基于蒙特卡洛和拉丁超立方的大规模电动车充电模型-案例复现（MATLAB-附案例代码）

目录

1. 摘要

2. 基本原理

2.1 蒙特卡罗抽样（Monte Carlo）

2.2.1 主要原理

2.1.2 MC优缺点

2.2  拉丁超立方体抽样（Latin hypercube sampling)

2.2.1 主要原理

3. 大规模电动车充电模型案例分析

3.1 模型构建

3.1.1 电动车日行驶里程概率分布

3.1.2 电动车充电起始时间概率分布

3.2 结果分析

3.2.1 行驶里程采样结果

3.2.2 起始充电时间采样结果

3.2.3 电动车耗电量和充电时间

3.2.4 总充电曲线对比

参考文献

附录

主程序

函数Charge_total

函数Day_Km

函数Time_In

---

1. 摘要

电动汽车大规模入网充电时会导致系统内负载峰值拔高的问题，和分布式电源一样，都会对电网的安全稳定运行造成冲击，需要在满足系统运行经济效益最优的同时，尽量降低大量电动汽车入网无序充电对系统造成的不良影响。本文通过蒙特卡洛（Monte Carlo，MC）和拉丁超立方（Latin hypercube sampling，LHS）仿真技术，生成大规模电动车无序充电功率曲线，分析大规模电动车接入对电网造成的影响，并对比分析了MC和LHS的模拟结果，分析了二者的区别。

2. 基本原理

2.1 蒙特卡罗抽样（Monte Carlo）

2.2.1 主要原理

蒙特卡罗抽样（MC）指使用随机数或伪随机数从概率分布中抽样的传统技术。MC主要应用于一系列包含随机行为的复杂问题，并由此衍生出一系列的算法，不同类型的概率分布中生成随机样本。