电动汽车有序充放电仿真：分时电价与V2G策略实践

分时电价、电动汽车有序充放电仿真，这三个词放到一起，是我最近一年多接触最多的场景。最早帮某园区做充电场站规划的时候，对方只丢给我一句话：“司机全挤在晚上六点充电，配电房告警了，你说怎么弄？”后来又有做储能的朋友问我，电动车反向给电网放电到底能不能省钱。我发现光看分时电价表格，怎么看都是纸上谈兵。真正让人看明白的，是把它拆成一天24个小时，逐小时跑一遍仿真：什么时候充、什么时候放、SOC怎么变、钱怎么算。这篇内容就是按这个思路来的，不堆公式，直接用Python搭一个最小可用的有序充放电模型，适合刚接触能量管理、电力系统或者电动车策略仿真的开发者参考。

1. 为什么分时电价和电动汽车是同一个问题

1.1 分时电价的底层逻辑

分时电价不是拍脑袋定的，它的本质是让电价跟着系统供需关系走。一天里用电量不是平稳的，早上8点到11点是个高峰，大家上班开空调开电脑；晚上6点到9点更是整个电网的“硬顶”，下班回家做饭、照明、电视一起上。这时候发电侧要么多用煤电和气电扛高峰，要么调用储能顶上去，边际成本自然高。到了深夜11点以后到早上7点，大部分负荷都睡了，发电机组不能随便停，很多电就是“发出来没人用”的低价值电，价格就必须跌下来。

所以分时电价是把一天切割成峰、平、谷三个甚至更多时段，用价格信号引导用户把用电从高峰期挪到低谷期。对电网来说，削峰填谷能减少顶峰机组的压力，对用户来说，低谷期用电是真的能省钱。这里一定要记住一个关键认知：分时电价不是“让电变便宜了”，而是“让你昨時用电更便宜”。同一度电，不同时间买，价格完全不同，这正是后续所有充电策略能操作的空间。

1.2 电动汽车不是普通负荷，而是“会跑的电池”

普通家电是纯负荷，冰箱开多少就吃多少电，没法把电吐出来。电动汽车完全不一样——电池包动辄60kWh，而一台家用空调一天也不一定用得完10kWh。它本质上是一个分布式储能单元，插上充电枪就是负荷，通过V2G车型或双向充电桩，则可以反哺电网。

这就带来了两个天然属性。第一，它的充电时间比较灵活，不一定非要到家立刻充满；第二，如果支持放电，它能把白天或者夜里低价买的电，在电价高的时段卖回给电网。

不过灵活不等于随便。电池有SOC上下限，用户有第二天用车需求，充电桩有功率上限，这些物理约束决定了充放电策略不能只看价格做二分法。这也是我坚持用仿真而不是拍脑袋估费用的原因：把所有约束写进时间轴，才能看到一个策略到底可不可行。

2. 建模之前把三张表说清楚

要做仿真，第一步不是写代码，是把模型参数定下来。我习惯每次开工前先列三张表：分时电价表、电池与充电参数表、用户出行行为表。这三张表不画清楚，后面跑出来的结果谁都不敢信。

2.1 分时电价表

我这里给一套在规划阶段常用的简化分时电价结构，具体数值参考典型工商业峰谷价差，不绑定任何真实地区：

这套数据的特点是峰谷价差接近3.5倍，足够拉出明显的收益空间。注意我把一天切成了24个点，每个小时一个价，这种“小时级”颗粒度对入门仿真来说最舒服。再细到15分钟甚至1分钟当然更精确，但完全没必要，因为普通慢充桩在一个小时内的功率变化通常很平稳，小时级足够说明策略趋势。

2.2 动力电池参数表

电池参数是仿真里最容易“想当然”的部分，我给你一份我自己常用的基准参数：

充电效率这个概念特别容易被忽略。简单说，你从电网买1kWh，经过充电机、电池管理系统之后，真正存进电池的可能只有0.92kWh，剩下0.08kWh变成了热量。放电也一样，电池放出1kWh，逆变之后能卖给电网的只有0.92kWh。这也是为什么后面算“峰谷套利”的时候，不能直接用价差乘电量——损耗会把利润吃掉一块。

2.3 出行行为与电量需求

第三张表是用户行为。这里用一个简化但完整的通勤场景：车主早上7点出门，晚上18点到家，到家时SOC是35%；第二天早上7点必须满电出发。中间每天的通勤耗电约24kWh，也就是40%SOC。

这个场景定下来之后，每天实际需要补充的能量就是“补到满”所需电量加上通勤消耗。更直白的说法是：仿真模型里只关心两个时间点，18点到家可调度，7点之前必须满。至于白天车辆在单位有没有机会充电，属于进阶问题，我先不展开，后面第5节会提。

3. 跑通一版最基础的充放电仿真

3.1 把一天变成小时向量，先算无序充电

我习惯用Python加numpy做这类时间序列仿真，简单直接。先定义24个小时的电价：

import numpy as np # 0-23点的小时电价，单位元/kWh price = np.array( [0.28]*7 + [0.58]*3 + [0.98]*5 + [0.58]*3 + [0.98]*3 + [0.58]*3 )

这个数组对应：0点到6点是谷段，7点到9点是平段，10点到14点是峰段，15点到17点是平段，18点到20点是峰段，21点到23点是平段。和前面那张表完全一致。

先跑“无序充电”，也就是最原始的接上就充策略。车主18点回到家，立刻开始以7kW充电，电流一直充到满电或者第二天出发为止。

capacity_kwh = 60 # 电池容量 soc = 0.35 # 到家SOC charge_power_kw = 7 # 充电功率 charge_eff = 0.92 # 充电效率 leaving_hour = 7 # 次日出发时间 cost = 0.0 for t in range(24): if soc >= 1.0: break if 18 <= t or t < leaving_hour: # 在家时段 charge_energy = charge_power_kw * charge_eff # 实际存入电量 soc += charge_energy / capacity_kwh cost += price[t] * charge_power_kw # 购电支出 # 白天不在家，不做任何操作

跑完的账面成本大概在29元左右。为什么这么高？因为18点到21点是峰段，车主恰恰把三成的电量都放在了最贵的时候充。这就是无序充电的问题：用户图方便，电网扛高峰，最后钱也没省到。

3.2 加入“电价优先”的有序充电策略

有序充电思路非常简单：把充电行为从“到家即充”挪到“低谷即充”。既然谷段是23点开始，那就让车在23点以后才开始充，反正谷段电价0.28元，充电效率还在，早上7点之前完全足够充满。

代码层面和上面几乎一样，只是把充电允许时段改掉：

if t >= 23 or t < leaving_hour: # 只允许谷段充电 charge_energy = charge_power_kw * charge_eff if soc + charge_energy / capacity_kwh > 1.0: charge_energy = (1.0 - soc) * capacity_kwh soc += charge_energy / capacity_kwh cost += price[t] * charge_power_kw

这里有个细节值得注意：我只充电到SOC上限1.0就停，不会一直“怼”着电池过充。实际工程里为了避免过充风险，很多系统会设到0.95，但入门仿真用1.0做边界更直白。

这一版跑下来，费用一下子降到了11.9元左右，比无序充电节省了将近60%。原因不是电池变了，也不是电价变了，只是把充电动作整体平移了几个小时。

3.3 一天成本对比：从低电价里赚到多少钱

两张表放在一起看非常直观：

到这里，有人可能会问：是不是有序充电就是“越晚充越好”？不是。真正常见的场景是用户在平段或峰段到家，如果硬等到深夜谷段才充，可能遇到电池在白天已经快耗尽、深夜充电时间不够用的情况。所以有序充电的核心是“在满足出发SOC的前提下，尽可能选择低价时段”，这是一个带约束的最小成本问题，不是一个简单的“最晚充电”开关。

4. V2G要把“放电”也纳入逻辑：有赚头但必须带约束

充电优化做完之后，自然会有另一个念头浮上来——既然峰电那么贵，能不能在晚上6点到9点的高峰时段把车里的电卖回电网，然后再用谷电把车充满？这个想法就是V2G，把电动车当成家庭或园区的分布式储能。逻辑成立，但是不能放飞自我。

4.1 放开高峰放电后，成本账怎么算

还是沿用前面的通勤场景，初始SOC 35%，18点到家。我在原模型里加一段规则：如果当前时间在峰段（比如18-21点），且电池SOC大于某个安全值，就按6kW功率向外放电，获得放电收益；之后进入谷段再补电。

discharge_power_kw = 6 soc = 0.35 for t in range(24): # 峰段且有余量时放电，注意保留早晨出发电量 if 18 <= t < 21 and soc > 0.5: discharge_soc = discharge_power_kw / capacity_kwh soc -= discharge_soc revenue += price[t] * discharge_power_kw # 卖电收益 # 谷段充电，规则同前 elif (t >= 23 or t < leaving_hour) and soc < 1.0: ...

先把约束放一边，单看账面上：晚间峰段放掉10kWh左右，按0.98元算能产生约9.8元收益；这些电之后要在谷段补回来，买电成本约10.9/0.92以后再折损耗，实际只要3元多。一来一回，每天比单纯谷充再省下6元左右。对一台车来说，一个月多出150-200元的价差收益，听起来很诱人。

但仿真真正要提醒你的是：这个收益不是平白生出来的，而是把电池充放循环次数换了钱。每一次放电都会加速电池循环寿命消耗，对于V2G，需要综合考虑循环老化成本之后，再决定要不要放。

4.2 最容易翻车的地方：无脑放电

我在调仿真的过程中翻过车，典型场景就是同时满足“电价高”和“电池有电”，结果策略让电池在每个高价小时都放电。表面上成本账算得很漂亮：白天放、晚上充，来回倒腾。实际上这个方案有两个物理常识错误。

第一，忽略了SOC下限。60kWh的电池如果一路放到10%以下，不仅系统可能直接切断输出，而且对电池寿命影响很大。更严重的是，第二天早上车主还要用车，你把电卖光了，早上怎么出门？

第二，忽略了“切换成本”。每次充放电切换并不只是算电量损耗，还有接触器吸合、电池预热、双向逆变器开启的额外损耗和硬件磨损。频繁切换甚至可能让充电桩在一年内坏掉。所以真实调度里，通常要求一个时段至少保持充或放状态的持续时间，比如最少1小时，甚至2小时，不能每分钟都在变。

这些约束在日常文档里从来不会写，但在仿真里必须写。我后来就在代码里加了一条硬约束：每天放电次数不超过4次，每次放电至少持续2小时。别小看这一行判断，它直接把“理论利润”拉回到“实际可用”水平。

4.3 加入约束后的完整充放电循环

真正可落地的V2G策略，我建议至少带以下几项约束：

有了这些约束后，我重新跑了一天：18点到21点只安排一次2小时放电，放掉约11kWh，SOC从35%降到约16%，仍然高于下限。半夜谷段把它补回100%，第二天出发前正好满电。算下来，谷段补电支出13.4元，峰段放电收益9.6元，净支出只有3.8元，比纯谷充的11.9元又省了一截。这个结果才是能拿去汇报的版本，因为它在物理上成立，在边界上也安全。

5. 从“一台车”走向“多台车和小型场站”的几个进阶方向

单台车的24小时仿真跑通之后，建议别急着停在“今天省了多少钱”这个结论上，试着往三个方向扩，这也是我实际做项目时反复用到的进阶路线。

5.1 随机出行行为和蒙特卡洛仿真

真实世界里没有“每天7点出门18点回家”的完美车主。有人加班到22点，有人周末不出行，有人临时要跑长途。把出行行为设成固定值，仿真会失真。

我的做法是把到家时间、出发时间、初始SOC定义成随机分布：比如出发时间服从7点到9点的三角分布，到家时间服从17点到22点的正态分布，初始SOC和前一天通勤距离关联。然后跑1000次蒙特卡洛，每次抽一组参数，统计最终成本均值和满足率。这样得出的结论不再是“某一天省了6元”，而是“在这种用户画像下，平均每月能省120元，95%的情况下早晨SOC超过90%”。这份置信度，才适合支撑决策。

5.2 台区容量约束下的多车聚合

单台车不会让变压器过载，十台车同时充就不一样了。做小区或园区场景时，仿真对象不再是单车SOC，而是台区总负荷。

新的目标函数变成：在变压器容量上限以内，让所有车都尽量充到目标电量，同时让总购电成本最低。最简单的做法是把每台车的充电功率加总，加一条“总功率不超过配变可用容量”的约束：

total_power = sum(car.schedule[t] for car in cars) if total_power > transformer_limit: # 按电价从低到高给车分配充电功率，确保总功率不越限

真正做过之后你会发现，多车协同并不需要什么高大上算法，“低价优先排队+容量限制”已经能把负荷曲线压平。但当车辆数量到几十台，且每台车都有不同的出发SOC和离网时间时，贪心策略就开始不够用，这时才会切入优化算法。

5.3 用线性规划替代贪心策略

贪心策略的本质是“每个时刻做局部最优”，这在多约束场景下往往不是全局最优。更通用的建模方式是把它写成一个混合整数线性规划问题。

简化一下思路：设车辆在t时刻充电状态为x_t，放电状态为y_t，SOC为s_t。目标函数是最小化全天购电成本减去放电收益：

min Σ price[t] * (x_t * P_ch * dt - y_t * P_dis * dt) s.t. s_{t+1} = s_t + x_t * P_ch * eff_ch * dt - y_t * P_dis / eff_dis * dt 0.1 ≤ s_t ≤ 1.0 s_7 = 1.0 x_t + y_t ≤ 1

这里x_t和y_t是0-1整数变量，代表这台车这一小时是充还是放。加上约束后交给求解器，得到的调度结果是严格意义上的最优方案。我自己在项目里常用这样建模做基准，再拿它对比贪心策略的差距，一边是“便宜性价比”，一边是“理论上限”，两者之间的差值就是策略改进空间。

不要被这个方程吓到。对于入门阶段，你能写出边界条件、写清目标函数，就已经超过了大部分只在Excel里按“高峰不充”做粗算的人。仿真从来都是先建立思维模型，再用工具算出来，工具永远是第二步。

回过头看，有序充放电仿真这件事，前期最大的坑是“以为难在算法”，后来才发现难在约束建模。价格曲线画出来、电池参数写清楚、用户行为别想当然，这三件事做扎实，哪怕用最朴素的for循环也能得到非常有说服力的结论。我个人最深的一条体会是：仿真结果一定要带着约束条件看，否则那些漂亮的数字到了现场，一个配变容量就把你拉回现实。希望这篇入门能让你少走一点我走过的弯路，从第一个24小时跑起来，再去慢慢扩展你的场景。