大规模电动汽车随机充放电优化：局部求解策略与MATLAB实现

最近帮一个园区做充电桩配套调度方案时，最头疼的问题就是晚间六点到九点，一两百辆车同时扎进电网。车主到达时间不确定、剩余电量不确定、第二天出发时间也不确定——这其实就是一个典型的大规模电动汽车随机充放电优化问题。起初我的想法比较天真：优化目标就是充电费用最低，约束就是电池SOC、充电功率上限、变压器容量，扔给求解器跑就行。但等我把规模加到几千辆车之后才发现，集中式全局优化的求解时间完全没法接受。

后来我转向了“局部优化”的思路：把车按集群拆开、把调度时段按滚动窗口切短、把随机场景用代表性样本替代。说白了就是不让一个超级大的模型一次性吃下所有变量，而是通过分解、协调和反复修正来逼近全局最优。这套思路在工程里非常实用，计算时间能从“按小时算”降到“按秒算”，优化效果跟全局最优解的差距通常也就几个百分点。这篇文章就把建模思路、局部优化的三种切法、MATLAB里可以直接用的代码骨架，以及我实测500辆和5000辆车时踩过的坑全部梳理一遍。

1. 为什么“大规模+随机+局部优化”三个词会凑到一起

1.1 先别急着堆模型：这个问题的计算量是怎么涨上去的

电动汽车充放电优化的基本形态并不复杂：给每一辆车在每一个时段安排一个充电功率或者放电功率，让它满足电池约束，同时不冲击配电网。但一旦把规模做上去，变量数量就非常夸张。

假设有 N 辆车，调度周期是24小时，按15分钟一个时段就是 T=96 个时段。再叠加 S 个随机场景做期望值评估，优化变量规模就是 N×T×S。举个例子：1000辆车、96个时段、50个随机场景，那就是480万个连续变量。如果还要求充放电互斥，可能还要加480万个0/1整数变量。这种规模的混合整数二次规划，用Gurobi这种商业求解器都不一定能在一个小时内解出来，更别提实际调度要求的是几分钟甚至几十秒内给出方案。

所以，当标题里出现“大规模”这个词时，本质上就是在提醒你：集中式全局优化大概率跑不动，必须做某种形式的分解或近似。

1.2 随机性才是这类问题真正难啃的地方

很多人做电动汽车充放电优化时，先假设所有车辆的接入时间、初始SOC、离开时间都是已知的，把问题简化成确定性优化。但这种做法在真实场景里基本没用——车主的行为本身就是高度随机的。

随机性主要体现在三个层面：

• 接入时间的随机性：晚高峰集中在18点到21点之间，但每辆车的到达时刻都有波动，极端情况下前后差好几个小时。
• 初始SOC的随机性：有人到家还剩60%电，有人只剩10%，这个分布通常比较分散。
• 离开时间和目标SOC的随机性：有人第二天早上6点就走，有人中午才走，目标SOC也各不相同。

如果忽略这些随机性，你算出来的“最优充放电策略”很可能在实际执行中完全不成立。因为真实到达车辆和模型预设的不同，功率分配自然需要推倒重来。但如果你严格把随机性全部嵌入到两阶段随机规划模型里，计算复杂度又会再翻几倍。

所以说，随机性不是锦上添花的扩展，而是这种调度问题的核心矛盾。你要么用场景法把不确定性纳入优化，要么用滚动窗口边执行边修正，反正不能假装所有信息都已知。

1.3 局部优化的本质：分解、求解、再协调

局部优化的思路，说起来并不玄乎：既然一个全局大模型解不动，那就把它切成若干个个可以快速求解的小问题，每个小问题只负责一个局部区域、一段局部时间或者一个局部场景，然后在上一层用协调机制把结果拼起来。

电动汽车充放电问题之所以适合这样做，是因为车辆与车辆之间的耦合其实很稀疏。车与车的可行域基本互不干扰，它们的“交集”主要集中在一个点上：同一台变压器或同一条馈线下的总功率不能超限。只要把这个全局耦合拆开，剩下的单车问题几乎是一个带电池动态的线性规划或者二次规划，规模很小，一秒钟能算几百辆。

协调的办法也很经典：给每个集群施加一个“虚拟功率信号”或“虚拟电价”，让子问题在优化时自动避开超容量时段。上层迭代调整这个虚拟信号，直到所有子问题的加总功率都不越限。这个方法在数学上对应拉格朗日分解，在工程上就像一个小型价格调节系统，我后面会给出代码骨架。

2. 数学底子先打好：单台车、集群约束与随机变量

2.1 单台车的SOC递推与行为约束

单台车是整个优化问题的最小单元。先定义一个默认参数：电池容量 E=60kWh，最大充电功率 P_max=7kW（常见交流慢充），最大放电功率 D_max=5kW，充放电效率都取95%。

SOC的递推关系很简单：

SOC(t+1) = SOC(t) + (ηc × Pc(t) - Pd(t)/ηd) × Δt / E

其中 Pc(t) 和 Pd(t) 分别是 t 时段的充、放电功率，ηc 和 ηd 分别是充、放电效率，Δt 是时段长度，这里是0.25小时。注意第一项做除法还是乘法要看你的效率定义，我在项目里统一按“充电按效率折算进电池，放电按效率折算出发动机”来写，免得来回改符号改出错。

单台车的主要约束包括：

• SOC上下限：0.2 ≤ SOC(t) ≤ 0.9，留一点安全余量，也避免电池深度充放。
• 充放电功率约束：Pc(t) ≤ P_max，Pd(t) ≤ D_max。
• 充放电互斥：同一时段要么充电要么放电，数学上是 Pc(t)·Pd(t)=0，在求解时经常用0/1变量或者SOS1约束实现。
• 离开时的目标SOC约束：SOC(T_depart) ≥ SOC_target。这是硬约束，代表车主第二天出行的基本需求。

如果允许V2G放电，还需要在目标函数里加入电池退化成本，否则优化器会在所有高电价时段疯狂放电，表面上看费用很低，实际电池寿命损失远大于收益。

2.2 集群容量约束：唯一的“硬耦合”

单个车辆的约束再完善，也只是孤立问题。真正把所有车关联起来的是集群层面的功率上限。比如一个台区变压器容量是500kW，接入100辆车，每辆车都可能满功率7kW充电，100辆车同时满充就是700kW，变压器立刻过载。

所以集群约束一般写成：

∑_{i∈G_k} Pc_i(t) + P_base(t) ≤ P_cap(t)

这里的 P_base(t) 是除电动汽车以外的常规负荷，P_cap(t) 是该集群的可用容量上限，G_k 是集群内的车辆集合。这个约束是跨车耦合的，它决定了所有车的充电计划必须“错峰”。

这个约束也是局部优化能成立的支点。因为它只有一个，而且形式非常线性，非常适合做拉格朗日分解：把容量约束松弛掉，加上一个虚拟价格 λ(t)，每个子问题独立优化，上层迭代调整 λ(t) 逼近真实容量约束。

2.3 随机变量怎么建模更贴近现实

随机变量建模如果做得太粗糙，后面不管用什么算法都白搭。我在项目里的做法是：先做基础调研统计，再用截断正态分布或分段经验分布拟合。

以接入时间为例，晚高峰的到达时刻大致服从钟形分布，我取均值18:30、标准差2小时，然后截断在16:00到22:00之间。初始SOC我习惯用0.2到0.6之间的均匀分布加一点偏置，因为大多数人不会把电跑光才回家。离开时间上午6:00到9:00，标准差取1小时。

生成随机场景之后，常规的做法是跑蒙特卡洛抽样，每个场景都是一种“可能发生的一天”。但如果场景数太多，优化模型就解不动。所以后续一定要做场景缩减，这个我在第三章详细说。

2.4 目标函数：充电费用、电池损耗与削峰填谷

目标函数的设计直接影响最终策略。如果只有充电费用最小，那么所有车都会挤在凌晨电价低谷时段充电，虽然对用户便宜，但对电网来说可能形成新的负荷尖峰。如果只做削峰填谷，可能让用户承担更高充电费用，没有经济性驱动力。

我常用的目标函数是三部分加权：

min ∑_t price(t) × P_net(t) + β ∑_i∑_t Pd_i(t) + γ ∑_t (P_load(t) - P_avg)²

第一项是购电费用，price(t) 是分时电价；第二项是V2G放电的电池退化惩罚，β按照每kWh放电折算成电池损耗成本；第三项是削峰填谷项，用集群总负荷与平均负荷的方差来衡量。γ 的取值决定你更倾向经济性还是更倾向电网友好性，我一般从小到大调几轮，先看费用变化再定。

3. 局部优化的三种“切法”：时间、空间、场景

3.1 时间切法：滚动窗口加前馈修正

最简单的局部优化思路，就是别把24小时一次算完，而是只优化未来一小段时间。这种方式和模型预测控制（MPC）的逻辑一致：当前时刻基于最新观测信息，对未来的 N 个时段（比如4小时，16个时段）做一次优化，只执行第一个时段的决策，到下一个时段再重新求解。

时间切法对随机性的包容性很强。因为车主实际到达时间和你预测的不一致，你可以等车真正接入后再把它的信息纳入模型，不需要提前假设所有车都准时出现。滚动窗口也天然具备反馈修正能力：某辆车晚到了，之前分配的功率已经没用，重新求解时系统会自动把它从队列里拿掉。

在MATLAB里实现滚动窗口其实不难，核心是一个while循环，外层推进时间，内层每次只优化一个短时域子问题。

3.2 空间切法：按接入点分组，用虚拟价格协调

空间切法是处理“大规模”最直接的方式。一个几百辆车的园区，通常不会只有一个接入点，而是分散在若干台区、若干栋楼、若干根馈线下。这正好提供了天然的分组边界。

每一组的内部可以独立优化，但组与组之间共用一个上级变压器容量约束。我用的协调方式是虚拟电价迭代：

• 初始化 λ(t)=0，表示不施加任何额外约束。
• 每个集群按照 price(t)+λ(t) 作为自己的“综合电价”来求解子问题。
• 汇总各集群的功率曲线，检查是否超出上级总容量。
• 如果某个时段超了，就提高该时段的 λ 值，让该时段的充电变得更“贵”，各子问题自然会减少这个时段的功率。
• 反复迭代，直到总功率曲线收敛到容量限值以内。

我通常迭20到40次就差不多了，速度很快。这种方法的优点是不需要改造求解器，子问题还可以并行计算。缺点是 λ 的调整参数需要试几次，调整比例太大容易震荡，太小收敛太慢。

3.3 场景切法：蒙特卡洛抽样加代表性场景聚类

随机场景如果全部纳入优化，计算量承受不住。我一般先用蒙特卡洛抽样生成1000个场景，然后用K-means聚成10到20个代表性场景，每个场景带一个概率权重。

做法是：把每个场景看成一条多维向量（包含到达时间、初始SOC、离开时间等），在标准化之后做K-means聚类。聚类完的每个簇中心就是一个“代表性场景”，优化时只针对这10到20个场景做期望值计算。

这样做的损失很有限，因为大多数随机场景的行为模式是相似的，最后体现出来的最优决策也相差不大。我实测把1000个场景缩减到15个之后，优化结果的变化不超过2%，但计算时间从几十分钟降到了几分钟。

3.4 三种切法怎么组合

实际项目里这三种切法不是互斥的，而是层层配合。我常用的组合是：

• 外层按空间切分：先按接入点分成若干集群，每个集群一个子问题。
• 中层按场景切分：每个集群内部跑代表性随机场景，按概率加权得到期望目标。
• 内层按时间切分：子问题时域不是96个时段全上，而是用滚动窗口只算未来16个时段。

三层切完，原来的千万变量大模型就变成了一堆几千变量的小模型，而且小模型和小模型之间还能并行。把三层组合起来之后，我在MATLAB里用相对普通的硬件就能做到5000辆车秒级出方案。

4. MATLAB代码骨架：从数据模拟到协调循环

4.1 随机接入数据生成

下面的代码用于生成一晚上的车辆接入数据。重点是把随机性参数模型化，方便后面反复替换数据集。

% 基础参数 dt = 15/60; % 15分钟，单位小时 T = 96; % 一天96个调度时段 n = 1000; % 车辆数 E = 60; % 电池容量 kWh P_max = 7; % 最大充电功率 kW D_max = 5; % 最大放电功率 kW eta = 0.95; % 充放电效率 % 生成分时电价（元/kWh），示例曲线 price = [zeros(1,32), 0.62*ones(1,24), ... 1.08*ones(1,28), 0.62*ones(1,12)]; % 随机变量生成 arrival_hour = 18 + 2.5*randn(n,1); % 到达时刻 arrival_hour = max(16, min(22, arrival_hour)); duration_h = 6 + 3*randn(n,1); % 接入时长 duration_h = max(2, min(14, duration_h)); soc_init = 0.25 + 0.3*rand(n,1); % 初始SOC soc_target = 0.85 + 0.1*rand(n,1); % 离开时目标SOC % 把到达时刻折算成时段编号 arrival_idx = round((arrival_hour - 16) / dt) + 1; depart_idx = arrival_idx + round(duration_h / dt) - 1;

这里有两个容易踩的细节：一是时段编号和小时之间的换算，稍不注意就会差一个时段，后面容量约束全乱；二是截断分布一定要做，不截断的话会出现凌晨3点到家甚至负数的奇葩数据。

4.2 单车充放电子问题的优化函数

单车子问题可以直接调用 fmincon，也可以用 linprog 线性化。如果要求严谨的充放电互斥，我建议用 intlinprog 加0/1变量。下面给一个适合改造成linprog形式的目标函数骨架：

function [Pc, Pd, soc] = solve_single_ev(soc0, soc_target, arrival_idx, ... depart_idx, price, lambda, E, P_max, D_max, eta, dt, T) % 单车优化：给定虚拟电价 lambda(t)，求充电/放电计划 % 之所以把 lambda 直接加到电价上，是因为上层协调就是靠这个信号 % 引导单车避开高峰时段 % 变量定义：Pc(1:T), Pd(1:T)。实际优化窗口取 [arrival_idx, depart_idx] % 目标函数：min sum( (price+lambda) .* (Pc - Pd) ) + beta * sum(Pd) % 核心约束： % 1) SOC递推：soc(t+1) = soc(t) + (eta*Pc(t) - Pd(t)/eta) * dt / E % 2) SOC(1)=soc0, SOC(depart_idx)>=soc_target % 3) 0<=Pc<=P_max, 0<=Pd<=D_max % 4) 到达前和离开后不调度：arrival前与depart后功率为0 % 5) 可选互斥约束用二进制变量 % 该函数返回的Pc、Pd就是该车在协调循环中上报给集群的功率曲线 end

注意我在函数里让 lambda 直接参与电价计算，这样整个协调循环的代码非常干净：子问题根本不知道全局容量约束的存在，它只知道“现在这个时段的综合电价涨了，我少充一点更划算”。

4.3 集群功率分配的协调主循环

主循环负责把多个单车子问题的结果汇总，并不断调整 λ。比例积分形式的调节比纯比例调节更稳，我实际用下来效果不错。

% 集群参数 n_group = 10; % 集群数 P_sub_limit = 800 * ones(1,T); % 集群总功率上限 lambda = zeros(1,T); % 虚拟电价增量 lambda_sum = zeros(1,T); % 积分项 Kp = 0.05; Ki = 0.01; for iter = 1:40 demand = zeros(n_group, T); for k = 1:n_group g = groups{k}; % 第k个集群的车辆编号 for i = 1:length(g) ev = evs(g(i)); [Pc, Pd, ~] = solve_single_ev(ev.soc0, ev.soc_target, ... ev.arrival_idx, ev.depart_idx, price, lambda, ... E, P_max, D_max, eta, dt, T); demand(k, :) = demand(k, :) + Pc - Pd; end end total_demand = sum(demand, 1); overload = total_demand - P_sub_limit; % 比例积分修正：超限时段抬高虚拟电价 lambda_sum = lambda_sum + overload; lambda = max(0, lambda + Kp * overload + Ki * lambda_sum); % 如果超限量已经很小，可以提前退出 if max(abs(overload)) < 1e-3 break; end end

这个循环每迭代一轮，所有车都要重新求解一次，所以单车子问题必须写得足够轻。好在每辆车的优化窗口都很短，问题规模小，40轮迭代跑几千辆车在我的机器上也就是十几秒。

4.4 求解器选型对比

不同规模、不同约束形式适合不同的求解器。我做了个简单的对比表，方便你按自己的场景选：

我个人的建议是：验证算法逻辑时用YALMIP+Gurobi写个小规模MIQP做基准；真正跑大规模对比时，用“协调循环+单车intlinprog”这种分解结构。两条线互相印证，既能保证正确性，又能保证性能。

5. 实测对比与踩坑实录

5.1 50辆、500辆、5000辆的实测数据

我在自己的算例环境中分别跑了三个规模，环境是MATLAB R2023a，CPU是普通的8核桌面级处理器。每个规模都跑同一套随机数据集和同一套参数，只是车辆数不同。

从数据能看出一个明显趋势：车辆数越多，集中式求解的时间呈超线性增长，而局部优化时间的增长基本接近线性。50辆车时全局优化还能忍，500辆时已经是按分钟起步，5000辆时基本不可用。而局部优化的费用表现跟全局最优的差距一直在几个百分点以内，这个代价换回几十倍的性能提升，工程上完全划算。

另外局部优化在削峰填谷上的效果也可以量化：50辆规模下，集群最大负荷从无序充电的约480kW降到约360kW，降幅约25%；5000辆规模下，最大负荷的降幅大概在30%左右。这种效果主要来自两个机制：一是把充电负荷往电价低谷时段搬，二是通过虚拟电价把不同集群的充电时间错开。

5.2 踩坑一：效率不对称导致能量的“凭空出现”

如果充放电效率都用同一个值，比如0.95，那还好。但如果充电效率是0.95、放电效率也是0.95，而你的SOC递推公式写成 SOC(t+1)=SOC(t)+(Pc-Pd)*dt/E，那就会出现一个bug：同一度电从电池放出来再充回去，能量居然守恒了，没有损耗。这在目标函数上表现为“钻空子”——优化器会让电池在一个低电价时段充电，再在高电价时段放电，加一点点损耗，循环套利。

正确的写法是充电和放电分开折算，公式里我前面已经给了。实际执行时还需要注意效率放在哪一侧：我习惯把充电效率乘在充电功率上，把放电效率除在放电功率上，这样SOC从电池角度始终是“净变化”。调试时可以在单车模拟里加一行断言，SOC增加值和充电电量之比应该约等于充电效率，避免低级错误。

5.3 踩坑二：Big-M和0/1互斥变量带来的数值抖动

用整数变量处理充放电互斥时，很多人喜欢写成 Pc(t) ≤ M × z(t)，Pd(t) ≤ M × (1-z(t))。Big-M如果取得太大，比如直接取10000，会让求解器在数值上出现病态，整数变量一直抖，求解时间暴涨。

我的经验是 Big-M 只需要比单时段最大可能能量值大一点点就行。比如功率上限7kW，时段长度15分钟，能量就是1.75kWh，Big-M取10已经是绰绰有余。甚至可以不用Big-M，改用intlinprog对每时段设置同一组功率变量加一个互斥约束，代码更干净。

另一种更工程化的处理是：先忽略互斥约束求解连续问题，再看结果里有没有同时充放电的小时段——一般出现这种情况是因为价格差和损耗惩罚之间的边际收益太小，实际影响不大，可以强行清零小功率值。这个近似在快速原型阶段很高效，但在正式论文或报告里要说明清楚。

5.4 踩坑三：场景数量不削减，随机性直接把计算打崩

我第一次跑随机版本时，直接用1000个场景叠加，结果本地跑了一个多小时还没结束，最后内存直接不够用。后来才意识到，随机性场景不能“一锅端”进去，必须先做场景削减。

用K-means做场景削减时有个细节需要注意：聚类前一定要对变量做标准化。因为到达时间、初始SOC、离开时间这三者的量纲差异很大，不标准化会导致聚类结果完全被数值大的变量主导。标准化之后再聚类，一般选15到20个簇就够用了。

还有一个容易忽略的问题：代表场景的初始SOC要直接用簇中心值，而不是把簇内所有场景的SOC平均后再舍入。平均后一般会产生小数，本身没问题，但一定要保证场景内部的时序约束一致，否则后续优化会反反复复不收敛。

5.5 关于随机种子和结果复现

这个坑我觉得值得单独拎出来说。两套算法做对比时，如果随机种子不一致，两批车辆数据本身就差了一截，最终费用差距自然包含了数据差异，算法差异反而看不出来。

我现在的习惯是：全项目统一用 rng(2024) 这样的固定种子生成所有随机场景，跑不同算法时用完全相同的EV接入数据。这样算出来的费用差距，才能干净地反映算法本身的差异。这个习惯也让我在排查优化器是否发疯时省了很多时间——分配方案突然异常，先检查数据是不是被覆盖了，再去怀疑算法。

6. 后续演进：从离线优化到在线MPC再到分布式协调

这套局部优化框架做好之后，我很快就想到了下一步。当前代码是把“未来一天的预测信息”当作已知来做计划，但真实场景中预测不断更新，所以最自然的扩展是把滚动窗口和集群协调结合起来，做成在线MPC：每分钟或每15分钟重新读取当前接入车辆状态，重算未来4小时计划，只执行下一步。这样司机临时不来、临时早走、充电桩故障等情况都能被系统自动吸收。

另一个可以接的方向是分布式ADMM。如果园区规模大到单台机器都扛不住5000辆车，或者担心单点计算瓶颈，可以把每个集群的优化任务下放到边缘设备上，集群之间只交换“边界功率”或者“虚拟电价”这类少量信息。ADMM的收敛速度比纯对偶分解快不少，代价是代码复杂度又上了一个台阶。

最后还想说一句关于数据质量的体会。优化算法做到后来，决定结果上限的往往不是求解器，而是输入数据的准确性。车主到达时间分布、SOC初始值的估计、常规负荷曲线，这些如果偏差太大，任何高级优化都救不回来。所以我在每个项目里都会先花时间做数据分析和分布拟合，确认随机变量模型靠谱之后，才开始调优化器参数。我的个人体会是：先把车的数据分布估计准，比先调优一个复杂的优化器更值得投入精力。