做充电负荷预测这几年，我越来越觉得“按历史负荷曲线外推”的老办法快到头了。电动车渗透率上来之后，充电负荷不再是一根均匀上涨的曲线，而是跟着人流车流走的：早高峰的办公园区、晚高峰的居民小区、节假日的商圈快充站，每一个交通热点背后都藏着一个充电热点。要想把电动汽车充电负荷的时空分布预测准，就必须把交通信息和配电网放进同一个框架里算，也就是业内常说的“路-网耦合”。这篇文章把我实际编写的那套基于交通信息的电动汽车充电负荷时空分布预测Matlab程序拆开讲，从建模思路、程序结构、关键代码到算例结果，再附上我踩过的一些坑。打算做同类仿真研究的同行，可以把它当成一份能直接照着搭的蓝本。
文章主要面向三类读者：做配电网规划、充电桩选址的工程师，研究交通能源耦合方向的研究生，以及想快速搭建仿真原型验证想法的人。下面涉及的方法不算深，但每一步我都会交代“为什么这么设计”，否则程序跑通了，原理没吃透，换个场景还是不会改。
1. 先想明白：为什么充电负荷预测绕不开交通信息
很多经典的充电负荷预测模型，本质上是在做“统计外推”。有的拿电网历史负荷数据做时间序列回归，有的统计已建充电桩的充电量按月按周推总需求。这两种思路在电动车保有量很低的阶段勉强可用，但渗透率一旦上来，问题就暴露了：充电负荷不是“均匀涨”的，它的时空分布由车主的出行行为派生，而车主的出行行为完全受交通路况、功能区分布、停车时长这些交通信息控制。
我举个例子你就明白了。某个工作日的傍晚，大量车辆从中央商务区往住宅区移动。如果只看电网侧历史数据，晚高峰负荷应该是平稳爬升的；但实际情况是，下班时间集中、住宅区周边配变容量有限、居民习惯到家就插枪充电，晚高峰的充电尖峰往往比传统预测高出不少，而且尖峰位置精确落在几个住宅区配变节点上。反过来，如果住宅区充电容量不够，一部分车主会转移到商圈快充站，尖峰又会出现在商圈。这种“需求错位”，是单纯看电网数据永远看不出来的。
1.1 传统预测方法的三个盲区
第一个盲区是空间维度缺失。历史负荷数据只能告诉你“整个区域涨了多少”，没法告诉你“哪条馈线、哪个配变节点会先过载”。而配电网规划恰恰需要节点级别的负荷信息，充电桩选址更是要精确到路段和地块。
第二个盲区是时间维度失真。传统方法把负荷增长假设成平滑趋势，但充电负荷有明显的“事件驱动”特征：节假日高速服务区排队充电、商场促销时段快充需求翻倍、学校放假期间园区充电量骤降。这些突变都和交通出行事件绑定，不用交通信息根本解释不了。
第三个盲区是耦合缺失。电动车用户会在充电价格、排队时间和里程焦虑之间做权衡。如果某个区域充电不便，车主会改变充电地点，负荷就跑到了别处。这种用户响应行为，是“路-网耦合”分析里最值钱的部分——它能告诉你负荷会不会转移、往哪转移。
1.2 交通信息通过什么“接口”传染给电网
路-网耦合的物理基础很直观：交通路网是电动汽车的移动空间，决定车辆在什么时间出现在什么位置；配电网是电动汽车的能源补给空间，决定充电负荷接入哪个节点。两者本来各算各的，但电动汽车是一个同时在两个网络里活动的“介质”，充电行为就是两个网络的耦合接口。
具体到建模，耦合接口由三组数据构成：一是车辆状态，包括每辆车的剩余电量（SOC）、当前位置、目的地；二是充电决策规则，包括触发充电的电量阈值、选择的充电功率、停留时间；三是网络映射关系，即每个充电桩所属的配电网节点。程序里所有的计算，本质上都是在把这三组数据串起来。
1.3 什么场景必须用路-网耦合，什么场景用不上
这里我说句实在话，不是所有项目都需要上这种复杂模型。如果你只是评估一个园区内部几台充电桩的总用电量，用同时率估算就够了，没必要做路-网耦合。但如果是城市级配电网规划、充电设施布局优化、或者评估高渗透率下的配变重过载风险，那就必须上——因为这种问题本质上问的是“负荷在哪、什么时候来、来多少”，这恰恰是路-网耦合模型最擅长回答的。
判断标准我给三条：是否涉及多个功能区之间的车辆流动；是否关心负荷的空间分布和节点级影响；是否需要模拟用户对充电条件的响应。三条中了两条，就值得搭这个模型。
2. 建模三步走：出行链、充电决策、负荷聚合
整个预测模型的核心可以拆成三步：先模拟每辆车一天的出行轨迹，再判断它什么时候在哪儿充电，最后把所有车的充电行为叠加到配电网节点上，得到时空分布的负荷。下面一步步拆。
2.1 第一步：出行链生成——还原“车一天怎么跑”
电动汽车的充电需求是出行需求派生出来的，所以第一步必须先把“车一天怎么跑”模拟出来。工程上最常用的方法是蒙特卡洛模拟，按统计分布随机采样生成每辆车的出行链。所谓出行链，就是一天当中按时间顺序排列的活动序列加行驶路段，例如“家→公司→餐厅→家”。
生成一条出行链，至少要采样四类随机量：
- 出发时间：按早高峰和晚高峰的双峰分布采样，家庭去工作的出发时间集中在7:00—9:00，返程集中在17:00—19:00；
- 出行目的地类型：根据各功能区的出行吸引概率决定，涉及家、工作地、商业区、休闲区等；
- 出行距离：按OD矩阵和路网最短路径计算，不是简单用直线距离；
- 驻留时间：到达目的地后停留的时长，这决定了慢充有没有足够时间完成。
我用的默认参数是一天1—4次出行，平均2.5次。这个数值需要通过出行调查数据标定，如果没有实测数据，可以参考同类型城市的公开统计，但必须写清楚假设来源，否则论文或报告里容易被审稿人挑毛病。
2.2 第二步：充电决策——什么条件会触发充电
有了出行链，接下来要判断每辆车在每次驻留期间是否充电。我采用SOC阈值模型，规则不复杂：车辆到达某个地点时，如果剩余电量低于设定的阈值，并且驻留时间足够完成一次有意义的充电，则启动充电；否则不充，继续跑下一段。
阈值和驻留时间的判断逻辑可以写成这样的伪代码：
for each 车辆 for each 出行段 更新到达后的SOC if SOC < SOC_thr && 驻留时间 > T_min if 驻留地点类型 == 家或公司 使用慢充，充电功率 P_slow else if 驻留地点类型 == 商业区或高速服务区 使用快充，充电功率 P_fast end 按驻留时长和充电功率计算实际充电量 end end end这里面有几个参数需要标定，我的经验值是：家用慢充触发阈值设为30%，快充触发阈值设为40%。阈值设得越低，模型越“乐观”，总充电量和峰值都会偏低；设得越高，车辆充电越频繁，负荷曲线越饱满。做敏感性分析时，这组参数是最值得优先扫描的。
充电方式也要按场景区分——住宅区和办公区以7kW慢充为主，商业区和高速服务区以60kW甚至更高功率的快充为主。因为充电功率直接影响负荷峰值，这个区分不做好，聚合出来的曲线会非常离谱。
2.3 第三步：负荷聚合——把“个体决策”变成“节点负荷”
模拟完所有车辆后，手里是一长串“个体充电事件”，每条事件包含充电开始时间、持续时长、功率和充电桩位置。下一步就是把这些事件叠加到配电网节点上。聚合分两个维度：
空间上，每个充电桩必须能映射到唯一一个配电网节点。映射关系存放在一张节点映射表里，字段包括桩编号、所属馈线、所属节点、充电功率类型。时间上，仿真时间轴按固定步长离散化，常用15分钟或30分钟。之所以不选更小的步长，是因为计算量与模拟车辆数成正比，1分钟步长下车辆数过万后，循环时间会让人失去耐心。
聚合公式很简单：
P_node(t) = Σ P_i(t) (所有接入该节点的充电桩在时刻t的实际充电功率)最后输出两类结果：一类是节点负荷矩阵，行是时间，列是节点，每个元素是该节点在该时刻的总充电功率；另一类是区域总负荷曲线，把所有节点相加就得到。
这一套三步流程是整个程序的主干，也是后面Matlab代码的组织依据。程序跑得对不对，关键就看这三步之间的数据传递有没有断层。
3. Matlab程序落地：模块划分、数据接口和关键代码
很多初学者拿到这类程序，最容易卡住的不是算法本身，而是“数据怎么组织”。我的建议是：动手写代码之前，先把程序按数据流拆成四个模块——数据输入、交通流分配、蒙特卡洛仿真、负荷聚合与可视化。每个模块只负责一件事，模块之间用结构体传递数据，调试起来会轻松很多。
3.1 数据输入模块：路网、OD矩阵、配电网参数怎么组织
程序最开始需要读入的数据可以分成四组。
第一组是路网数据。我用邻接矩阵存储道路拓扑，矩阵元素是路段行驶时间，不可通行的路段用inf填充。OD矩阵单独用一个二维表存储，表示各交通小区之间的出行量比例。如果找不到真实路网，可以先用手工构造的小规模测试路网跑通逻辑，再替换成真实数据。
第二组是配电网数据。至少需要知道节点数量、线路阻抗、节点之间的连接关系，以及每个节点上未来可能接入的充电桩数量。这部分数据通常从配电网规划部门拿，拿不到时可以用标准测试算例替代，比如常见的33节点辐射状配网拓扑，重点在于验证方法的可行性。
第三组是车辆参数。我用的默认值：电池容量60kWh，百公里电耗15kWh/100km，慢充功率7kW，快充功率60kW，起始SOC按80%—100%均匀分布。这些参数直接影响结果绝对数值，但不影响方法迁移。
第四组是映射表，也就是路网交通小区和配电网节点之间的对应关系。这张表是整个耦合的关键，必须仔细核对。
3.2 交通流分配模块：最短路径与时变路阻
车辆在路网上怎么走，直接影响到达时间和剩余电量。我用的方法是Dijkstra最短路径配合BPR路阻函数考虑拥堵。BPR函数的形式是：
t = t0 * (1 + α * (q / c)^β)其中t0是自由流行驶时间，q是路段流量，c是路段通行能力，α和β是标定系数，常用取值为α=0.15、β=4。它的物理意义很直观：流量越接近通行能力，行驶时间非线性上升，这正好模拟早晚高峰的拥堵效应。
Matlab里计算最短路径的代码片段：
% A_weight: 邻接矩阵，元素表示路段阻抗(分钟) % origin, dest: OD对起点终点编号 % 返回最短路径节点序列和总阻抗 function [path, dist] = dijkstra(A_weight, origin, dest) n = size(A_weight, 1); visited = false(n, 1); dist = inf(n, 1); prev = zeros(n, 1); dist(origin) = 0; for step = 1:n [~, u] = min(dist .* ~visited + inf * visited); if isinf(dist(u)) || u == dest break; end visited(u) = true; neighbors = find(A_weight(u, :) < inf); for v = neighbors if ~visited(v) && dist(u) + A_weight(u, v) < dist(v) dist(v) = dist(u) + A_weight(u, v); prev(v) = u; end end end path = reconstructPath(prev, dest); end实际项目中，我会把BPR计算嵌入到OD路径搜索之前：先用初始流量算一遍路阻矩阵，再跑Dijkstra，然后更新流量、重新计算路阻，迭代到流量稳定为止。这样比固定路阻更贴近真实情况，尤其是在做大规模城市仿真时，差异非常明显。
3.3 蒙特卡洛仿真主循环：每辆车的一天
交通流分配完成后，进入最耗时的蒙特卡洛主循环。设模拟车辆数为N，每一辆车执行以下步骤：
- 按分布采样生成一天的出行链；
- 沿最短路径逐段行驶，每次move后更新SOC、行驶里程和时间；
- 到达目的地后，按SOC阈值模型判断是否充电；
- 记录充电事件，存入结果数组。
N的选取直接影响结果稳定性。我的做法是先跑2000辆车看结果，再跑5000辆对比，如果总充电负荷曲线的峰值偏差超过5%，就继续增加样本量，直到结果收敛。城市级仿真中车辆数动辄上万，这时就要考虑向量化改写循环，或者把蒙特卡洛次数降下来，用分层采样保精度。
3.4 负荷聚合与可视化输出
主循环结束后，所有充电事件都带时间戳和节点编号。聚合代码的核心思想是“按时间索引累加”：
% 充电事件数组: charge_events(k).t_start, .duration, .power, .node % delta_t: 时间步长(小时) T_steps = 96; % 24小时，15分钟步长 P_node = zeros(T_steps, num_nodes); for k = 1:num_events t0 = max(1, ceil(charge_events(k).t_start / delta_t)); t1 = min(T_steps, ceil((charge_events(k).t_start + charge_events(k).duration) / delta_t)); for t = t0:t1 P_node(t, charge_events(k).node) = ... P_node(t, charge_events(k).node) + charge_events(k).power; end end可视化方面我常用两类图：一是时空热力图，横轴是时间、纵轴是节点编号、颜色是负荷大小，一眼能看出负荷峰值在哪个时段、集中在哪些节点；二是指定节点的24小时负荷曲线。热力图用surf或imagesc都能实现，曲线图用plot更直观。
4. 典型算例结果解读：预测曲线怎么读、怎么用于规划
程序跑完，手里一堆矩阵和曲线，怎么把它们转化成规划决策依据？我拿一个简化的算例走一遍完整流程，你就明白结果怎么用了。
4.1 简化算例的设置思路
算例用了三层数据：交通层设为12个交通小区的简化路网，配网层采用33节点辐射状配电网测试系统，通过一张映射表把12个交通小区归并到配电网的关键节点上。车辆规模设3000辆，模拟24小时，时间步长15分钟，电动车渗透率按30%、50%、80%三档分别计算。
这个设计的好处是：交通层规模小，调试时能肉眼跟踪每一辆车的路径；配网层又是大家熟悉的经典拓扑，结果容易被复现和比较；同时30%~80%的渗透率跨度，能清楚看到负荷形态从“谷底聚集”到“全时段蔓延”的演化过程。
4.2 结果形态：时空热力图里能读出什么
先说最直观的时空热力图。渗透率30%时，热力图上只有早晚两个高峰斑块，早高峰集中在映射到办公园区的节点上，晚高峰集中在住宅区节点上，夜间几乎没有充电负荷。渗透率升到80%后，热力图出现明显变化：晚高峰的峰值幅度翻倍，峰值持续时间拉长，而且午间出现一个新斑块——那是部分网约车和物流车在商业区快充造成的。
单个节点的负荷曲线更有意思。住宅区节点在晚高峰出现陡峭的尖峰，峰值功率如果是慢充7kW叠加而来，30辆车同时充电就是210kW，对一个小区配变来说已经是不可忽视的增量。而办公区节点呈现“上午爬坡、午间持平、下午回落”的单峰形态，和住宅区的曲线在时间上正好错开。这种错峰特性是充电负荷调度和有序充电策略的天然切入点。
4.3 与传统方法的对比：差在哪、差多少
我在相同算例下用“历史负荷数据外推法”算了一版总负荷曲线做对比。传统方法给出的晚高峰峰值比路-网耦合模型低了大约20%，出现时间也早了半小时。原因不复杂：传统方法用的是平滑增长趋势，而路-网耦合模型捕捉到了“晚高峰集中返程+到家即充”的同步效应，真实场景中这种同步效应恰恰是配变过载的最大推手。
空间维度上的对比更关键。传统方法只能给出“系统总负荷”，路-网耦合模型还能输出“哪几个节点最先过载”。算例里渗透率80%时，有4个节点在晚高峰的负载率超过90%，它们全部位于住宅区对应的映射节点上。如果只按总负荷做规划，这4个重载节点会被完全漏掉。
4.4 从预测结果到规划动作
拿到结果后，规划动作其实很清晰：对重载率超过80%的节点优先扩容；对“午间快充斑块”对应的商业区节点，考虑配置储能或引入分时电价疏导；对住宅区和办公区的错峰特性，设计有序充电策略把部分充电负荷转移到凌晨低谷时段。
这套“预测—识别—干预”的链路，就是我推荐做路-网耦合分析的核心理由。它不是为了预测而预测，而是为了给后续的规划、调度、定价决策提供可以落地的输入参数。
5. 实操避坑清单：我写这类程序时踩过的五个坑
程序版本的迭代过程中，有几个坑反复出现，每一个都浪费了不少时间。这里集中写出来，算是帮后面的人省一点调试时间。
5.1 路网与配电网的“物理对应”不能想当然
最常见的问题是把交通小区的形心和配电网节点做简单的“就近匹配”，结果完全对不上。交通小区是一个面状区域，配电网节点是一个抽象电气连接点，两者空间上不是一一对应的。
我的处理方式是引入一层映射矩阵，元素表示某交通小区内充电负荷分配给某配电网节点的比例。例如一个住宅小区横跨两个供电馈线，那么映射矩阵里对应两个节点各有0.6和0.4的比例。这样既保留了空间分布信息，又避免了“一对一定死”带来的误差。
5.2 时间步长要和出行链粒度匹配
早先我把时间步长设成5分钟，理论上更精确，结果蒙特卡洛仿真时间暴增，而且出行链的到达时刻本身就是按小时级分布的，5分钟步长并没有带来实质性的精度提升。后来固定用15分钟，计算量降了三分之二，峰值误差只变化了不到1%。
这里的原则是：时间步长应取决于你能获得的出行数据的最高精度，而不是一味追求细分。数据本身就是小时粒度的，仿真步长细到分钟没有意义。
5.3 SOC初值分布比你想象中更敏感
有一次我把初始SOC设成恒定的80%，跑出来的总充电量明显偏低，排查了很久才意识到：恒定初值等于强行让所有车辆“同一起跑线”，早高峰的充电需求被系统性低估。改成80%—100%均匀分布后，结果才合理。
经验是：初始SOC分布必须和“车辆驶入研究区域时的电量状态”匹配，如果研究的是单个城市，建议用抽样统计或类似场景的数据来标定，不要用拍脑袋的固定值。
5.4 蒙特卡洛收敛性检验不能省略
蒙特卡洛方法有一个隐蔽问题：样本量不够时，结果可能刚好落在统计波动的某个极端点上，看上去“很合理”但其实是错的。我在3000辆车和8000辆车的两组仿真之间，发现总负荷峰值差了接近8%，这在规划里是相当大的偏差。
建议做法很简单：至少跑三档样本量，画一条“峰值负荷随样本量变化”的曲线，找到拐点，然后取拐点之后的最小样本量。这个过程看着多余，实际上能帮你省掉后面不少解释不清的异常。
5.5 数据缺漏时的兜底策略
真实项目中经常拿不到完整的OD矩阵或完整路网。我通常的做法是：先用公开的城市统计年鉴数据拼一个“简化OD”，再用地图API抓取主要道路的行驶时间做验证，最后在论文或项目报告里清楚说明数据来源和局限。仿真圈的共识是“模型服务于决策，数据服务于模型”，数据精度不够时，优先保证模型逻辑完整，结果量级不准确也要保证趋势正确。
6. 在这套框架上还能扩展什么
路-网耦合模型的好处是框架扩展性好，前端换数据、后端换决策算法，中间的核心逻辑不太需要动。我自己做过的扩展主要有三个方向。
第一个是动态充电定价。把电网侧的分时电价作为外部变量输入到蒙特卡洛仿真中，让车主的充电决策从“固定阈值”变成“根据价格弹性调整”。改动不大，但结果可以用来评估价格政策对负荷转移的效果，这对电网公司很有用。
第二个是规划方案的量化对比。在负荷预测的输出上接一层指标计算模块，统计配变负载率超80%的节点数、总充电量、峰谷差等指标，用来对比“均匀布点”和“热点优先布点”两种充电桩规划方案。这个方向经常被用来支撑实际选址项目。
第三个是车网互动模拟。当车辆具备充放电功能时，原本“只充不放”的负荷聚合代码可以扩展成“考虑放电收益的决策模型”，充电事件数组里增加放电量和放电时段。这个扩展的难点不在于代码，而在于合理设定用户的放电意愿参数，目前相关实测数据还很少。
这三个方向里，前两个在现有框架下改动成本低，适合作为学位论文的进阶章节或实际项目的深化方向；第三个方向更前沿，适合有研究性质的工作尝试。
回到最开头的问题——充电负荷预测到底该用什么方法？我的答案是：只要你在做空间粒度小于城市级、且关心节点级影响的分析，路-网耦合就是绕不开的思路。Matlab程序的价值在于把交通、配网、用户行为这三块逻辑拼成一个可复现、可调试的整体。这套程序我前前后后改了三版，最大的体会不是算法有多难，而是“数据组织和环节衔接”决定了一个仿真项目的成败。如果你正打算搭类似的模型，建议先把路网和配网的数据结构理顺，再谈算法优化——数据流顺了，后面的路就好走很多。
