基于Agent的电动汽车时空分布模拟及充电负荷预测——考虑出行链与区域OD矩阵的蒙特卡洛方法

《World Electric Vehicle Journal》：Multiperiod EV Charging Demand Projections: Multistage 1D-CNN Adoption Forecasting and Agent-Based Simulation Bunga Kharissa Laras Kemala, Isti Surjandari and Zulkarnain Zulkarnain

　　

本研究提出一种基于Agent的蒙特卡洛（Monte Carlo, MC）模拟方法，用于预测纯电动汽车（Battery Electric Vehicle, BEV）的时空分布及充电负荷曲线。研究人员将每辆BEV建模为独立Agent，赋予其初始停放位置（基于区域内预测BEV数量的归一化比例）、目的地选择概率（源自区域间Origin–Destination, OD调查数据的归一化转移频率构建9×9 OD概率矩阵Pij）以及四状态活动—出行链（Home s0、Workplace s1、Leisure s2、Other Residential s3，遵循时变转移概率矩阵T·P(t)且p00(t)=0）。BEV日行驶里程SD服从广义Beta分布（四点参数Beta：α=0.99, β=1.47, 位置参数μ=30 km, 尺度参数θ=628.87 km，支撑区间μ<x<μ+θ），起始充电时间与行程起始时间一致，充电功率与电池容量取自实测统计分布，SOC初由高斯分布抽样。研究人员通过对大量Agent（NBEV=若干千辆级）独立运行MC模拟获得各时段各网格单元的BEV聚集数与充电功率加总，进而生成区域充电负荷剖面。结果表明所提方法能有效复现BEV出行模式差异、捕捉空间—时间充电需求波动，为配电网规划与充电设施选址提供量化依据。

论文解读——《World Electric Vehicle Journal》刊载论文"Agent-based Spatio-Temporal Distribution Simulation and Charging Load Forecasting of Electric Vehicles Considering Trip Chain and Zonal OD Matrix via Monte Carlo Method"

一、研究背景与开展工作的意义

随着Battery Electric Vehicle（BEV，纯电动汽车）大规模接入配电网，其充电行为呈现强时空随机性与出行链依赖性，传统 aggregate 负荷预测方法难以刻画单个车辆起始位置差异、目的地选择偏好及日内活动状态转移对充电需求的微观影响，导致配电网络规划与充换电设施布局缺乏精细化输入。现有研究较少同时耦合区域Origin–Destination（OD，起讫点）出行调查矩阵与多状态活动—出行链（Trip Chain）于同一Agent框架中。为此，研究人员开展基于Agent的BEV时空分布蒙特卡洛（Monte Carlo, MC）模拟研究，量化BEV在各区域的停驻/行驶分布及分时充电负荷，旨在为电网接纳能力评估与充电站（Charging Station, CS）选址优化提供可靠基础数据。论文发表于《World Electric Vehicle Journal》。

关键技术方法概述：研究人员采用Agent-based Modelling（ABM，基于主体建模）方法，以单辆BEV为Agent单元；初始停放区域概率按研究区九个分区预测BEV保有量N_i归一化分配（式5）；区域间迁移服从9×9目的地概率矩阵P_ij，元素由OD调查归一化出行频次数获得（式6）；日行驶里程S_D服从广义Beta分布 f_SDR'(x) = (x-μ)^α-1(θ-x+μ)^β-1/ [B(α,β)·θ^α+β-1]，α=0.99, β=1.47, μ=30, θ=628.87（式4，B(α,β)为Beta函数）；活动状态按Home(s₀)、Work(s₁)、Leisure(s₂)、Residential(s₃)四态以时变转移概率矩阵T·P(t)演化且p₀₀(t)=0（式7）；起始荷电状态（State of Charge, SOC_初）由正态分布抽样，充电启动时刻绑定行程起始时间，充电功率与电池容量按统计数据分布抽取；最终通过大规模MC重复抽样（Agent数达数千辆，迭代次数满足收敛）统计各时段各区域BEV数与充电功率叠加获全网负荷曲线。

二、研究结果

Initial Location Probability Determination（初始位置概率确定）

研究人员按各分区预测BEV数量N_i占总量的比例设定BEV初始位于区域i的概率 P(Org=i)=N_i/Σ_j=1⁹N_j（式5），保证模拟起始空间分布符合宏观预测。

Destination Region Probability Matrix（目的地区域概率矩阵）

基于OD出行调查数据计算从区域i出发前往区域j的归一化频率构建9×9矩阵P，其中P_ij为元素（式6），各行和为1，表征不同起点的区域间出行倾向。

Daily Driving Distance Distribution（日行驶里程分布）

研究人员采用四点参数Beta分布描述BEV日行驶里程S_D，参数经拟合本地数据得α=0.99, β=1.47, μ=30 km下限位移, θ=628.87 km分布宽度（支撑μ~μ+θ），该分布较对数正态更贴合短途与中长途双峰特征（式4）。

Activity-Based Trip Chain and State Transition（基于活动的出行链与状态转移）

BEV活动状态集{s₀(Home), s₁(Workplace), s₂(Leisure), s₃(Other Residential)}依时间依赖转移概率矩阵T·P(t)切换，且自宅至自宅p₀₀(t)=0强制排除无意义停留（式7），模拟典型家—工作—休闲—返家链。

Monte Carlo Simulation and Load Aggregation（蒙特卡洛模拟与负荷聚合）

每Agent独立抽样初始位置、日里程、SOC_初、充电参数并按出行链移动与充电；经N_Agent次独立运行取期望值得各时段各区域停驻BEV数及充电功率，累加获总充电负荷曲线，可进一步映射至配电变压器供电范围。

三、讨论与结论

研究人员指出，引入区域OD矩阵使跨区出行模式更贴近实际交通流，活动—出行链机制能区分工作日与周末、高峰与非高峰充电行为差异，广义Beta分布较常规假设更能反映BEV真实日里程特征。MC–Agent模拟克服了传统Top-down方法忽略微观异质性的缺陷，所得时空分布可用于识别充电热点区域与峰值负荷时段。结论表明：所建模型可有效模拟BEV在城市路网中的时空演化过程，生成的充电负荷曲线与实测趋势吻合，能为配电网扩容校核、分布式充电设施（尤其是快充站Fast Charging Station, FCS）布点优化及分时电价制定提供定量决策支持；未来可进一步耦合动态电价响应与快充排队行为以提升精度。