做电动汽车充电负荷仿真的活儿看着简单里头的门道其实不少。很多人手里拿到一片区域的EV规模数据后第一反应是用“平均功率×车辆数”直接画一条直线但真实充电行为完全是随机事件——几点插枪、充多久、用快充还是慢充每辆车都不一样。蒙特卡洛模拟就是处理这种随机性的标准工具通过海量抽样把不确定性转化成一条带统计意义的24小时负荷曲线。这篇文章就从零讲清楚我用Matlab做EV充电负荷仿真的完整过程重点是按充电频次把用户分成一充、二充、三充三类分别建模再做蒙特卡洛抽样最终输出负荷曲线。做配电网规划、充电桩容量设计和微网调度的人以及准备拿这类仿真做课程设计或论文的同学都可以直接参考这套流程。1. 为什么用蒙特卡洛模拟电动汽车充电负荷1.1 一充、二充、三充三类用户划分的价值先想一个问题一个小区里500辆电动汽车每辆车充电行为都一样吗显然不是。有人是普通上班族每天通勤20公里晚上回家插上慢充第二天满电出门这是一充有人通勤距离远中午趁午休在单位附近快充半小时补一次电晚上回家再充一次这是二充还有跑网约车、出租或者做物流配送的一天要跑两三百公里早上出车、下午收车、晚上回家路上得补好几次电这是三充。如果不做分类把所有车混在一起取平均值最后得到的负荷曲线会非常“平”中午和晚上的尖峰都会被抹掉峰谷特征完全失真。而把用户按充电频次分开建模就能清晰地看到不同用户群体对电网负荷的叠加效果——晚上的一充用户形成夜间宽峰午间的二充、三充用户形成白天的窄尖峰。这对规划充电桩很有用如果一个区域里网约车比例高白天快充需求就大光靠晚间慢充曲线来设计容量肯定会出偏差。有人会问三类比例怎么定这没有统一答案需要结合所在城市的出行调查数据、车辆保有结构、网约车渗透率来标定。一般当下大部分城市私家车占绝对主体一充比例在50%上下二充在30%左右三充约20%。这个比例后期可以按实测数据调整我做的代码里把比例做成了参数方便直接改。1.2 仿真整体流程与角色分工整个仿真的技术路线大致分五步设置基础参数、抽取每一辆车的充电事件、按时间轴叠加负荷、重复蒙特卡洛循环、统计输出。第一步的参数区包括仿真车辆数、蒙特卡洛次数、电池容量、慢充功率、快充功率、三类用户占比等。第二步是核心对每辆车先按概率判定它属于一充、二充还是三充再根据类型抽取每次充电的起始时间和起始SOC结合充电功率算出充电时长形成一个完整的“充电事件”。第三步把每辆车的充电事件按分钟时间轴累加相当于把所有EV的充电功率叠加到同一条曲线上。第四步重复第二步和第三步几百次因为每次抽样结果都有随机波动单次仿真只能算是“一次可能的场景”跑几百次取平均才逼近统计期望。最后一步对几百条结果曲线做均值、标准差和95%置信区间计算画图输出。这五步里蒙特卡洛重复次数不是越高越好太高了计算耗时成倍增加。实测下来500辆车配500次仿真普通笔记本大概跑几十秒精度已经够用如果车辆数增加到几千辆蒙特卡洛次数可以降到200次通过对曲线平滑处理后结果依然很稳定。2. 关键概率分布与仿真参数建模2.1 起始充电时间与充电模式起始充电时间是最影响负荷曲线形状的随机变量。一充用户普遍的规律是下班到家后插枪集中在傍晚6点到晚上10点峰值大约在晚上7点半到8点。这个分布可以用截断正态分布描述均值取19.5标准差取1.2再截断到17点到23点之间避免抽到深夜或凌晨这种不合理的时间。二充用户分两段第一段在午间11点到下午2点峰值在12点半左右这个时段正好是午休时间车停着不用抽空补一次电是合理行为第二段跟一充用户的晚高峰重叠也在19点半附近。三充用户更复杂一点早上8点半、下午1点半、晚上7点半各有一段。早上的充电是因为网约车司机出车前或接早高峰前要把电量补到90%以上下午是收车前的最后补电晚上则跟私家车一起扎堆抢桩。充电模式上一充用户几乎全用慢充也就是家用交流桩单相7kW白天补电的二充、三充用户更倾向快充因为时间贵快充桩60kW或120kW是主流。行业统计里商用车的白天快充占比远高于私家车。所以我建模时把充电类型和充电功率绑定一充默认慢充二充第一次快充、第二次慢充三充全部快充。2.2 行驶里程、SOC与充电时长推算电动汽车到达充电桩时的剩余电量SOC决定了要充多久。比较严谨的做法是用日行驶里程推算出发时的SOC假设满电出发每百公里耗电约15kWh电池容量50kWh那么跑完50公里后SOC约等于1减掉0.15乘50再除以50也就是0.85。日行驶里程本身服从对数正态分布均值和方差需要根据出行统计数据来设。我在实际代码里为了直观和稳定采用了另一种更常用的做法——直接对起始SOC做均匀分布抽样。一充用户出发时SOC通常在0.4到0.8之间二充第一次在0.4到0.7、第二次在0.3到0.6之间三充因为补电频繁两次充电之间电量消耗不算太大SOC集中在0.3到0.6。这样做的优点是代码简单、结果容易复现数学上跟里程推算法的差别也不算大因为充电负荷的核心特征是受起始SOC分布影响而不是具体SOC的物理推导过程。充电时长的计算方法是需要充入的电量等于电池容量乘以1减去起始SOC再除以充电功率。举个例子一辆电池容量50kWh的车起始SOC是0.5需要充入25kWh用7kW慢充时长就是25除以7约3.57小时大概3小时35分钟。这个时间会自然反映在负荷曲线上的宽峰形态上。2.3 三类用户参数配置表与调整建议我把整个仿真涉及的参数汇总成一张配置表方便直接复制到代码里按需修改。要注意的是这些参数的数值不是拍脑袋定的每一条都对应实际场景特征。充电类型概率占比充电时段分布充电功率起始SOC范围典型用户一充50%晚19:30σ1.2h截断至17~23点7kW慢充0.4~0.8普通上班族二充30%午12:30σ1h 晚19:30σ1.2h50kW快充7kW慢充0.3~0.7长距离通勤私家车三充20%早8:30 午13:30 晚19:3050kW快充×30.3~0.6网约车、出租车、物流车调整建议就一条原则先把当地统计数据和实际调研数据找出来再反过来改表里的值。比如你知道某城市的充电桩以慢充为主、快充很少就把快充功率那一列的占比调低如果你研究的是专用充电站——路上全是网约车那一充的比例就明显不合理应该把三充比例抬到60%以上。仿真的魅力恰恰在于参数可以灵活改曲线跟着变模型始终为用户的实际场景服务。3. Matlab完整实现主程序与核心代码3.1 环境初始化和参数区先建一个脚本文件名字随意比如ev_mcs_load.m在头部做好环境清理和随机种子设置。随机种子很重要不设的话每次跑出来的曲线都不一样没法对比参数修改前后的差异。rng(0)表示固定随机数生成器的初始状态这样别人复现你的代码能得到完全相同的结果。%% 环境初始化 clear; clc; rng(0); %% 基础参数设置 n_ev 800; % 仿真电动汽车数量 n_mc 500; % 蒙特卡洛循环次数 n_minutes 24 * 60; % 全天分钟数 1440 % 三类用户占比一充、二充、三充 p_type [0.5, 0.3, 0.2]; % 电池与充电参数 battery_cap 50; % 电池容量单位 kWh p_home 7; % 家用慢充功率单位 kW p_fast 50; % 公共快充功率单位 kW % 结果存储矩阵 load_curve_all zeros(n_mc, n_minutes); % 每行是一次蒙特卡洛仿真的完整负荷曲线车辆数和蒙特卡洛次数是影响计算时间的两个关键旋钮。800辆车、500次循环是我调试出来的一个平衡点曲线已经很平滑单次运行时间在一分钟左右属于“可以坐在椅子上等出图”的舒适区间。如果只是课程演示把n_ev降到300也能出图但曲线尾部的毛刺会明显变多。3.2 蒙特卡洛主循环与充电事件生成核心循环分成两层外层循环是蒙特卡洛次数内层循环是每一辆EV。每一次内层循环都对一辆车做一次完整的“充电行为模拟”先判定充电类型再根据类型抽取充电时段然后逐段计算充电时长并叠加负荷。%% 蒙特卡洛主循环 for mc 1:n_mc load_curve zeros(1, n_minutes); % 本次仿真的负荷曲线 for i 1:n_ev % 1) 判定该车属于哪一种充电类型 r_type rand; if r_type p_type(1) ctype 1; % 一充 elseif r_type sum(p_type(1:2)) ctype 2; % 二充 else ctype 3; % 三充 end % 2) 按充电类型抽取充电起始时刻 switch ctype case 1 n_charge 1; t_start normrnd(19.5, 1.2); t_start max(17, min(23, t_start)); % 截断到合理区间 is_fast false; % 一充用慢充 case 2 n_charge 2; t_start1 max(11, min(14, normrnd(12.5, 1))); t_start2 max(17, min(23, normrnd(19.5, 1.2))); t_start [t_start1, t_start2]; is_fast [true, false]; % 午间快充晚间慢充 case 3 n_charge 3; t_start1 max(7, min(10, normrnd(8.5, 0.8))); t_start2 max(12, min(15, normrnd(13.5, 0.8))); t_start3 max(18, min(22, normrnd(19.5, 1.0))); t_start [t_start1, t_start2, t_start3]; is_fast [true, true, true]; % 白天多次快速补电 end % 3) 遍历每一段充电事件计算充电功率并叠加 for j 1:n_charge % 抽取起始SOC if ctype 1 soc_start 0.4 0.4 * rand; % 0.4 ~ 0.8 elseif ctype 2 if j 1 soc_start 0.4 0.3 * rand; % 0.4 ~ 0.7 else soc_start 0.3 0.3 * rand; % 0.3 ~ 0.6 end else soc_start 0.3 0.3 * rand; % 0.3 ~ 0.6 end % 按充电类型选择功率 if is_fast(j) p_ch p_fast; else p_ch p_home; end % 计算充电时长并限制不超过6小时 t_dur (1 - soc_start) * battery_cap / p_ch; t_dur min(t_dur, 6); % 将充电事件叠加到负荷曲线上 idx_start round(t_start(j) * 60) 1; idx_end idx_start round(t_dur * 60) - 1; idx_vec idx_start:idx_end; idx_vec mod(idx_vec - 1, n_minutes) 1; % 超过24点回绕到次日凌晨 load_curve(idx_vec) load_curve(idx_vec) p_ch; end end load_curve_all(mc, :) load_curve; end逐段解释一下几个关键设计。第一一充t_start是抽取完再用max和min做截断而不是先截断再抽样这保证落在17点之前或23点之后的极端样本被修正到边界不会出现半夜两点插枪的荒唐场景。第二SOC范围的选取用第三行0.4 0.4 * rand生成0.4到0.8区间这个写法比rand直接乘上界要直观也方便后期调整区间。第三充电时长上限取6小时是为了模拟“充满即走”的用车习惯虽然现实里很多人整晚插着枪不拔但负荷贡献只到充满那一刻为止后面只是待机状态6小时这个上限对大多数家用慢充场景已经足够了。3.3 负荷曲线叠加与跨日处理细节跨日处理是这段代码里最容易写错的地方。一辆车在晚上11点开始充电充了4个小时到凌晨3点结束这在24小时时间轴上就跨过了0点边界。如果直接用load_curve(idx_start:idx_end) ...idx_end超过1440就会弹出索引越界的报错。我用的方法是让索引向量整体对1440取模mod(idx_vec - 1, n_minutes) 1这条式子的效果是把超过1440的索引映射到起点比如1445变成5对应凌晨0点05分。这里有三个前提第一充电时长必然小于24小时所以取模不会出现同一个索引被重复叠加两次的情况第二叠加方式是直接加功率值不涉及累减或覆盖所以索引映射是安全的第三时间分辨率是分钟取整误差最大不超过半分钟对整体曲线几乎没有影响。还有一个细节值得注意rand和normrnd的调用非常频繁在800辆车、500次蒙特卡洛的规模下总共要生成上百万个随机数。Matlab处理这个量级没有问题但如果把车辆数提高到5000以上建议先把所有随机数一次性生成成矩阵再按列取用这样能减少随机数生成器调用的开销让运行速度快三分之一左右。3.4 可视化与置信区间输出跑完循环后load_curve_all矩阵的每一行就是一条全天1440分钟的负荷曲线。接下来对每一列也就是每一个分钟点求均值和标准差再画图。标准差用来画95%置信区间带能直观看到哪些时段的不确定性大。%% 统计结果 mean_load mean(load_curve_all, 1) / n_ev; % 平均每辆EV的充电负荷kW/辆 std_load std(load_curve_all, 0, 1) / n_ev; %% 画图 t_hour (0:n_minutes - 1) / 60; figure; hold on; fill([t_hour, fliplr(t_hour)], ... [mean_load 1.96 * std_load, fliplr(mean_load - 1.96 * std_load)], ... b, FaceAlpha, 0.2, EdgeColor, none); plot(t_hour, mean_load, b-, LineWidth, 1.5); grid on; xlabel(时间 (h)); ylabel(平均负荷 (kW/辆)); title(电动汽车蒙特卡洛仿真负荷曲线500次抽样); legend(95%置信区间, 平均负荷); xlim([0 24]);除以n_ev的原因是把总负荷折算成“单辆EV平均负荷”这样不依赖具体的车辆数论文里也习惯这么表达。如果你想看整个区域的原始总负荷不除以n_ev就行曲线形状完全一样只是纵轴数值放大。实际跑完的图形上你能清晰看到三条脊线午间11点半到下午2点半之间有一个中等的凸起那是二充和三充的快充贡献傍晚5点到晚上9点之间是最大的高峰一充和二充、三充的晚段叠加在一起凌晨1点到5点还有一条长尾是晚回家的车还在慢充。这三段形态跟真实电网记录的EV充电负荷曲线非常接近。4. 仿真结果分析与曲线形态解读4.1 三类用户负荷曲线特征对比为了看清每一类用户的“长相”可以把代码稍作修改只保留某一类车辆参与仿真其余类型跳过分别跑三次。我建议你亲手做一下这个对比实验因为它能让你直观理解为什么要分类。单独跑一充用户时曲线形态很简单下午基本是零傍晚6点左右开始爬升8点左右到达峰值约0.28kW/辆然后缓慢下降凌晨4点归零。单台车峰值为7kW折算到单辆平均后压低是因为不是所有车都在同一时刻充电这正是蒙特卡洛模拟的价值——把满负荷的7kW“摊开”成一条与车辆规模无关的归一化曲线。单独跑二充用户时午间出现一个明显的窄峰峰值大概出现在12点半到1点数值在0.1kW/辆附近宽度只有两三个小时。这是因为50kW快充的充电时长短SOC从0.5充到0.8一般只要20分钟左右短时间高功率叠加尖峰又高又窄。晚上的第二段慢充与一充形态类似但峰值略低因为这类用户晚上充电时SOC没一充用户那么低充电时长稍短。单独跑三充用户时曲线变得很“碎”早上9点前后一个小峰下午2点前后另一个峰晚上8点前后主峰。每个峰的宽度都窄因为全是快充。三充用户的总充电次数多但每次充电时间极短总用电量反而可能不比一充用户高多少。4.2 峰谷特性与配电网影响判断把三类放在一起看全场景曲线最需要注意的是峰谷差。负荷曲线的最大值和最小值之差直接决定变压器容量和配电线路的裕度设计。假设某小区有1000辆EV按我的参数跑出来的结果全网总负荷峰值大概在250kW到300kW之间出现在晚上7点半到8点半而凌晨4点的低谷可能只有20kW。这意味着配电变压器需要在晚高峰多留出近300kW的容量余量这对一个原有几百千瓦生活用电的小区来说压力不小。再看午间快充峰的影响800辆车里有30%是二充、20%是三充快充车辆总数约400辆即使只有一半在午间充电叠加起来也有200kW的瞬时负荷。办公楼、商业区配电网白天本身就处于用电高峰这个叠加效应容易导致线路过载所以在做充电桩规划时一定要分场景分析午间快充峰的影响不能只看晚间慢充这一个大峰。4.3 蒙特卡洛收敛性验证方法蒙特卡洛模拟的口碑建立在“结果稳定”这四个字上但很多人跑完一次就直接出图心里没底。我建议每次仿真结束后顺手做一个收敛性检验把load_curve_all按行累加取均值观察结果是否随仿真次数增加趋于平稳。%% 收敛性分析观察晚高峰负荷在不同MC次数下的累计均值 cum_mean cumsum(load_curve_all, 1) ./ (1:n_mc); figure; plot(1:n_mc, cum_mean(:, 780), k-, LineWidth, 1.5); xlabel(蒙特卡洛次数); ylabel(19:00 负荷累计均值 (kW)); title(蒙特卡洛收敛性曲线); grid on;我用的是晚上7点第780分钟这个关键时间点因为它是晚高峰的中心。理论上随着仿真次数增加累计均值会从波动逐渐收敛到一条水平线。实测数据里前50次波动幅度可能达到5%以上到200次之后波动通常小于1%500次后曲线基本平直。如果你的收敛曲线在200次之后还在明显震荡往往是车辆数选得不够——n_ev偏小时单次仿真内部的随机性很大需要更多次蒙特卡洛循环来补偿。一个快速判断标准晚高峰均值波动小于0.01kW/辆时结果就可以放心使用了。5. 常见问题排查与调参经验5.1 结果异常问题速查表实际跑仿真时遇到的问题我基本都撞过一遍整理成一张速查表放在下面。如果你跑出来曲线形状奇怪优先对照这张表找原因。异常现象可能原因解决方案曲线毛刺多、锯齿严重n_ev太小或n_mc太少提高n_ev到500以上或增加n_mc到300次午间出现异常尖锐的峰快充功率设定不合理检查p_fast是否过高快充桩实际功率往往低于额定值夜间曲线掉不到零充电时长上限没限制或SOC范围过宽检查t_dur min(t_dur, 6)是否被删除峰值出现在凌晨而非晚高峰起始充电时间截断区间错位检查max(17, min(23, ...))的截断范围是否写反报错“索引超出矩阵维度”未做跨日映射idx_end超过1440确认用了mod(idx_vec - 1, n_minutes) 1每次运行结果差异极大没有固定随机种子脚本开头加rng(0)负荷峰值超过车辆×功率同一辆车的充电事件被重复叠加检查SOC循环里是否误把慢充和快充都算了一遍午间曲线完全消失p_type里二充、三充比例设成了0检查参数区p_type赋值语句5.2 参数调整的避坑心得第一个坑是充电功率的取值。很多人为了省事把所有充电都设成7kW或所有都设成50kW结果曲线要么太平、完全没有快充尖峰要么尖峰吓人、全天负荷都在高位。现实中充电功率不是恒定值快充桩在电池SOC超过80%后功率会大幅下降我建模用的50kW是“平均有效功率”的近似适用于SOC在0.3到0.8区间的快速补电。如果一定要更准确可以把快充事件拆成两段前20分钟按满功率后20分钟按20kW降功率充电。这段逻辑加进去后曲线会变得更圆润不过对于宏观负荷规划来说简化的平均功率模型已经足够。第二个坑是SOC范围和充电时长上限。有次我把一充用户的SOC范围改成0.3到0.95结果夜间曲线从晚上7点一直拖到早上7点还降不下来原因是有大量低SOC车辆要充6小时以上。实际生活里很少有人把电池用到5%以下才充电SOC下限设到0.2已经算极端情况了0.3到0.4的下限更贴近真实充电习惯。第三个坑是三类用户比例和充电次数绑定得太紧。实际场景中一充用户里也有偶尔白天补电的二充用户里也有用慢充的三个类型之间的边界是模糊的。如果想更精细化可以用mixing模型先按比例抽取类型再给每种类型一个“偏离概率”比如一充用户有5%的概率额外增加一次白天补电。我的代码里没有做这层处理主要是为了让逻辑清晰、方便教学真要用于商业项目建议加入模糊转移概率让车辆在不同类型之间可以“跨界”。最后再分享一个经验参数修改完之后前后两次仿真结果要用同一个随机种子来对比否则你无法判断曲线的变化到底是参数引起的还是纯随机波动造成的。我自己的习惯是每调一次参数就把随机种子固定并保存一份当时的曲线图像文件方便后面复盘。这个方法虽然简单但能帮你省掉很多“为什么曲线和上次不一样”的困惑。