企业官网建设流程全解析

做电力系统可靠性分析这几年，连锁故障（Cascading Failure）一直是我觉得最棘手、也最有意思的问题。一条线路跳闸，潮流瞬间压向相邻线路，一旦超过热稳定极限，又会引发新的跳闸，往复几次，一片地区就可能失电。这种“小原因、大后果”的特性，让运行人员很难提前判断：到底哪几条线路同时断开，才是真正会引爆大停电的多重故障集合。今天要聊的这套基于随机化学（Random Chemistry）算法的Matlab实现，就是专门用来回答这个问题的。它能从天文数字般的故障组合里，快速把“高危集合”筛出来，而不是把每个组合都仿真一遍。写这篇东西，是想把我在电力系统连锁故障筛选项目里积累的方法、代码骨架和避坑经验完整分享一下。适合正在做电网脆弱性评估、可靠性分析、调度安全校核的人参考，也适合想了解启发式搜索如何落到工程场景的Matlab玩家。

1. 连锁故障为什么难识别：从“事后归因”到“事前寻根”

1.1 连锁故障的“多米诺”是怎么倒下的

要理解这个算法，得先理解连锁故障的物理过程。最经典的场景是这样的：一条线路因雷击、树障或设备缺陷跳闸，系统里的潮流并不会原地消失，而是按照阻抗重新分配到其他线路上。比如一条500kV线路原来输送1000MW，跳闸后这1000MW会迅速涌向附近几条断面线路。如果某条线路的输送功率超过它的热稳定极限（也就是导线能承受的最大载流量），保护装置就会动作，把它也切掉。

这一步切掉，又会引发新一轮的潮流转移，转移量往往比上一轮更集中，所以过载线路可能更多。一轮接一轮下去，可能出现几种典型后果：一是大量线路被切除后，某些发电机与负荷失去电气联系，形成孤岛，导致机组跳闸或低频减载；二是低压减载装置动作，大量甩负荷；三是系统电压崩溃，最终造成大面积停电。我经常用一个生活化类比来解释这件事：一条供水主管道堵了，水压全部压到旁边几条支管上，支管压力超过阈值就爆管，爆管又把压力逼向更细的管道，最后整个供水区都断水。电网的连锁故障就是这样一个动态的“压力转移—过载爆管—再转移”循环，只不过压力换成了潮流，管道换成了输电线路。

这里有个关键点：连锁故障不是一次性事件，而是一连串有因果关系的动作链。所以评估一个故障集合危不危险，不能只看线路初始负载率，必须完整模拟“断开—重分配—再断开”的演化过程，看最终损失了多少负荷、系统有没有崩溃。这也是后续算法评估函数的基础。

1.2 为什么多重故障集合这么难找

电网安全分析里，最简单也最成熟的是N-1校验：任意一条线路或一台发电机退出运行，系统还能不能安全运行。这个在工程上已经标准化了，一台普通电脑跑完一天调度断面也没问题。但连锁故障研究里，真正需要关心的是N-2、N-k故障，也就是两个或多个设备同时处于停运状态时，系统会不会崩。

问题来了，组合数量是指数级增长。以IEEE 39节点系统为例，它有46条支路，N-2的组合数是46×45/2=1035种，N-3的组合数是C(46,3)=15180种，枚举起来已经有点喘了，但还能跑。可如果在2383节点的大型电网模型里，支路数大约是3000条，N-3组合数是C(3000,3)，算出来大概是45亿种。假设评估一种组合需要1秒，纯枚举要用140多年。这还没算上同时考虑发电机、变压器和负荷的N-3以上故障，规模只会更夸张。

更麻烦的是，最容易引发大停电的故障集合，往往不是那些看起来就很危险的“重载线路组合”。我在实际项目中遇到过非常反直觉的例子：两条轻载线路同时断开，结果导致某个变电站母线失电，一台大机组脱网，剩余潮流大量涌向另一条关键断面，最终引发连锁过载。如果只按负载率排序去检查，这种组合很容易被漏掉。所以，寻找“引发连锁故障的多重故障集合”，本质上是一个在高维离散组合空间里搜索“稀有高风险个体”的问题，必须借助智能搜索或随机化算法来缩小范围。

1.3 为什么选“随机化学”而不是遗传算法

我刚接到这个需求时，第一反应是用遗传算法（GA）或者粒子群（PSO）。但仔细分析之后，发现这些经典进化算法在这个问题上并不顺手。遗传算法擅长连续优化，面对离散的“线路组合”需要自己设计编码、交叉、变异算子，而且很容易陷入早熟，参数调起来非常折磨人。更关键的是，GA的每一次迭代都要评估一批个体，评估次数多，而我们的评估函数又是昂贵的连锁故障仿真，算力根本扛不住。

随机化学算法（Random Chemistry）则是另一个路子。它最早是作为一种从海量组合中快速锁定“脆弱集”（vulnerable set）的方法出现在可靠性文献里的，名字里的“化学”是个隐喻，并不是真的去算化学反应。核心思想特别朴素：把候选故障集合看成一大池子“分子”，把连锁故障仿真看成“检测反应”，每一轮都随机把候选集合分成若干小组，只保留那些仿真后会发生大停电的小组，丢掉无反应的小组。这样一轮一轮筛下去，候选集合越缩越小，最后剩下的小规模集合就能用枚举法验证。

用筛矿来做类比最贴切：金矿的矿砂里金子的比例极低，你不会把每粒沙子都拿去化验，而是先用粗筛把明显没金子的部分去掉，再用细筛精筛，最后集中检验。随机化学算法就是这样一个层层筛矿的过程，而且每一轮的筛子都是随机放置的，理论上只要重复次数够多，就不会把真正的高风险集合漏掉。这个特性非常适合“判断一个故障集合是否引发大停电”这种二元目标，也和连锁故障仿真的计算结构天然匹配。

2. 随机化学算法的核心思路与数学基础

2.1 从化学池到故障池：一套术语映射

初看随机化学算法，会觉得术语很劝退：分子、反应物、检测器、产物……其实把这些词翻译成电力系统语言，就完全清楚了。我自己做了个对照表，写代码时也是按这套映射去命名的。

比如“分子”就是一个二元向量，用1表示该线路在故障集合里，0表示不在。比如在46条支路系统里，“线路16和线路21同时断开”就可以表示为长度为46的向量，第16和第21位为1，其余为0。“检测器”则是算法每次随机划分时形成的候选小组，这个小组会被整个地送入连锁故障模拟器，一旦模拟结果显示失负荷比例超过阈值，小组就是“阳性”的，需要保留。

2.2 随机划分如何一步步“浓缩”高危集合

随机化学算法的有效性，本质上是建立在“分组测试”（Group Testing）思想上的。假设候选池里有10000个故障集合，其中只有20个是真正会引发大停电的脆弱集。我们不知道这20个在哪里，但如果随机把这些候选均匀分成30个小组，每个小组大概333个候选，然后对每个小组跑一次连锁故障模拟，阳性的小组大概率就包含了那20个脆弱集里面的某几个。

注意这里的关键：一个阳性小组内可能混着几百个候选，其中也许只有1个是真正的脆弱集，其余都是“搭便车”的。但没关系，下一轮继续把这个阳性小组里的候选重新随机打乱、再分成更小的组，再跑模拟。随着小组规模不断缩小，脆弱集被越“浓缩”越集中，到最后每个小组只包含几个候选时，就可以用枚举法逐个验证了。

这里面有一个数学直觉可以算一下。假设每轮保留比例为p（阳性小组数量占总小组数量的比例），初始候选规模是N，经过T轮筛选后，候选规模大约是N乘以p的T次方。举个例子，如果N=10000，p=0.1，T=4，理论上候选规模就缩到1个左右。当然实际过程中p并不是固定的，而且为了不丢脆弱集，算法会引入冗余划分，所以最后的候选规模会略大于理论值，这反而是一种安全垫。

2.3 算法主流程与Matlab伪码

把整套逻辑落到Matlab代码上，主流程可以写成这样的骨架：

function V = randomChemistrySearch(candidatePool, T, D, simFunc) % candidatePool: 初始候选集合，每一列是一个候选故障组合 % T: 最大筛选轮数 % D: 每轮随机划分的次数（检测器数量） % simFunc: 连锁故障模拟函数句柄，返回失负荷比例 current = candidatePool; for t = 1:T n = size(current, 2); if n <= 50 % 候选足够小，直接枚举验证 break; end kept = []; for d = 1:D % 随机打乱并划分成小组 permIdx = randperm(n); groups = reshape(permIdx, [], 10); % 每组10个候选，便于并行 for g = 1:size(groups, 1) subset = current(:, groups(g, :)); lossRatio = simFunc(subset); if lossRatio > 0.05 % 失负荷超过5%视为阳性 kept = [kept, subset]; end end end % 去重，进入下一轮 current = unique(kept', 'rows')'; end % 最终对剩余候选逐个仿真确认 flags = zeros(1, size(current, 2)); for j = 1:size(current, 2) flags(j) = simFunc(current(:, j)) > 0.05; end V = current(:, flags == 1); end

这段代码不是直接就能跑的完整版，而是算法的骨干逻辑，重要的参数在下面几节细说。要注意的是simFunc接收的subset是一个矩阵，列数代表小组里候选的数量，这个函数要对小组做“合并评估”。工程实现时，为了并行性能，我通常让simFunc一个小组一个小组地计算，而不是单个候选单个候选地算，这样可以减少Matlab函数调用开销。

2.4 别和蒙特卡洛、随机森林搞混

随机化学算法名字里带着“随机”，很容易和蒙特卡洛、随机森林之类的概念混淆，我第一次看文献时也绕了一下。蒙特卡洛的核心是用大量随机采样去估计概率分布或期望值，比如随机抽100万次故障场景，统计大停电概率。随机化学不是干这个的，它是“定向搜索”：每一轮的随机划分都依赖上一轮的筛选结果，是沿着“可能包含脆弱集”的方向走的。随机森林则是一种监督学习模型，通过集成多棵决策树做分类或回归，而随机化学不训练模型，它本身就是搜索过程。

这三种方法的区别可以用一个比方描述：蒙特卡洛像是在一大片草地里随机撒网捞麻雀，捞到的概率等于麻雀密度；随机化学像是用猎犬先嗅到麻雀气味浓的区域，然后循着气味把区域层层缩小；随机森林则是给草地拍照训练一个自动识别麻雀的模型，以后见到照片就能判断有没有鸟。在连锁故障脆弱集识别这个任务里，我们需要的是“锁定位置”，所以随机化学的思路最对路。

3. Matlab实现的关键环节

3.1 环境准备与数据装载

不管是复现还是自己研究，第一步都是准备仿真环境。我用的是Matlab R2022b加Matpower工具箱，Matpower的loadcase函数可以直接读入IEEE 39节点等标准测试系统数据，非常方便。如果没有装Matpower，也可以自己写一个极简的DC潮流求解器，对筛选阶段来说精度已经够用。核心的潮流方程是节点注入功率等于节点导纳矩阵乘以相角向量：

% 极简DC潮流求解（用于快速筛选） % B: 节点导纳矩阵的虚部，阶数为 nBus % P: 节点注入有功功率（发电机出力和负荷的差值） % theta: 节点相角 theta = B \ P; % 线路有功功率（从节点from流向节点to） Pline = (1 ./ branchX) .* (theta(branchFrom) - theta(branchTo));

实际工程里，我更推荐直接用Matpower的runpf，因为它处理了平衡节点、无功、收敛控制等一堆细节。但在随机化学算法的“筛选阶段”，我会刻意把runpf切换成DC模式，也就是给Matpower传入mpoption('pf.alg', 'NR')配合model = 'DC'，或者直接调用内部函数计算最快路径。筛选阶段算得快，最后的枚举验证阶段再用AC潮流复核，这是我总结出来的一套兼顾速度与精度的做法。

加载数据很简单：

mpc = loadcase('case39'); % IEEE 39节点系统 branchID = (1:size(mpc.branch, 1))'; % 保存原始线路编号

这里必须强调一个习惯：线路编号一定要在开头存一份。因为连锁故障模拟会不断从mpc.branch中删除行，删完之后编号全变了，如果不预先保存原始编号，后面回溯故障集合时一定会出错。我在下面第五节还会专门讲这个坑。

3.2 连锁故障模拟器：整个项目的“发动机”

随机化学算法本身只是个搜索框架，真正决定结果靠的是连锁故障模拟器。这个模拟器是我先写出来的部分，也是后续所有调试的焦点。简化版的DC连锁故障模拟流程是这样的：先断开初始故障线路，求解潮流；检查每条线路的潮流是否超过热稳定极限；把过载线路断开；再次求解潮流；重复，直到没有线路过载或者系统解列。

下面是我在项目里实际用的模拟函数骨架，去掉了调试日志和边界处理，保留了主干逻辑：

function lossRatio = cascadeSim(mpc, outageLines, maxIter) % 断开初始故障线路 mpc.branch(outageLines, :) = []; for iter = 1:maxIter opt = mpoption('verbose', 0, 'model', 'DC'); res = runpf(mpc, opt); if ~res.success % 潮流不收敛，通常意味着系统已经解列，直接判定严重事故 lossRatio = 1.0; return; end % 找出过载线路（P > RATE_A） P = res.branch(:, PF); limit = res.branch(:, RATE_A); overloaded = find(abs(P) > limit); if isempty(overloaded) % 没有新的过载，系统稳定下来，统计失负荷比例 % 这里根据被切除负荷和发电机出力差计算 lossRatio = computeLoadLoss(mpc, res); return; end % 切除过载线路，继续下一轮 mpc.branch(overloaded, :) = []; end lossRatio = computeLoadLoss(mpc, res); end

这里有几个细节容易踩坑。一是runpf的branch输出字段在Matpower不同版本里略有差异，最好用idx_branch常量去取，而不是硬编码列号。二是RATE_A对应线路长期载流量极限，有些测试系统的RATE_A值很宽松，模拟时会发现几乎不过载，这时可以把极限调成RATE_A * 0.8或者按断面自定义，否则模拟结果会偏乐观。三是maxIter我一般设成8，因为连锁故障的演化在8轮以内基本定局，设太多只会白费算力。

3.3 随机化学主循环的工程实现

模拟器就位之后，就可以把主循环跑起来了。这里我分享一个从理论到工程很关键的经验：不能真的先去枚举全组合再筛。以3000条线路的N-3组合为例，nchoosek(1:3000, 3)会试图生成45亿个组合，Matlab直接内存爆炸。正确的做法是像我在2.3节伪码里那样，用“预留大型候选池”的方式逐步生成。

我实际用的初始化策略是：不生成全组合，而是随机抽取固定规模的初始候选池，比如从全组合空间里随机抽出10万个候选，放入候选池。这样做的前提是脆弱集在组合空间里不是极端稀疏——在连锁故障问题里，脆弱集比例通常不低于万分之一，随机抽10万个候选撞上脆弱集的概率很高。如果担心漏掉，就多抽几个独立样本池分别跑算法，最后把结果取并集。这种“分池+并集”的操作，本质上就是在利用随机化学的多次随机划分来弥补单次随机抽样的不充分性。

主循环里的一个核心参数是D，也就是每轮随机划分的次数。我一开始按文献里的建议设成D=5，结果在小系统上漏掉了一个脆弱集，后来把D调到10才稳定。原因是单次随机划分可能恰好把一个脆弱集里的几个候选拆散到不同小组，导致每个小组都成阴性被丢掉。D次独立划分相当于给了脆弱集合D次“露脸”的机会，只要有一次划分没把它拆散，它就能被保留下来。

3.4 性能优化三板斧

连锁故障模拟器的单次运行耗时大概是几十毫秒到几百毫秒（取决于系统规模和AC/DC模型），但随机化学算法在筛选阶段要跑成千上万次模拟，所以性能优化是能用的。我总结出三板斧。

第一板斧是尽量用DC潮流做筛选。连锁故障模拟需要反复求解潮流，DC潮流的求解速度比AC快一到两个数量级，而且不存在无功收敛问题，非常适合在大规模候选池里做粗筛。等算法把候选池浓缩到最后几十个候选，再用AC潮流逐个验证一遍，确保结果在考虑无功和电压约束后依然成立。这样既快又不损失最终结果的可靠性。

第二板斧是预计算PTDF（功率转移分布因子）。如果只考虑线路过载而不考虑电压问题，那么连锁故障模拟里的潮流重分配可以通过PTDF线性叠加来计算，完全不用重新求解潮流方程。比如说，线路i停运后，线路j的功率变化量约等于PTDF(j,i)乘以线路i停运前的功率，如此迭代更新各线路功率，速度能快几十倍。代价是PTDF只对DC潮流模型精确，所以这个优化也只能用在筛选阶段。

第三板斧是并行化。Matlab的parfor对小组仿真非常友好，我通常把每个随机划分小组的模拟任务放到parfor里跑。但要小心，如果simFunc里每次都要传整个mpc结构体，并行通信开销会吃掉大部分收益。解决办法是用parallel.pool.Constant把mpc存成常量，所有worker共享一份数据，只传小组的故障索引。这个优化在我的项目里把整体运行时间压缩了差不多3/4。

4. 实操过程与案例验证

4.1 实验设置：IEEE 39节点上的小规模验证

在把算法扔到几千节点的大系统之前，我坚持先在IEEE 39节点系统上做小规模验证。原因很简单：小系统组合少，可以用穷举法算出“标准答案”，用来检验随机化学算法有没有漏报、误报。如果在小系统上都筛不准，换大系统只会更糟。

实验设置是这样的：研究对象是39节点系统的46条支路，初始故障集合考虑1到3重故障，总候选空间大小是C(46,1)+C(46,2)+C(46,3)=46+1035+15180=16261个候选。连锁故障模拟采用DC潮流，最大迭代8次，判定为大停电（脆弱集）的标准是失负荷比例超过5%。评价指标我用三个：召回率，也就是算法找出的脆弱集占全部真实脆弱集的比例；压缩率，也就是算法最终输出的候选数量与全候选空间数量的比值；以及总耗时。用表格看更清楚：

4.2 一轮完整运行过程记录

为了给大家一个直观印象，我把一次典型运行的每轮候选数量变化记录在这里。初始候选池从16261个里随机抽出8000个作为算法的起点，然后进入筛选循环。第一轮随机划分后保留阳性小组里的候选约2200个。第二轮进一步浓缩到约500个。第三轮剩下约120个。第四轮剩下约40个。这时候候选规模已经远小于枚举阈值，我直接转为逐候选验证，最终找到13个脆弱集。与此同时，穷举法在同样机器上跑出了完整的脆弱集合列表，结果显示这13个与穷举结果的交集是13个，也就是说在随机抽样的初始池里，算法没有遗漏任何脆弱集，召回率达到100%。

需要说明的是，这组数字是我在某个具体运行里得到的示意性结果，换成不同随机种子、不同初始池，数值会有波动。但趋势是稳定的：候选规模每轮都会数量级下降，而且真实脆弱集基本都能在最后的小候选池里找到。

4.3 结果解读：哪些故障集合最会“引爆”

把算法筛选出的脆弱集逐个做物理机理复盘，是项目里最有意思的部分。我列几个典型的案例，数据做了脱敏，只说明规律：

第三类案例最值得关注。它提醒我，连锁故障脆弱性不能只靠单一指标排序，比如重载率、灵活性指标之类。像线路{3,5}这种组合，在N-1校核里毫无风险，但在N-2场景下却可能成为系统崩溃的导火索。这也是为什么用枚举或随机化学这类“全面筛查”手段比人工经验判断更可靠。算法输出的不只是一个故障列表，更是一份需要人工逐条做物理复盘的“风险地图”。

4.4 与穷举法的对比：追求“在不可算时算出来”

在39节点系统上，穷举法总共也就16261个候选，用DC潮流模拟一遍全部候选大概需要十分钟级别。随机化学算法跑到最终输出一般在几十秒内，差距已经很明显。但这个对比其实还不够震撼，因为小系统本来就在穷举能力范围内。真正体现算法价值的是它在大型系统上能“算出来”而穷举法根本“算不动”。

我后来把同一套代码迁移到一个包含2000多个节点、约3000条支路的测试系统上。只考虑N-3故障，全组合空间超过45亿，穷举法无论如何都不可能算完。用随机化学算法，同样设置最大筛选轮数和检测器数量，跑了大概四十分钟，输出约200个候选脆弱集合。虽然这时候没有穷举标准答案做绝对召回率评价，但我用多重随机种子做了三次独立运行，把结果取并集之后新增脆弱集数量明显减少，说明算法已经进入“收敛区”。这就是随机化学在实际工程里的定位：不是为了和穷举比精度，而是为了让“不可算”的问题变成“可算”。

5. 常见问题与排查技巧实录

5.1 内存爆炸：别再直接生成全组合

我踩过的第一个坑，就是试图用nchoosek(1:3000, 3)生成全空间候选。这不是慢的问题，是直接内存溢出、Matlab卡死的问题。正确做法在前面提过，初始候选池用随机抽样生成。但要注意，随机抽样后必须做去重，否则同一候选被抽中多次会浪费模拟次数。用unique(..., 'rows')去重时，因为候选向量是稀疏的，我还踩过一个性能坑：直接把二元向量拼成矩阵再unique，矩阵维度是3000行×10万列，内存又爆了。后来改成把每个候选的线路编号编码成字符串或使用稀疏索引，再去重，才彻底解决。

这里有个黄金法则：候选集合的存储格式一定要选对。筛选阶段贪图方便用全长二元向量，会拖垮内存；我最终用的是“每列只存故障线路编号列表”的格式，比如{16,21}就存成[16;21]，列数不齐就用cell数组。虽然MATLAB对cell数组的操作稍慢，但内存占用小了一个数量级，在大系统上这是必须付出的代价。

5.2 线路断开后索引错乱：连锁故障模拟器最常见的bug

连锁故障模拟器最折磨人的问题，就是删行之后的索引错乱。举例来说，原始系统中线路编号是1到46，模拟时你断开了线路5，mpc.branch(5,:)被删掉，那么原来编号6的线路现在就变成了第5行。如果你在下一轮迭代里还想断“线路10”，用的还是老编号10，实际上断掉的是原始编号为11的线路。这种错乱在单重故障模拟里不明显，在N-3多重故障迭代里几乎必现。

我的解决办法很老实：在模拟器入口处，给mpc.branch增加一列原始编号origID，后续所有“该断开哪条线路”的操作都通过查找origID来确定行索引，而不是直接用行号。删除线路之后，剩余的mpc.branch仍然保留各自的origID，所以索引永远不会乱。另外一个相关细节是，删除线路后，mpc.bus和mpc.gen里如果有节点变成孤岛节点，runpf可能因为潮流无解而报错。这种情况应该被判定为“系统解列”并直接返回高风险，而不是当成模拟失败丢到回收站。

5.3 parfor并行效率不升反降

我第一次给筛选循环加parfor时，满怀期待地跑了个大规模测试，结果比单线程还慢。查了半天，发现问题是每个worker都在反复接收一堆大矩阵，比如整个mpc结构、预计算的导纳矩阵、PTDF矩阵，通信开销远大于计算开销。后来我把这些大对象放进parallel.pool.Constant，让它们在并行池启动时只广播一次，worker内部直接访问常量，parfor循环里只传故障组合的编号向量，性能立刻上来了。

还有个不起眼但很关键的点：parfor循环内的simFunc必须是无状态函数，不能在函数内修改全局变量或持久变量，否则并行时会数据竞争。我一开始图方便，在模拟函数里缓存了一些上次的结果，结果在并行池里缓存交替写入，结果完全乱套。记住：并行模拟函数越纯越好，输入是故障集合，输出是失负荷比例，不要有任何隐藏状态。

5.4 结果不稳定，不同随机种子差异大

随机化学算法有随机性，所以不同随机种子跑出的候选池和筛选路径会不一样。脆弱集本身是固定的，理论上多次独立运行取并集能越来越接近完整集合，但代价是运行时间翻倍。我在实践中是这样权衡的：小系统跑3次取并集，保证召回率；大系统跑2次取并集，然后对并集里的候选做枚举验证，如果发现某个候选在两个随机种子下都没被筛出来，大概率不是脆弱集，可以接受漏报风险。

另外，固定随机种子是调试的好习惯。我通常在算法入口加rng(2024)这样的固定种子，这样调试时每次运行结果可复现，改完代码能对比前后差异。等调试稳定后，再放开随机种子做多次运行稳定性测试。

5.5 收敛失败与Matpower警告的处理

runpf在断开多条线路后经常出现“不收敛”警告。这个不一定是代码写错了，而是系统已经出现孤岛或节点孤立。比如断开线路后某台发电机的端节点没有任何线路与之相连，潮流方程就没有解。这种情况下不应该把候选标记为“无效”然后丢掉，应该把它视为“严重事故场景”，直接判为阳性候选。否则会漏掉很多由解列导致的大停电组合。

如果runpf因为数值问题偶尔收敛到奇怪的结果，我推荐在模拟函数里加一个合理性检查：如果迭代结果里出现负电压幅值、离谱相角差，就认为该场景无效。这是从工程经验里换来的教训，我最初直接接受runpf.success=1的结果，结果有个候选被判定为“安全”，但细看数据发现相角差了300多度，明显是数值异常。

6. 从这个小项目里我学到的几件事

项目从头到尾做下来，我最大的体会是：随机化学这个名字虽然唬人，但它真正解决的不是“化学问题”，而是“如何在巨大搜索空间里高效找稀有目标”的问题。算法本身二三十行就能写出来，真正耗时的是把连锁故障模拟器写对、写快，以及把存储格式和并行策略设计好。这个过程再次印证了我一贯的观点：在可靠性分析这类工程研究里，评估模型的质量比搜索算法的花哨程度重要得多——用一个足够快的仿真器，配一个足够稳的搜索框架，就已经能落地解决实际问题了。

另外，这套方法并不是只能用在传统的交流电网里。后续如果要做新能源并网后的弱惯量系统连锁故障、直流闭锁后的功率转移分析，甚至极端天气下多设备同时故障的韧性评估，思路是完全一致的：定义初始故障集合，定义大停电阈值，然后用随机化学去筛。算法输出的候选脆弱集合，再配合详细的时域仿真或物理机理分析，就能形成一份可解释的风险清单。

最后再分享一个小技巧：如果你第一次接触这个算法，不要一上来就挑战几千节点的大系统。我吃过这个亏，在几百节点系统上花了几天找bug，最后发现是模拟器的索引问题，跟算法一点关系都没有。先把算法放在IEEE 39或者IEEE 118这种中小型测试系统上跑通，用穷举法验证召回率，再逐步扩大规模。这套“小系统验证正确性、大系统验证实用性”的流程，能帮你省下大量无效调试时间。