一直想系统整理一下电动汽车充电负荷预测这块的内容。做这块研究的人应该都有体会文献里一抓一大把蒙特卡洛预测的文章但真正把数学原理、抽样逻辑、代码实现串起来讲清楚的却不多。很多人照着论文复现卡在参数设置和聚合细节上跑出来的曲线要么形状不对要么数量级离谱。这篇博文就基于我个人复现和改造的Matlab代码把电动汽车充电负荷的蒙特卡洛预测方法完整拆开讲一遍从概率建模到代码实现再到结果解读希望能给正在做相关课题的同学一点实际参考。1. 为什么充电负荷预测必须上蒙特卡洛从单车行为到大规模聚合1.1 充电负荷的随机性到底从哪来电动汽车充电负荷和传统居民负荷最大的区别在于它的波动性不是来自电网侧的设备启停而是来自用户侧的用车行为。车什么时候开出去、开多远、什么时候回来、回来之后插不插枪、插了之后充多久这一连串决策几乎全是随机的。你没法像建模空调负荷那样用温度和时刻就能大致推断出运行状态因为电动车用户的个人习惯差异太大了。具体拆开看充电负荷的随机性主要来自四个维度。第一个是时间维度不同用户的通勤习惯不同有的下班早五点就到家有的加班到十点才回起始充电时间天然呈现多峰分布。第二个是空间维度不同区域的充电设施配置不同小区慢充桩、公司停车场、商圈快充站用户会在不同场景下选择不同功率的充电设备这直接改变了单台车的功率曲线。第三个是车辆状态维度电池容量、续航里程、百公里电耗、当前SOC每辆车都不一样都是影响充电时长的关键变量。第四个是用户心理维度有的人习惯每天到家就充满有的人喜欢用到低电量再充还有的人只在电价低谷时段启动充电。正因为这些随机因素相互叠加充电负荷曲线不可能用一个确定性的公式去表达。这就是蒙特卡洛方法在该领域能够成为主流方法的核心原因它不试图去预测每一辆车的具体行为而是通过大量随机抽样去模拟群体的统计规律最终聚合出一条具有概率意义的负荷曲线。1.2 确定性方法在什么情况下会失效很多人可能会想既然有随机性那么用平均行驶里程、平均起始充电时间、平均充电功率算一条典型曲线不就行了这类确定性方法确实简单在很多宏观规划场景下也能用但它有几个致命的问题。第一平均值的组合未必是真实场景。假设你取日均行驶里程40公里、起始充电时间18:00、充电功率7kW这三个平均值组合起来确实能算出一天的电量需求但现实中同时处于这三个平均状态的车占比极小。第二确定性方法无法给出负荷的波动范围。电网规划和充电设施配置需要知道的是最坏情况下负荷能到多少而平均值方法只能给出一条单薄的曲线完全丢失了方差信息。第三当不同行为之间存在相关性时比如周末行驶里程长且起始充电时间晚确定性方法无法描述这种联合分布的影响。这也是我实际做项目时被逼着转向蒙特卡洛的直接原因。当时按平均值估算的小区配变容量结果实际峰值负载比估算值高了将近30%原因就是忽略了不同车辆充电行为在傍晚时段集中的叠加效应。所以从工程实用性角度看确定性方法只能用于粗略估算真正做精细化预测还是得靠概率方法。1.3 蒙特卡洛方法的基本思想和工作流程蒙特卡洛方法本质上是一种基于大数定律的统计模拟方法。它的核心思路很简单既然单台车的充电行为是随机的那就按照概率分布大量抽样生成成千上万个虚拟车主的完整充电过程然后把这些过程叠加起来形成总体的负荷曲线。只要抽样次数足够多统计结果就会收敛到真实分布。用一句话概括蒙特卡洛在充电负荷预测里的逻辑抽一个随机数对应一辆车的某一种行为抽N次随机数对应N辆车的N种行为组合把N辆车的行为叠加就是整个车群的充电负荷。迭代M次M轮场景M条负荷曲线就能给出负荷的期望值和置信区间。具体的流程大致分五步根据统计数据分析用户行为参数的概率分布主要是起始充电时间、日行驶里程、充电功率等。在Matlab中用随机数生成函数按这些分布抽样为每辆车分配一组行为参数。根据每辆车的行为参数计算该车的充电时长、充电功率、充电时段生成单台车的负荷序列。将所有单台车负荷序列在时间轴上对齐叠加得到总体的充电负荷曲线。重复上述过程M次对M条负荷曲线求均值和置信区间得到最终的预测结果。这五步看起来简单但每一步都有大量细节需要打磨。下面我从概率建模开始逐步拆解。2. 先过建模这一关把用户行为变成概率分布2.1 起始充电时间一天里什么时候开始充起始充电时间直接决定了负荷曲线在一天中的分布形态是影响力最大的一个随机变量。实测数据规律显示居民区慢充场景下用户的起始充电时间通常呈现明显的晚高峰特征集中在18:00到21:00之间部分用户甚至会延迟到凌晨。主流文献中的处理方式是分段正态分布。晚高峰时段用正态分布拟合均值在18点至20点之间凌晨充电时段主要是网约车或执行分时电价的用户再用一个均值在22点至24点的正态分布叠加描述。有些改进研究还会引入第三个正态分布来刻画午间工作地充电的情况。分段正态分布的数学表达为f(t) w1·N(t; μ1, σ1²) w2·N(t; μ2, σ2²)其中w1和w2是两个分布的权重系数μ和σ分别对应均值和标准差。这里有一个我个人踩过坑的细节起始充电时间的数据如果来自问卷往往会因为用户记忆偏差导致分布过于集中实际的中位时间会略晚一些。所以当采用文献参数时我会习惯性地把均值往后挪0.5到1个小时再和实际的配变负荷数据做比对校准。这样校准之后配变晚高峰的预测准确度会有明显提升。2.2 日行驶里程这个参数决定了每辆车要充多少电日行驶里程是用来推算充电所需电量的关键参数。你对单台车而言日行驶里程越长当天消耗的电量越多回家后需要充入的电量也越多充电时长自然更长。大量统计研究表明私家车的日行驶里程符合对数正态分布其概率密度函数为f(d) 1/(d·σ√(2π)) · exp(−(ln d − μ)²/(2σ²))d为日行驶里程μ和σ分别为ln d的均值和标准差。不同地区的系数会有差异但总体形态高度一致。实际计算时每辆车当天消耗的电量E_consume d·E_per_km / 100其中E_per_km是百公里电耗单位kWh/100km。当前SOC等于SOC_current 1 − E_consume / C_batteryC_battery为电池容量单位kWh。如果用户回家充电的SOC阈值设为SOC_target比如0.8或0.9则所需充电量为E_charge (SOC_target − SOC_current)·C_battery。注意日行驶里程与起始充电时间之间其实存在弱相关性开得远的人往往回家更晚。理想情况下应该用Copula函数构建联合分布但实际工程中大部分研究都会假设二者独立以简化计算对宏观负荷预测结果影响不大。我在代码里保持了独立性假设这样做快速且不易出错。2.3 充电功率与电池容量的匹配关系充电功率不是一个随机变量但它的取值会显著影响负荷曲线的峰值和持续时间。现实场景中充电功率取决于充电桩类型。我整理了常用充电场景的参数对照充电场景额定功率kW适用场景单次充满典型时长家用慢充交流3.5 / 7小区私人桩6~10小时公共慢充交流7 / 14停车场、办公区3~6小时公共快充直流30 / 60 / 120高速服务区、城市快充站0.5~1.5小时超级快充直流150以上新型超充站0.2~0.5小时在Matlab实现中通常的做法是给每辆车按设定比例分配充电功率比如80%的车辆使用7kW慢充15%使用60kW快充5%使用120kW超充。这个比例需要在代码中设为可变参数方便后续做不同场景的对比分析。电池容量同样需要多样化处理因为不同车型的电池差异巨大。小型电动车电池容量大约在30~50kWh中大型轿车在60~100kWh。建模时可以用均匀分布或按车型比例抽样的方式给每辆车分配电池容量。2.4 分布参数从哪里来分布参数是整个模型的地基参数拿不准后面算得再精细都是自欺欺人。常见的数据来源有三个渠道。第一是公开的出行调查数据库最经典的是美国NHTSNational Household Travel Survey国内也有类似的城市居民出行调查数据。NTPS数据库统计的私家车日行驶里程对数正态分布参数大约在μ3.2、σ0.9附近。第二是车企或充电运营商的脱敏数据这类数据的置信度最高但获取门槛也高。第三是已发表文献中的参数适合做初步研究时快速起步。我的建议是如果做研究论文优先采用已发表文献中的标准参数并在论文中注明参数来源如果做工程落地一定要用本地充电桩的实际运行数据去重新拟合分布参数。文献参数和本地实际数据之间的偏差往往是预测误差的主要来源。这个道理朴素但容易被忽视——很多同学从文献里抄了一组参数跑完发现误差很大就急急忙忙去找模型的问题其实根源是水土不服。3. Matlab代码实现从单辆车推演到大规模聚合3.1 总控流程与代码结构先把整体流程说清楚再上代码。Matlab程序的主干结构分为四个模块参数配置模块设置车辆数、渗透率、分布参数、充电功率比例、场景生成模块随机抽样生成每辆车的起始充电时间、日行驶里程、电池容量、充电功率、单台车负荷计算模块推算充电时长、充电时段并生成负荷序列、统计聚合模块叠加所有车辆负荷迭代多轮场景输出期望负荷曲线与置信区间。实际写代码时我通常会单独建一个config结构体存放所有参数方便批量跑敏感性分析。下面的代码是我精简后的版本保留了核心逻辑读者可以直接复制运行。3.2 生成随机场景核心随机数的采样逻辑先看场景生成部分。我用lognrnd函数生成对数正态分布的日行驶里程用normrnd生成正态分布的起始充电时间用randi按比例分配充电功率类型和电池容量档位。需要特别提醒的是随机数种子的设置。蒙特卡洛方法每次都生成新的随机数没有固定种子的话两次运行结果天然会有差异。做科研写论文时务必在程序开头设置rng(固定值)保证结果可复现审稿人要求提供原始数据时也能经得起验证。clc; clear; close all; rng(2024); % 固定随机数种子保证可复现 % 1. 参数配置 N 10000; % 仿真车辆数 M 500; % 蒙特卡洛迭代次数 time_step 15; % 时间步长分钟 total_points 24*60/time_step; % 一天96个时间点 % 车辆行为分布参数 mu_start 17.8; % 起始充电时间均值小时 sigma_start 2.1; % 起始充电时间标准差小时 mu_mileage 3.2; % 日行驶里程对数均值 sigma_mileage 0.9; % 日行驶里程对数标准差 % 车辆参数 E_per_km 15; % 百公里电耗kWh/100km SOC_target 0.9; % 目标充电SOC SOC_min 0.2; % 最低允许SOC % 充电功率分配比例对应3.5/7/60/120kW power_levels [3.5, 7, 60, 120]; power_ratio [0.15, 0.70, 0.10, 0.05]; % 电池容量分配比例对应40/60/80kWh capacity_levels [40, 60, 80]; capacity_ratio [0.3, 0.5, 0.2];3.3 单台车负荷计算SOC与充电时长的推导这部分的逻辑不复杂但边界条件很容易出问题。核心计算链路是行驶里程d → 耗电量E_consume → 当前SOC → 所需充电量E_charge → 充电时长T_charge → 充电起止时段。计算SOC时有个细节要处理如果当前SOC已经低于某个极值比如0.1用户实际上撑不到回家充电行驶途中必须去快充站这种场景属于紧急充电在本模型中应单独处理或直接忽略。我的做法是设置SOC_min当日行驶里程导致SOC低于该值时把SOC强制设为SOC_min并把这辆车标记为快充用户用快充功率计算短时充电。充电时长的计算公式为T_charge E_charge / P_charge。% 2. 蒙特卡洛主循环 load_all zeros(M, total_points); for m 1:M % --- 2.1 随机抽样生成车辆行为参数 --- T_start normrnd(mu_start, sigma_start, N, 1); % 起始充电时间 D lognrnd(mu_mileage, sigma_mileage, N, 1); % 日行驶里程 % --- 2.2 分配充电功率和电池容量 --- P_charge zeros(N, 1); C_battery zeros(N, 1); for i 1:N rnd_p rand(); cum_ratio cumsum(power_ratio); for k 1:length(cum_ratio) if rnd_p cum_ratio(k) P_charge(i) power_levels(k); break; end end rnd_c rand(); cum_cap cumsum(capacity_ratio); for k 1:length(cum_cap) if rnd_c cum_cap(k) C_battery(i) capacity_levels(k); break; end end end % --- 2.3 计算每辆车的充电需求 --- E_consume D * E_per_km / 100; % 当天耗电量 SOC_current 1 - E_consume ./ C_battery; % 到家时SOC SOC_current(SOC_current SOC_min) SOC_min; % 下限保护 E_charge max(0, (SOC_target - SOC_current) .* C_battery); % 需要充电的电量 T_charge E_charge ./ P_charge; % 充电时长小时 % --- 2.4 单台车负荷序列生成与聚合 --- load_curve zeros(N, total_points); for i 1:N idx_start round(T_start(i) / (time_step/60)) 1; idx_end round((T_start(i) T_charge(i)) / (time_step/60)) 1; if idx_end total_points idx_end total_points; end if idx_start 1 idx_start 1; end if idx_start idx_end load_curve(i, idx_start:idx_end) P_charge(i); end end load_all(m, :) sum(load_curve, 1); end % 3. 结果统计 load_mean mean(load_all, 1); % 期望负荷 load_std std(load_all, 0, 1); % 标准差3.4 多车负荷聚合与向量化优化上面代码为了可读性在功率分配和负荷序列叠加处用了for循环。当N10000、M500时内层循环的开销会比较大跑完一轮大概需要几十秒到几分钟取决于电脑配置。如果要做大规模参数扫描这个速度显然不够。这里分享一个Matlab向量化优化思路。功率分配可以用discretize函数一步到位避免内层for循环edges_power [0, cumsum(power_ratio)]; P_charge power_levels(discretize(rand(N,1), edges_power));负荷聚合部分虽然每辆车的起止时段不同无法完全去掉for循环但可以先计算所有车的idx_start和idx_end然后用accumarray这类函数做稀疏叠加效率会提升数倍。在实际工程项目中我通常把N控制在5000左右M控制在200到500之间在这个规模下上述代码的运行时间已在可接受范围内无需过度优化。3.5 完整可运行的Matlab代码把上面各段合并为一个完整的脚本这里给出我实测可运行的版本。我将循环内的功率分配改为向量化写法并在负荷聚合前对超范围索引做了统一裁剪。请读者运行后先检查输出曲线的数量级在下节我会说明如何判断结果是否合理。clc; clear; close all; rng(2024); N 10000; M 500; time_step 15; total_points 24*60/time_step; mu_start 17.8; sigma_start 2.1; mu_mileage 3.2; sigma_mileage 0.9; E_per_km 15; SOC_target 0.9; SOC_min 0.2; power_levels [3.5, 7, 60, 120]; power_ratio [0.15, 0.70, 0.10, 0.05]; capacity_levels [40, 60, 80]; capacity_ratio [0.3, 0.5, 0.2]; load_all zeros(M, total_points); for m 1:M T_start normrnd(mu_start, sigma_start, N, 1); D lognrnd(mu_mileage, sigma_mileage, N, 1); edges_power [0, cumsum(power_ratio)]; P_charge power_levels(discretize(rand(N,1), edges_power)); edges_cap [0, cumsum(capacity_ratio)]; C_battery capacity_levels(discretize(rand(N,1), edges_cap)); E_consume D * E_per_km / 100; SOC_current 1 - E_consume ./ C_battery; SOC_current(SOC_current SOC_min) SOC_min; E_charge max(0, (SOC_target - SOC_current) .* C_battery); T_charge E_charge ./ P_charge; idx_start round(T_start / (time_step/60)) 1; idx_end round((T_start T_charge) / (time_step/60)) 1; idx_start max(1, min(idx_start, total_points)); idx_end max(1, min(idx_end, total_points)); load_curve zeros(N, total_points); for i 1:N if idx_start(i) idx_end(i) load_curve(i, idx_start(i):idx_end(i)) P_charge(i); end end load_all(m, :) sum(load_curve, 1); end load_mean mean(load_all, 1); load_std std(load_all, 0, 1); time_axis (1:total_points) * time_step / 60; figure; plot(time_axis, load_mean/1000, b-, LineWidth, 1.5); hold on; plot(time_axis, (load_mean 1.96*load_std)/1000, r--, LineWidth, 1); plot(time_axis, (load_mean - 1.96*load_std)/1000, r--, LineWidth, 1); xlabel(时刻 (h)); ylabel(充电负荷 (MW)); legend(期望负荷, 95%置信区间上界, 95%置信区间下界); grid on;4. 仿真结果怎么读典型曲线、置信区间和收敛性4.1 一天充电负荷曲线的形态特征按上述参数跑完期望负荷曲线应该呈现明显的双峰或单峰拖尾形态。以居民区慢充为主场景时主峰出现在19:00到22:00之间峰值的具体位置取决于起始充电时间的均值。若mu_start17.8负荷从17:00左右开始爬升18:30后快速上升大约在20:00到21:00之间达到峰值随后缓慢下降凌晨2点以后基本进入平台期。曲线形态为什么会这样因为起始充电时间集中在18:00到21:00而充电时长普遍在4到8小时之间导致负荷高峰从傍晚一直延续到深夜。快充比例提高时峰值会出现得更早且更尖锐因为快充车辆充电时间短、瞬时功率高。读者可以通过调整power_ratio观察曲线形态的变化这也是验证代码是否正确的一种方式。关于数量级的判断标准N10000辆车单车平均充电功率约在8kW左右考虑快充比例峰值时段同时充电比例大约40%到60%所以峰值功率应该在30MW到50MW之间。如果你跑出来的峰值只有几百千瓦说明大概率是概率抽样环节出了问题比如T_charge计算错误或者负荷叠加时索引错位。4.2 置信区间怎么算蒙特卡洛的一个显著优势是能提供负荷的概率分布信息。M轮模拟相当于做了M次独立实验每次得到一条负荷曲线那么在每一时刻M个负荷值就可以视为该时刻负荷的一个样本集可以计算均值和标准差。95%置信区间用1.96倍标准差近似CI [μ − 1.96σ, μ 1.96σ]。这里必须强调95%置信区间的含义是真实负荷有95%的概率落在这个区间内而不是95%的车辆都在这条曲线附近。很多初学者会混淆这两个概念。在实际工程应用中配变容量选择通常参考置信区间上界而不是期望值。比如按上面的仿真结果如果期望峰值是40MW95%置信区间上界可能是45MW那么规划充电设施时就应该按45MW甚至再留出10%到20%的裕度来配置变压器容量。这比单纯看期望曲线安全得多也是电网规划人员更关心的数据。4.3 蒙特卡洛要跑多少次才够这是被问得最多的问题之一。M太小统计结果抖动明显置信区间不稳定M太大计算耗时呈线性增长。什么才是合理的迭代次数标准做法是观察均值和方差的收敛情况。以峰值负荷为例你可以分别用M50、100、200、500、1000跑几组实验记录峰值负荷的均值和标准差绘制收敛曲线。当M继续增大而结果不再显著变化时就说明已经收敛。以我的实测经验对于N10000辆车的场景M200时均值已经相当稳定波动在1%以内M500时置信区间的边界也基本平稳。所以代码中默认设置M500是合理的兼顾了精度与速度。如果你的场景更复杂比如加入了气象因素、交通路况等收敛速度会变慢需要适当增加迭代次数。还有一个容易被忽视的问题N和M不是独立的。N决定了单轮模拟中车辆的覆盖程度M决定了统计样本量。当N较小时比如只有1000辆车单轮模拟结果的方差偏大需要更多的M来平滑统计结果。当N较大时比如50000辆车单轮结果已经很平滑M可以适当减少。5. 实际应用中必须注意的坑和我的参数调优经验5.1 随机数种子与结果可复现写论文时这个细节特别重要。审稿人或者同行如果要复现你的结果没有固定种子的话他们跑出来的曲线与论文中的曲线会有轻微差异这会引发不必要的质疑。使用rng(固定值)之后每次运行结果完全一致这是一个成本几乎为零但价值很高的好习惯。另外一个相关的小技巧是在做参数敏感性分析时不同参数组合之间最好使用不同的随机数种子或者干脆在生成随机数时采用共同随机数法Common Random Numbers即所有场景使用同一组随机数序列只改变待分析的参数。这样能有效降低随机噪声对参数敏感性判断的干扰让对比结果更加清晰。5.2 边界条件处理不当最容易出bug我调试这段代码的过程中最容易出问题的不是数学推导而是索引边界。起始充电时间可能落在凌晨零点前后充电结束时间可能超过午夜24点这些都会导致索引超出1到96的范围。处理不当的直接表现是报错Index exceeds array bounds或者曲线在首尾出现异常的尖峰。解决思路有两个。第一种是裁剪把idx_start和idx_end都限制在合法范围内超出的部分直接忽略。它在充电持续到次日凌晨时会低估跨天充电量。第二种是绕行把一天的负荷序列首尾相连把跨过零点的充电时段拆成两段一段接在当天末尾一段接在次日开头。工程上更精确但实现稍复杂。上面代码中我采用了裁剪方式如果研究场景跨天充电比例较大建议升级成绕行方案。还有个细节是起始充电时间的采样方式。normrnd生成的是连续时间可能出现在凌晨3点这样的时段。如果研究目标聚焦于居民区晚高峰这没问题但如果想模拟的是到家后立即充电的行为凌晨3点到家的情况在现实中其实是网约车司机的典型场景此时应该按不同用户类型分别建模而不是混在一个正态分布里。5.3 参数敏感性哪些参数最值得花时间去校准做项目时没有精力去精确标定所有参数必须知道哪些参数对结果影响最大把精力集中在刀刃上。我做了大量敏感性测试后的排序如下参数对峰值负荷的影响程度对负荷曲线形状的影响起始充电时间均值极高决定峰值出现时刻和峰值高度充电功率类型比例极高快充比例越高峰值越尖锐日行驶里程均值高影响总充电量和峰值高度目标SOC中影响充电时长对峰值影响有限电池容量分布低对总体负荷影响不大这个排序对我调整模型重点很有帮助。如果预测结果和实际数据偏差较大我会优先检查起始充电时间的mu_start是否准确然后调整快充比例而不是花时间微调电池容量的分布参数。记住一个原则建模要抓主要矛盾所有参数都精细标定既不现实也无必要。5.4 从研究到落地模型还可以怎么扩展这套蒙特卡洛框架是一个很好的基础版实际工程中可以在其上叠加很多扩展功能让模型更贴近真实世界。第一考虑温度影响。低温环境下电池可用容量下降、制热负荷增加导致实际充电量和行驶电耗显著上升冬夏负荷差异明显。可以引入温度修正系数按季节调整E_per_km和电池容量参数。第二考虑充电桩数量约束。如果小区充电桩数量有限不是所有回到家的车都能立即充电部分车要排队等待。这是典型的排队论问题可以在蒙特卡洛框架中加入排队子模块。第三考虑电价响应。如果实行分时电价很多用户会主动把充电时段推迟到低谷时段起始充电时间的分布会产生迁移。这一点可以在抽样时加入电价响应概率模型。第四考虑车辆渗透率的时间演化。当前模型假设车辆数量固定实际做中长期预测时充电负荷会随电动车渗透率逐年增长需要把时间因素耦合进模型。我在实际项目中只做到了第一和第二种扩展排队模型对峰值的影响确实显著特别是在充电桩数量不足的小区场景下峰值会被削平且后移。如果读者有兴趣这一块我会再写一篇专项内容展开。最后再分享一个调试小技巧代码跑完不要只盯着曲线看先把负荷总量算出来和理论值做交叉验证。根据N10000辆车、日均行驶40公里、百公里电耗15kWh每天总充电量大概是10000×40/100×1560000kWh。如果仿真结果的总用电量偏离这个值超过10%那建模或者计算链路中一定有bug需要回头检查。用这个方式验证比盯着曲线猜问题高效得多。