Mu Tian去年做某个园区充电站容量规划的时候，手头只有一条"园区里大概有200辆新能源车常驻"的模糊信息，却要在三天内给出一版充电负荷曲线，用来判断现有变压器够不够用、需不需要扩容。纯靠"平均功率乘以数量"这种估算，算出来的结果连我自己都不敢信。后来用蒙特卡洛方法把单台车的充电行为拆成随机变量，循环几千次模拟出整个车队的充电负荷曲线，才算是把这个问题落到了实处。本文就是这套方法的完整复盘，从模型设计、概率分布选择到代码实现和收敛性判断，全部摊开讲，适合正在做充电负荷预测、充电站规划或配电网影响评估的同行参考。
1. 为什么充电负荷曲线不能靠"平均功率乘数量"
1.1 充电负荷的随机性到底从哪来
电动汽车充电负荷和传统居民负荷最大的区别在于：它几乎是"全随机"的。传统负荷虽然也有随机波动，但洗衣机的启动、空调的启停都有比较固定的使用模式，叠加后波动相对平缓。而电动汽车的充电行为，从时间维度看，每辆车几点开始充、几点结束充是随机的；从能量维度看，每辆车接入时的剩余电量（SOC）、需要充多少度电也是一个随机的；从物理维度看，充电功率可能是7kW的交流慢充，也可能是60kW甚至120kW的直流快充，不同车混在一起，功率等级又拉开了一个数量级。
这三点随机性叠加之后，整个车队呈现出来的负荷曲线并不是简单的"每辆车平均功率乘以车辆数"。更关键的是，单台车的充电行为本身不是均匀分布——早晚高峰回家的时段充电需求会大量集中，如果简单用平均功率去乘，得到的曲线会是一条几乎水平的直线，这会把最该关注的峰值负荷严重低估。而配电网容量校核、变压器选型，恰恰最关心的就是峰值。
1.2 传统"同时率法"为什么会在电动汽车这里失灵
电力系统里做负荷预测，传统上喜欢用"需要系数法"或"同时率法"。逻辑很简单：查表得到单台设备的功率，乘以一个需要系数（通常小于1），再乘以设备数量，得到总负荷。对空调、电梯这类设备，这个方法经过几十年验证是有效的，因为它们的运行模式相对固定，同时率可以通过大量实测数据标定。
但电动汽车充电负荷不一样。同一辆车的充电行为，工作日和周末不一样，冬季和夏季不一样，甚至同一个小区里商用桩和私家桩的使用规律也完全不同。更麻烦的是，"同时率"这个概念本身就建立在"设备启动是独立随机事件"的假设上，而到了晚上下班时段，几十辆车几乎在同一时间涌进充电站，这时候同时率会无限接近1，你用0.6还是0.8算，结果的差距足以决定变压器选型是否安全。说白了，同时率法解决不了"时间维度上的聚集效应"。
1.3 蒙特卡洛在这个场景下的定位
蒙特卡洛方法解决这个问题的思路，用一句话概括就是：先不管整个车队有多复杂，把每一辆车的充电行为用概率分布描述出来，然后一台车一台车地"抽"一份可能的行为，模拟出它全天的充电功率曲线，最后把几百上千台车的曲线叠加起来。这只是一次模拟。把整个过程重复几千次，就能得到"可能出现的负荷情况"的统计分布，而不是一个拍脑袋的点估计。
这个方法本质上是在做"场景生成"，而不是"精确预测"。它回答的问题是：如果这些车按照这些分布规律去充电，这个园区最可能出现的负荷曲线是什么样，最坏情况又能冲到多少。这个信息量，比传统估算法给出的单一数字大得多。做配电容量规划的人都知道，光知道"平均负荷"是没用的，你要的是"峰值大概率落在什么区间"。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 充电负荷模型的三层结构：车辆、出行、充电行为
2.1 车辆层参数：电池容量、充电功率、续航里程
搭建模型第一步是把每一辆车的"物理属性"定义清楚。这里的属性包括三类：电池容量（kWh）、充电功率（kW）、满电续航里程（km）。这三个参数直接决定了这辆车充一次电需要多长时间、消耗多少电量。
以2024年前后市场在售的主流车型为例，纯电动私家车的电池容量大致分布在40~80kWh之间，紧凑型车偏低，中型SUV偏高。交流慢充功率绝大多数是7kW，部分新车型支持11kW或21kW三相慢充，但在小区和园区的实际场景里，7kW仍然是最常见的设桩功率。直流快充功率则从30kW到120kW不等，主要取决于车端支持的最大功率和充电桩的规格。这里有个容易踩的坑：充电功率不能只看桩的铭牌，还得看车端能否吃得下，否则你按120kW算，实际跑起来可能只有60kW。
我习惯用一个均匀分布来抽样电池容量，范围设40~80kWh；充电功率按场景区分——居民区慢充场景固定7kW，高速或公共快充场景从30/60/120kW里按经验概率抽取。续航里程可以按电池容量乘以一个能量密度系数来推算，比如取8km/kWh，这样续航和电池容量之间就有了物理约束关系，不会出现"60kWh电池却只能跑200km"这种违背常识的组合。
2.2 出行层参数：到家时间、出发时间、日行驶里程
车辆物理属性只是静态参数，真正让负荷曲线"动"起来的，是出行行为的时间分布。模型里最核心的三个随机变量是：到家时间（插枪开始充电）、出发时间（拔枪结束充电）、日行驶里程（决定充电前剩余电量）。
到家时间的抽样，行业内最常用的是正态分布。以住宅区为例，车主下班回家的高峰集中在18:00前后，均值大约在18:00到18:30之间，标准差在1到1.5小时。但要特别注意截断处理——你不能让正态分布抽出一个凌晨3点到家的极端值，至少在我做过的住宅小区场景里，这个概率很低的。务实的做法是用np.clip把抽样结果限制在16:00到24:00之间。
出发时间的分布同理，均值一般设在7:30左右，标准差约1小时，截断在5:00到10:00之间。日行驶里程我更喜欢用对数正态分布来抽样，因为实际数据里多数人每天通勤只有二三十公里，但偶尔会有跑长途的车主，里程分布在长尾端拖得很长，对数正态比正态更能描述这种"大部分短途、少数长途"的特征。均值取30km，标准差取15km，效果比较接近真实出行数据。
2.3 充电行为层：起始SOC与充电功率的匹配
有了日行驶里程，就可以推算车辆接入充电桩时的起始SOC。这里有一个行业内普遍接受的简化假设：起始SOC约等于1减去日行驶里程除以车辆续航。比如一辆续航400km的车当天跑了50km，起始SOC大约是87.5%。这个假设基于"车主一般在家充满电再出发"的前提，在某些场景下可能偏乐观，但作为蒙特卡洛模型的默认设定是完全够用的。
然后要判断这辆车接入后是充满即停，还是只充到某个目标SOC。居民区私家车的典型行为是"充电过夜，充满即停"，所以充电时长的计算公式就是：
code复制充电时长(h) = 电池容量(kWh) x (1 - 起始SOC) / 充电功率(kW)
但这里有个和出行行为耦合的约束：如果计算出来的充电时长大于"从到家到第二天出发之间的时长"，那就要在出发时间强行截断。也就是说，即使家里有桩，车没充满也开走了。这个约束很多人建模时会忘掉，导致模拟出的夜间充电量偏高。
充电功率的选择也要和场景匹配。如果当天日行驶里程很长、起始SOC低于某个阈值（比如30%），车主更可能选择快充；如果只是通勤后的常规补电，大概率选择慢充。我通常用一个概率判断：SOC小于30%时，40%概率走快充；否则95%走慢充。这样模型里的行为逻辑才贴近真实——你不能让一辆只有10%电的车还慢悠悠充一整晚，现实中司机会急着用。
3. 蒙特卡洛抽样的Python实现细节
3.1 概率分布选择与numpy的采样用法
蒙特卡洛模拟的代码实现，核心就是生成符合特定概率分布的随机数。Python的numpy.random模块提供了几乎所有常用的分布函数，比如normal（正态分布）、lognormal（对数正态分布）、uniform（均匀分布）、choice（离散抽样）。
这里有个工程实践上的建议：不要用老式的np.random.seed()加全局随机状态，改用numpy.random.default_rng()生成独立的随机数生成器实例。这样做的好处是，模拟循环里每个环节的随机数序列互不干扰，而且可以方便地传入独立的种子，保证结果可复现。实测下来，用RandomState的老代码，在并行化时容易因为全局状态共享而出现重复序列，排查起来很头疼。
下面是一段概率分布初始化的示例代码，涵盖了车辆参数和出行参数的定义：
python复制import numpy as np
import pandas as pd
def init_simulation_params(rng):
params = {
'battery_capacity': rng.uniform(40, 80), # kWh，电池容量
'charge_power': rng.choice([7, 11, 21], p=[0.85, 0.10, 0.05]), # kW，慢充功率
'range_per_kwh': rng.normal(7.5, 0.5), # km/kWh，续航系数
'home_arrival_minute': rng.normal(18*60, 90), # 到家时间（分钟）
'departure_minute': rng.normal(7.5*60, 60), # 出发时间（分钟）
'daily_mileage_km': rng.lognormal(np.log(30), 0.5) # 日行驶里程
}
return params
3.2 单辆车充电曲线的生成逻辑
模拟单台车的充电功率曲线，是整个程序里最核心的函数。它的输入是上面抽样出来的参数，输出是一个长度为96的数组，对应一天24小时按15分钟粒度切分的96个时间点，数组里的值代表该时间点的充电功率。
算法流程分四步。第一步，根据日行驶里程和续航系数计算起始SOC，并加上一个2%~5%的随机扰动，模拟仪表显示和实际电量的误差。第二步，根据起始SOC和充电功率计算理想充电时长，如果充电时长大于出发时间减到达时间，则截断为可用的最大时长。第三步，把充电时长换算成"15分钟块"的数量，比如充3小时就是12个块。第四步，从到达时间对应的那个时间索引开始，把连续的若干个块的功率值设为充电功率，其余时间点保持为0。
这里有一个关键细节：时间索引的对齐。假设到达时间是18:20，转换成15分钟粒度就是第73个时间点（18:00对应72，18:15对应73）。但真实车辆的入桩时间不会恰好落在15分钟边界上，如果直接四舍五入到最近的时间点，会产生最多7.5分钟的偏差，单台车无伤大雅，几百台车叠加后会平滑掉，所以无需过度纠结算法的精度，但要保证统一使用"向下取整"或"四舍五入"，不能混用。
python复制def build_single_ev_profile(params, time_points=96, minutes_per_step=15):
profile = np.zeros(time_points, dtype=float)
battery_capacity = params['battery_capacity']
charge_power = params['charge_power']
range_per_kwh = params['range_per_kwh']
arrival = params['home_arrival_minute']
departure = params['departure_minute']
mileage = params['daily_mileage_km']
# 起始SOC估算（单位：0~1）
soc_start = 1.0 - mileage / (battery_capacity * range_per_kwh)
soc_start = np.clip(soc_start, 0.05, 0.95)
# 理想充电时长（小时）
charge_hours = battery_capacity * (1 - soc_start) / charge_power
# 可充电时间窗口（小时）
window_hours = (departure - arrival) / 60.0
if window_hours <= 0:
return profile
actual_charge_hours = min(charge_hours, window_hours)
charge_steps = int(np.floor(actual_charge_hours * 60 / minutes_per_step))
start_index = int(np.floor(arrival / minutes_per_step))
end_index = min(start_index + charge_steps, time_points)
profile[start_index:end_index] = charge_power
return profile
3.3 大规模模拟的主循环与数据聚合
单辆车的行为模拟好了，整个蒙特卡洛模拟就变成一个简单的循环问题：对每一辆车生成参数、生成曲线，然后叠加到总曲线上。这里有一个效率技巧——不要用Python的for循环逐元素相加，而是用一个list收集所有单车的96点数组，最后用numpy的np.sum一次性聚合，速度会快一到两个数量级。
模拟的主循环代码如下：
python复制def monte_carlo_charging_simulation(num_cars=200, num_simulations=1000, seed=42):
total_profiles = []
for sim in range(num_simulations):
rng = np.random.default_rng(seed + sim)
daily_sum = np.zeros(96, dtype=float)
for _ in range(num_cars):
params = init_simulation_params(rng)
profile = build_single_ev_profile(params)
daily_sum += profile
total_profiles.append(daily_sum)
return np.array(total_profiles) # shape: (num_simulations, 96)
跑完1000次模拟后，total_profiles就是一个1000行96列的矩阵。每一行代表一种"可能的全天负荷曲线"，列代表15分钟时间点。对这个矩阵按列求均值、求分位数，就能得到任意时刻的平均负荷、P50中位数、P95高峰等统计量，这就是最终负荷曲线的基础。
整个模拟过程中，num_cars的规模决定了单次模拟的车辆数，num_simulations决定了循环次数。在我的实际项目里，200辆车、500次模拟在普通笔记本上只需要十几秒，完全够用。如果你要模拟上千辆车，可以用multiprocessing把每辆车或每个模拟批次分到不同CPU核心上，但前提是把随机数生成器实例化到每个进程内，避免子进程共享全局随机状态。
4. 从单次模拟到千次迭代：收敛性与结果稳定性
4.1 为什么单次模拟结果不能直接用
第一次跑通代码的时候，我看着画出来的曲线心里直打鼓——这次模拟的峰值是320kW，换一个随机种子重跑，峰值变成了410kW，波动幅度接近30%。这就是蒙特卡洛方法的本质特征：每一次模拟都只是对真实世界的一次"抽样"，抽样一定有波动。
如果你想拿单次模拟结果去跟供电公司讨论"园区需要多大容量"，基本不负责任。正确的做法是理解一个重要规律：单台车在任何一个时间点上的充电概率是相对稳定的，但几百个独立随机事件叠加后的总功率，其波动范围会随着车辆数增加而减小。这个规律背后是大数定律和中心极限定理——当随机变量数量足够多时，它们的和会逼近正态分布，波动范围可以用标准差来量化。
4.2 收敛性判断的实操做法
业界判断蒙特卡洛模拟是否充分的标准做法是：画一条"随模拟次数变化的峰值均值曲线"。具体来说，第一次模拟完了，取峰值记录下来；第二次模拟完了，取前两次峰值的平均；第三次，取前三次的平均……以此类推。你会看到这条曲线一开始剧烈抖动，随后逐步趋于平稳，当波动幅度小于某个阈值（比如1%）时，就可以认为模拟次数足够了。
另一种更严格的量化判断方法是用变异系数（标准差/均值）。对每个时间点的负荷，计算前N次模拟的标准差和均值，当变异系数持续低于0.05时，说明该时间点的负荷估计已经足够稳定。以我的经验，小区200辆车的场景下，大约跑到300~500次的时候，峰值均值的抖动就能控制在2%以内；模拟次数再往上增加，收益递减，没必要盲目追求上万次。
4.3 结果表达：均值曲线、置信区间与典型场景
模拟结果最终要输出成三种形式，这三种形式对应不同决策场景。
第一种是均值曲线，即所有模拟结果的逐点平均值。这条曲线用于评估"日常状态"，比如一天的总充电量、平均负荷，以及和光伏出力曲线做叠加分析。
第二种是置信区间带，最常用的是P5-P95区间。做法是对矩阵按列计算5%和95%分位数，得到上下两条包络线，两条线之间就是"在95%的情况下，这个时间点的负荷不会超出这个范围"。对于变压器容量校核，我更关注P95甚至P99的上包络线，因为它代表的是"偏严苛但不至于极端"的场景。
第三种是典型场景曲线，即挑出总充电量最大、峰值最高的那一次模拟结果作为"最恶劣场景"。这种场景用于应急评估——如果物业告诉你"最坏情况下我们能不能扛住"，你直接把这根曲线甩过去比什么都有说服力。
以下是结果可视化与统计输出的代码片段：
python复制def summarize_results(total_profiles):
data = total_profiles # shape: (n_sims, 96)
df = pd.DataFrame(data).T # 行为96个时间点，列为模拟次数
summary = pd.DataFrame({
'mean': df.mean(axis=1),
'p5': df.quantile(0.05, axis=1),
'p50': df.quantile(0.50, axis=1),
'p95': df.quantile(0.95, axis=1),
'max': df.max(axis=1),
})
# 输出峰值统计
peak_per_sim = data.max(axis=1)
print(f"峰值均值: {peak_per_sim.mean():.1f} kW")
print(f"峰值P95: {np.percentile(peak_per_sim, 95):.1f} kW")
print(f"峰值最大值: {peak_per_sim.max():.1f} kW")
return summary
4.4 收敛性判断的实操做法（补充）
我习惯在项目里额外输出一条"模拟次数-峰值均值"的收敛曲线。做法很直接：模拟到第100次、200次、300次……时分别计算当前所有模拟峰值的历史均值，然后画成一条线。这条线如果在某个区间后开始趋于水平，说明你现在的模拟次数已经足够。如果还在大斜率爬坡，赶紧把次数加大，别等到项目汇报前一天才发现结果不稳定。
另外提醒一点，收敛次数和车辆规模强相关。200辆车可能300次就够了，但如果是10辆车的共享充电站，单次模拟的随机性非常大，峰值可能在100kW到300kW之间横跳，这时候可能需要跑2000次以上才能让均值收敛。道理很简单，车辆越少，每台车对总量的影响越大，随机波动就越难被"平均"掉。
5. 负荷曲线生成后的校验、应用与常见坑
5.1 与实测数据对比校验的流程
模型建立得再漂亮，如果输出结果和实际情况对不上，那也只是纸面上的数字游戏。所以负荷曲线生成后，一定要做校验。最直接的方案是找一个同类型的充电站或园区，收集一两周的充电桩运行数据，包括每根桩的启停时间、充电功率、电表读数，然后聚合成15分钟粒度的实测负荷曲线。
把实测曲线和模拟曲线放在一起对比，重点看三个指标：峰值误差、峰值出现时刻偏差、日充电量误差。峰值误差在±15%以内，峰值时刻偏差在半小时以内，日充电量误差在±10%以内，我认为这个模型就可以投入实际使用了。如果对不上，优先检查两个地方：一个是分布参数是否标定准确，比如这个小区的居民可能是朝九晚五的上班族，到家时间均值要适当提前；另一个是慢充和快充的占比是否符合实际，不少园区里快充桩虽然少，但使用频率极高，会显著推高白天时段的负荷。
5.2 实操中踩过的高频坑
第一个坑是时间基准不统一。模拟时用的时间是"当天分钟数"，而充电桩后台导出的数据往往是"本地时间字符串"。如果你直接拿字符串做对齐，夏令时、时区设置、跨日数据都会带来莫名其妙的偏差。建议统一在建模阶段就把所有时间转成"从当天0点起算的分钟数"，最后输出曲线时再转回时间格式。
第二个坑是忽略充电功率的"阶梯特性"。有些型号的充电桩实际充电过程不是全程恒定功率，电池SOC达到80%以后会降功率，特别是快充桩，降功率可能从60kW一路掉到20kW。如果所有车都按恒定功率计算，会高估快充场景的总充电量和峰值持续时间。简单处理办法是加一个功率衰减因子，SOC超过80%后功率乘以0.5。
第三个坑是随机种子的管理混乱。蒙特卡洛模拟天然要求随机，但项目汇报时需要"可复现的结果"，否则过了三天重新跑一遍，数字对不上，对方真的会觉得你的模型有问题。务必把种子设置成每个模拟批次可配置的参数，并在输出表格里记录本次使用的种子值。这是成本最低、收益最高的工程习惯。
第四个坑是抽样结果突破物理边界。正态分布抽出来的到家时间可能是凌晨3点，日行驶里程可能是负的。这类数值如果直接进入模型，结果毫无意义。务必要对每个随机变量设置合理的上下界，并做clip处理。
5.3 从负荷曲线到实际业务决策的延伸
当你手上有一套可信的充电负荷曲线后，能做的事情远不止画图展示。我最近就在做的一个项目是结合充电站的实时负荷数据集，用历史数据实时修正模型里的分布参数，让模拟曲线可以跟随季节变化、天气变化和附近充电站的价格策略动态调整。比如寒潮来袭时，低温会让电池实际可用容量下降、充电时间拉长，这个因素在初始模型里是没有的，但通过对比前一天实时负荷和模拟曲线的偏差，可以反推出一个温度修正系数。
另外，如果你在做充电站选址或者配电网规划，这条曲线可以直接作为变压器容量校核的输入。把P95曲线的峰值除以变压器功率因数，再乘以一个1.2~1.3的安全余量，就能得到建议的变压器容量。如果现有变压器容量低于这个值，要么限制充电桩同时充电的数量，要么上有序充电控制系统。这些决策，都建立在一条靠谱的负荷曲线之上。
充电负荷模拟这件事，我的体会是：模型复杂程度要跟问题匹配。不是所有场景都需要把交通流、气象、电价响应全部塞进去，绝大多数容量规划项目，用今天讲的这套"三层参数+蒙特卡洛抽样"就足够解决问题了。关键是每层参数的分布标定要经得起推敲，模拟次数的收敛性要经过检验，最后的输出要能和实测数据对照。把这三点做扎实，比你堆砌再多花哨的算法都管用。