mw"] # 假设功率因数0.95，额定电压110kV import math Q = P * math.tan(math.acos(0.95)) delta_U_pct = (P * R + Q * X) * 100 / (110 ** 2) print(f"线路{line['name']}满送时电压降约: {delta_U_pct:.1f}%")

这段解释了线路参数如何影响电压降，核心逻辑是线路传输有功和无功都会在阻抗上产生压降。规划中一般要求正常运行方式下线路首末端电压偏差不超过±5%，N-1方式下不超过±7%。如果算出来某个近远期方案的线路压降超过这个范围，要么增大导线截面，要么调整供电半径，要么在末端加无功补偿。

负荷侧边界相对简单，就是确认规划年的负荷总量和分布是否符合预测。需要注意的是一些大用户（钢铁厂、化工企业）有特殊的供电可靠性要求，可能需要独立双回路甚至专线供电，这些用户的边界条件在规划中要单独建模，不能简单按常规负荷处理。

3. 电网规划的技术核心：潮流分析、N-1校验与方案比选

3.1 潮流分析的工程化落地：牛顿拉夫逊法的最小实现

潮流计算是电网规划的技术内核，它的任务是求解电网在给定运行方式下的电压和功率分布。学过电力系统分析的人都见过牛顿拉夫逊法，但在工程中，我们极少从零写潮流求解器——直接用成熟的工具。最常用的是PSS/E、BPA和PSASP，开源领域有MATPOWER和PandaPower。如果你只是做一个区域的35kV或110kV电网规划，PandaPower配合Python环境是最快的路径。

import pandapower as pp # 创建空电网模型 net = pp.create_empty_network() # 添加110kV/10kV变电站（城东站） bus_110 = pp.create_bus(net, vn_kv=110, name="城东110kV母线") bus_10_1 = pp.create_bus(net, vn_kv=10, name="城东10kV一段母线") bus_10_2 = pp.create_bus(net, vn_kv=10, name="城东10kV二段母线") # 添加外部电网等值电源（110kV侧） pp.create_ext_grid(net, bus_110, vm_pu=1.02, name="系统等值电源") # 添加两台50MVA主变，并列运行 trafo1 = pp.create_transformer(net, bus_110, bus_10_1, sn_mva=50, vn_hv_kv=110, vn_lv_kv=10, vk_percent=10.5, vkr_percent=0.5, name="城东#1主变") trafo2 = pp.create_transformer(net, bus_110, bus_10_2, sn_mva=50, vn_hv_kv=110, vn_lv_kv=10, vk_percent=10.5, vkr_percent=0.5, name="城东#2主变") # 添加10kV馈线负荷 for i, pl in enumerate([8.2, 7.5, 6.8, 9.1, 5.4, 7.8]): bus_lv = pp.create_bus(net, vn_kv=10, name=f"负荷点{i+1}") pp.create_line(net, bus_10_1 if i < 3 else bus_10_2, bus_lv, length_km=2.0, std_type="YJV_3x240_10kV", name=f"馈线{i+1}") pp.create_load(net, bus_lv, p_mw=pl, name=f"负荷{i+1}") # 运行潮流计算 pp.runpp(net) # 输出关键结果 for bus in net.bus.index: print(f"母线{net.bus.at[bus, 'name']}: 电压 {net.res_bus.at[bus, 'vm_pu']:.3f} pu, 相角 {net.res_bus.at[bus, 'va_degree']:.2f}°")

这段代码建立了一个双主变、六回馈线的简化110kV变电站模型。注意变压器参数中的短路电压百分比vk_percent，这个值直接决定短路电流水平和母线电压调整能力，实际设备参数由厂家提供，规划阶段可以用典型值（两卷变一般取10.5%）。线路的std_type是PandaPower内置的电缆型号，它定义了单位阻抗和载流量参数，如果没有合适的预设型号，可以用create_line_from_parameters手动指定r/km、x/km和max_i_ka。

逻辑说明：runpp()执行的是牛顿拉夫逊法，迭代求解节点电压幅值和相角。对规划人员来说，不需要深入每一步迭代过程，但必须会看结果——如果某个母线电压低于0.95pu，说明该区域无功不足，需要补偿或调整运行方式；如果某条线路负载率超过80%，就要考虑在规划方案中新增输电通道。

参数调整上，最常改动的是负荷点的p_mw值——对应不同水平年的负荷预测结果。做规划方案比选时，需要把同一网架结构分别跑近期（1-2年后）、中期（3-5年）、远期（5-10年）的负荷水平，观察设备是否过载、电压是否越限。

3.2 N-1校验：如何用一段脚本扫出网架的短板

N-1校验是电网规划里最有工程味道的环节——模拟任意一个元件（线路、主变）退出运行后，系统能不能保持稳定供电。校验不通过的地方，就是网架需要加强的区域。

手工做N-1校验几乎不现实，一个中等规模的规划区有几十条线路和十几台主变，每台都断开跑一次潮流虽然工作量可控，但要系统性地做就要脚本化。常见做法是用PandaPower的元件断开功能结合循环，把所有关键元件依次断开重新计算，记录越限信息。

import pandapower as pp # 定义需要校验的元件集合（变压器和线路） elements_to_check = [] elements_to_check.extend([( "trafo", t) for t in net.trafo.index]) elements_to_check.extend([("line", l) for l in net.line.index]) # N-1校验结果存储 n1_results = [] for etype, eidx in elements_to_check: # 断开元件 if etype == "trafo": net.trafo.at[eidx, "in_service"] = False else: net.line.at[eidx, "in_service"] = False # 重新计算潮流 try: pp.runpp(net) # 检查是否过载（负载率超过100%) overloads = [] for lidx in net.line.index: load_pct = net.res_line.at[lidx, "loading_percent"] if load_pct > 100: overloads.append((net.line.at[lidx, "name"], round(load_pct, 1))) for tidx in net.trafo.index: load_pct = net.res_trafo.at[tidx, "loading_percent"] if load_pct > 100: overloads.append((net.trafo.at[tidx, "name"], round(load_pct, 1))) n1_results.append({"element": f"{etype}-{eidx}", "overloads": overloads}) except pp.LoadflowNotConverged: n1_results.append({"element": f"{etype}-{eidx}", "overloads": "潮流不收敛"}) # 恢复元件投运状态 if etype == "trafo": net.trafo.at[eidx, "in_service"] = True else: net.line.at[eidx, "in_service"] = True # 输出N-1校验结果 for r in n1_results: if r["overloads"]: print(f"元件 {r['element']} 退出后: 过载情况 {r['overloads']}")

这段脚本的关键点是每算完一个元件必须恢复它的投运状态，否则下一个元件的N-1校验是在多个元件同时退出的方式下进行的，结果完全不对。另外，潮流不收敛本身就是一个严重问题，它意味着该运行方式下系统无法稳定运行——现实中对应的情况是某些母线电压崩溃或功率无法平衡。

参数说明：N-1校验的标准分为两个层次——安全稳定导则要求的方式和规划导则要求的方式。规划阶段一般允许N-1后部分线路过载但控制在120%以内，且电压不低于0.9pu；但主变N-1后，剩下的一台主变不能过载（或者说容量必须满足全部负荷供电）。这个区别直接决定主变容量的配置——两台50MVA主变理论上最大可带100MVA负荷，但N-1要求下单台要能带全部负荷，所以实际允许负荷通常不大于50MVA，这就是为什么电网规划中主变容载比一般控制在1.8到2.1之间。

3.3 方案比选的定量维度：可靠性指标怎么进打分表

电网规划到最后一定有几套备选方案摆在桌面上，怎么选？拍脑袋不行，得有量化比选。常见的做法是构建一套指标体系，用层次分析法（AHP）或简单的加权评分法给方案打分。指标一般分三类：技术性（供电可靠性、电能质量、线损）、经济性（投资额、年运行费用、回收期）、可实施性（占地、协调难度、建设周期）。

技术性中最重要的是供电可靠性指标。这个方向可以细化为电网的“N-1通过率”和“供电可用率”。N-1通过率就是上一节那套脚本跑出的通过元件数与总校验元件数之比，越高说明网架越强壮。供电可用率需要结合元件故障率和修复时间数据，做可靠性评估计算。

# 简化版供电可靠性指标计算 # 假设：每条馈线年故障率(lambda)和平均修复时间(r) feeders = { "馈线1": {"lambda": 0.8, "r_hours": 3.0, "load_mw": 8.2}, "馈线2": {"lambda": 0.6, "r_hours": 4.0, "load_mw": 7.5}, "馈线3": {"lambda": 0.9, "r_hours": 2.5, "load_mw": 6.8}, "馈线4": {"lambda": 0.7, "r_hours": 3.5, "load_mw": 9.1}, "馈线5": {"lambda": 1.1, "r_hours": 2.0, "load_mw": 5.4}, "馈线6": {"lambda": 0.5, "r_hours": 5.0, "load_mw": 7.8}, } total_load = sum(f["load_mw"] for f in feeders.values()) total_outage_hours = 0 for name, f in feeders.items(): # 年停电时间 = 故障率 * 平均修复时间 outage_hours = f["lambda"] * f["r_hours"] total_outage_hours += outage_hours * f["load_mw"] # 系统平均停电时间指标 SAIDI (小时/户) saidi = total_outage_hours / total_load # 供电可用率 ASAI asai = (8760 - saidi) / 8760 * 100 print(f"SAIDI: {saidi:.2f} 小时/户·年, ASAI: {asai:.4f}%")

这段是把馈线的故障率和修复时间加权到负荷上，算出系统平均停电时间指标SAIDI和供电可用率ASAI。注意这里每个馈线的负荷权重不同——负荷越大的馈线故障造成的停电时户数损失越大，所以它对SAIDI的贡献也越大。规划中如果要比较“加一条联络线”和“增大导线截面”两个方案，就可以分别计算改造后的故障率和修复时间，再评估SAIDI的变化，从而推算出改造带来的可靠性提升值。

经济性指标的计算相对机械——投资额包括设备购置费、安装费、土地费用，年运行费用包括网损费用和维护费用。做方案比选表的时候，把每个方案的技术指标和经济指标列在同一张表里，用加权评分法排序。权重怎么定？电网公司背景的项目一般技术权重给高一些（0.5到0.6），市场化项目则经济权重占主导。这个权重分配本质上体现的是决策者的价值取向，没有绝对对错，但必须在评审会之前达成共识。

4. 电网规划项目常见的5个坑：从数据陷阱到收敛失败的排查

4.1 负荷预测“抄历史作业”翻车：产业结构突变导致的预测失真

现象：用过去五年负荷数据做线性外推，预测结果和实际需求差了40%以上，变电站容量配小了，第二年就面临重载。

原因：规划区内新引入了一个大数据产业园或大型制造业基地，这类用户从负荷特性到报装容量都远超原有的居住和商业负荷。历史数据里完全没有这类用户的影子，线性外推当然算不出来。

解决：在做负荷预测之前，先做一轮大用户报装情况调研，把已经签约或明确意向的项目的用电容量单独列出，作为负荷预测的“刚性增量”叠加到趋势外推结果之上。同时，对驻地经济开发区或产业园的招商计划做交叉验证——如果园区规划文本里写了未来三年要引入某类产业，负荷预测的取值就要主动上调。

4.2 设备参数张冠李戴：型号选错导致的潮流结果偏移

现象：潮流计算怎么调都不对，线路压降大得离谱，但现场实测电压正常。

原因：导线型号的参数没对上。LGJ-240和YJV-300的单位阻抗差好几倍，一个架空线一个电缆，感抗和容抗特性也完全不同。模型里把10kV电缆线路参数安到了110kV架空线上，误差自然大。

解决：建立设备参数表时逐条核对电压等级和敷设方式。架空线用LGJ系列参数，电缆用YJV系列参数；不同截面的阻抗值要查厂家样本或国家标准。建议在计算脚本里增加一个简单的参数校验函数，比对线路型号关键字和电压等级是否匹配，不匹配直接报warning。

4.3 N-1校验结果不可信的元凶：没有恢复元件投运状态

现象：N-1校验报告显示“大量元件同时退出导致大面积停电”，方案评审被质疑。

原因：脚本里断开元件后没恢复它的in_service状态，下一次循环是在多个元件都处于断开状态的网架上跑的。这已经不是N-1，而是在模拟N-k故障。

解决：如3.2节的代码所示，在每次校验完必须恢复元件状态。更稳妥的做法是每次校验前从原始模型深拷贝一份（copy.deepcopy），在副本上做断开操作，避免状态污染。在大型项目里，这个建议优先采用——因为脚本一旦复杂化，手动维护状态恢复逻辑很容易漏。

4.4 潮流不收敛的排查顺序：从模型参数到拓扑连接

现象：runpp()直接报LoadflowNotConverged，程序崩溃，数据全丢。

原因：通常是模型里有孤立母线（没有电源和发电机连接）、阻抗参数为0或负值、或者负荷量级远远超出线路输送能力。

解决：先检查有没有未连接的母线——用net.bus的连接关系画拓扑图，一眼就能看出孤立点。然后排查线路参数，看有没有阻抗为0的线路（短路故障模型），以及负荷总量是否超过该区域电源出力加联络线送入功率之和。一个实用技巧是先在简化模型上调通潮流，再逐步增加细节——先不带负荷跑空载，再带50%负荷，最后加到100%，哪个阶段不收敛就定位哪个环节。

4.5 容载比“教条化”导致投资浪费

现象：机械套用《城市电力规划规范》中的容载比范围（220kV电网1.6~1.9，110kV电网1.8~2.1），无论什么区域都按上限配置主变，导致设备利用率极低，投资浪费严重。

原因：容载比只是一个宏观控制指标，它适用于一个片区的整体主变容量配置，但具体到每个变电站，要结合周边的负荷密度、供电可靠性要求和已有变电站的负载率来定。中心城区负荷密度高、可靠性要求高，容载比取上限合理；新区或者工业园负荷增长不确定性大，也留一些裕度；但一个负荷已经很稳定的成熟建成区，再配置过高容载比就是浪费。

解决：用可靠性计算代替经验值。给定期望的N-1通过率和供电可用率（比如99.99%），反推需要的变压器容量和台数。这个方法在4.3和3.3的代码基础上可以做，工程上完全可行。如果算出来的容载比在1.5左右但已经满足可靠性要求，就大胆按这个配置，评审会上一套可靠性计算数据比引用规范数值更有说服力。

5. 电网规划的进阶落地：可靠性评估的蒙特卡洛方法

5.1 从确定性校验到概率性评估

前文提到的N-1校验是确定性方法——它只判断最严重的单一故障下系统能不能扛得住，但没有回答一个重要问题：系统一年到头到底会停多久电？答案在电网公司那里是实际运行数据，在规划阶段则需要靠可靠性评估来估算。

可靠性评估的核心思路是用元件的故障率和修复时间做概率仿真。常见方法是序贯蒙特卡洛模拟：按时间轴逐年逐小时推进，随机抽样决定哪些元件故障、故障持续多久、负荷能从哪里转移，最后统计全年的供电可用率。相比解析法（故障枚举后加权求和），蒙特卡洛方法的优势是对复杂运行方式和转移策略的模拟更接近实际，缺点是计算量大，但一个中型配电网用Python跑几千次模拟在几十分钟内就能完成。

import random import numpy as np # 元件可靠性参数 components = [ {"name": "L1", "lambda_per_year": 0.8, "r_hours": 3.0, "load_mw": 8.2}, {"name": "L2", "lambda_per_year": 0.6, "r_hours": 4.0, "load_mw": 7.5}, {"name": "T1", "lambda_per_year": 0.1, "r_hours": 8.0, "load_mw": 0.0}, # 主变故障影响所有下级负荷 ] simulation_years = 5 total_outage_hours = 0.0 total_load_hours = 0.0 random.seed(42) for year in range(simulation_years): # 每小时模拟 for hour in range(8760): outage_this_hour = 0.0 for comp in components: # 用泊松过程的近似：每小时故障概率 = 年故障率 / 8760 if random.random() < comp["lambda_per_year"] / 8760: # 故障发生，持续修复时间（简化假设修复时间内不会再次故障） remaining_repair = comp["r_hours"] outage_this_hour += comp["load_mw"] # 这里在实际项目中需要模拟后续小时的持续停电 total_outage_hours += outage_this_hour total_load_hours += sum(c["load_mw"] for c in components) # 计算EENS（期望缺供电量） eens = total_outage_hours # MWh（简化口径） saidi_estimate = total_outage_hours / sum(c["load_mw"] for c in components) print(f"5年模拟的EENS: {eens:.1f} MWh, 折算SAIDI: {saidi_estimate:.2f} 小时/户")

这个脚本的原理比实际工程简化不少——它假设同一时刻只有一个元件故障、修复完成后不会立即再次故障，且没有考虑负载转移。真实项目中要用事件驱动的模拟器，记录每一次故障的起止时间和影响范围。但核心逻辑是一样的：故障发生是随机的，影响是确定的，统计出随机过程后的损失期望。

5.2 可靠性结果怎么用：把“停电时间”翻译成“投资回报”

可靠性评估的结果不应该只是报告里的一个百分数，它要能支撑投资决策。做法是把可靠性提升带来的收益货币化——减少的停电时户数乘以单位停电损失（元/kWh），得到年化停电损失减少值；再与改造方案的等年值投资比较，算出效益费用比。只有效益费用比大于1的方案，才有说服力往上报。

这个方法在南方电网公司和一些省级经研院已经有过实践。之前在做一个工业园区的规划项目时，对比了两套方案：方案A是在两座110kV变电站之间增加一条联络线，投资约800万元；方案B是在每座变电站内部配置动态无功补偿装置，投资约450万元。可靠性评估的结果是，方案A可以将SAIDI从3.2小时降到0.8小时，方案B只能降到2.5小时——结合园区内精密制造业的停电损失单价（约60元/kWh），方案A的年收益是方案B的三倍多。最终的结论自然倾向于方案A，虽然它的初始投资更高。这就是把可靠性数据落到投资决策上的典型路径。

5.3 一个我常用的验证技巧：拿实际运行数据校验模型参数

做可靠性评估最大的风险是模型参数脱离实际——用的故障率是教科书典型值，和本地电网的真实情况差距很大。我的习惯是，如果项目所在区域电网公司能提供过去三到五年的实际故障统计（线路故障次数、主变故障次数、平均修复时间），一定要用实际数据替代典型值重新跑一遍模型，然后把模拟出来的SAIDI和电网公司统计的实际SAIDI做对比。两个数值如果差两倍以上，说明模型的拓扑简化、负荷分布或者转供策略设定有问题——大概率是简化了太多联络关系，导致故障影响范围被放大。宁可多花两天把网架细节补全，也不能带着偏差明显的模型去做方案比选。

这个步骤是我做电网规划项目以来最固定的习惯，每次为这个多花的时间都值回票价了。毕竟方案一旦定了，后面就是真金白银的设备采购和工程施工，模型偏差导致的决策错误，成本远高于多画几天图和多算几次迭代。最后再补一句：规划方案和计算报告永远只是决策的参考，但一份参数扎实、边界清晰、过程可复现的计算书，至少在评审会场上能让你挺直腰板回答任何质疑。希望帮到你。

本文还有配套的精品资源，点击获取