基于有限理性用户的电动汽车充电负荷与可调容量评估：一种由微调大语言模型增强的蒙特卡洛模拟方法

《International Journal of Electrical Power & Energy Systems》：EV charging load and adjustable capacity assessment with boundedly rational users: A simulation method enhanced by fine-tuned large language models

　　

研究人员提出一种由微调大语言模型（Large Language Model，LLM）增强的蒙特卡洛（Monte Carlo，MC）模拟方法，用于刻画有限理性用户行为并评估充电负荷曲线。通过低秩自适应（Low-Rank Adaptation，LoRA）微调技术结合多源数据，使LLM与真实人类决策对齐。微调后的LLM能够捕捉用户对经济性定价信号与非经济性行为干预（Nudge）的双重响应，从而在目的地充电场景下实现站点级充电负荷与可行调整边界的概率化预测。

研究背景方面，电动汽车（Electric Vehicle，EV）作为灵活负荷与分布式储能资产，其目的地充电场景因车辆停留时长远超所需充电时间而成为车网互动（Vehicle-to-Grid Interaction，VGI）优化的理想载体。传统蒙特卡洛模拟依赖参数化或非参数化概率分布刻画充电起始时间、电池荷电状态（State of Charge，SOC）及出行链，但将EV视为被动响应组件，忽视用户主观决策。理性代理模型仅考虑经济利益，而实际用户呈现有限理性：经济最优方案未必被接受，非经济因素（如信息披露、社会责任诉求等Nudge策略）难以用累积前景理论（Cumulative Prospect Theory，CPT）等解析模型完整描述。大语言模型虽具备多维因素综合推理能力，但云端大规模模型难以满足本地隐私部署与MC循环中的高速推理需求。因此，研究人员开展了一项将轻量级LLM经LoRA微调后嵌入MC模拟回路以替代真实用户决策的研究，论文发表于《International Journal of Electrical Power》。

关键技术方法上，研究人员构建三部分微调语料：充电知识手册、大规模用户行为报告、目的地充电问卷（含住宅与工作地场景，覆盖分时电价/激励折扣/有无Nudge干预，样本来自中国多省份1645份有效问卷）。以DeepSeek-R1-7B-Distill与Qwen3-8B-Instruct为基座，采用LoRA（rank=12，α=24，dropout=0.05）在本地RTX 3090上监督微调，将问卷统计出的“不充/智能充/立即充”后验概率作为输出标签，场景描述作输入，指令定义为预测决策概率分布；推理时temperature=0.1，强制JSON输出三选项浮点概率并归一化，嵌入双层MC迭代（内层算单车功率与可调边界，外层更新期望至收敛），以相对熵（Kullback-Leibler Divergence，D_KL）衡量与真人分布偏差。

研究结果如下。

行为相似性分析：在住宅与工作地四类引导场景下，微调后Qwen-Merged模型平均D_KL由0.3877降至0.1323（无Nudge）与0.2203（有Nudge），78.5%测试案例D_KL<0.2；DeepSeek-Merged改善较弱且在Nudge场景几无变化。原因归于Qwen非反射直出机制更贴近直觉型有限理性，DeepSeek强思维链导致“过度理性”。住宅场景拟合优于工作地，工作地内激励引导优于电价引导。Nudge使无Nudge基线中立即充电比例降至36.41%，智能充电升至141.62%；Qwen-Merged预测智能充电占比由48.02%升至61.22%（电价场景），与实测57.59%趋势一致。

预测性能验证：基于真实运营商76辆住宅EV与93辆工作地EV数据，Qwen-Merged预测三日负荷曲线在住宅MSE=14.05、MAE=2.56、Pearson 0.91，工作地MSE=7.46、MAE=1.57、Pearson 0.97；理性代理模型住宅Pearson仅0.39、工作地0.67。证明LLM微调后跨数据源仍能有效复现有限理性行为。

不同激励下可调容量：100辆EV模拟显示，低折扣（￥0.15/kWh）无Nudge时住宅/工作地平均可调功率105.35 kW/30.04 kW，约理想上限20%；高折扣（￥0.3/kWh）或低折扣加Nudge可扩55%–85%；高折扣加Nudge时达理想上限50%。LLM成功联合刻画经济与非经济因子对可调边界的压缩与释放。

讨论与结论翻译：本研究通过用户问卷构数据集、LoRA微调预训练LLM并本地部署，建立一种在充电负荷与可调容量预测中模拟EV用户行为的新方法。关键结论为（1）同规模微调模型中Qwen非思考模式比DeepSeek推理模式更贴合人类偏好，印证日常充电等经济活动由直觉决策主导；（2）Nudge显著改变选择，非经济干预在同经济激励下提升智能充电接受度，LLM可捕捉该趋势并为非经济引导策略设计提供参考；（3）微调LLM具可迁移性，在同类目的地场景不同电价/激励体制下均有效预测负荷曲线与可调范围。该框架为物理-社会耦合模拟提供新路径，LoRA的即插即用特性支持多环境定向微调。