做楼宇微网调度方案设计的朋友应该都见过这样一对矛盾光伏中午大发负荷却低得可怜傍晚负荷上来了光伏又没了。峰谷电价明明能套利电池容量却卡得死死的多装一组电池的成本几年都回不了本。前一阵我在复现“融合需求侧虚拟储能系统的楼宇微网优化调度”这个方向时把这些矛盾重新捋了一遍最大的收获是楼宇本身的围护结构和中央空调就是一块被大家忽略了很久的“虚拟电池”。在舒适度允许的范围内提前把室内温度调到下限相当于给楼宇“充冷”等电价走高、负荷爬升时让温度慢慢回升相当于“放电”。空调电费就这样跟着峰谷价差一起被省下来了。这篇文章会从物理模型、优化建模、Matlab代码实现一直讲到仿真结果和踩坑记录适合正在做微网调度、建筑能量管理的同学直接参考也适合刚接触这个方向、想快速上手的读者。1. 为什么楼宇微网调度要引入虚拟储能1.1 电池储能之外的“第二块电池”一栋典型商用楼宇的微网系统通常由光伏、物理电池、基础负荷照明、插座、电梯等、中央空调和外网购电通道组成。白天光伏大发时我们希望尽可能自消纳晚上负荷高峰时电价又往往最贵。于是大家第一反应都是配电池——把中午的光伏存起来晚上再放出来。但电池的问题很现实容量不够贵而且容量越大边际收益越低。一栋中等规模的楼宇空调负荷能占到总用电的 30%~50%这个负荷本身却极其“有弹性”。为什么因为房间不是瞬时加热或冷却的墙体、楼板、室内空气、家具都有热惯性。空调停机之后室温并不会立刻反弹而是会缓慢漂移。这种热惯性在物理学上等价于一个电容而空调系统加上楼宇围护结构就构成了一颗“热能电池”。在需求侧做文章就是把这颗热能电池纳入调度电价低的时候把空调开大一点让房间温度降到舒适区间下限把“冷量”存在楼宇结构里电价高的时候空调跟着变小甚至停机让房间温度慢慢回升把存下来的冷量释放掉。这个过程不增加一块钱的设备投资只是改变了空调的运行策略。1.2 虚拟储能和物理储能到底有什么不同很多第一次接触这个方向的人会问虚拟储能跟物理电池不是一回事吗调度模型里多一个状态变量而已思路确实很像但物理性质差别很大必须先搞清楚。对比项物理电池楼宇虚拟储能能量载体电化学材料楼宇围护结构室内空气能量单位kWhkWh由热容×温差折算充放功率由电池额定功率决定由空调额定制冷/制热能力决定容量固定由舒适度允许的温度带宽决定自放电极慢可忽略持续存在温差越大漏热越快成本投资大有循环寿命损耗几乎零增量成本能量损耗充放电效率预冷/预热过程中的围护结构散热最关键的差异是“自放电”。物理电池静置一天SOC基本不变但虚拟储能只要室内温度和室外温度不一样楼宇就在通过墙体跟外界换热。夏季你预冷到 24°C室外 32°C冷量一直在“漏”向室外漏热的速率就是 (T_in − T_out)/R。所以虚拟储能的放电特性更像一个并联着漏电阻的电容漏电阻就是楼宇的等效热阻 R。这个特性直接影响优化调度策略预冷太早、温度压得太低反而会有大量冷量被浪费在围护结构上预冷太晚容量又装不满。1.3 这套方法适合谁、解决什么问题直白地说虚拟储能解决的是“储能不够、电源不灵活、电价波动大”这三件事。在做这个小项目之前我也见过不少方案有的直接用启发式算法搜空调设定值有的干脆把空调当固定负荷处理。前者全局性差后者白白浪费了最大的可调资源。把虚拟储能模型嵌套进混合整数线性规划MILP之后空调、电池、光伏、电网才能在一个框架里真正协同起来。这套思路最适合下面几类人参考一是研究微网优化调度、想把需求侧灵活性讲清楚的研究生二是做建筑能源管理系统、需要落地空调柔性控制的工程人员三是给园区或办公楼宇做光伏储能方案、希望压缩回收期的设计人员。文章后面的模型和代码都是按照“能跑通、能复现、能看结果”的标准来组织的。2. 虚拟储能的物理模型从热平衡方程到可调度能力2.1 一阶RC等效热模型楼宇热过程实际上是一个复杂的分布式系统墙体各层温度不一样房间也不止一个但在日前调度这个时间尺度上一个房间“集总参数”的一阶RC模型就足够用了。所谓一阶RC就是把人眼可见的热过程简化成下面这个微分方程C·(dT_in/dt) (T_out − T_in)/R Q_hvac Q_gainC 是楼宇等效热容单位 kWh/°C表示让室内温度变化 1°C 需要吸收或释放多少能量R 是等效热阻单位 °C/kW表示室内外温差 1°C 时通过围护结构传热的阻力Q_hvac 是空调送入房间的冷量或热量kw制冷时取负号或者约定为正看怎么定义Q_gain 是室内热源和太阳辐射得热kw。这个方程跟电容充放电方程几乎长得一样C 就是“热容电池”(T_out − T_in)/R 是漏电流Q_hvac 是充放电电流Q_gain 是外部注入的扰动源。把方程离散化就得到优化模型里可以直接用的线性递推关系。用前向欧拉格式步长取 Δt小时T_in(t1) T_in(t) (Δt/C)·[ (T_out(t) − T_in(t))/R Q_hvac(t) Q_gain(t) ]这里的物理含义很直白当前时刻室内温度、室外温度、空调功率、热扰动的合力决定了下半个小时内室温会朝哪个方向走、走多快。2.2 虚拟储能的SOC定义与充放电功率要让虚拟储能进入“调度语言”必须给它定义类似电池SOC的状态量。以夏季制冷为例先设一个用户常态温度基准值 T_set比如 26°C。当室内温度 T_in 低于 T_set 时楼宇内储存了“额外的冷量”等价于虚拟储能处于充电状态当 T_in 高于 T_set 时处于放电状态。虚拟储能的能量状态可以写成E_ves(t) C·(T_set − T_in(t))E_ves 为正表示比基准状态多存了冷量为负表示欠冷。它上下限由舒适度温度区间决定E_min C·(T_set − T_max)E_max C·(T_set − T_min)对应的归一化SOC可以定义成SOC_ves(t) (E_ves(t) − E_min) / (E_max − E_min)这样虚拟储能就跟物理电池一样有了容量上限E_max、容量下限E_min和当前状态E_ves优化模型里只需要再加一个状态递推方程即可。注意这里的状态变量不一定非要SOC直接用温度 T_in 作为状态量也可以约束写起来反而更直观后面代码里我就是直接用温度的。虚拟储能的“充放电功率”也别直接照搬电池概念。电池充放电功率有明确的电功率界限虚拟储能没有直接的电功率变量它的充放电速率取决于两件事一是空调能力的限制二是舒适度边界的限制。空调送多大的冷量决定了温度能以多快的速度下降而室内温度又不能越出[ T_min, T_max ]所以真正限制虚拟储能“输出功率”的是空调机组的可调范围加上温度速率约束。2.3 舒适度边界与“功率上限”从哪来可以把虚拟储能的最大充电速率理解为一个“斜坡限制”。假设当前室温是 T_in(t)空调满功率运行时间步长 Δt 内理论上能降到的最低温度是T_min可达到 ≈ T_in(t) − (Δt/C)·(Q_hvac_max − (T_in(t) − T_out(t))/R − Q_gain)如果这个值比舒适度下限 T_min 还低就可以认为虚拟储能在这一步内被“充满”了再多送冷量也没用只会白白浪费电。反过来最大放电速率则对应空调最小运行功率甚至停机的情况室温最高也不能超过 T_max。也就是说虚拟储能的功率上限不是一个常数它是随当前室温、室外温度、热增益动态变化的。这个特性在做调度时很容易被忽略。我见过有些人在模型里只写了“空调功率在0到P_max之间”温度约束也写了但没把两者当成虚拟储能的功率-容量耦合关系来处理。实际上这两组约束合在一起天然就能限制虚拟储能的充放速度不需要额外再人为定义一组P_ves_max。这也是用温度方程建模的好处物理约束自己就把可调度边界框住了。2.4 参数标定与常见取值很多人在模型推导上都懂一遇到参数就抓瞎。C和R到底取多少文献里常用的一阶RC参数大致在一个范围内但具体楼宇差异很大。以我用的中等规模办公楼的模拟参数为例参数含义取值建筑面积空调覆盖面积5000 m²C等效热容600 kWh/°CR等效热阻0.006 °C/kWτ R·C热时间常数3.6 hP_hvac_max空调额定电功率250 kWCOP制冷能效比3.3T_min / T_max舒适度温度区间24°C / 26°C热时间常数 τ R·C 是最直观的指标它衡量室温对空调变化的响应速度。τ 太小说明楼宇“漏得快、没蓄力”虚拟储能容量小τ 太大说明楼宇保温好适合做长周期的冷量迁移。如果没有建筑结构图纸也没关系。一个很实用的标定方法在傍晚或者凌晨让空调满功率运行一段时间记录室内温度下降曲线然后用“温度变化速率×热容≈输入冷量”反推C再让空调停机记录温度回升速率结合室内外温差反推R。这一步在实测楼宇中很有效比查表更贴合实际。3. 优化调度的数学建模混合整数线性规划怎么写3.1 目标函数成本项、惩罚项与峰谷价差套利调度目标自然是让微网在满足负荷和舒适度的前提下运行成本最低。典型的目标函数包含以下几项min Σ_t [ price_buy(t)·P_grid(t) − price_sell(t)·P_sell(t) ] 电池损耗惩罚 需求管理惩罚P_grid(t) 是从电网购电的功率P_sell(t) 是向电网售电的功率通常价格较低甚至不鼓励反送电池损耗惩罚一般写成跟充放电循环次数相关的线性成本折算到每充放1 kWh 的“成本系数”防止优化器为了几毛钱差价疯狂充放电池需求管理惩罚在基础版可以先不写如果想考虑需量电价目标里再加一个 β·D 的项D 是全天最大购电功率后面扩展部分再说。有一点要注意峰谷价差套利不是只靠物理电池完成的。虚拟储能参与以后空调负荷在低谷时段升高、在高峰时段降低同样是“高价少买、低价多买”的逻辑而且它的“容量成本”是零。目标函数不需要为虚拟储能单独设立成本项它的经济价值会自动通过转移空调耗电体现出来。3.2 等式与不等式约束清单将模型完整列出是这样的决策变量包括电网购电P_grid、上网功率P_sell、电池充电P_ch、电池放电P_dis、电池能量E_bat、空调电功率P_hvac、室内温度T_in、可平移负荷启动标志z。功率平衡约束核心等式P_pv(t) P_grid(t) P_dis(t) P_base(t) P_hvac(t) P_ch(t) P_sell(t) P_shift(t)其中 P_shift 是参与灵活调度的可平移负荷比如定时启动的充电桩。电池递推约束E_bat(t1) E_bat(t) Δt·η_ch·P_ch(t) − Δt·P_dis(t)/η_dis同时用二进制变量保证同一时刻不充不放P_ch(t) ≤ z(t)·P_ch_maxP_dis(t) ≤ (1−z(t))·P_dis_max虚拟储能递推约束就是前面离散化的温度方程再把所有量统一成功率单位T_in(t1) T_in(t) (Δt/C)·[ (T_out(t) − T_in(t))/R COP·P_hvac(t) Q_gain(t) ]不等式约束舒适度T_min ≤ T_in(t) ≤ T_max空调能力0 ≤ P_hvac(t) ≤ P_hvac_max电池容量E_min ≤ E_bat(t) ≤ E_max电网交互0 ≤ P_grid(t) ≤ P_grid_max0 ≤ P_sell(t) ≤ P_sell_max终端条件T_in(1) T_in(N1) T_setE_bat(1) E_bat(N1) 初始值。终端条件往往被忽略但它很重要。日前调度是周期性的如果晚上 24:00 室内温度还停留在 24°C 的下限第二天早上刚上班时房间会冷得难受而且这种“越限状态”会一路传递下去。让最后的温度回到设定值是保证方案可执行的关键约束。3.3 为什么用MILP而不是智能算法这个问题我几乎每次讲都会被问到。选择MILP不是因为“潮流”而是因为问题本身的结构就是线性的温度递推方程、功率平衡方程、SOC方程全是线性关系只有电池充放互斥和可平移负荷启动需要二进制变量。这种结构交给MILP求解器天然能拿到全局最优解而且求解快、可复现。反观粒子群、遗传算法这类智能算法对非凸、非线性问题确实有优势但放在这个场景里它们有三个致命缺点一是得不到全局最优的证明两次运行结果可能还不一样二是参数种群大小、交叉率、变异率调起来很玄学三是求解时间不稳定网格细化以后大规模变量很难收敛。工程上做调度方案最怕的就是“结果不可复现”。所以我一般把智能算法留给思路验证正式优化决策一律走MILP。当然MILP也不是没有代价。时间步长从1小时细化到15分钟二进制变量数量会增长4倍如果再加储能充放互斥的变量求解时间会明显上升。后面代码部分我会给出具体的变量组织方式尽量避免求解器“卡死”。4. Matlab代码实现模型搭建与求解全流程4.1 代码目录结构与脚本职责我习惯把这类仿真拆成四个脚本互不干扰改参数也不用翻整段代码ves_microgrid/ main.m % 主程序加载参数、建模、求解、画图 get_params.m % 所有系统参数与负荷/光伏/电价曲线 build_model.m % 用Yalmip构建决策变量、约束和目标函数 plot_results.m % 画调度结果和温度/功率曲线get_params.m里我还会同时生成一组“对照场景”的参数方便后面做有无虚拟储能的对比。数据文件直接用.mat或者Excel读都行重点是把负荷、光伏、电价、室外温度四条曲线按同一个时间戳对齐。时间对齐这个细节看起来不起眼实际做的时候最容易出错我踩过不止一次后面避坑部分会专门讲。4.2 核心约束的Yalmip写法建模部分我用Yalmip工具箱求解器用MATLAB自带的intlinprog跑小规模算例完全够。先把变量定义出来% main.m 片段 N 24; dt 1; % 24小时1小时步长 Pgrid sdpvar(N, 1); % 购电功率 Psell sdpvar(N, 1); % 售电功率 Pb sdpvar(N, 1); % 电池充电功率 Pdis sdpvar(N, 1); % 电池放电功率 Ebat sdpvar(N1, 1); % 电池能量 Phvac sdpvar(N, 1); % 空调电功率 Tin sdpvar(N1, 1); % 室内温度 z1 binvar(N, 1); % 电池充放互斥标志核心约束——虚拟储能的温度递推——我直接用for循环逐小时写逻辑清楚出了错也容易定位% build_model.m 片段 cons []; for t 1:N Qac COP * Phvac(t); % 空调冷量 cons cons [Tin(t1) Tin(t) dt/C * ((Tout(t)-Tin(t))/R Qac Qgain(t))]; end % 舒适度与终端温度约束 cons cons [Tmin Tin(1:end) Tmax]; cons cons [Tin(1) Tset, Tin(end) Tset];电池部分是这样写的% 电池SOC递推 cons cons [Ebat(2:end) Ebat(1:end-1) dt*eta_ch*Pb - dt*Pdis/eta_dis]; % 同一时刻只能充或只能放 cons cons [Pb z1 * PbMax]; cons cons [Pdis (1 - z1) * PdisMax]; % 电池容量上下限 cons cons [EbatMin Ebat(1:end) EbatMax];功率平衡约束我写成等式注意不要把正负号搞反cons cons [Ppv Pgrid Pdis Pbase Phvac Pb Psell];最后定义目标函数并求解% 目标购电费用 - 售电收入 电池损耗 obj sum(price.*Pgrid - sell_price.*Psell) c_bat * sum(Pb Pdis); ops sdpsettings(solver, intlinprog, verbose, 1); result optimize(cons, obj, ops);这里c_bat是电池的损耗成本系数我一般取 0.050.1 元/kWh相当于“每充放1度电电池折损5分钱”。没有这项优化器会在谷时段疯狂把电池充到满又在平时段放出来只看电费确实更省了但电池寿命损耗被严重低估。4.3 求解器设置与求解效率调整第一次跑通模型时先别急着上15分钟步长。我建议的排错顺序是1小时步长跑通 → 检查约束是否有冲突 → 再看结果曲线是否合理 → 最后才把步长改到30分钟或15分钟。步长缩短后除了二进制变量变多电池的SOC递推也会更密集。我实测过24小时、15分钟步长的小规模模型intlinprog大概在十几秒到一分钟内能解完接受度还行。如果你手头有更快的商用MILP求解器可以这样切换ops sdpsettings(solver, gurobi, mipgap, 0.001, timelimit, 300);求解器选型上我的经验是先保证模型没问题再追求速度否则纯属浪费时间。4.4 结果绘图与指标统计求解完成后我会一次性画四张图功率平衡图光伏、购电、电池、空调、基础负荷的面积堆叠图室内温度曲线看温度是否在舒适带内摆动终端是否回到设定值电池SOC和虚拟储能状态曲线这是检查“储能协同”是否成立的关键分时电价和购电功率的对比图看优化器是不是真的在低价多买、高价少买。% plot_results.m 片段 figure; subplot(2,2,1); stairs(1:N, Pgrid, linewidth,1.5); hold on; stairs(1:N, Ppv, linewidth,1.5); legend(购电功率,光伏出力); subplot(2,2,2); plot(0:N, value(Tin), linewidth,1.5); hold on; plot(0:N, Tmin*ones(N1,1),--, 0:N, Tmax*ones(N1,1),--); legend(室内温度,舒适下界,舒适上界);只要温度曲线不是贴着边界乱跳功率平衡曲线的面积能对上这个优化结果基本就是可以讲的。5. 典型日仿真虚拟储能到底省了多少5.1 算例参数与场景设置我用一个典型的夏季工作日做演示时间粒度为1小时。光伏峰值300 kW电池容量200 kWh、最大充放功率100 kW空调额定功率250 kW基础负荷在150260 kW之间波动。分时电价采用常见的三段式谷时0.35元/kWh平时0.75元/kWh峰时1.2元/kWh。室外温度曲线大致从夜间28°C升到午后35°C再回落。为了看清虚拟储能的价值我设计了三个对比场景场景A空调设定值固定在26°C不动电池按固定规则充放参考场景场景B电池参与MILP优化但空调仍然固定26°C场景C电池虚拟储能联合优化空调功率和室内温度都作为决策变量。5.2 三种调度策略的结果对比跑完三个场景后我整理出一张成本对比表数值只代表这一组典型算例的相对关系场景购电费用(元/日)峰值购电功率(kW)总用电量(kWh)说明A固定温度固定电池48604805200空调高峰期硬扛B电池优化固定温度46204455200电池削峰但空调没动C电池虚拟储能协同42103905220空调温度参与转移负荷这里有个反直觉的点场景C的总用电量反而比场景B略高因为没有外部热扰时提前预冷导致的围护结构散热会让总冷量需求增加。但最终购电费用却低了约9%峰值功率也压低了50 kW以上。这就解释了为什么我一直强调“省钱不等于省电”。虚拟储能的本质是“用少量多耗的电换取大量高峰高价电的回避”。如果你只看总用电量可能觉得方案变差了但用户交的是电费不是电量所以评价指标必须落在成本和峰值上。5.3 温度曲线、负荷曲线与电池SOC怎么读场景C的调度结果有几个典型特征可以作为判断模型是否正确的标准。凌晨谷时段优化器会让空调提前预冷室内温度从26°C降到24°C下限附近电池同时也在谷时充电。这个预冷不是一次性压到底而是分一到两个时段递进因为空调功率是有限的温度下降速率受制于热容和空调能力。到了午后光伏大发时光伏电力会优先给空调和电池“充电”甚至可能出现中午预冷窗口——因为光伏电量不花钱用它把房间温度压下去相当于把“免费冷量”存起来留给傍晚高温时段。这一步很多初做模型的人想不到但只要你目标函数里没有光伏上网收益优化器就会自动选择自消纳加虚拟储能的方式。傍晚高峰时段空调功率会降到很低甚至接近零室内温度从24°C缓慢爬升到26°C上限这就是虚拟储能在放电。电池也在同一时段放电两个储能的放电曲线叠加把电网购电峰值削下去一截。整个系统呈现出“电池快放快充、虚拟储能慢充慢放”的互补节奏。5.4 灵敏度热惯性大小和舒适度带宽的影响做完基本算例我又跑了两个灵敏度分析这两个结论对实际项目很有指导意义。第一个是热容C的灵敏度。把C从300 kWh/°C逐渐增加到900 kWh/°C虚拟储能容量跟着变大系统每天省下的费用从约200元上升到约500元但增幅是边际递减的。原因是多蓄的冷量有一部分会通过围护结构漏掉时间拉长后“存储损耗”吞掉了套利收益。这说明什么说明楼宇保温性能是虚拟储能价值的天花板保温越差越不能指望它做长时间尺度的冷量转移。第二个是舒适度带宽的灵敏度。把允许温度波动范围从±0.5°C放宽到±1.5°C省下来的费用大约能再增加30%60%。但代价是用户在高峰时段可能明显感觉到房间变暖。工程上落地时这个带宽不能全由优化器说了算建议先做用户舒适度问卷或者参考空调管理规范把硬约束定死再让优化器在硬约束内寻优。舒适度一旦透支再漂亮的调度曲线也白搭。6. 踩坑记录与可行的延伸方向6.1 模型里最容易出错的五个地方按我复现和调试这个方向的经验以下五个错误出现频率最高而且都不容易一眼发现。第一单位不统一。热容C如果用kJ/°C功率用kW时间用小时那温度递推方程里差了一个3600倍的系数结果就是室温几乎不动或者疯狂振荡。我建议所有公式统一到kW和kWh温度相关量最后乘以系数写代码时从参数表开始就保持一致。第二Q_gain被忽略。很多人只做“空调围护结构”的动态把内部发热和太阳辐射得热写成0。这样模型确实是干净的但现实中楼宇里人、设备、透过窗户的日射都是热源忽略它们会导致预冷策略过于激进。我建议至少用一个简化公式Q_gain 基础内部热 太阳辐照度×窗户得热系数。哪怕系数拍脑袋给也比设成0强得多。第三终端温度约束设成了可选的硬约束结果造成不可行。如果你发现模型无解先查终端条件夜间最后一小时空调能不能把温度从26°C拉回设定值如果空调容量不足那要么放宽终端条件为软约束要么给终端温度一个松弛变量并加惩罚。第四二进制变量写得太多。电池充放互斥、可平移负荷、空调开关如果每个都用binvar步长一短求解器直接“爆炸”。我的做法是电池互斥必须用二进制因为这是物理逻辑空调如果允许连续调节就不要加开关二进制直接约束功率0到Pmax即可可平移负荷的启动标志能用连续变量加约束表达的就不上二进制。第五目标函数数量级失衡。购电费用每天几千元电池损耗惩罚每度几分钱如果后者数量级太小求解器可能在MIP gap内把它“忽略”掉。处理办法是给所有目标项乘一个统一的缩放因子或者把满意度量纲调成元保证各项目标的重要性不会被数值误差抹掉。6.2 从日前调度走向滚动MPC工程化的必由之路日前调度的前提是明天的光伏、负荷、电价都预测得很准。真实系统里天气预报和实际光照经常差得离谱只靠日前决策直接执行很容易在中午出现“预测有太阳、实际阴天”的尴尬局面。我建议在代码框架上直接预留滚动优化的接口。所谓滚动MPC其实就是把之前写的optimize函数放进一个循环每15分钟或1小时用最新的实测数据和更新的预测重新求解一次未来24小时的调度只执行第一个步长的控制指令。实现上并不复杂只需要把时间窗口向后滑动替换输入曲线再加一个“上一轮已执行状态作为本轮初值”的处理。能不能快速滚动取决于求解器速度。如果用的是intlinprog且步长是1小时一天滚动96次可能总共要十几分钟还勉强可用一旦细化到15分钟步长强烈建议换商用MILP求解器或者考虑把部分二进制变量从滚动窗口里去掉比如电池互斥约束在短窗口内可以近似用SOC速率限制替代。6.3 还能怎么扩展需量电价、需求响应与多楼宇协同基础版本跑通以后可以往外扩展的方向很多我挑三个最实用、也最容易在代码里改的。一是需量电价。很多商业用户除了电量电费还要交基本电费基本电费按“月最大需量”征收。这个约束在模型里非常好加引入一个变量D约束所有时段P_grid(t) ≤ D目标函数加一项 β·D。设了这一步优化器会主动避免任何时段的购电尖峰虚拟储能削峰的价值会被进一步放大。二是需求响应事件。当上级发来“明天14:00-16:00压减负荷200 kW”的响应信号时可以把这两个小时内的电网购电上限收紧并给出响应补偿单价。虚拟储能的预冷策略会提前把温度压低为响应时段留出足够的“放电余量”。这是虚拟储能最实战化的场景之一。三是多楼宇聚合。把两三栋楼的热容、空调、光伏汇总为一个聚合虚拟储能集群优化目标从单楼成本变成集群总成本。这个扩展在建模上几乎不用改逻辑只需要把温度、热容、空调变量分别按楼宇编号展开在功率平衡里把各楼宇的空调功率加总。聚合的收益在于不同楼宇的负荷峰谷可以互相填补调度灵活性比单楼更高。我在实际调试中有一个体会虚拟储能模型的“坑”大多不是模型本身多复杂而是参数标定和工程决心。只要把热容、热阻这两个数测准舒适度约束写死剩下的事情MILP求解器会自己找出一条很漂亮的温度曲线。相比多装一组电池这种“不花钱的储能”带来的成本下降幅度往往比预期更可观。建议你也搭一套这样的Matlab框架先跑一版典型日把温度曲线和购电曲线放在一起看很快就能理解虚拟储能的价值到底来自哪里。