楼宇微网虚拟储能优化调度：Matlab+Yalmip实战代码解析

先说明一下这个项目的背景。楼宇微网这几年在双碳目标和电价市场化改革的双重推动下，出镜率越来越高。但真正动手做优化调度的人都知道，楼宇微网有个很尴尬的痛点——物理储能太贵了，一块锂电池从采购到安装，再算上运维和衰减，成本占比能把整个项目的经济性拖垮。于是“虚拟储能”的概念就火起来了：与其花钱买电池，不如把楼宇里本来就有的柔性负荷——空凋、热水器、电动汽车充电桩——通过优化调度变成一支“看不见的电池”。这正好是Matlab能发挥长处的领域。

这篇博文我来拆解一个完整的实战项目：融合需求侧虚拟储能系统的楼宇微网优化调度（Matlab代码实现)，从模型构建、数学原理到代码落地、参数调试，全程走一遍，把关键环节和踩过的坑都交代清楚。如果你想做微网优化调度、虚拟电厂、需求响应方向的课题或工程落地，这篇文章可以直接拿来当参考框架。

1. 项目思路拆解：虚拟储能到底是什么，以及为什么必须“融合”

1.1 虚拟储能的本质：把“用电”变“储能”

虚拟储能不是一种物理设备，而是一种能力。楼宇里的空调、热水器、电梯、电动汽车充电桩都有一定的“时间弹性”——早半小时开空调和晚半小时开空调，对用户体感影响不大，但对电网来说，这就是几百千瓦甚至兆瓦级的调节空间。

举个例子。一栋商业楼宇的中央空调，房间热容量本身就是一个巨大的“热能仓库”。在电价低谷时段把室内温度预冷到下限，相当于把冷量以热能的形式“存”进了墙体；在电价高峰时段减少制冷功率，让温度自然回升，相当于把“存的冷”释放出来。整个过程没有增加任何电池设备，却实现了和储能几乎一样的削峰填谷效果——这就是虚拟储能的核心逻辑。

1.2 需求侧响应与调度的关系：被动参与和主动优化是两回事

需求侧响应这个词大家不陌生，但很多初学者的误区在于：把需求响应理解成“收到信号然后砍负荷”。那是被动的、片面的。真正有价值的做法，是把需求侧资源纳入调度模型作为决策变量，让它们参与最优潮流计算，提前一天规划好每一个时段各柔性设备应该怎么运行——这是主动优化。

这个项目之所以强调“融合需求侧虚拟储能系统”，就是因为它把两类资源放在同一个优化框架里：

• 物理储能：传统的蓄电池，充放电效率高、响应快，但容量有限、成本高。
• 虚拟储能：楼宇内的温控负荷、可平移负荷、可中断负荷，容量大、成本低，但受用户舒适度和生产约束限制。

两类储能特性互补：物理储能解决瞬时功率平衡和紧急支撑问题，虚拟储能解决长时间尺度能量搬移问题。把两者联合建模，就是“融合”二字的含义。

1.3 为什么选Matlab而不选Python

这估计是很多人在评论区想问的。我的观点是：Matlab在优化调度领域的工程惯性非常强，尤其在学术圈和电力行业，几乎成了隐形的“行规”。原因有三个：

• Yalmip工具箱的抽象能力：用Yalmip建优化模型，约束条件直接按数学公式写，逻辑清晰，排错容易。Python里虽然也有Pyomo、CVXPY，但在混合整数线性规划的建模直觉上，Yalmip更顺手。
• 与Simulink的联动：如果后续要做仿真验证，比如把调度结果接到具体的设备模型上跑动态响应，Matlab + Simulink是一条龙。
• 论文和课题的复现性：大量微网调度方向的文献附带的都是Matlab代码，用Matlab复现、对比、改进，效率最高。

当然，Python在数据预处理和大规模并行上更灵活，但就单机、中规模（几十到几百个节点）的楼宇微网优化调度来说，Matlab完全够用，而且更稳。

2. 系统模型构建：楼宇微网里都有什么，怎么抽象成数学表达

2.1 楼宇微网的基本物理结构

先画一个逻辑结构图（心里有数就行）：

电网（上级配电网）——变压器——交流母线—— 下面挂着的负荷和电源设备：

• 光伏阵列（分布式电源）
• 储能电池（物理储能）
• 中央空调系统（虚拟储能的主要载体）
• 常规刚性负荷（照明、电梯、办公设备）
• 电动汽车充电桩（可作为可平移负荷，也可视为V2G虚拟储能）

优化调度的作用，就是明天每小时告诉你：电池充还是放、充多少、空调制冷功率设为多少、充电桩要不要延后、从电网买多少电，使得一整天的总运行成本最低。

2.2 目标函数：不只是电费最小化

目标函数是优化调度的“指挥棒”。最常见的设定是全天运行成本最小化，但运行成本不是只有“电费”一项：

$$ \min \sum_{t=1}^{T} \left( C_{buy,t}P_{buy,t} - C_{sell,t}P_{sell,t} + C_{om}^{bat}|P_{bat,t}| + C_{comf} \Delta T_{indoor,t} \right) $$

逐项拆开看：

• 购电成本与售电收益：(C_{buy,t}) 是 t 时段从电网购电的分时电价，(P_{buy,t}) 是购电功率；如果有余电上网条件，还要算 (C_{sell,t}P_{sell,t}) 的售电收益。
• 电池损耗成本：(C_{om}^{bat}|P_{bat,t}|) 表示充放电功率带来的寿命折损和运维成本。电池不是免费的，频繁充放会让循环寿命下降，这个成本必须进目标函数，否则优化器会“疯狂”充放电。
• 热舒适度惩罚：(C_{comf}\Delta T_{indoor,t}) 是虚拟储能引入的关键——空调不能为了省钱无限调高温差，用户舒适度是底线约束。引入这个惩罚项，可以让模型在节能和舒适之间自动取折中。

这套目标函数最精妙的地方在于：虚拟储能装置的“成本”不是折旧，而是热舒适度损失。它把舒适度货币化了，从而可以和电费直接比较，纳入同一个优化框架。

2.3 约束条件：没有约束的优化是耍流氓

楼宇微网的约束条件，我习惯归成四类。

2.3.1 功率平衡约束（电网侧）

每一时刻，微网内部的发电 + 购电 = 负荷 + 充电 + 售电。这是必须满足的硬约束：

$$ P_{PV,t} + P_{bat,t}^{dis} + P_{buy,t} = P_{load,t}^{fixed} + P_{AC,t} + P_{EV,t} + P_{bat,t}^{ch} + P_{sell,t} $$

其中 (P_{AC,t}) 是空调消耗的电功率，(P_{EV,t}) 是充电桩消耗的电功率。注意这里的 (P_{load,t}^{fixed}) 是刚性负荷，不可调节。

2.3.2 储能电池约束

电池有三类约束，缺一不可：

• SOC动态方程：(SOC_{t+1} = SOC_t + (\eta_{ch}P_{ch,t} - P_{dis,t}/\eta_{dis})\Delta t / E_{rated})
• SOC上下限：(SOC_{min} \le SOC_t \le SOC_{max})，这里提醒一句，不要把上下限设成 0 和 1，实际工程中建议 0.1~0.9，保护电池寿命。
• 充放电功率限制：(0 \le P_{ch,t} \le P_{ch}^{max}x_t)，(0 \le P_{dis,t} \le P_{dis}^{max}(1-x_t))，其中 (x_t) 是 0-1 变量，防止同时充放电。

2.3.3 虚拟储能（空调）约束

这是整个项目的灵魂部分。空调系统的“虚拟储能”建模，最常用的是等效热参数模型（ETP，Equivalent Thermal Parameter）：

$$ T_{in,t+1} = T_{in,t} + \frac{\Delta t}{RC}\left(T_{out,t} - T_{in,t}\right) - \frac{\Delta t \cdot COP \cdot P_{AC,t}}{C_{air}} $$

这个公式的物理解释：室内温度的变化 = 外界通过墙体传入的热量（减缓或增加） - 空调制冷带走的热量。其中 R 是墙体的热阻，C 是室内空气的热容，COP 是空调能效比。

关键约束是热舒适度范围： $$ T_{min} \le T_{in,t} \le T_{max} $$

这个上下限就是虚拟储能的“储能容量”。允许的温差范围越大，虚拟储能的调节空间就越大。实际项目中，商用楼宇一般允许 22°C ~ 26°C，即舒适度区间4°C；住宅可以稍微放宽。

2.3.4 充电桩约束

充电桩作为可平移负荷，核心约束是全天总充电量不低于用户设定的目标电量，但充电时段可以灵活安排： $$ \sum_{t=t_{arr}}^{t_{dep}} P_{EV,t}\Delta t \ge E_{need} $$

加上充电功率上限 (0 \le P_{EV,t} \le P_{EV}^{max})。

这里有个工程细节：如果你把用户目标电量设置得特别高，比如从 20% 充到 100%，那优化器基本没有平移空间，充电桩就退化成刚性负荷。所以要让虚拟储能发挥价值，充电目标设定要留有余量。

3. 数据准备与环境配置：跑起来之前的三个关键步骤

3.1 Matlab工具箱选型：Yalmip + 求解器

这个项目不需要自己写求解算法，核心工作在于建模。我用的是Yalmip + Cplex的组合。

• Yalmip：一个建模层，不是求解器。它把优化问题描述转换成求解器能理解的格式。免费，去GitHub下最新版，加入Matlab路径即可。
• Cplex：IBM的求解器，处理混合整数线性规划非常强。学术版免费，但需要申请License。如果没有Cplex，也可以用Gurobi或开源的CBC、GLPK，对小规模的楼宇模型完全够用。

安装完两个包后，在Matlab里验证一下：

% 验证Yalmip和求解器是否安装成功 yalmiptest % 如果输出结果中 cplex 一项显示 OK 或 Found，说明能正常调用

我自己的习惯是：模型规模小、求解时间敏感的话优先Cplex；如果只是教学演示，用Gurobi或CBC也足够，后面调试也方便。

3.2 基础数据的生成与导入

没有数据，优化模型就是一纸空文。楼宇微网调度需要的基础数据有五类：

• 分时电价曲线：典型工商业电价曲线，峰段（8-11点、18-21点）1.2元/kWh，平时段（11-18点）0.8元/kWh，谷段（23-次日7点）0.4元/kWh。
• 光伏出力曲线：用典型夏季晴天的日辐射数据转成功率输出。如果手头没有实测数据，可以用 Matlab 的 OpenIAP 工具箱生成，或者直接构造一组正态分布形状的数据。
• 室外温度曲线：影响空调负荷的关键输入，夏季典型日大约 24°C~35°C。
• 刚性负荷曲线：办公设备、照明等，按工作日的峰谷特性手动构造。
• 电池、空调、充电桩的物理参数：容量、功率上下限、效率、COP等。

这些数据在代码里用Excel读入，或者直接写成结构体变量（struct）放脚本里。做科研项目建议用Excel，方便调参，不用每次改代码。

3.3 场景参数设置：一次典型的基础配置

我这次的仿真场景参数如下：

这个场景是典型的中型商业楼宇配置，体量不大但麻雀虽小五脏俱全，跑一遍能看清所有优化调度逻辑。

4. Yalmip建模与Matlab代码实现：一步步从公式到可跑代码

4.1 变量的定义

用Yalmip定义优化变量非常直观，sdpvar定义连续变量，binvar定义0-1变量：

% 调度时段 T = 24; dt = 1; % 单位小时 % 连续变量定义 P_buy = sdpvar(1, T); % 从电网购电功率 kW P_sell = sdpvar(1, T); % 向电网售电功率 kW P_bat = sdpvar(1, T); % 电池功率（正充负放）kW SOC = sdpvar(1, T); % 电池荷电状态 P_ac = sdpvar(1, T); % 空调电功率 kW T_in = sdpvar(1, T); % 室内温度 °C P_ev = sdpvar(1, T); % 充电桩功率 kW % 二进制变量定义 u_buy = binvar(1, T); % 购电状态 u_sell = binvar(1, T); % 售电状态 u_ch = binvar(1, T); % 电池充电状态 u_dis = binvar(1, T); % 电池放电状态

这里有个细节，购电和售电、充电和放电的0-1变量，是用来防止物理上矛盾的工况出现。加上它们，模型就从线性规划升级成混合整数线性规划，求解时间会变长，但结果才符合实际。

4.2 约束条件的代码写法

把前面数学模型的约束条件翻译成Yalmip代码。核心约束写成constraints列表：

Constraints = []; % 1. 功率平衡约束 for t = 1:T Constraints = [Constraints, P_pv(t) + P_bat(t) + P_buy(t) == ... P_load_fixed(t) + P_ac(t) + P_ev(t) + P_sell(t)]; end % 2. 电池SOC动态方程 SOC0 = 0.5; E_bat = 200; % kWh eta_ch = 0.95; % 充电效率 eta_dis = 0.95; % 放电效率 for t = 1:T-1 Constraints = [Constraints, SOC(t+1) == SOC(t) + ... (eta_ch * max(P_bat(t), 0) - max(-P_bat(t), 0) / eta_dis) * dt / E_bat]; end Constraints = [Constraints, SOC(1) == SOC0 + ... (eta_ch * max(P_bat(1), 0) - max(-P_bat(1), 0) / eta_dis) * dt / E_bat]; Constraints = [Constraints, SOC(T) == SOC0]; % 日循环约束 % 3. 电池充放电功率及状态互斥约束 P_ch_max = 50; P_dis_max = 50; for t = 1:T Constraints = [Constraints, 0 <= P_bat(t) <= P_ch_max * u_ch(t)]; Constraints = [Constraints, -P_dis_max * u_dis(t) <= P_bat(t) <= 0]; Constraints = [Constraints, u_ch(t) + u_dis(t) <= 1]; end % 4. SOC上下限 SOC_min = 0.1; SOC_max = 0.9; for t = 1:T Constraints = [Constraints, SOC_min <= SOC(t) <= SOC_max]; end

这里要注意：max(P_bat(t), 0)这种写法在Yalmip中虽然支持，但会引入非光滑函数，影响求解效率。更推荐的做法是把充放电拆成两个变量：

P_ch = sdpvar(1, T); % 充电功率（正数） P_dis = sdpvar(1, T); % 放电功率（正数） % 电池功率 P_bat = P_ch - P_dis，SOC方程就变线性了

这个改动看起来小，但对求解器非常友好，Cplex处理线性约束比处理带max函数的约束快一个数量级。

4.3 虚拟储能约束的代码实现

空调系统是虚拟储能的核心载体，它的建模要依托ETP模型。Yalmip里线性约束直接写就行：

% 空调参数 R = 0.12; % 墙体热阻 °C/kW C_air = 0.525; % 室内热容 kWh/°C COP = 3.5; P_ac_max = 80; % 空调最大电功率 kW % ETP模型离散状态方程 for t = 1:T-1 Constraints = [Constraints, T_in(t+1) == T_in(t) + ... dt/(R*C_air) * (T_out(t) - T_in(t)) - ... (dt * COP / C_air) * P_ac(t)]; end % 初始室内温度为24°C T_in0 = 24; Constraints = [Constraints, T_in(1) == T_in0]; % 功率上下限 for t = 1:T Constraints = [Constraints, 0 <= P_ac(t) <= P_ac_max]; end % 舒适度约束 T_min = 22; T_max = 26; for t = 1:T Constraints = [Constraints, T_min <= T_in(t) <= T_max]; end

为什么空调功率只约束在 0 到 (P_{ac}^{max}) 之间，不需要0-1变量？因为空调是连续调节的（变频空调），不是只能开/关。如果需要建模定频空调（只有开关两种状态），就得引入二进制变量 (u_{ac,t})，此时空调功率变成 (P_{ac,t} = P_{ac}^{rated}u_{ac,t})，模型复杂度会上升不少。我的经验是：优先建模变频空调，因为楼宇中央空调绝大多数是变频的，而且线性连续模型求解快得多。

4.4 目标函数与求解

目标函数按前面的定义逐项写：

% 电价参数（分时电价） price_buy = [0.4*ones(1,7), 0.8*ones(1,3), 1.2*ones(1,3), ... 0.8*ones(1,3), 1.2*ones(1,4), 0.8*ones(1,2), 0.4*ones(1,2)]; price_sell = 0.65 * price_buy; % 上网电价一般按购电价打折 % 成本系数 c_bat = 0.02; % 电池运维损耗 元/kWh c_comf = 10; % 舒适度惩罚系数 元/°C % 目标函数 Objective = 0; for t = 1:T Objective = Objective + ... price_buy(t) * P_buy(t) - price_sell(t) * P_sell(t) + ... c_bat * (P_ch(t) + P_dis(t)) + ... c_comf * max(0, T_in(t) - T_set_high) + ... % 高温惩罚 c_comf * max(0, T_set_low - T_in(t)); % 低温惩罚 end % 求解 ops = sdpsettings('solver', 'cplex', 'verbose', 2, 'showprogress', 1); optimize(Constraints, Objective, ops); % 提取结果 P_buy_opt = value(P_buy); P_ac_opt = value(P_ac); T_in_opt = value(T_in); SOC_opt = value(SOC);

至此，一个完整的楼宇微网优化调度模型就跑通了。

5. 结果分析与场景对比：没有对比就没有说服力

5.1 单日调度结果的解读

跑完代码后，把结果画出来，你会看到几条非常有信息量的曲线。

电池SOC曲线：理想情况下，SOC呈现“谷段充电、峰段放电”的形态。凌晨2-5点电价低谷，电池从初始0.5充到0.9上限；上午8-11点电价高峰，电池放电到0.5左右；下午再找机会补充，晚上峰段再次放电，最终回到0.5。

空调功率曲线：虚拟储能的核心价值在这里体现。上午10点电价尖峰时，空调功率明显压低，室内温度从24°C缓慢爬升到26°C上限；下午电价回落到平段，空调加大功率，把室温“打”回24°C。这个过程就是典型的“虚拟储能放电——释放室内蓄存的冷量”，与物理储能在峰段放电的形态如出一辙。

购电功率曲线：叠加了电池放电和空调减载的双重作用后，峰值时段的购电功率大幅下降。跟无优化场景对比，峰值负荷削减率通常能达到 15%~25%。

5.2 三种调度模式的经济性对比

为了验证模型的有效性，我会跑三种模式做对比：

虚拟储能的边际效益如此显著，原因不难理解：电池容量200kWh，在峰谷电价差 0.8 元/kWh 的情况下，一天最多搬移 200×0.8=160元 的电费；而空调虚拟储能在4°C舒适度区间内，一整天的等效调节能量可达500~800kWh，峰谷套利空间是物理储能的3~5倍。两者融合，收益自然翻倍。

5.3 灵敏度分析：舒适度区间和电池容量怎么取舍

调参时可以做两个灵敏度分析，结论非常直观：

• 舒适度区间大小：把 (T_{min}) 和 (T_{max}) 的差值从2°C拉大到6°C，虚拟储能等效容量近似线性增长（热容模型），运行成本持续下降，但到±4°C以后边际收益递减。4°C是个性价比很合适的中间值。
• 电池容量：把电池从100kWh逐步增到500kWh，成本先降后平。原因是峰谷套利空间有限，电池太大，多出来的容量根本没有能量可搬移，纯属浪费投资。这从定量层面解释了为什么虚拟储能可以替代一部分物理储能投资。

6. 常见问题与排错实战：Yalmip建模最容易踩的五个坑

6.1 求解报“Infeasible problem”怎么办

这是初学者最崩溃的时刻。问题不可行的常见原因：

• 约束过强：比如室内温度限制过严（21°C~23°C），空调能力不足，根本无法满足。排查方法：先把舒适度约束放宽到18°C~30°C，看模型是否可行；可行后再逐步收紧，找到可行边界。
• 日循环约束冲突：SOC(T) == SOC0这个约束有时会和充放电功率上限冲突。比如末端时段电价虽高，但电池容量和功率上限注定了充不到初始SOC。排查方法：把终值约束改成SOC(T) >= 0.45这类不等式，或者加一个小的惩罚项而非硬约束。
• 单位不统一：功率用kW，能量用kWh，时间用小时，三个单位必须自洽。最容易错的地方是功率 × 时间 = 能量这一步。

6.2 Cplex求解很慢或卡死

楼宇微网模型一般规模不大，卡死通常是自己写复杂了。

一个常见病根是：把SOC方程里写了max(P_bat, 0)这种非线性项，虽然Yalmip能处理，但求解器的性能会断崖式下降。解决办法：拆变量——充电和放电各用一个非负连续变量，模型保持线性，秒解。

另一个坑是二进制变量太多。如果电池模型里用了u_ch和u_dis且约束写成u_ch + u_dis <= 1，24时段就是48个二进制变量，很小，但如果把每个充电桩都加上启动状态（停车时段逐小时变量），再加上购售电互斥，可能会膨胀到200+个二进制变量，这时求解时间会明显拉长。优化手段是：把购电和售电互斥去掉，因为只要购电价高于售电价，优化器天然不会同时购售电；实在需要保留，可以加一个很松的惩罚项代替二进制约束。

6.3 Yalmip报“Could not find solver”

这纯粹是安装问题。Yalmip只是个建模语言，不包含求解器。需要单独安装Cplex/Gurobi/CBC，并把对应文件夹加进Matlab路径。用yalmiptest命令能看到当前可用的求解器列表。常见的坑是：装了Cplex但Matlab没找到cplexlicens.dat，需要设置环境变量ILOG_LICENSE_FILE。

6.4 结果出现极端值，比如空调功率一直在最大或最小

这通常是目标函数里缺少惩罚项。如果你没把热舒适度写进目标函数，只写了T_min <= T_in <= T_max，优化器会“钻空子”：只要能保证温度在区间内，就会让空调功率最小（最省钱）或最大（如果夏天电价负值），不管实际体感。解决办法：在目标函数里加入温度偏离设定值的罚项（前面代码里的c_comf * max(0, T_in - T_set_high)就是干这个的），但注意罚项的系数不能太大，否则优化器会为了省0.1°C不惜一切代价充放电电池，扭曲了虚拟储能的行为。

6.5 结果曲线有跳变、不平滑

这是正常现象，因为分时电价本身就是阶跃的，且模型是小时级离散的，优化器会在电价切换的边界瞬间改变运行策略。如果希望曲线更平滑，可以缩小时间粒度，从1小时改成15分钟（Δt=0.25），但模型规模会变成原来的4倍，求解时间也显著上升。工程上1小时粒度足够支撑中长期调度决策，不需要强行追求平滑。

7. 项目扩展思路：从单楼宇到规模化应用

一个楼宇的优化调度模型跑通后，扩展路径非常清晰。

扩展方向一：多楼宇协同。把多个楼宇的虚拟储能聚合成一个虚拟电厂，统一参与需求响应或电力现货市场。模型上只需要把约束维度从“楼宇”扩展到“楼宇集合”，在公共母线上增加联络线功率约束。这部分我后续单独写一篇，关键点在于楼宇间的利益分配问题。

扩展方向二：加入不确定性。光伏出力和负荷预测不可能100%准，可以在模型里引入场景法或鲁棒优化。常用做法是生成N个场景，把确定性模型扩展成两阶段随机规划——第一阶段做日前调度决策，第二阶段根据光伏/负荷实际值做实时修正。Yalmip也能处理这类问题，但求解规模会大很多。

扩展方向三：把空调模型换成更精细的RC网络模型。ETP模型是单节点模型，精度有限。实际楼宇有多个房间、多层结构，墙体传热不是一个RC能完全描述的。可以用二阶或三阶RC模型，模型精度提升，但参数辨识难度也上来了。

扩展方向四：做实时滚动优化。日前调度是开环决策，实际运行时会发现执行结果和计划有偏差。更工程化的做法是模型预测控制——每15分钟滚动一次，用当前实测状态刷新预测，重新求解未来4小时的调度方案。这也是工业界最接近实际落地的方案。

我个人的体会是：虚拟储能要想在工程上落地，最关键的从来不是算法多聪明，而是你能不能在可接受的舒适度损失下，把楼宇里的“储能潜力”精确地量化和调度起来。这需要电力系统、暖通空调（HVAC）、数学优化三个领域的知识交叉。Matlab和Yalmip只是把这些知识拧在一起的工具，但有了这套工具和模型框架，你可以非常高效地验证不同场景、不同参数下的调度策略效果，为实际工程决策提供可靠的定量依据。

最后再分享一个调试小技巧：建完模型先别急着跑完整24小时，先用T=4（比如只取0-4点）测试跑通，确认目标函数和约束都正常，再扩展到24小时。这个小习惯能在调试阶段帮你节省大量时间。