电动汽车充电需求预测这件事做深了其实是在做两个网络的博弈。一个是车跑的路网一个是电送的电网过去这俩基本是各算各的交通规划的人只管车流量配电网规划的人只管负荷曲线。但电动汽车一多起来事情就变了——车往哪儿开决定了电在哪儿充电在哪儿充又反过来决定配电网哪个节点压力大。这两年我一直在琢磨一个问题怎么把路网上的真实行驶状态和电网侧的充电负荷真正耦合起来算而不是简单拍脑袋给每个充电站塞一个负荷系数。这次的项目算是一个阶段性总结核心思路是用时序蒙特卡洛模拟把车主的出行行为还原出来结合路阻信息也就是实时或时变的路段通行时间判断车辆会走哪条路、大概什么时刻到达目的地再引入温度对耗电量的影响算出每一辆车在路上的实时SOC变化最后把到站后的充电需求按时间和空间投到配电网节点上做潮流计算。这套链路走通之后得出的结论比传统方法要细致很多。下面我把整个建模思路、关键参数处理和踩过的坑都摊开讲。1. 为什么要把路阻和温度塞进充电需求模型传统做法的三个盲区先说说我为什么要做这个方向。以前做充电负荷预测最常见的方法就那么几类一是历史数据回归用过去充电桩的充电记录外推未来二是出行链模拟给每辆车随机生成出发地、目的地和出发时间然后按固定耗电率算SOC三是纯粹的Monte Carlo抽样对充电起始时间、充电时长、充电功率做随机抽样叠出一条总负荷曲线。这三种方法在车少的时候够用但一旦渗透率上来问题就暴露得很明显。第一个盲区是空间分布失真。传统方法往往假设车辆在某个区域内均匀分布或者用固定的出行吸引系数把车流分配到各交通小区但实际上路网的拥堵状态对车辆到达时间影响极大。同一段路早高峰可能要走40分钟中午只要15分钟这直接决定了车辆到达目的地时的剩余电量进而影响它是不是一到站就马上充电。如果不考虑路阻很可能会低估那些被堵在路上、耗电量陡增的车辆对充电桩的即时需求。第二个盲区是季节性和天气影响被平均化。很多模型用百公里15kWh这种固定电耗顶多分个城市和高速工况。但温度对锂电池可用容量和空调能耗的影响非常显著而且是非线性的。零下10度和25度相比续航衰减可能达到30%到40%这里面既有电池活性下降的原因也有空调制热功率高达3到5kW的原因。如果不建模温度夏天的预测可能偏保守冬天的预测可能会严重低估局部配电网的峰值负荷。第三个盲区是路网和电网之间的反馈机制被切断。充电负荷不是凭空分布的它取决于车辆在哪里停下来、停下来之后还有多少电。而车辆在哪里停下来又取决于它的出行目的和路径选择。路径选择由路阻决定路阻由车流量决定车流量又包含了一部分正在寻找充电桩的电动汽车——这是一个典型的耦合关系。传统方法把这些环节拆开单独算再手工拼起来结果就是潮流计算里那些负荷曲线看起来很合理细看却经不起推敲。所以这次项目的基本盘就是把出行行为的随机性通过时序蒙特卡洛模拟还原把路阻作为路径选择的核心依据把温度作为电耗计算的关键修正项最后把充电负荷落到配电网拓扑上做潮流验证。每一步都不是独立的前后有严格的因果传导链。2. 时序蒙特卡洛模拟框架怎么把上千辆车的出行行为“跑”出来2.1 从静态抽样到时序推演的差别蒙特卡洛模拟本身不稀奇核心思路就是用大量随机样本来逼近真实分布。但充电负荷预测用的蒙特卡洛和普通的参数抽样有个本质区别它必须保持时间上的因果关系。你不能先抽样充电开始时间再往前反推出行链因为充电开始时间是由到达时间、SOC状态、充电意愿共同决定的而这些变量之间存在严格的时间先后。时序蒙特卡洛模拟的做法是把一整天的出行活动按时间轴顺序逐辆车推演。先给每辆车初始化一个起点位置、一个初始SOC、一个电池容量然后在时间轴上执行一系列出行活动每个活动包含“出发时间、出发地、目的地、路径选择、行驶时间、到达时刻、停驻时长、是否充电”等属性。每辆车的行程都是用蒙特卡洛方法从出行调查数据比如NHTS、居民出行调查的概率分布中抽取的。抽取一次就算跑完一辆车一天的行为抽取上万次就形成了一组覆盖多种可能性的一日出行场景。单辆车的行为充满了随机性但上万辆车的聚合结果会表现出稳定的统计规律——这正是蒙特卡洛的收敛特性。2.2 出行链状态机的实现逻辑我实现的时候把每辆车的出行状态定义成一个有限状态机核心状态包括驻留状态车辆停在某个位置家、公司、商场、充电站处于停车熄火或充电状态行驶状态车辆正在路网某条路径上行驶SOC持续下降充电状态车辆接入充电桩SOC持续上升状态转移的事件就是“出发”和“到达”。每次出发前根据当前时间判断活动类型比如工作日早高峰大概率是通勤晚高峰后有购物或回家需求然后用出行链模型抽取目的地。目的地确定后查询路阻矩阵用Dijkstra或A*算法算出最优路径得到行驶时间。行驶过程中用瞬时电耗模型计算每一分钟的电量消耗。到达后根据剩余SOC和目的地充电桩配置情况决定是否接入充电。这个状态机的好处是逻辑清晰且便于在不同时间尺度上核算数据——行驶阶段的分钟级SOC变化可以直接汇总成能耗曲线充电阶段的功率变化可以汇总成馈线负荷曲线。2.3 抽样规模与收敛性判断样本量上我做了对比实验。车数量从1000辆逐步增加到10000辆观察总负荷曲线的波动性。结果显示1000辆的时候峰值负荷在多次独立重复模拟之间波动幅度约8%到10%到5000辆时缩小到3%以内8000辆以上基本稳定在1.5%左右。所以这个量级的仿真问题城市级区域抽样5000到8000辆车就足够用于规划级别的评估了。收敛性判断另一个实用指标是充电站级负荷的变异系数。如果某个充电站的日均充电量在两次独立模拟中偏差超过5%说明抽样次数不够或该站的服务范围划分有问题需要检查。3. 路径选择与路阻信息建模Dijkstra算法之外还需要做动态时段划分3.1 路阻信息到底是什么路阻信息通俗讲就是路段上的阻抗核心是时间阻抗——车辆通过某条路段需要的行驶时间。道路的长度和通行速度共同决定路阻而通行速度在不同时段差异很大。同一路段早高峰的拥堵延误可能让通行时间翻倍甚至翻三倍。路径选择的核心逻辑是每个出行者都希望选一条总行驶时间最短的路径。在仿真里不能简单用距离最短路径而应该用时变路阻矩阵。我的做法是把一天分成6个典型时段早高峰、上午平峰、午间、下午平峰、晚高峰、夜间每个时段给各路段配置不同的平均通行速度。这个速度可以来源于历史浮动车数据、地图API的典型一周速度数据或者交通仿真软件的标定结果。然后在每个时段内做一次全路网的最短路径计算把结果存成OD对之间的路径表。车辆在某个时段出发直接查这个时段的路径表不需要在模拟中实时跑Dijkstra性能会好很多。3.2 为什么不能只用距离最短路径你可能觉得既然路径已经按最简单的最短时间算好了那直接让所有车都走这条路不就行了不行。如果所有车都选同一个最短路径那条路的路阻立即飙升然后它就不再是最短路径了——这需要在模型里做成一个迭代反馈初始让所有车选最短路径计算得到各路段新的流量和通行时间再重新计算最短路径如此往复直到收敛。收敛时得到的路网流量分布在交通工程中叫“用户均衡”状态每个司机都无法靠自己单独换路来减少行驶时间。在这个基础上叠加电动汽车的能源消耗约束比如耗电量大的车必须选择有换电站或充电桩的路线就能得到更接近真实情况的时空分布。我实际测试下来这种迭代在中小规模路网100到200个节点、300到500条路段里收敛很快一般10到15轮就能让各路段的流量变化低于2%。超过这个轮数不收敛的话通常是OD需求总量和路网容量差距太大需要检查需求数据是否合理。3.3 温度对路径选择的隐性影响如果只是把温度塞进电耗公式里算SOC那路径选择依然是最短时间路径温度的影响就只体现在“到达目的地时的剩余电量多少”。但实际驾驶场景还有一个反馈如果电量不足以支撑走最短时间但较长的路径司机可能被迫走一条绕路但有充电桩的路径或提前进站充电。这时候温度通过影响SOC间接改变了可行路径集合。所以我在模型里加了一个约束如果在某条路径上行驶到中点时SOC低于15%允许车辆偏离原路径导航到最近的快充站补电。低温环境下这种“被迫充电”的概率明显升高——这直接增加了配电网中快充桩的冬季高峰负荷。这一步如果不建模温度是无论如何也推不出这个结论的。4. 温度与耗电量的量化关系不只是打个折扣系数4.1 温度影响电池可用容量和空调能耗两条线温度对电动汽车能耗的影响要分两条线来看。第一条线是电池可用容量变化。锂电池在低温下内阻增大可释放容量减少。可以近似用容量修正系数乘以标称电量比如0度时可用容量约为标称值的0.85到0.9零下10度时可能只剩0.7到0.75。这里的波动范围取决于电池类型和热管理系统数据应来源于电池厂商的标定曲线或低温测试报告。第二条线是空调制热/制冷功耗。空调功率在不同温区差异很大夏季30度以上制冷功率约1.5到2.5kW冬季0度以下制热功率可能达到3到5kW如果是PTC加热器还会更夸张。热泵空调在这些温度点附近能效比更高但零下10度以下优势也会减弱。4.2 一个可落地的电耗计算公式我在模型里用的公式并不复杂但要保证物理意义清晰。行驶工况的基础能耗按照单位里程能耗来算再叠加空调能耗。单位里程行驶能耗[ E_{drive} \frac{k}{v} a \cdot v^2 b \cdot v c ]这本质上是把行驶阻力拆成了滚动阻力、空气阻力和传动损耗的简化多项式。速度越低单位里程能耗越高拥堵状态速度很高时空气阻力又占主导能耗也会上升。空调能耗则按时间计[ E_{hvac} P_{hvac}(T_{amb}) \cdot \Delta t ]总耗电量[ E_{total} E_{drive} \cdot d E_{hvac} ]然后SOC变化就是[ SOC_{arrive} SOC_{depart} - \frac{E_{total}}{C_{battery} \cdot \eta} ]其中(\eta)是充放电效率可取0.9到0.95。这个公式看着简单但有个细节容易被忽略空调能耗和时间相关不是和里程相关。同样一段10公里的路通畅时10分钟跑完拥堵时30分钟跑完后者空调多消耗3倍的电量。这也是为什么路阻模型会影响SOC——堵车不仅慢还费电。4.3 温度场景的典型仿真结果我按三个温度场景做了仿真对比25度常温、0度寒冷、零下10度严寒。在相同的出行需求分布下零下10度时的全区域总充电电量需求比25度时高出28%到35%。其中约一半来自电池可用容量下降另一半来自空调功耗和拥堵延误叠加。更值得注意的是峰值时刻的变化。低温环境下晚高峰到家后的充电负荷峰值出现时间比常温场景提前了约30到45分钟。原因是低温使SOC下降更快部分车辆无法等到晚高峰结束后再充电而是在途中或到达后立即补电把负荷曲线的前沿推前了。这看起来是个小变化但对配电网来说意义重大——规划时如果只看夏季或春秋典型日的负荷曲线冬天高峰可能会被打个措手不及。5. 路网电网耦合建模路阻和潮流如何在一个框架里迭代求解5.1 两个网络的交互逻辑路网和电网的耦合关系可以画成一个闭环循环路网侧根据OD需求和路阻分配车流得到电动汽车的行驶轨迹和到达时间。车辆到达目的地后根据SOC状态和充电桩可用情况生成充电需求空间上落在某个电网节点时间上落在某个时刻。电网侧把充电需求叠加到基础负荷上通过潮流计算得到节点电压和馈线负载率。如果发现某个节点电压越限或馈线过载需要反馈给路网侧——比如该充电站的服务能力受限部分车辆需要转移到其他充电站这个过程又会改变路网上的绕行行为。逻辑上这就是一个典型的双向耦合问题。实际建模中不需要每一步都做全网迭代因为充电行为对路网通行时间的反馈相对较弱充电车辆占比在总车流中不够高但电网对充电需求的反馈必须做——因为某个变电站容量到了上限它管辖范围内的充电桩是没办法继续接客的。5.2 空间映射怎么把充电站负荷落到配电网节点路网模型里的充电站位置和配电网模型里的负荷节点并不是天然对应的。中间需要做一个地理坐标到电网拓扑的映射。我的做法是把配电网的每个负荷节点用经纬度或平面坐标表示对每个充电站找最近的负荷节点然后把充电站的所有充电桩功率曲线附加到该节点如果两个充电站距离较近落在同一个节点上则叠加处理这个映射直接决定了潮流计算结果的真实性。有些配电节点坐标精度差导致充电站被映射到相隔好几公里的节点上算出来的电压降落和馈线潮流完全失真。所以在做潮流计算之前我强烈建议先把配电网拓扑图和充电站位置图叠出来人工核对一遍。5.3 潮流计算的关键设置潮流计算不需要用太高深的算法牛顿-拉夫逊法已经足够成熟也可以用Pandapower、OpenDSS这类开源工具直接跑。需要重点设置的参数包括负荷模型充电桩负荷建议用恒功率模型功率不随电压波动而传统家庭负荷可以用恒阻抗或恒电流模型。恒功率模型在低电压时仍会吸入相同的有功功率对电压稳定性的考验更严酷变压器容量每个配变有额定容量潮流计算中要监测负载率是否超过80%考虑经济运行和事故备用馈线载流量电缆和架空线的载流量会限制输送功率这个下限直接反映为某一节点的有功功率上限跑完之后重点关注三个输出节点电压偏移是否有节点电压低于0.95 p.u.或高于1.05 p.u.馈线负载率哪几条馈线负载率超过70%甚至100%变压器负载率哪些变压器接近满载我这次仿真用的IEEE 33节点配电网模型接入8个充电站后零下10度场景有3个节点电压跌破0.95 p.u.一条馈线负载率到87%。常温场景下这些指标全部正常。所以结论很明确如果只按标准日温度做规划冬季极端天气下那几条馈线必然出问题。6. 仿真结果解读三个典型场景下的充电负荷分布对比6.1 场景设定为了说清楚温度、路阻和充电行为的交互效果我跑了三组对照场景场景A基准25度常温路阻按理想自由流速度计算场景B高温35度高温早晚高峰路阻不变场景C低温零下10度早晚高峰路阻增加15%雪天路滑、车速下降每组场景模拟8000辆车的一日出行配电网用标准33节点模型充电桩配置相同。6.2 总充电负荷曲线对比三个场景的总充电负荷曲线差异非常明显场景峰值负荷MW峰值出现时刻总充电量MWh场景A4.2519:1523.6场景B4.4819:0525.1场景C5.6218:4030.8场景C比场景A峰值高出32%峰值时间提前35分钟。7%至10%的增量可以归因于空调制冷场景B更大的增量来自电池容量下降和空调制热、拥堵的综合效应。6.3 空间分布差异更值得关注的是空间分布的变化。低温场景下城郊结合部充电站的充电量占全区域的比例从常温的28%升到36%。原因是低温导致续航缩短部分居住在市郊、工作在市中心的车主返程时SOC不足以支撑到家被迫在城郊结合部的快充站中途补电。这在常温场景里很少发生。这种空间转移对配电网的影响很直接市中心的充电站负荷变化不大但城郊结合部那几个节点的电压偏差急剧增大。规划人员如果只按常住人口或车辆保有量来均匀布点必然低估这些过渡区域的压力。7. 参数标定与数据来源哪些数据用公开资料哪些必须实测整个模型对数据质量极其敏感。我踩过最大的坑就是历史充电数据不足的情况下强行标定充电决策模型结果预测偏差大到离谱。后来我把数据分成三类管理。第一类是公开标准数据区域路网拓扑、配电网拓扑很多城市有公开的配电网接线图或IEEE标准模型可用、气象温度数据气象站历史记录。这些可以直接从公开渠道获得成本低精度能够支撑规划级分析。第二类是出行行为数据各地居民出行调查数据很多城市规划部门会公开、手机信令数据脱敏后的出行OD。如果拿不到本地数据可以用NHTS这种公开的国外数据进行迁移标定但必须做参数敏感性分析。第三类是充电行为数据充电桩的历史充电记录、分时充电价格、用户充电偏好。这类数据必须有本地实测支撑。充电决策模型里的关键参数——比如SOC低于多少才充电、是否接受绕行3公里去充电——不同地区的差异巨大。我建议至少采集本地200个以上真实用户的充电记录来做统计标定否则模型的可靠性根本没法保证。8. 特殊场景的压力测试极端低温叠加晚高峰会暴露什么问题前面说的都是典型日的分析规划工作中还需要做“压力测试”。我重点测了两个极端场景。第一个是严寒天气叠加节假日返程高峰。此时路网拥堵严重路阻激增车辆在路上消耗的电量大幅上升而到达目的地后的充电需求会形成一个持续时间较长的高峰。再加上低温电池容量衰减整个配电网的负荷曲线呈现“尖峰更尖、持续时间更长”的特征。我测试的结果是等效为连续3小时超过变压器额定容量80%的运行状态这对变压器寿命是明显考验。工程上应对的办法是配置储能或需求响应策略比如分时电价引导部分用户把充电时间延后到23点以后或者充电桩的智能调度系统在馈线负载率超过阈值时自动降功率。第二个是我自己加的一个场景某条主馈线故障后负荷转供充电桩密集区域的电压跌落。因为充电桩大部分是恒功率负荷电压跌落会导致电流增加进一步加剧电压跌落形成正反馈。这种情况下哪怕不是全网高峰局部也可能出现崩溃风险。这个场景在常规规划里几乎没人考虑但实际运营中并不罕见。9. 模型局限与实用化改进方向这个项目做下来必须坦白讲几个模型的局限。首先是路阻信息缺乏实时性。我用的是分时段的静态路阻而真实的路阻是动态变化的偶发事故、天气变化都可能让某条路瞬间崩溃。如果要进一步贴近真实需要接入实时路况API或交通仿真模型但计算成本会成倍增加。规划级应用用时段静态路阻足够运营级应用下一步再升级。其次是充电决策模型不够精细。当前按SOC阈值和充电意愿概率来建模没有考虑充电价格波动、排队等待时间、用户对快慢充的偏好等经济性因素。如果是运营商的运营策略优化这些因素必须加进去。第三是配电网模型缺乏动态响应。配电网潮流计算结果是静态的没有考虑有载调压变压器、无功补偿装置的动作也没有考虑分布式光伏和储能的调节作用。下一步如果要做高渗透率场景下的稳控分析需要把这些动态元件加进去。从实用化角度我觉得最有价值的方向是把交通仿真和配电网潮流的耦合工具标准化做成一个面向规划人员的BPA式工具。现在很多地市配电网规划还在用手工经验叠加负荷系数如果能用这里的方法把充电负荷的空间分布精确算出来至少能把规划方案里那种“处处很合理但又处处经不起推敲”的问题暴露出来。这次项目最让我意外的收获是温度的影响不只是“多充一点电”而是通过影响SOC状态改变了充电行为模式进而改变了负荷的时空分布。很多讨论充电负荷预测的文章都集中在算法复杂度上忽略了物理过程本身的因果链。如果你也在做类似方向我的建议是先把物理机制摸清楚再上复杂算法。数据驱动模型再漂亮如果连“低温会让更多人在城郊半路充电”这种基本规律都不能重现那预测结果的可信度就要打一个问号。以后如果再迭代这个模型我想尝试把动态电价和充电桩排队行为嵌进去让车在路径选择时就感知到充电成本差异和排队时长。到那个阶段路网电网的耦合就不只是物理层面的而是经济信号层面的互动那会是另一个值得深挖的故事了。
