1. 为什么用蒙特卡洛法摸清电动汽车充电负荷做电动汽车充电负荷模拟的初衷多半是充电设施规划、配电网承载力评估或有序充电策略研究。不管具体场景是什么第一个问题永远是到底有多少车在什么时间、什么地点、以多大功率充电这个问题很难用解析式去精确计算。电动汽车用户的充电行为有很强的随机性——有人下班就跑充电桩有人囤到深夜才充有人一天开五十公里有人一周才充一次电。强行给定一个统一曲线误差会大到没法用。蒙特卡洛法正好就是为这种“大量随机个体叠加成整体”的问题而生的。核心思路并不玄先对单辆车的充电行为建立概率模型包括起始充电时间、日行驶里程、充电功率等关键变量然后通过随机抽样的方式模拟出成千上万辆车的充电过程最后把每辆车的充电功率曲线按时间叠加就得到了总体的充电负荷曲线。抽样次数足够多时结果会收敛到统计意义上的稳定值。用Matlab做这件事非常顺手。矩阵化运算天然适合批量生成随机数和批量累加内置的概率分布对象比如makedist、random又能直接对应到各类充电行为假设代码量比Python少一截可视化也省事。这套方法和代码我在实际项目中反复用过接下来把它拆开讲清楚。2. 整体建模思路三类充电模式各有各的“脾性”模拟的第一步不是写代码而是搞清楚三类充电模式的本质区别。常规充电、快速充电、更换电池表面上都是“给车补能”但对电网呈现出来的负荷曲线完全是不同物种。2.1 三类充电模式的行为特征对比常规充电也叫慢充典型场景是居民区过夜充电交流桩功率在3.5kW到7kW左右。充电时间长通常四到八小时用户一般下班到家后插上枪第二天早上拔。负荷特点是“持续时间长、单台功率低、规模化后呈晚高峰叠加”。快速充电直流快充桩功率从30kW到120kW甚至更高典型场景是城市公共快充站和高速服务区。充电时间压缩到二十到四十分钟。负荷特点是“单台功率大、冲击性强、时段跨度覆盖白天和夜间”。一辆120kW快充桩同时充电相当于四五十台慢充桩同时开对配电网的瞬间冲击非常明显。更换电池是把亏电电池卸下来换上满电电池全程五到十分钟。单从电网侧看换电站的负荷本质上是一个“储能型负荷”——电池在站内集中充电再被车辆换走。所以换电负荷的建模不能只看换电动作本身还要看站内电池充电的调度策略这就使得它介于“负荷”和“储能”之间比前两类更有意思。三类模式的对比可以直观整理一下维度常规充电快速充电更换电池典型场景居民区、单位停车场公共快充站、高速服务区换电站充电功率3.5-7kW30-120kW站内集中充电功率较高充电时长4-8小时20-40分钟换电5-10分钟电池集中充电负荷特点持续、低功率、晚高峰叠加冲击性强、功率大、时段分散可控性强、类似储能负荷随机性来源到家时间、是否充电到达时间、需求电量换电需求到达、电池充电策略2.2 建模变量的概率分布假设不管是哪类模式建模逻辑都遵循同一套框架先抽取“这辆车什么时候来充电”再抽取“这辆车需要充多少电”最后根据充电功率算出时长再把功率曲线按时间累加。这里面有三类核心随机变量第一类是起始充电时间。常规充电的起始时间通常用正态分布拟合高峰集中在17点到21点均值在19点左右标准差一到两个小时。快充的到达时间则更接近双峰分布白天和傍晚各有一个高峰部分场景也会简化成正态分布处理。换电模式的车辆到达时间取决于车队的运营规律比如出租车交班时间、公交车收班时间这些需要根据实际运营数据来确定。如果拿不到真实数据用正态分布或者均匀分布做第一版估算也是稳妥的。第二类是日行驶里程它决定了电池的耗电量和所需充电量。大量统计数据表明日行驶里程近似服从对数正态分布均值在30到50公里左右尾部会拖得比较长反映少数高里程用户的存在。第三类是充电功率。常规充电基本是固定功率简化为一个固定值即可快速充电桩功率虽然实际会有功率下降曲线但第一版模拟里可以设定为恒功率换电模式下则更像是站内多块电池按批次充电需要加上调度逻辑。这里要强调一句概率分布的选取直接决定模拟结果的可靠程度。有条件就用自己的充电运营数据去拟合分布参数没条件就用文献里的典型参数先跑通流程后续再用实测数据校准。3. Matlab建模的三个关键环节3.1 单辆车充电行为抽样的实现先说常规充电的单个车辆抽样。需要抽取的变量有两个起始充电时间t_start和充电时长T_charge。起始充电时间可以用正态分布抽样比如设置均值19点钟、标准差1.5小时对应到一天的小时数就是均值19、标准差1.5。充电时长由日行驶里程间接推出来。先抽取日行驶里程d服从对数正态分布然后考虑车辆的百公里电耗E_100和电池容量限制。例如百公里电耗为15kWh/百公里则当天耗电量为d除以100再乘以15。充电电量还要加上充电效率的损耗按90%左右的效率折算到电网侧。最后用充电电量除以充电功率就得到充电时长。% 模拟单辆常规充电车辆的充电参数 mean_d 35; % 日行驶里程对数均值 std_d 1.0; % 日行驶里程对数标准差 P_slow 7; % 常规充电功率, kW E_100 15; % 百公里电耗, kWh/100km eta 0.9; % 充电效率 d lognrnd(mean_d, std_d); % 日行驶里程抽样, km E_need d / 100 * E_100 / eta; % 电网侧充电电量, kWh T_charge E_need / P_slow; % 充电时长, h t_start normrnd(19, 1.5); % 起始充电时间, h这里有个容易被忽视的坑正态分布抽样会产生负值或者超出24小时的值。实际处理时要做边界约束比如限定起始充电时间在8点到24点之间超出边界就重新抽样或者截断。如果模拟的对象是纯夜间慢充可以把起始时间限定在16点到次日4点之间。还要注意电池容量上限。如果日行驶里程特别大计算出的充电电量超过了电池容量需要截断到电池容量值否则会出现充一度电充了二十度的离谱结果。3.2 快充行为的差异化建模快充和慢充在建模上最大的区别在于快充时长短、功率高而且用户“随到随充”的特征更明显所以起始到达时间分布要更宽。快充的充电量同样取决于车辆剩余电量但实际操作中更常见的做法是直接抽取“到达时的SOC荷电状态”。比如SOC服从30%到80%的均匀分布或者围绕某个低值集中。这样做的好处是直接绕开了日行驶里程到耗电量的换算模型更简洁。% 快速充电车辆抽样 soc_arrival unifrnd(0.3, 0.8); % 到达时剩余电量比例 C_battery 60; % 电池容量, kWh soc_target 0.9; % 目标充电比例 E_charge (soc_target - soc_arrival) * C_battery / eta; % kWh P_fast 60; % 快充功率, kW T_charge E_charge / P_fast; % 充电时长, h t_start normrnd(12, 3.5); % 到达时间, 白天为主快充场景还有一个在慢充里不太突出、但在快充里必须考虑的问题充电桩的占用冲突。慢充桩数量通常充裕各自充电互相不干扰但快充站桩位有限车辆到站后如果所有桩都占满后面到的车就得排队等待。完整模拟需要考虑排队逻辑否则在高峰时段会显著高估充电负荷。排队逻辑的经典做法是模拟每辆车的到达时间和服务时长按到达顺序分配桩位没有空闲桩时就进入队列等待。这个在Matlab里用事件循环模拟即可虽然比纯随机抽样稍复杂但结果更贴近实际情况。3.3 换电模式负载的“储能化”建模换电站和充电桩有一个根本性的差异充电桩是车到即充负荷跟着车走换电站则可以在一定程度上主动控制电池的充电时段相当于一个可控负荷兼储能设施。简化建模时把换电站看成一组统一充电的电池组。每天换下来的电池数量是一个随机变量比如按泊松分布抽取或者更精细一点按小时给出一个到达率曲线每个小时用泊松分布抽样换电车辆数。每块换下来的电池剩余电量又是一个随机变量决定了该电池所需的充电量和充电时间。% 换电站电池到达与充电需求模拟 hourly_rate [zeros(1,6), 1,2,3,5,4,3,2,2,3,4,5,4,3,2,1,1,0,0,0]; % 示例 lambda hourly_rate(h); % 第h小时的到达率 num_arrival poissrnd(lambda); % 该小时到达的亏电电池数 soc_back unifrnd(0.2, 0.5); % 回收电池剩余SOC E_need_per_battery (1 - soc_back) * C_battery / eta;换电模式的负荷叠加逻辑也要区别对待。一种简化假设是“电池到站即充”可以把站内充电功率按时间直接叠加另一种更接近实际的做法是加入充电策略比如规定电价低谷时段优先充电、高峰时段适当推迟。加入了这种时间平移逻辑之后换电站的负荷曲线会明显比快充站平缓这恰好是换电模式对电网友好的核心优势。这种可控性也正是为什么换电模式在出租车、公交等运营车辆场景里受到重视的原因。运营车队的换电需求集中在固定时段站点又可以主动错峰充电两者结合起来可以大幅降低充电对区域电网的冲击。4. 蒙特卡洛主循环与负荷累加4.1 主体循环框架怎么写有了单车的抽样逻辑剩下的事情就是把成千上万辆车“投”到一天的时间轴上。常规做法是把一天离散化为分钟或半小时的时间步长初始化一个全零的负荷数组然后循环每辆车把它的充电功率加到对应的时段上。N_ev 10000; % 电动汽车总量 time_step 0.5; % 时间步长, 小时 T 24 / time_step; % 总时段数 P_load zeros(1, T); % 负荷数组 for i 1:N_ev [t_start, T_charge, P_charge] sample_slow_charging(); idx_start round((t_start - 0) / time_step) 1; idx_end min(T, idx_start round(T_charge / time_step) - 1); if idx_end idx_start P_load(idx_start:idx_end) P_load(idx_start:idx_end) P_charge; end end这里面有几个细节值得注意一是起始时间的索引换算。t_start是小时数比如19.5表示晚上七点半换算到半小时步长的索引是(19.5/0.5)1也就是第40个时段。这个换算如果写错整个负荷曲线会整体偏移而且很难排查。二是充电跨天的问题。如果起始充电时间在深夜充电时长导致结束时间超过24点索引会溢出数组边界。上面的代码用min(T, ...)做了截断把超过当天结束的部分砍掉。如果要精确考虑跨天充电对次日凌晨负荷的影响需要把时间轴扩展为多天连续模拟而不是单独模拟“某一天”。三是时间步长的选择。15分钟、30分钟或1小时直接影响计算量和精度。如果模拟目标是观察晚高峰负荷爬坡过程15分钟的步长能看出更多细节如果只是看日负荷总量和峰值1小时步长就够用。我自己做配电网影响分析时通常用15分钟步长做宏观规划时用1小时步长工作量差别很大但结果趋势一致。4.2 大规模蒙特卡洛抽样的效率优化单次模拟10000辆车串行循环在Matlab里跑几百个样本会非常慢。蒙特卡洛法通常要跑500到2000次抽样才能让结果稳定下来如果每次都循环10000辆车循环次数是千万级别效率完全不可接受。优化思路是把单车抽样改写为向量化操作。一次性用lognrnd生成一个10000行的列向量一次性用normrnd生成对应的起始时间向量然后对充电时长做向量运算最后把功率按照时间索引累加到负荷数组上。这个思路的关键在于每个样本的充电窗口位置和长度都不相同向量化的累加无法直接用普通矩阵运算完成需要借助accumarray这类按索引累加的函数。% 向量化生成大规模充电场景 N_ev 10000; d_all lognrnd(mean_d, std_d, N_ev, 1); E_need_all d_all / 100 * E_100 / eta; T_charge_all E_need_all / P_slow; t_start_all normrnd(19, 1.5, N_ev, 1); % 过滤异常值 valid (t_start_all 8) (t_start_all 24); t_start_all t_start_all(valid); T_charge_all T_charge_all(valid); % 按半小时时段累加 idx_start floor(t_start_all / time_step) 1; idx_end floor((t_start_all T_charge_all) / time_step) 1; idx_end min(idx_end, T); counts accumarray(idx_start, 1, [T, 1]); % 每个时段起始充电的车辆数 durations accumarray(idx_start, T_charge_all, [T, 1]); P_load P_slow * (counts durations / time_step - 1);上面的写法是一种近似把充电时长折算到起始时段里。更精确的做法是每个时段都计算在该时段内“正在充电”的车辆数然后乘以单台功率。不过对于常规慢充因为充电时长远大于时间步长这种近似在工程上完全够用。向量化的收益非常明显。10000辆车的抽样和叠加在Matlab里只需要几毫秒到几十毫秒相比串行循环提速百倍不止。蒙特卡洛外层跑1000次抽样整体时间从几十分钟压缩到几分钟这才是“能实际做敏感性分析”的层次。4.3 模拟次数的确定与收敛性判断蒙特卡洛模拟的次数不能拍脑袋定。核心原则是抽样次数要大到让统计指标的波动下降到可接受范围内。一个常用做法是分段模拟并观察关键指标的变化。比如先跑100次记录日峰值负荷再跑200次、400次、800次画一条“模拟次数-峰值负荷均值”的曲线横轴模拟次数纵轴平均日峰值。随着次数增加曲线会逐渐收敛并趋于平稳。当曲线变得基本平坦时再增加次数收益已经很小了。另一个更正规的做法是计算变异系数。取多次模拟的日峰值负荷样本计算标准差和均值的比值变异系数降到5%以下通常认为结果足够稳定。以常规充电模拟为例如果日峰值负荷均值是3000kW标准差是120kW变异系数就是4%可以判定模拟结果收敛。peak_all zeros(n_mc, 1); % n_mc为总模拟次数 for k 1:n_mc P_load simulate_one_day(N_ev); % 单次模拟函数 peak_all(k) max(P_load); end peak_mean mean(peak_all); peak_std std(peak_all); cov_peak peak_std / peak_mean;我自己习惯先跑一个50次的快速预测试把分布参数、边界条件和代码逻辑确认无误后再跑500到1000次的正式模拟。别一上来就设个10000次万一参数有问题等两个小时才发现结果全是错的非常浪费时间。5. 结果可视化与典型曲线解读5.1 三类充电模式的负荷曲线画像把三类充电模式的负荷曲线画在同一个图里是检验模型合理性最直观的方式。这里可以清晰地看到三类模式的差异化特征常规充电的负荷曲线呈现明显的“双峰”结构晚高峰从18点左右开始爬升20点到21点达到峰值之后缓慢下降凌晨4点到6点降到低谷。因为常规充电车辆基数大、单台功率低曲线看起来比较平滑丰满。快速充电的负荷曲线则相对平缓且跨度大。白天各时段都有车辆充电晚上也可能因为需要补电而保持一定负荷。由于单台快充功率大即使同时充电的车辆数不多整体负荷水平也能达到可观数值。峰值时段和常规充电的晚高峰不一定重合这使得快充可以部分“填充”慢充的低谷时段但也可能在特定时段造成冲击。更换电池的负荷曲线则取决于站内充电策略。如果不加控制到站即充曲线可能有两个明显的峰对应车队交接班或运营高峰时段如果加入错峰策略曲线会显著削峰填谷白天的峰值被压低凌晨低谷时段的充电比例上升。我建议画图时把三条曲线归一化到各自的最大值上先看“形状差异”再按同一数量级的车辆规模放在一起看“量级差异”。两种视角下得出的结论完全不同前者看趋势后者看配电网实际压力。5.2 敏感性分析可视化关键参数对峰值负荷的影响模型跑通之后不能只输出一张曲线图就完事最体现价值的环节是敏感性分析。核心目的找到对负荷影响最大的输入参数为充电设施规划提供直接参考。可以选三四个关键参数做单因素扫描比如慢充起始时间的均值早高峰提前或延后、快充占比车辆中装快充的比例、换电站电池数量。每次只变一个变量观察日峰值负荷和总充电量指标的变化画出类似“参数值-峰值负荷”的折线图。以快充占比为例随着快充车辆占比从10%升到50%日峰值负荷会快速上升而且峰值出现的时间点也可能偏移。这是因为快充功率大少量车辆叠加就能显著抬高某一时段的负荷。如果把慢充起始时间均值从18点调整到21点晚高峰峰值可能会降低但出现时间后移对配电网晚高峰的错峰匹配属于积极的调整。这种图表对决策层特别有用不需要解释太多模型细节一眼就能看出“哪几个因素对电网压力影响最大”“错峰策略能带来多少收益”。5.3 置信区间与不确定性表达蒙特卡洛模拟天然能给出不确定性信息这点在实际报告里往往比单条均值曲线更受重视。具体实现上把多次模拟结果按每个时段取分位数画出一组“包络带”。常见做法是取5%和95%分位数作为下界和上界中间涂一个浅色区间代表“有90%的把握负荷在这个范围内”再叠加50%分位数曲线作为典型场景。P_mat zeros(n_mc, T); for k 1:n_mc P_mat(k, :) simulate_one_day(N_ev); end p_low prctile(P_mat, 5, 1); p_mid prctile(P_mat, 50, 1); p_high prctile(P_mat, 95, 1); figure; fill([1:T, fliplr(1:T)], [p_low, fliplr(p_high)], ... [0.9, 0.9, 0.9], EdgeColor, none); hold on; plot(p_mid, k-, LineWidth, 1.5);这个图对配电网规划意义重大。一条100%准确但单一的场景曲线容易给规划人员一种“这个数一定是对的”的错觉加上包络带之后读图的人能明显感知到负荷的不确定性范围规划容量时自然就会考虑预留适当的裕度。我在实际报告里通常还会把峰值负荷的分位数表格化比如“常规充电模式下日峰值负荷的90%置信区间为2400kW到3100kW”这样既有数字也有区间比单给一个均值更有说服力。6. 常见问题与排查技巧实录6.1 起始时间索引换算错误导致曲线平移这是我自己踩过最多次的坑。比如t_start是19.5time_step是0.5正确索引是19.5/0.5140如果写成了round(19.5/0.5)1好像碰巧得到同样的结果。但如果t_start是19.7round之后变成了20索引变成41负荷峰就会被错误地平移到20点钟。这类错误在图上不易察觉因为曲线形状完全正常只是整体偏移了一两个时段。排查方法很简单把单次模拟的车辆参数打印出来手工计算索引核对累加位置是否对得上。不要等到画图阶段才发现不对。6.2 随机数种子不固定导致结果无法复现蒙特卡洛模拟有随机性两次运行结果不可能完全相同这是正常现象。但在项目调试和论文投稿阶段必须保证结果可复现否则评审或同事没法验证你的结论。解决办法是在每次完整模拟开始前固定随机数种子。rng(2024); % 固定随机数生成器种子固定种子后不管跑多少次同一环境下生成的随机数序列完全一致模拟结果自然可以复现。注意这个设置必须在所有随机数调用之前执行。6.3 数据“漏了”效率损耗导致结果偏低我见过不止一次出现这样的情况充电电量直接用电池侧电量没有除以充电效率。S15kWh的电池需要补充的电量电网侧实际供应可能是17kWh左右差出的部分变成热量损耗了。在模拟中虽然这个系数不会改变负荷曲线形状但会影响整体负荷水平。如果模拟用于电价策略分析或变压器容量校核漏了这个10%的系数结果会系统性偏低。6.4 充电重叠极端场景下的过载判断模拟输出的平均曲线只是平均水平。某些极端场景下比如节假日返程高峰的快充站到达车辆数远超模型平均值快充站负荷可能飙到平均值的两到三倍。如果只按平均值配置变压器容量真实运行中过载跳闸的概率不低。排查办法不只看均值曲线也用95%分位数甚至最大值曲线进行校核。配电网容量规划时建议按高峰场景预留20%到30%裕度这是我在实际工程里对比运行数据后总结出的经验数字。6.5 停车时长与充电时长不匹配的处理现实中有不少用户“充完也不走”车占着桩但实际已经不在充电。模型如果假设车辆到达即充电、充完即离开实际桩位利用率会比模拟结果高排队概率比模拟结果大。这种偏差在慢充场景不明显但在快充站非常致命。解决办法把“停车时长”作为独立随机变量加入模型充电时长为min(停车时长, 需求充电时长)。停车时长一般用对数正态分布拟合平均1到2小时快充站场景可能更短。加入这个变量后模拟结果会更接近真实运营数据。7. 我的一点实操心得电汽车充电负荷模拟这个题目看起来是纯写代码的事但实际做下来我最大的体会是模型的价值不在“多用蒙特卡洛”这个名头而在概率分布和边界条件的设定是否贴近真实场景。代码写得再漂亮分布假设错了结果也就只能当参考。起步阶段建议先用慢充模型把整个流程跑通加上可视化确认曲线形态合理后再依次加入快充、排队、换电调度等因素。模块化拆分可以帮你在每个环节单独验证。关于仿真工具Matlab的随机数生成、矩阵运算和绘图能力在做这类模拟时相当顺手特别是向量化优化后千次级别的蒙特卡洛模拟完全可以在普通笔记本上几分钟内完成。如果后续要做更复杂的交通网-配电网耦合仿真可以考虑把模型移植到Python生态但就“充电负荷估算”这个目标而言Matlab方案简洁够用。对于刚入门的读者也别一上来就追求完美模型。先做一版最简假设、跑出结果、画出曲线、解释规律再逐步增加细节。先把“从随机行为到总体负荷”这条主链路吃透后面加任何复杂度都是水到渠成的事。