下班回家随手把充电枪插上第二天早上满电出发——听起来很完美。但如果一个小区里几百台电动汽车全都这样“随手充”晚高峰的配电变压器会直接过载跳闸电力公司被迫限电你我的充电费也会跟着涨。这就是无序充电的代价。我之前在项目中做“基于多时段动态电价的电动汽车有序充电策略优化”时用Matlab建了一套完整的优化模型把24小时切分成多个时段让每台车根据动态电价和自身出行需求自动选择最合适的充电窗口。这篇文章我会把整个策略的建模思路、数学优化模型、Matlab代码框架和仿真结果分析全部拆开讲清楚适合电力系统方向的研究生、做充电桩运营的工程师以及想用Matlab做优化调度但不知道从哪下手的初学者。文末还会有我在实际复现中踩过的坑这些坑在论文里基本看不到。1. 无序充电的代价为什么要做“有序”这件事1.1 一个典型居民区的晚高峰充电场景先看一组我在项目里统计过的典型数据一个600户的居民小区假设电动汽车渗透率25%也就是150台车。每台车用7kW交流慢充如果全部在18点到21点之间插枪开始充电单是这部分新增负荷就是150 × 7kW 1.05MW。听起来1MW好像不多但一个居民台区的配电变压器容量通常在630kVA左右。这1.05MW直接叠加在原本的晚间生活用电高峰上变压器过载率超过160%基本就是“插上充电枪全楼跳闸”的局面。更麻烦的是这还不是一次性冲击。电动汽车的充电功率是持续数小时的18点插枪要充到凌晨才能充满整个负荷曲线会被拉出一个“高峰更尖、低谷更难消纳”的畸形形状。电网调度员最怕的就是这个——尖峰负荷决定了整个系统的备用容量需求而备用容量的成本会通过容量电费分摊到每一个用户头上。1.2 无序充电的三笔账用户、电网、充电运营商无序充电表面上只影响电网实际上用户和运营商都要跟着买单。用户这边晚上18点到21点正好是大多数地区的峰段电价7kW充4个小时按峰段电价1.1元/kWh算一天充电费就是7 × 4 × 1.1 30.8元。但如果把充电时间挪到凌晨谷段电价按0.35元/kWh算同样的充电量只要9.8元一天省21块一年下来省7600多块。这不是小数目。电网这边无序充电带来的负荷尖峰需要额外的调峰机组、备用容量这部分成本最终也会通过输配电价传导给用户。而且如果变压器过载充电桩的实时功率会被统一切断用户体验反而更差。充电运营商这边无序充电意味着所有充电桩同时满功率运行配电容量必须按最极端情况配置场站的设备成本和基本电费都会大幅抬高。如果做有序充电同样的配电容量可以多接入一倍的充电桩。所以“有序充电”本质上不是限制用户充电而是通过价格信号和优化算法把充电负荷主动挪到对用户最省钱、对电网最友好的时间段。这个“挪”的过程就是策略优化的核心工作。2. 多时段动态电价机制拆解如何把“分时电价”变成优化参数2.1 从阶梯电价到动态电价的信息层次要做有序充电前提是电价必须“有时段差异”。如果全天一个价用户晚上充和凌晨充没有任何区别优化模型就失去了驱动力。实际的电价机制主要有三个层次固定分时电价峰、平、谷三段固定划分提前一天公布用户和优化模型都能提前知道全部电价信息。实时电价RTP电价每隔15分钟或1小时更新一次反映当前供需状态对优化模型来说输入是时变的预测误差会影响策略效果。日前动态电价DAP在固定分时电价基础上根据气象预测、负荷预测、新能源出力预测把一天分成96个时段15分钟间隔每个时段发布一个电价。这是目前工程上应用最广泛的“多时段动态电价”形态。标题里说的“多时段动态电价”在Matlab实现中最常见的做法就是第一种和第三种。我的项目里用的是一天96个时段15分钟粒度的动态电价序列这样既能捕捉峰谷变化又不会让优化模型的变量规模爆炸。2.2 用Matlab构建可计算的电价序列模型电价序列在Matlab里就是一个1行96列的向量每个元素对应一个15分钟时段的电价。我的处理方式是写一个函数读入分时电价参数再按需生成动态序列% 分时电价参数谷段 0:00-8:00, 平段 8:00-10:00 15:00-18:00 21:00-24:00, 峰段 10:00-15:00 18:00-21:00 price_peak 1.15; % 元/kWh price_flat 0.65; % 元/kWh price_valley 0.32; % 元/kWh % 96个时段15分钟一个点 price ones(1, 96) * price_flat; % 谷段指示矩阵 price(:, 1:32) price_valley; % 0:00-8:00 price(:, 41:72) price_flat; % 10:00-18:00 按平段处理 price(:, 60:72) price_flat; % 15:00-18:00 % 峰段10:00-15:00 41-60, 18:00-21:00 73-84 price(:, 41:60) price_peak; price(:, 73:84) price_peak; % 21:00-24:00 85-96 回到平段 price(:, 85:96) price_flat;这里有一个工程上很容易忽略的点时段边界要对齐。比如18:00是峰段的开始在96点序列里是第73个点如果从第72个点就开始算峰段虽然只偏了15分钟但优化结果里会有部分充电负荷被错误地“赶”到平段导致策略失真。我建议所有时段边界单独写一个配置项用分钟数计算索引不要手算。动态电价的“动态”体现在哪里我的做法是在基础分时电价上叠加一个随机扰动和一个基于负荷预测的修正项模拟“电价跟随供需变化”的效果。扰动项用高斯噪声幅度控制在基础电价的±10%以内这样既保留了峰谷结构又让优化模型对电价波动具有一定的鲁棒性要求。后续仿真对比时分别跑固定电价和动态电价两组场景就能看出动态电价下有序充电策略的收益差异。3. 电动汽车充电负荷建模单体行为到集群负荷的聚合3.1 每台EV的充电需求参数怎么定优化模型里的决策对象是“每一台电动汽车”所以每台车都需要一组参数来描述它的充电需求。这些参数分三类电池参数、出行参数、充电设备参数。电池参数主要是电池容量kWh和初始SOC。我在模型中用正态分布抽样40kWh到100kWh不等初始SOC按N(0.3, 0.1)分布截断在0.1到0.6之间。出行参数是用户插枪时间和期望离网时间拔枪时间插枪时间用正态分布N(19:00, 1.5h)抽样模拟下班回家后充电的习惯期望离网时间用N(7:00, 0.5h)抽样模拟早晨上班出发。充电设备参数主要是最大充电功率家用慢充桩取7kW部分场景下也考虑60kW快充桩混编的情况。这三类参数最终汇总成一个结构体数组每个元素是一台车的完整参数。关键代码长这样num_ev 150; ev_info struct(cap, [], soc_init, [], t_arrive, [], t_leave, [], p_max, []); for i 1:num_ev ev_info(i).cap 40 60 * rand; % 电池容量 40-100 kWh ev_info(i).soc_init max(0.1, min(0.6, 0.3 0.1 * randn)); ev_info(i).t_arrive 18 1.5 * randn; % 到达时刻按小时计 ev_info(i).t_leave 7 0.5 * randn; ev_info(i).p_max 7; % 慢充桩最大功率 kW end注意这里的时间是按“小时”表示的浮点数后面换算成时段索引时要取整并做边界截断。如果有车在凌晨2点才插入或者早晨5点就要离网这类边缘样本如果不处理会导致优化模型中对应车辆的可行时段集合为空模型直接不可行。3.2 基于Monte Carlo的集群充电场景生成单台车的参数是随机的但工程上决策者关心的是“150台车总体会怎么充”。所以我用Monte Carlo方法生成多个场景每次把150台车的参数全部随机抽样一次跑一遍优化记录总的负荷曲线和充电费用重复500次然后统计均值、方差和P95指标。这样做的原因在于单次抽样的结果不能代表策略的真实效果。如果某次抽样恰好所有车都是凌晨到达、白天离网那无序充电本身也很平稳算法优势体现不出来反过来如果抽样埋伏了大量18点到达的车辆策略的削峰效果会特别好。只有通过Monte Carlo做统计才能得到“在典型场景下有序充电平均能削峰多少、省费多少”的可靠结论。在实际项目中这500次仿真我用的是parfor并行循环配合Matlab的Parallel Computing Toolbox能把一天的仿真时间从40分钟压到10分钟左右。场景生成函数单独抽离出来方便后续换成不同的概率分布假设。还要提一下有些文献会把电动汽车分成“可调度”响应价格信号和“不可调度”接入即充两类。我在模型里也做了这个区分可调度车辆占比设为70%其余车辆按无序方式处理这样更有工程现实感——毕竟总有一些用户不愿意被打扰。4. 有序充电策略的数学优化模型目标函数与约束的取舍4.1 目标函数怎么选用户费用最小与电网方差最小有序充电的“最优”是个多目标问题。站在用户角度希望充电费用最小站在电网角度希望负荷曲线尽量平坦即负荷方差最小。这两个目标在大多数情况下是一致的——把充电负荷挪到凌晨谷时用户电费低了电网的夜间低谷也被填了峰谷差自然缩小。但也有不一致的时候如果电价谷段只有一个很窄的窗口比如凌晨2点到4点所有车都挤进去充这个时段的配电容量反而可能不够。这时“用户费用最小”会导致局部过载而“电网方差最小”会主动把一部分车挪到平段去充。所以在Matlab实现中我采用的是加权多目标转单目标的做法[ \min ; F \alpha_1 \sum_{i1}^{N}\sum_{t1}^{T} p_{i,t} \cdot Price_t \cdot \Delta t \alpha_2 \sum_{t1}^{T} (L_t^{base} \sum_{i1}^{N} p_{i,t} \cdot \Delta t - \bar{L})^2 ]第一项是总充电费用第二项是叠加充电负荷后的电网总负荷方差。加权系数 \alpha_1、\alpha_2 的取值我在下一节实操里专门说这里先记住一个原则它们不是随便拍的要根据量纲归一化。4.2 约束条件的处理细节SOC连续性、功率边界、能量需求优化模型最核心的部分其实不是目标函数而是约束。我踩过最深的坑就是把能量约束写错了。先列标准约束SOC连续性约束[ SOC_{i,t1} SOC_{i,t} \frac{\eta \cdot p_{i,t} \cdot \Delta t}{Cap_i} ]这个约束本身很简单但要注意SOC是百分比无量纲量p是功率kWCap是容量kWh如果 \Delta t 按小时算公式没有问题但如果 \Delta t 按15分钟分钟算右边要除以4。我见过很多初学者的代码所有公式都是从某篇论文抄来的但时间单位没统一结果SOC一路涨到200%模型还“收敛”了因为那个论文的 \Delta t 取的是1小时。功率边界约束[ 0 \le p_{i,t} \le p_{i,t}^{max} \cdot x_{i,t} ]这里的 x_{i,t} 是0-1变量表示第i辆车在第t个时段是否在网。这个约束还隐含了一个条件车必须在插枪之后、离网之前才能充电所以 x_{i,t} 在插枪前和离网后必须为0。我把这一段单独用一个可行时段矩阵表达而不是在约束里写if条件——向量化之后Yalmip建模会快很多。离网能量需求约束[ SOC_{i,t_{leave