大概在2024年底接了一个商业楼宇光储微网的项目，对方提了一个很实际的需求：光伏和电池都已经装上了，但调度策略还是“光伏满发、电池定时充放”的粗糙玩法，夏天空调一开，峰段购电还是压不下来，电池容量又不够，基本只能撑一个小时。后来我们把楼里的空调、热水、充电桩这些用能侧资源全部纳进去做“需求侧虚拟储能”，跟物理电池一起参与优化调度，效果比单纯扩电池容量明显好得多。这篇就用Matlab实现的全过程来复盘一下，从建模、代码到结果分析，尽量把每一步的取舍都讲清楚，适合正在做微网优化调度、虚拟电厂、或者毕业论文需要代码支撑的同学参考。
核心是把“用能侧柔性资源”抽象成储能模型，放进同一个优化框架里。
1. 楼宇微网调度为什么盯上“虚拟储能”
1.1 传统储能在楼宇场景的尴尬
楼宇微网的物理储能电池，大家第一反应就是“容量不够就加电池”。但实际做完经济测算就发现了问题：锂电池按6000次循环寿命、系统效率90%估算，把电池全生命周期摊到每度电上，度电成本大概在0.5到0.8元之间，这还没算换新和运维。在峰谷价差只有0.8元左右的商业电价体系下，靠套利回收投资，周期经常超过8年，很多业主根本等不起。
还有一个更隐蔽的问题，电池的充放电功率是固定的，楼宇负荷高峰往往集中在傍晚5到8点，但光伏出力高峰期在中午。电池如果中午充满，傍晚放空，一天只能做一次完整循环。而空调负荷高峰期却是全天跟着气温走的，电池要么在午后提前放电导致傍晚无电可用，要么傍晚猛放，寿命衰减加速。这种“负荷曲线和电池容量曲线错配”的问题，靠物理储能很难单方面解决。
虚拟储能的逻辑是把楼宇里本来就有能量存储特性的用电设备，通过网络化控制组织起来，在电网看来，楼宇像一个“储能装置”在运行——负荷低谷时吸收电能（等价于充电），负荷高峰时少用电（等价于放电）。
1.2 需求侧虚拟储能的核心思路
楼宇里到底有哪些“天然电池”？首当其冲是建筑的围护结构和室内空气。一栋办公楼的混凝土楼板、墙体、家具、室内空气，在空调关掉的半小时内，室温可能只回升2到3摄氏度，这部分热容量换算成电量，以一栋1万平米的办公楼来算，大概相当于200到400度电的储能容量。其次是热水箱、冰蓄冷系统，再有是电动汽车充电桩、洗衣机、洗碗机这类可时移负荷。
把这些柔性负荷集中起来做调度，效果相当于一个“虚拟电池”，它的特点非常鲜明：容量大（一个中型办公楼的热容量等效电度数量级是物理电池的数倍）、投资成本为零（设备本来就要用）、没有寿命衰减问题。代价就是调度它有“隐性成本”——比如室温偏差造成的人员舒适度下降、热水温度不足、充电未完成等。
这就是虚拟储能参与楼宇微网优化调度的核心思想：把舒适度的微小让步换算成经济成本，放进目标函数里，和购电成本、电池退化成本一起做统一优化，最终得到一个“怎么用电最省钱”的全局策略。
2. 把楼宇柔性负荷变成“电池”：虚拟储能建模
2.1 空调类热惯性负荷的ETP等效模型
空调负荷是楼宇里最值得做虚拟储能的设备，原因就是热惯性大、可调控范围宽。工程上最常用的是一阶等效热参数模型（ETP模型）：
C_a * dT_in/dt = (T_out - T_in) / R_eq + Q_gain + P_ac * eta_ac
这个公式说白了就是：室内温度的变化，由室外向室内的传热、室内设备人员产热、空调的制冷/制热功率三方面决定。其中C_a是室内空气等效热容（单位kWh/℃），R_eq是墙体等效热阻（℃/kW），P_ac是空调电功率，eta_ac是能效比COP。
实际做Matlab实现时，需要把微分方程离散化。设置调度周期为24小时、时间分辨率为1小时（也可以取15分钟，效果更精细），那么第t个时段的室内温度递推式可以写为：
T_in(t+1) = T_in(t) * exp(-dt / (R_eq * C_a)) + (T_out(t) + R_eq * Q_gain(t) + R_eq * P_ac(t) * eta_ac) * (1 - exp(-dt / (R_eq * C_a)))
这个式子放进优化模型里之后，虚拟储能的概念就具象化了：当电价高时，优化器会让P_ac(t)适度降低，T_in(t)升高，相当于“虚拟电池在放电”；当电价低时，让P_ac(t)提高，室内温度预冷到区间下限，相当于“虚拟电池在充电蓄冷”。
2.2 热水负荷和可时移负荷怎么等效
除了空调，楼宇里的电热水器和中央热水系统是另一个理想的虚拟储能载体。热水箱本身就是非常标准的蓄能设备，模型比空调还简单：
SOC_water(t+1) = SOC_water(t) + (P_water(t) * eta_water - Q_demand(t)) / C_tank
其中SOC_water是热水箱的等效储热比例，P_water是电加热功率，Q_demand是生活热水消耗功率，C_tank是水箱等效热容量。水箱的SOC可以像电池一样有上下限。
可时移负荷（比如充电桩、洗衣机、消毒柜）用二值变量建模，设定一个“必须完成的工作量窗口”，优化器决定在窗口内哪个时段开启。比如20台电动车充电桩，每台7kW，总共需要充200度电，充电窗口是晚上6点到早上6点，优化器就会自动把大部分充电功率挪到夜间谷段——这个过程本质上也是“虚拟储能”。
2.3 用户舒适度约束怎么折算
虚拟储能不能随便“放”。空调预冷和回调都有一个舒适度边界，工程上通常用可接受的温度区间来约束：
T_min <= T_in(t) <= T_max
这里T_min、T_max是按实际管理要求设定的，可以用带宽2到3摄氏度的线性区间。在代码里我采用的是“硬约束+惩罚项”的组合方案：温度必须保持在上下限内，但是在目标函数中额外加一个人体舒适度PMV的线性化惩罚，温度偏离设定值越远，PMV偏移越大，惩罚越高。这样做的好处是求解器不会为了省钱把室温推到边界上，调度结果更符合实际可接受度。
实际运行中还有一点要特别注意：舒适度约束是对“预测室温”而言的，实际室温可能因为门窗开闭、人员密度变化等原因偏移。所以调度策略必须留温度余量，比如约束上限25度，设定值不能真放在25度，建议模型内部按照24到25度优化，实际执行留1度余量，否则第二天行政部门的投诉电话会把你打爆。
3. 优化调度模型：目标函数与约束条件搭建
3.1 目标函数：购电成本 + 电池退化 + 舒适度惩罚
整个优化调度问题可以做成一个混合整数线性规划（MILP），目标函数分三块：
min F = sum(P_buy(t) * price(t)) + sum(c_battery * (P_ch(t) + P_dis(t))) + sum(c_comfort * (T_in(t) - T_set(t))^2)
第一项是向配电网购电的成本，P_buy(t)是时段t从电网买的功率，price(t)是分时电价；第二项是电池充放电损耗折算成本，P_ch和P_dis分别是充放电功率，c_battery是每度电过流的退化成本折价；第三项是舒适度偏离成本，这个惩罚能把室内温度尽量拉回设定值。
有些模型还会加上碳排放成本、需量电费惩罚等，楼宇场景可以暂不考虑，否则模型规模翻倍，求解时间拉长，第一版做太复杂反而容易出错。
3.2 约束体系一览表
约束是整个模型里最容易写错的地方，我会在代码注释里逐条列清楚。核心约束如下表所示：
| 约束类型 | 表达式 | 说明 |
|---|---|---|
| 功率平衡 | P_buy(t) + P_PV(t) + P_dis(t) = P_load(t) + P_ac(t) + P_water(t) + P_ch(t) + P_EV(t) | 电网购电+光伏+电池放电 = 固定负荷+空调+热水+电池充电+充电桩 |
| 光伏出力 | 0 <= P_PV(t) <= P_PV_forecast(t) | 可弃光，上限为预测值 |
| 电池SOC | SOC_min <= SOC_bat(t) <= SOC_max | 防过充过放 |
| 电池充放电功率 | 0 <= P_ch(t) <= P_ch_max, 0 <= P_dis(t) <= P_dis_max | 功率上限 |
| 电池SOC递推 | SOC_bat(t+1) = SOC_bat(t) + (eta_ch*P_ch(t) - P_dis(t)/eta_dis) / C_bat | 考虑充放电效率 |
| 室内温度递推 | 见2.1节公式 | 空调虚拟储能核心 |
| 温度舒适度 | T_min <= T_in(t) <= T_max | 允许的温度波动范围 |
| 热水SOC递推 | SOC_water(t+1) = SOC_water(t) + (P_water(t)*eta_water - Q_demand(t)) / C_tank | 热水虚拟储能核心 |
| 充电桩状态 | sum(P_EV(t)) = E_EV_total, P_EV(t) <= P_EV_max * y_EV(t) | 总充电量固定，y_EV为二值变量 |
电池充放电不要同时进行的约束也要加上，工程上通常用一组二值变量y_ch和y_dis来互斥：
y_ch(t) + y_dis(t) <= 1, 0 <= P_ch(t) <= P_ch_max * y_ch(t), 0 <= P_dis(t) <= P_dis_max * y_dis(t)
求解器层面，以上约束全部是线性的，二值变量只有充电桩启停和电池充放电互斥，因此是个标准的MILP问题，规模不大，Matlab加YALMIP配任何主流求解器都很轻松。
4. Matlab代码实现：环境准备与核心逻辑拆解
4.1 环境准备
代码依赖三样东西：Matlab（2021a及以上版本都行）、YALMIP工具箱、一个MILP求解器。我这边用的是Gurobi，如果你手头没有商业求解器，用Matlab自带的intlinprog也可以，只是求解速度慢一些，对于24小时、时间分辨率1小时、单日调度这种规模，intlinprog完全够用，不会出现跑不动的情况。
YALMIP安装非常简单，去GitHub下载整个文件夹，添加路径保存一下即可，核心命令是：
% 添加YALMIP路径 addpath(genpath('D:\toolbox\yalmip-master')); savepath; % 定义优化变量 x = sdpvar(24,1); % 连续变量 y = binvar(24,1); % 二值变量 % 设置约束和目标 Constraints = [x >= 0, x <= 100]; Objective = sum(x) + sum(y); % 调用求解器 optimize(Constraints, Objective, sdpsettings('solver','gurobi'));这里要特别提醒一下：YALMIP里面的sdpvar是连续变量，binvar是0-1二值变量，不要混用类型，否则约束写进去求解器直接报错，而且错误信息往往不太直观，排查起来很耗时。
4.2 主函数结构
第一版代码不要写成一个巨型脚本，建议按功能拆成函数和脚本两个层级：主脚本负责数据初始化、调用优化函数、画图；函数负责建模和求解，输入参数是各类预测数据和设备参数，输出结果是各时段功率指令。
我的目录结构是这样组织的：
VES_Scheduling/ ├── main_schedule.m % 主脚本 ├── build_model.m % 建模求解函数（YALMIP核心） ├── load_parameters.m % 所有设备参数（表格式集中管理） ├── data/ │ ├── price.xlsx % 分时电价 │ ├── pv_forecast.xlsx % 光伏预测 │ └── load_baseline.xlsx % 基础负荷 └── results/ └── schedule_result.mat % 结果保存4.3 核心代码片段解析
主脚本的框架大概是这样的：
%% main_schedule.m clear; clc; close all; % 1. 读取数据 price = xlsread('data/price.xlsx'); pv_forecast = xlsread('data/pv_forecast.xlsx'); load_baseline = xlsread('data/load_baseline.xlsx'); % 2. 加载参数 params = load_parameters(); % 3. 调用建模求解函数 solution = build_model(price, pv_forecast, load_baseline, params); % 4. 结果可视化 plot_schedule(solution, price, pv_forecast, load_baseline, params);这里最核心的build_model函数，其实就是把第3节的数学模型逐条翻译一遍，我用YALMIP实现的片段如下：
%% build_model.m function solution = build_model(price, pv_forecast, load_baseline, params) % 时间轴 H = 24; % 决策变量 P_buy = sdpvar(H, 1); % 购电功率 P_ch = sdpvar(H, 1); % 电池充电功率 P_dis = sdpvar(H, 1); % 电池放电功率 SOC_bat = sdpvar(H+1, 1); % 电池SOC T_in = sdpvar(H+1, 1); % 室内温度 P_ac = sdpvar(H, 1); % 空调电功率 SOC_water = sdpvar(H+1, 1); % 热水SOC P_water = sdpvar(H, 1); % 热水加热功率 P_EV = sdpvar(H, 1); % 充电桩功率 y_ch = binvar(H, 1); % 电池充电互斥变量 y_dis = binvar(H, 1); % 电池放电互斥变量 y_EV = binvar(H, 1); % 充电桩状态变量 % 目标函数 Objective = sum(P_buy .* price) ... + sum(params.c_bat * (P_ch + P_dis)) ... + sum(params.c_comfort * (T_in(1:H) - params.T_set).^2); % 约束 Constraints = []; % 功率平衡 Constraints = [Constraints, P_buy + pv_forecast + P_dis == ... load_baseline + P_ac + P_water + P_ch + P_EV]; ... % 求解 options = sdpsettings('solver', 'gurobi', 'verbose', 1); diagnostics = optimize(Constraints, Objective, options); if diagnostics.problem ~= 0 warning('求解失败: %s', diagnostics.info); end % 输出结果 solution.P_buy = value(P_buy); ... end特别提醒两点：一是所有功率单位统一用kW，能量单位用kWh，电价单位用元/kWh，这样目标函数算出来就是元，不会出现单位错乱；二是SOC_bat和T_in这类“有记忆”的状态变量，在YALMIP里长度是H+1，第1个值是初始状态，后面的值才是每个时段结束时的状态，写约束循环时下标千万别串了，这是初学者最容易犯的错。
5. 调度结果解读：数据说了什么
5.1 案例参数设置
为了验证代码效果，我设计了一个典型商业楼宇案例，参数如下：
| 参数 | 数值 | 参数 | 数值 |
|---|---|---|---|
| 空调额定功率 | 240kW | 电池容量 | 100kWh |
| 空调能效比COP | 3.2 | 电池最大充放功率 | 50kW |
| 室内初始温度 | 24°C | 电池充放电效率 | 95% |
| 温度设定值 | 24°C | 温度允许范围 | 22~26°C |
| 热水箱等效容量 | 300kWh | 热水最大加热功率 | 100kW |
| 充电桩总需求 | 200kWh | 充电窗口 | 18:00~次日6:00 |
| 光伏装机 | 300kW | 峰平谷电价 | 1.2/0.8/0.4元/kWh |
实测下来，加了虚拟储能之后，调度结果和传统“电池定时充放”相比，峰段购电功率下降了约18%，全天购电成本下降了约14.5%，而且这是在室内温度不超过26度、热水SOC始终高于30%的前提下做到的。纯电池方案在同等约束下最多只能压10%的峰段购电，差距就是虚拟储能贡献的。
5.2 等效SOC曲线怎么画、怎么看
验证虚拟储能是否真正“工作”了，最有说服力的是看两条等效SOC曲线：一条是电池的SOC，一条是室内温度转换出来的“空调虚拟储能SOC”。
空调虚拟储能SOC的定义可以和电池对应起来：
SOC_ac(t) = (T_max - T_in(t)) / (T_max - T_min)
这个公式的含义是：室温越低，说明蓄的“冷”越多，SOC_ac越接近1；室温越高，冷量耗散越多，SOC_ac越低。画出来之后你就能清楚看到，在电价高的下午时段，SOC_ac是持续下降的，说明空调在“放电”——降低制冷功率，让室内温度缓慢上升；电价降到谷段后，SOC_ac又被拉回来，空调满负荷制冷，把温度压到下限，相当于“充电”。
这一步其实很有用，它用数据回答了很多人质疑的问题：“虚拟储能到底有没有在干活？”看到SOC_ac曲线跟着电价曲线反向变化，结论就很直观了。
5.3 温度曲线与舒适度代价
当然，要交代的还有舒适度代价。仿真结果里，在下午4点到6点这个峰段，室内温度确实会从24度爬升到25.4度左右，之后谷段又会回落到22.5度附近。有物业管理人员看到温度波动会担心员工不适，所以我会把目标函数里的舒适度惩罚权重c_comfort调高一些，这样温度波动收窄到24到25度之间，对应的购电成本只比原来增加2%左右。
这个“成本-舒适度Pareto权衡”是虚拟储能调度里特别关键的一个环节，建议你在做代码时就把c_comfort写成一个可调参数，然后跑几个权重对比一下成本曲线，给业主看图时一目了然。
6. 复现过程中的几个坑，我替你踩过了
6.1 求解器导致的奇怪报错
第一次跑通模型的时候，YALMIP报了一个非常奇怪的错误，提示某个约束存在非凸二次项，但我的模型明明是线性约束。查了半天发现是Gurobi的许可证没配置好，YALMIP悄悄退化用了内置的bnb求解器，而bnb对二次约束支持很差。遇到这类“莫名其妙”的报错，先检查求解器有没有真正启用，在sdpsettings里强制指定求解器名称，再用yalmiptest命令验证配置。
6.2 SOC递推约束写错下标导致不可行
还有一个最坑的Bug：SOC_bat初值约束写成了SOC_bat(1) = 50，但模型里的循环是从第1个时段开始递推，实际约束写成了SOC_bat(2) = SOC_bat(1) + ...，导致初值没用上，第1个时段的充放电直接不受SOC范围约束，结果调度出来的策略把电池在第一个小时从空电猛充到满电，物理上根本不可能实现。这类问题在Matlab里不报错，因为表达式合法，但结果完全错误。排查方法是在求解后专门打印SOC_bat(1:H+1)的值，看一眼初值和终值是否合理。
6.3 虚拟储能容量边界设太宽，求解结果“假大空”
如果把空调温度范围设成18到30度，求解器确实能算出极低的运行成本，因为它在峰段把空调全关了，但这个结果没有实用价值。后来我总结了一个经验法则：虚拟储能参数要“拿实际能接受的极限来设”，温度偏差不超过2度，热水SOC不低于30%，充电桩必须完成全部充电需求。这样跑出来的策略才能直接落地执行，而不是只能在论文里好看的理想曲线。
6.4 时间分辨率对结果的影响
我第一版用的是1小时分辨率，结果空调虚拟储能的切换动作非常生硬，峰段开50%功率，谷段直接拉满功率，实际设备很难跟上。后来改成15分钟分辨率，模型规模变成原来的4倍，但Gurobi求解时间也只要6到8秒，完全可接受。而且15分钟分辨率下的调度曲线更平滑，空调功率变化率也符合变频设备的实际调节能力。建议你如果设备侧有实际响应速度约束，再额外加一条功率爬坡约束，比如：
-20 kW <= P_ac(t+1) - P_ac(t) <= 20 kW
这样得到的调度指令送到楼宇自控系统，执行时基本不会跳变。
7. 后续扩展与个人体会
这个项目做完后，代码还能往几个方向扩展。一个是把单日优化改成模型预测控制（MPC）滚动调度，每15分钟重新预测一次负荷和光伏并求解未来4小时的策略，抗扰动能力会强很多；另一个是加入需求响应指令，把电网的削峰信号作为硬约束放进模型，楼宇可以直接参与需求响应并获取补贴。还可以考虑多栋楼宇协同调度，把每栋楼当成一个“虚拟储能单元”去和上级微网互动。
最后说一点个人体会。虚拟储能调度在Matlab里实现，难点从来不是优化算法本身，而是把楼宇物理过程的“约束”和“参数”摸清楚。空调功率、房间热容、热水箱容量这些参数，如果拍脑袋乱填，模型再精巧输出也是废纸。我的做法是找了楼宇物业拿了一个月的空调功率和室内温度历史数据，用最小二乘辨识出了ETP模型的R_eq和C_a，效果比经验值好很多。你在复现代码时如果数据条件允许，也建议按这个路数来，这样跑出来的调度结果才能真正指导实际运行。
