做电动汽车充电负荷计算相关课题的同行，应该都有过这种体会：电网侧要评估大规模电动车接入后的影响，但手头既没有真实充电桩数据，又不想用那种“拍脑袋定一个同时率”的粗糙做法，那么蒙特卡洛抽样基本是绕不开的第一选择。最近我把基于蒙特卡洛抽样的电动汽车充电负荷计算完整代码在MATLAB里跑通了，也调出了比较理想的效果曲线，这篇就把整个实现过程、模型假设、代码思路以及调试中踩过的坑全部摊开讲。内容面对的是正在做充电负荷预测、配电网规划或者电动汽车入网影响分析的工程师和研究生，哪怕你之前没接触过蒙特卡洛，按着这套思路和代码框架也能搭出一版可用模型。

先说结论：这套方案适合做“规模化电动汽车集群负荷评估”，能模拟任一时刻全网/台区范围内的充电功率需求曲线，输出结果包含逐时负荷均值、波动范围以及不同渗透率下的对比，完全可以直接嵌入到后续的配网潮流计算或容量规划里。

1. 项目背景与整体思路

1.1 为什么偏偏选蒙特卡洛抽样

电动汽车充电负荷和常规空调、照明负荷的最大区别，就是它的“用户行为主导”属性。一辆车几点开始充电、前一天跑了多少公里、回家后还剩多少电，这些参数几乎没法用确定性公式描述，只能靠概率分布去刻画。蒙特卡洛抽样就是干这件事的：从已知的概率分布里反复抽取随机场景，每个场景生成一组充电行为，叠加出总负荷，最后用大量场景的统计结果逼近真实期望。

这比传统的“负荷同时率”法高明在两个方面。第一，它能还原负荷曲线的自然形态，尤其是傍晚下班后的充电高峰叠加效应，这是同时率法给不出来的；第二，它能输出负荷的波动范围，也就是置信区间，这对评估配电网设备过载风险特别重要。实际计算中，单次抽样可能有很大的偶然性，但上千次抽样后的均值会收敛到稳定的期望曲线，这就是蒙特卡洛大数定律的直观体现。

1.2 蒙特卡洛方法的底层逻辑

蒙特卡洛的思想可以类比成“用海量实验逼近真相”。好比你想知道一万个人随机到达车站后等车人数的分布，最简单可靠的办法不是列方程，而是真的模拟一万个人的到达行为，统计每个时刻的人数。充电负荷计算同理：每辆车就是一个随机样本，样本里有起始充电时间、日行驶里程、电池容量、充电功率这些属性，抽样一次就是生成一辆车的充电曲线，把所有车的曲线叠加就是某一天的负荷曲线。

关键点在于，单次抽样只是众多个体行为的一种组合，并不代表典型情况。所以要重复抽取N次（比如500到2000次），每次代表一天，把每天的负荷曲线做平均，得到的就是期望负荷曲线；同时统计每一天对应的曲线波动范围，就可以画出置信带。整个流程核心只有三步：构建输入变量的概率模型、逐车抽样形成单日负荷、多次重复后做统计分析。MATLAB在这套流程里最大的优势是随机数生成函数丰富、矩阵运算快、画图方便，调试和结果可视化都不需要额外工具。

1.3 系统总体框架

我搭的整体计算框架分四层：参数层、场景层、计算层、统计层。参数层定义电动汽车保有量、充电桩功率、电池容量、各类概率分布参数；场景层负责对每辆车抽样，生成起始充电时间和初始SOC；计算层按照时间序列累加每一时刻的充电功率；统计层多次循环后计算均值、标准差、分位数并出图。

这四层各司其职，也方便以后扩展。比如想把慢充换成快充桩，只需要修改参数层的充电功率分布；想加入有序充电策略，只需要在计算层增加一个控制逻辑模块，不影响其他部分。项目实际代码也是按这个结构组织的，函数边界清晰，后续维护和改参数都很顺手。

2. 充电负荷计算的关键模型搭建

2.1 影响充电负荷的三大随机因素

做过几轮仿真之后，我总结出对负荷曲线影响最大的三个随机输入：起始充电时间、日行驶里程、充电功率。起始充电时间决定负荷曲线的相位，什么时候出现高峰完全由它决定；日行驶里程决定充电需求电量，也就是每辆车充多久；充电功率决定单车的充电速率，这个参数还直接影响配电网的瞬时冲击。

除此之外还有两个次要因素：电池容量和充电效率。电池容量理论上也可以是随机变量，因为不同车型差异很大，但为了控制复杂度，不少模型里把它设成几种典型值的离散分布；充电效率更多是作为修正系数出现在功率转换环节，不是核心随机源。实际建模时应该把主要精力放在前三个变量上，因为它们对结果的影响是决定性的。

2.2 概率分布选择与参数确定

起始充电时间的分布，不同研究用的模型不太一样。主流文献里常用正态分布，均值在18点到19点之间，标准差1到3小时，这对应的是“下班回家后顺手插枪充电”的主流行为模式。有些精细化研究会把工作日和周末分开建模，或者考虑快充站的随机到达过程，但经典版本用截断正态分布就够用。

日行驶里程更贴近对数正态分布，因为大部分车每天跑几十公里，少数车跑上百公里，右拖尾特征非常明显。MATLAB里直接用lognrnd函数就可以抽取。下面是我常用的参数表：

有人会纠结参数的精确度，我的建议是初期不用追求完美，关键是要让模型行为符合直觉。比如均值参数改了之后，高峰时段确实发生了对应的移动，这就说明模型是敏感的、合理的。后续如果拿到真实充电桩数据，直接替换分布参数做标定即可。

2.3 充电行为约束与边界条件

模型不能只抽样不管过程，还得加上几条物理约束，否则会出现“充满了还继续充”这种不合理的曲线。第一是SOC上下限约束，车载电池一般不允许低于10%，充电目标通常设到90%左右，所以实际可充容量按电池容量的80%计算。第二是充电结束条件，充电时长等于需求电量除以充电功率，达到目标SOC就停止充电，不允许超出。

第三是起始SOC与日行驶里程的耦合约束。起始SOC不应该独立抽样，而是由前一天行驶里程推导：起始SOC等于前一天结束时的SOC减去当天行驶消耗。这个耦合关系我一开始漏掉了，导致大量车出现“电量接近满的还在充电”的假象，曲线失真很严重。

处理完这些约束之后，充电功率曲线在时间轴上的分布就自然呈现出一个特点：大量车集中在晚间开始充电，充电过程持续2到8小时不等，负荷曲线从前一晚的18点开始爬升，到20点到22点之间达到峰值，后半夜逐渐回落。

3. MATLAB实现流程与核心代码拆解

3.1 整体算法框架

MATLAB程序的执行流程我用一个主脚本加若干个函数来组织。主脚本负责设置参数、循环调用单日场景函数、汇总统计结果；函数层面包括场景生成函数、单个车辆充电曲线函数和日负荷叠加函数。这么设计的好处是，后期如果要把慢充换成有序充电，只需要替换或修改场景生成函数，主脚本基本不用动。

主循环结构用for k = 1:N，每轮循环做三件事：抽样生成一批车的参数、累加每辆车的充电功率时间序列、保存这一天的总负荷曲线。N的值我试过500、1000、2000三档，最后选的是1000次。原因后面会在收敛性部分细说。

3.2 随机场景生成代码

场景生成是核心中的核心。起始充电时间我直接用了normrnd生成再截断，日行驶里程用lognrnd，电池容量用randsample按权重抽取，充电功率也按离散概率抽取。截断的逻辑不复杂，生成后把超出范围的样本裁剪到上下限即可，代价是个别样本会堆积在边界，但只要截断点离分布中心足够远，对结果影响可以接受。

% 起始充电时间：截断正态分布（小时） t_start = normrnd(mu_t, sigma_t, N_car, 1); t_start = min(max(t_start, 16), 24); % 日行驶里程：对数正态分布（km） mileage = lognrnd(log(40), 0.5, N_car, 1); % 抽取电池容量和起始SOC capacity = randsample([40;60;80], N_car, true, [0.3;0.5;0.2]); energy_consumed = mileage .* 0.18; % kWh/km soc_start = 0.9 - energy_consumed ./ capacity; soc_start = max(soc_start, 0.1);

这段代码里最值得注意的就是randsample按权重抽样电池容量数组，以及SOC起始值由行驶能耗反推，这两行实际上决定了充电需求量的真实度。0.18 kWh/km这个百公里电耗20度左右的能耗系数是可调的，如果模拟的车型偏微型车，可以下调到0.12到0.15。

3.3 负荷累加与迭代收敛逻辑

有了每辆车的起始充电时间、SOC和充电功率，就能叠加载荷了。先把时间轴切成1440分钟或96个15分钟点，然后把每辆车的充电区间映射到对应的时间索引上，把功率加进去。向量化可以这么写：先确定每辆车充多少小时，再根据起始时间计算跨越的索引范围，逐车累加。

t_end = t_start + charge_duration; % 充电结束时间（小时） for i = 1:N_car idx_start = round((t_start(i) - t0) / dt) + 1; idx_end = round((t_end(i) - t0) / dt) + 1; idx_end = min(idx_end, T); P_day(idx_start:idx_end) = P_day(idx_start:idx_end) + P_charge(i); end

逐车循环在小规模下很快，但如果车数量超过几万台，可以用histcounts配合权重一次性累加，性能提升明显。收敛性方面，我统计了不同迭代次数下的均值曲线标准差，500次时波动还有约3%，1000次以后波动降到1%以内，所以取1000次作为默认配置，既保证精度又不至于跑太久。

4. 仿真结果与分析

4.1 充电负荷曲线的典型形态

用默认参数跑完1000次仿真后，输出的典型日负荷曲线是很有辨识度的：下午16点前几乎可以忽略不计，17点后开始爬坡，19点到21点之间出现明显峰值，峰值后缓慢下降，凌晨1点后逐步回落到低位。这个形态符合大多数文献和实测数据的规律，本质上就是用户下班回家充电行为的集中反映。

我测试的算例是5000辆电动汽车、慢充7kW为主、电池容量以60kWh为主。这个配置下晚高峰总负荷峰值大约在22MW左右。如果单纯按5000辆车乘以7kW得到35MW，会觉得电网早上天天过载，但实际因为起始充电时间的分散性和SOC差异，叠加后峰值远低于装机总和。这正是蒙特卡洛模型的价值——它还原了“同时率”的真实构成逻辑，而不是拍一个固定系数。

4.2 渗透率与充电功率对曲线的影响

参数敏感性测试我做了两组。第一组固定其他参数，只改变电动汽车数量，从1000辆逐步加到10000辆，负荷峰值基本线性增长，但曲线的形状不变，峰值依然出现在晚间20到21点，这说明起始充电时间的分布对峰谷形态起决定性作用，渗透率只改变纵轴尺度。

第二组只改变充电功率构成，把一部分7kW慢充替换成50kW快充，峰值明显前移且冲击变大，原因很简单：快充功率高，同样电量能在更短时间内完成，大量车会在更集中的时间窗口内形成更陡峭的功率峰。这对配电网的影响尤其大，变压器短时过载的风险比慢充场景高很多。

4.3 结果可信度评估

仿真结果不能只信一次曲线，我习惯把1000次迭代中每一天的负荷曲线的均值和±1倍标准差一起画出来。均值曲线周围会形成一个“走廊”，走廊宽度代表了不确定性。这批算例中，晚高峰时刻的标准差大约在峰值的8%到12%之间，说明这个时段的负荷随机波动比较明显，而深夜时段的走廊则窄得多，因为大部分车已经充满停止充电，随机性主要集中在前半夜。

这种不确定性信息对实际应用特别有价值。规划人员在评估变压器容量时，不仅要看均值是否越限，还要看最坏情况下（比如95%分位数）是否越限。我建议在最终输出中加上P95曲线，作为保守决策的参考，这个操作在MATLAB里用prctile(P_all, 95, 1)一行就能搞定。

5. 常见问题与调试心得

5.1 随机数种子与结果复现

蒙特卡洛仿真第一件要养成习惯的事，就是固定随机数种子。如果不加处理，每次运行结果都会有细微差别，写论文时数据对不上，改参数前后也难以比较。早期我吃过这个亏，改了个功率参数，实验结果变化太大，以为是逻辑错误，后来发现只是随机波动。解决办法很简单，脚本开头加一句：

rng(2024); % 固定随机数种子

这样保证同参数下结果完全可复现，改一个参数再跑也只看得到真正由参数引起的变化。实际研究中我会在种子位置留一个变量，批量参数扫描时按组序号动态改种子，保证每组实验独立可复现。

5.2 仿真速度优化

1000次迭代、每轮5000辆车，代码最初跑一轮要将近三分钟，瓶颈在逐车时间序列累加的那层循环上。优化手段有两种：一是把dt从1分钟改成15分钟，时间点从1440降到96个，计算量直接降一个量级；二是对充电起始时间做归并，同一时刻开始的车辆可以合并成一组功率叠加，避免逐车循环。

优化后同样计算规模只需要10到20秒，速度提升非常明显。如果车规模再大，还有一个思路是预先生成场景矩阵，再用单次矩阵运算完成累加，MATLAB对矩阵运算的优化远好于循环，但内存占用会上升，需要权衡。

5.3 参数敏感性踩坑记录

调参过程中的一个大坑，是起始SOC取值过于理想。早期版本里我把起始SOC设为固定0.9，结果单日电量需求全部来自于行驶里程，虽然曲线形态合理，但把电池容量曲线上整体抬高了，高峰更加明显。实际中很多人开完车并不会立刻充满，第二天接着开，所以SOC起始值的随机性必须通过行驶里程耦合进来。

另一个坑是截断正态分布带来的边界堆积。把起始充电时间截断在16到24点后，16点和24点附近的样本明显增多，这是我后来观察直方图发现的。解决办法是把正态分布均值设置在18.5，标准差控制在2小时以内，这样截断区离均值较远，堆积问题基本可以接受。

做这套代码最大的体会是，蒙特卡洛抽样本身并不难，难得是把行为模型建得“像那么回事”。概率分布参数选择是否合理、行驶里程与SOC是否耦合、充电结束条件是否严密，任何一个环节粗糙了，最终的负荷曲线都会在不经意的地方露出马脚。建议你拿到代码后先跑一遍默认参数，再把起始充电时间均值改成22点试一次，你会立刻看到峰值后移，那种“模型对参数有正确响应”的感觉，是验证代码逻辑最有效的手段。后面如果想继续扩展，可以考虑加入温度对能耗的影响、节假日与工作日的行为差异，甚至把蒙特卡洛生成的负荷序列直接喂给潮流计算模块，做配电网的时序概率评估，这套框架都留好了扩展口子。