基于蒙特卡洛模拟的电动汽车充电负荷预测与可配置参数实现

做充电负荷预测的朋友应该都有一个共识拍脑袋估数是最容易翻车的事。同一批电动车有人下班到家就插上慢充桩充一整夜有人中午逛商场顺手快充半小时还有人一天补三次电。这些零散行为混在一起最终落在配电变压器上的负荷曲线完全不是一个形状。我那会儿做某园区充电方案评估时就是靠蒙特卡洛模拟把一充、二充、三充、快充、慢充这几种行为揉进一个可配置的仿真框架里输出日充电功率曲线而且每天充电数量的比例随手就能改。今天就把这套思路和完整实现拆开聊一聊适合做配电网规划、充电站运营、有序充电策略研究的工程师和同学参考。1. 项目思路为什么充电负荷模拟绕不开蒙特卡洛1.1 充电行为的随机性来自哪里电动汽车充电负荷和传统居民负荷有个本质区别传统负荷虽然也在变但大体上跟着气温和作息走规律性强充电负荷则是大量随机事件的叠加。每一辆车的充电行为至少受四层随机因素影响。第一层是用户习惯也就是一天充几次、什么时间充。有的人通勤距离短两三天才充一次有的人每天跑得多中午得补一次电晚上回家再充满。第二层是车辆状态主要是起始SOC也就是开始充电时电池里还剩多少电。这跟用户的出行里程、路况、空调开没开都有关同一个用户每天的SOC都不一样。第三层是充电设施用户去充电时遇到的是快充还是慢充取决于停车场景和充电桩类型。第四层是充电持续时长它不是一个固定值而是由“需要补充的电量”和“充电功率”共同决定的。如果把这些因素全部简化成固定值比如“晚上8点开始充、功率7kW、充5小时”算出来的结果当然很干净但和真实情况差得远。真实场景里晚上8点是平均值可能6点就有人充也有人拖到11点才插枪。蒙特卡洛模拟的核心价值就是把这些随机因素全部显式建模一辆车一辆车地“抽样—计算—叠加”大量重复之后负荷曲线的统计特征自然浮现出来。1.2 蒙特卡洛方法在这个场景里的定位蒙特卡洛不是什么高深算法本质就是“用大量随机试验逼近真实概率分布”。你可以把它类比成抽签一万辆车每辆都从行为分布里抽一组参数算出它今天的充电时段和功率加到一起得到一天的总负荷然后整个试验重复300次得到300条“可能的一天”再求平均、取分位数。那为什么不用解析公式直接算期望负荷理论上可以但实际操作中非常困难。充电起始时间是多峰分布充电时长有截断快充不能超过某个时间、慢充也不能无限充充电可能跨天SOC有上下限这些约束条件叠在一起期望负荷的闭合表达式根本写不出来。即使写出来稍微改一个参数整个表达式又得重推。蒙特卡洛的好处是“模型与人分离”参数随便改核心抽样逻辑不用动跑一遍就有新结果。尤其在方案阶段需要快速回答“如果一充用户比例从60%降到40%会怎样”“如果快充比例翻倍会怎样”这类问题蒙特卡洛几乎是最高效的手段。1.3 整体建模框架与数据流向整个模型的输入参数可以分成五类车辆规模与用户分类比例、快慢充功率、电池参数与SOC分布、充电起始时间分布、模拟迭代次数。输出则是一天96个时间点15分钟粒度的日充电功率曲线以及峰值、总电量等衍生指标。数据流向是单向的先固定所有参数然后对每一辆车抽取“用户类别—充电次数—快慢充类型—起始充电时间—起始SOC”这一组随机参数根据SOC和目标SOC算出需要补充的电量再除以功率得到充电时长把功率平铺到对应的时间槽上。一辆车算完就加到总负荷数组里下一辆车继续独立抽样。这样循环N辆车得到一条“模拟日”的负荷曲线。外层再重复M次得到M条曲线用于统计平均曲线和置信区间。这个框架的核心优势是模块化你想改充电次数比例只动一个变量你想把慢充功率从7kW改成11kW也只动一个变量你想让三充用户更多用快充改一个交叉矩阵就行。模型逻辑本身不用重建。下面详细拆解参数体系设计。2. 参数体系设计一充二充三充和快慢充怎么落地2.1 “一充、二充、三充”的用户分类逻辑日充电次数是描述用户充电行为最粗粒度也最稳定的一个维度。按一天充电1次、2次、3次把用户分成三类物理含义很直观。一充用户对应典型通勤场景白天开车上班晚上回家插上充电桩第二天满电出发。这类用户的充电起始时间高度集中在傍晚到夜间充电位置多为小区或单位停车场慢充占比明显更高。二充用户通常有两种典型画像一种是中午有较长午休时间在外面顺手补一次电晚上回家再充满另一种是营运车辆白天利用接单间隙快充一次晚上收工后慢充充满。三充用户的充电行为就更加碎片化常见于城市配送、网约车、公务用车等高频用车场景早中晚都可能补电单次充电量不大但每次停留时间短对快充的依赖明显更强。这里有一个关键设计决策为什么按“充电次数”而不是“车辆类型”作为第一层分类我的经验是充电次数是结果变量它天然综合了运营强度、出行距离和充电便利性等多重信息。如果直接按“出租车、私家车、物流车”来分你会发现每一类内部的行为差异依然巨大反而把模型做复杂了。而按充电次数分类后每一类内部的时间分布、SOC分布、快慢充偏好都更集中抽样出来的结果更符合直觉。日充电数量的比例也就是代码里的ratio_1、ratio_2、ratio_3是用户可以自行修改的最核心参数。2.2 快充慢充的功率参数与交叉矩阵快充和慢充的功率差异非常悬殊。慢充典型值在7kW左右对应家用交流充电桩一些新建小区或单位的交流桩能达到11kW或22kW。快充一般取60kW到120kW对应直流充电桩现在有些超充已经到250kW但落地量还不大。建议模型默认取慢充7kW、快充60kW这两组值最稳妥也最容易和实际配电数据对上。功率类型不能只是一个全局比例而应该和用户类别交叉。我的做法是构造一个“充电次数类别×快慢充占比”的矩阵。一充用户快充占比取10%左右二充用户取30%左右三充用户取60%左右。这样设计的理由是一充用户绝大多数在家里或单位充慢充就够了二充用户在外面补电的时间相对有限快充比例明显上升三充用户单次停留时间最短补电场景多在途中快充是刚需。2.3 日充电功率的统一口径与输出形式输出曲线的时间粒度建议统一为15分钟也就是一天96个点。为什么不用1分钟或1小时1分钟粒度噪声太大而且配电自动化系统里常见的历史数据粒度就是15分钟1小时粒度又太粗晚高峰的形态会被抹平峰值功率明显失真。15分钟是工程上最实用的折中。日充电功率曲线有两种输出口径。一种是“平均曲线”就是M次模拟逐点求平均代表典型日的负荷形态另一种是“分位数曲线”比如95%分位数代表“比较恶劣但还不能忽略”的负荷情形。做配变容量校核时我一般建议看95%分位数的峰值而不是平均曲线的峰值更稳妥也不像最大峰值那样容易过度设计。另外还要统计两个标量指标日最大充电功率峰值和日总充电电量。这两个指标是后续做变压器容量选择、充电桩数量配置时最直接的输入。峰值乘以适当系数可以用来校核配变容量总电量则和电费测算直接挂钩。3. 实操过程与核心代码实现3.1 从参数到结果的完整流程整体实现流程可以拆成七个步骤顺序不能乱因为后一步总是依赖前一步的输出。固定随机种子保证结果可复现。配置全部输入参数车辆数、类别比例、快慢充占比、功率、电池容量、SOC分布、时间窗口、迭代次数。初始化一个长度为96的全零负荷数组。随机生成每辆车的用户类别类别概率由一充、二充、三充的比例决定。对每辆车根据其类别抽起始充电时间、快慢充类型、起始SOC计算充电时长。把充电功率叠加到对应时间槽上注意充电可能跨天需要循环填充。重复步骤4到6共M次得到M条日负荷曲线最后统计平均曲线、分位曲线、峰值和总电量。第4步到第6步是蒙特卡洛模拟的内核外层的迭代只是把“抽样—叠加”重复多次让统计结果稳定下来。理解了这个主循环整个代码结构就清晰了。3.2 比例参数怎么改核心易用性设计标题里强调的“可自行修改日充电数量的比例”在代码里就体现为最上面三个变量。我把参数区单独拎出来方便随时改import numpy as np # 参数配置区 # 随机种子保证结果可复现 SEED 42 # 一充 / 二充 / 三充 用户占比可自行修改的核心参数 ratio_1 0.60 ratio_2 0.30 ratio_3 0.10 # 快充占比同一类别内部的快充比例 fast_ratio_1 0.10 fast_ratio_2 0.30 fast_ratio_3 0.60 # 平均功率kW P_fast 60.0 P_slow 7.0 # 电池容量kWh battery_cap 60.0 # 不同类别用户的起始SOC均值 / 标准差 soc_mean_1, soc_std_1 0.30, 0.12 soc_mean_2, soc_std_2 0.50, 0.12 soc_mean_3, soc_std_3 0.60, 0.10 # 目标SOC一般充到90%就停 soc_target 0.90 # 时间分辨率 RES 15 # 分钟 TP 24 * 60 // RES # 96个点 # 模拟车辆数与迭代次数 N 10000 M 300 # 参数配置区结束 这段代码最需要说明的是三个比例并不需要在代码里强制相加等于1程序内部会自动归一化。也就是说你填0.6、0.3、0.1可以填6、3、1也可以结果等价。但建议还是养成习惯写成小数可读性好也避免同事误读。SOC参数这里我特意让三类用户的均值不同一充用户平均SOC只有0.3因为这类用户基本是把电用得差不多了才充二充用户平均0.5因为中午已经补过一次晚上开始充的时候电量不会太低三充用户平均0.6高频补电的车辆电量通常维持在中高位。这个细节决定了各类用户单次充电量的差异对最终曲线形态影响非常大。3.3 蒙特卡洛采样与负荷叠加的代码实现先说充电起始时间的采样。现实生活中用户不会均匀分布在一天24小时里充电而是有明显的聚集效应晚高峰、午休、清晨是几个典型窗口。我把它建模为“多峰正态分布”的加权混合每个峰有均值、标准差和权重。比如一充用户85%概率落在晚上7点左右15%概率落在早上8点半左右# 一天内充电起始时刻的多峰分布小时制 # 每个元素为 [均值, 标准差, 权重] time_patterns { one_charge: [ [19.0, 1.5, 0.85], [8.5, 1.0, 0.15], ], two_charge: [ [13.0, 1.0, 0.40], [20.5, 1.5, 0.60], ], three_charge: [ [8.0, 1.0, 0.30], [13.5, 1.0, 0.30], [20.0, 1.5, 0.40], ], } def sample_start_time(pattern): 从多峰分布中采样一个起始充电时间小时 weights np.array([p[2] for p in pattern], dtypefloat) weights / weights.sum() idx np.random.choice(len(pattern), pweights) mu, sigma, _ pattern[idx] t np.random.normal(mu, sigma) t t % 24.0 return t取模操作实际上把超出24小时的时间点折返到凌晨这样做在慢充跨天场景下是合理的因为深夜充电和凌晨充电在负荷曲线上都表现为夜间平台。如果你想把边界处理得更精细也可以用拒绝采样只保留落在合理区间内的样本效果更严谨但性能略差。接下来是单日模拟主函数。每辆车依次做五件事抽类别、抽充电次数、抽每次的起始时间、抽快慢充、抽SOC、算时长、叠加功率def simulate_one_day(): 模拟一天的总充电负荷曲线返回96点数组 load_curve np.zeros(TP) # 归一化用户比例 ratios np.array([ratio_1, ratio_2, ratio_3], dtypefloat) ratios / ratios.sum() # 随机生成每辆车的用户类别 categories np.random.choice([1, 2, 3], sizeN, pratios) for cat in categories: if cat 1: n_charge, fast_ratio 1, fast_ratio_1 pattern, soc_mean, soc_std time_patterns[one_charge], soc_mean_1, soc_std_1 elif cat 2: n_charge, fast_ratio 2, fast_ratio_2 pattern, soc_mean, soc_std time_patterns[two_charge], soc_mean_2, soc_std_2 else: n_charge, fast_ratio 3, fast_ratio_3 pattern, soc_mean, soc_std time_patterns[three_charge], soc_mean_3, soc_std_3 # 依次处理每次充电 for _ in range(n_charge): start_h sample_start_time(pattern) is_fast np.random.rand() fast_ratio P P_fast if is_fast else P_slow # 起始SOC不能低于0.05也不能高于目标SOC - 0.05 soc np.random.normal(soc_mean, soc_std) soc np.clip(soc, 0.05, soc_target - 0.05) # 需要补充的电量kWh energy_needed (soc_target - soc) * battery_cap # 充电时长小时并设置上限 duration_h energy_needed / P max_h 1.5 if is_fast else 8.0 if duration_h max_h: duration_h max_h # 将功率叠加到96个时间槽注意跨天循环填充 start_idx int(start_h * 60 / RES) duration_idx int(round(duration_h * 60 / RES)) idx start_idx for _ in range(duration_idx): load_curve[idx % TP] P idx 1 return load_curve这里有两个容易被忽略的细节。第一起始SOC的截断下界设成0.05而不是0是因为电池管理策略一般不会让电量耗尽到0而且SOC为0时充电功率也未必是满功率。第二充电时长上限的设计快充取1.5小时、慢充取8小时。60kW充1.5小时对应90kWh7kW充8小时对应56kWh都略大于电池从最低SOC充到目标所需的最大电量。这样设置既能防止异常抽样值导致时长爆炸又不会把正常充电行为截断掉。外层循环只需重复调用simulate_one_day多次并把结果存起来np.random.seed(SEED) curves [] for _ in range(M): curves.append(simulate_one_day()) curves np.array(curves) # 形状 (M, 96) mean_curve curves.mean(axis0) p95_curve np.percentile(curves, 95, axis0) peak_mean mean_curve.max() energy_total mean_curve.sum() * RES / 60.0 # kWh print(f平均日峰值功率: {peak_mean:.2f} kW) print(f平均日总电量: {energy_total:.2f} kWh)3.4 运行结果验证与总量守恒校验模拟结果出来之后第一步不是画图而是做校验。我最常做的是“总量守恒校验”用期望充电次数乘以期望单次充电量和模拟出来的总电量对比偏差一般在2%以内才算正常。以默认参数为例N10000辆车一充、二充、三充比例为0.6、0.3、0.1那么一天总充电次数的期望值是10000乘以(0.6×1加0.3×2加0.1×3)等于15000次。再看单次充电量一充用户平均SOC 0.3单次平均补电0.6×60等于36kWh二充用户平均SOC 0.5单次平均补电24kWh三充用户平均SOC 0.6单次平均补电18kWh。于是总日电量期望等于一充的6000×36、二充的6000×24、三充的3000×18加起来约41.4万kWh。如果你的模拟结果和这个估算值偏差超过5%基本可以断定代码里有bug多半出在跨天填充或时长截断的处理上。这招在调试阶段能帮你省很多时间。4. 结果解读与参数敏感性4.1 典型日充电功率曲线长什么样默认参数下日充电功率曲线呈现出明显的“晚峰为主、午峰为辅、夜间平台”三段式形态。晚高峰出现在19点到21点对应一充用户下班回家后集中充电同时叠加二充用户的第二次充电。这个峰的陡峭程度直接受一充用户比例影响比例越高峰越尖。午间小峰出现在13点到14点主要来自二充用户和三充用户的午间补电幅度大约是晚峰的30%到50%。夜间平台则很有意思它看起来不像峰而是一条缓慢下降的曲线这是因为一充、二充用户的慢充行为持续到深夜虽然单辆车功率只有7kW但数量多、时间长累加起来仍然有可观的负荷。这里值得专门提一句很多人做负荷预测时只盯着晚高峰忽略了夜间平台。但对配电网来说夜间平台同样重要因为变压器容量选择不仅看峰值还要看持续负荷下的热累积效应。夜间平台如果持续五六个小时对设备寿命的影响不可小觑。4.2 调整一充二充三充比例后会发生什么比例参数是标题里强调的“可自行修改”的部分也是做方案对比时最常用的旋钮。我实际跑过几组对比规律很明显。如果把一充比例从0.6降到0.4同时把二充提到0.4三充保持0.2晚高峰峰值会明显下降因为原本集中在下班后的充电需求被分流到了午间。总量变化不大但峰谷差缩小。如果把三充比例从0.1提到0.3同时压缩一充到0.4二充0.3曲线会变得更“摊平”白天多个时段都有小峰晚高峰从“尖峰”变成“宽峰”。这背后的逻辑不复杂充电次数越多的用户起步充电时间越分散单次充电量也越小。三充用户每次只补20%左右的电量快充半小时就走对负荷曲线的贡献是平滑而连续的。所以你在做充电设施规划时如果预测某个片区网约车、物流车比例高就不要按照“晚高峰单峰”的思路去配变压器那样会高估峰值需求造成容量浪费。4.3 快充占比变化对峰值的影响规律快充占比的影响比想象中更微妙。表面上看快充功率大峰值肯定更高但实际结果还要看充电时长和起始SOC的交互作用。默认参数下一充用户快充占比只有10%晚高峰的主要贡献者是慢充大军7kW慢慢充。如果把快充占比整体翻倍比如一充提到0.3、二充提到0.5、三充提到0.8你会看到晚高峰峰值抬升但抬升幅度远没有功率差距那么夸张。原因是快充的充电时长大幅缩短单辆车占用负荷窗口的时间从五六个小时压缩到半小时左右高峰时段“同时在线充电”的车辆数反而少了。最终峰值的变化取决于“单车道率提升”和“同时率下降”哪个占主导。我在实际项目中遇到过一版方案快充比例从30%提到60%峰值只涨了18%而总充电量几乎不变。这个结论对充电站运营很有意义适度提高快充渗透率可以在不显著增加配电压力的前提下提升充电周转率。当然如果快充桩集中在同一个配电节点上局部冲击仍然需要专门校核这是另一个层面的问题。5. 常见问题与避坑指南5.1 随机种子复现与对比的根基蒙特卡洛模拟既然带随机性复现就是头等大事。我在项目里踩过这样的坑第一次跑出一组结果第二天想重新看一遍发现曲线和昨天不一样峰值差了几个百分点。后来才意识到是没设随机种子。固定种子的另一个用途是参数对比。你要比较“一充比例0.6”和“一充比例0.4”两种场景时如果不固定种子两次模拟之间的差异里混入了随机噪声结论可能被噪声干扰。固定种子之后唯一的变量就是比例参数结果差异才能完全归因于参数变化。虽然这在统计上不是最严格的做法但工程方案对比中非常实用。5.2 迭代次数太少会怎样外层迭代次数M决定了统计结果的稳定性。我刚开始写这个模型时为了跑得快M只设了20次。结果峰值每次跑都不一样波动幅度能到5%以上根本没法写进报告。经验值是单次模拟车辆数N在5000到20000之间时M取200到300就足够稳定了。判断标准不用太复杂你把M从100改成300看平均曲线的峰值变化是否小于1%。如果满足就说明收敛了。另外M也不是越大越好超过500以后计算时间线性增加稳定性提升非常有限纯属浪费算力。5.3 SOC边界与时长上限的处理SOC采样看起来简单实际最容易出bug。正态分布的两端会采出负值或大于1的值必须做截断。更隐蔽的一个问题是起始SOC不能大于目标SOC否则“需要充电量”会变成负数负荷曲线上就出现“负功率”这在物理上毫无意义。我建议截断区间设为0.05到目标SOC减0.05。为什么不直接设到目标SOC因为如果起始SOC恰好等于目标SOC充电量是0时长也是0这辆车相当于白抽了。预留0.05的余量能保证每次充电都有一个正的最小时长。充电时长的上限前面提到快充1.5小时、慢充8小时也要在代码里显式处理。如果不设上限极端情况下快充会一直充十几小时不仅失真还会把夜间平台抬成一个假高峰。5.4 参数合法性校验与推荐取值范围比例参数不是随便填都能得到合理结果。ratio_1加ratio_2加ratio_3如果等于0np.random.choice会直接报错快充占比填负数也会让随机数判断失去意义。建议在参数区加一段简单的合法性检查提前拦截这类低级错误。推荐取值范围可以参考这样一个区间一充比例0.4到0.8二充0.15到0.4三充0.05到0.3。快充占比方面一充用户0.05到0.2二充用户0.2到0.5三充用户0.4到0.9。SOC均值一充0.2到0.4二充0.4到0.6三充0.5到0.7。这些是基于多个项目经验汇总出来的常见区间不代表绝对的物理边界。如果你做的是某个具体城市或园区最好用当地充电订单数据反推这些参数比拍区间更靠谱。排查对象常见症状处理思路随机种子未固定两次运行结果不一致在模拟前设置np.random.seed迭代次数M太小峰值波动超5%增大M到200以上用峰值变化1%判断收敛SOC未截断出现负功率或零时长截断到0.05到目标SOC减0.05跨天充电溢出深夜负荷丢失或跳变用取模方式循环填充时间槽比例参数非法程序崩溃或概率失真增加归一化和合法性校验时长无上限出现超长充电形成假高峰按快慢充分别设置时长上限我在实际使用这套模型时最大的体会是它真正的价值不在“算出一个精确的日充电功率数字”——那本来就是个随机问题任何精确数字都是伪精确——而在于它让你有能力快速回答“如果……会怎样”。方案阶段要对比三种充电桩配置方案改几个比例参数跑一遍曲线和指标摆在桌上比任何口头论证都有说服力。最后再分享一个小技巧。我在交付项目时会把参数区抽到单独的配置文件中让非程序出身的同事也能直接改一充、二充、三充比例和快充占比不用碰任何逻辑代码。模型本身反而不需要再改框架稳定下来之后剩下的工作几乎都是在调参数、对比曲线、写结论。这套代码后续想扩展也很方便比如加入温度对充电功率的影响、接入有序充电策略、把车辆按功能类型再细分一层都是在现有主循环上做加法不需要推翻重来。