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 | 3.5-7kW | 30-120kW | 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19.5，time_step是0.5，正确索引是19.5/0.5+1=40；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19.7，round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。S=15kWh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。
