虚拟电池模型：把空调集群灵活性变成可调度的储能约束

简介：面向电力系统优化调度研究者与能源工程从业者，此资源聚焦需求侧灵活性刻画，以虚拟电池（VB）模型统一描述电动汽车与温控负载的功率/电能边界，并给出基于pulp库的日前优化策略完整Python复现。压缩包仅含1个docx文档，大小24KB，内容贯穿参数设置、EV单台与集群VB模型函数、日前调度优化建模及结果图形解释，结构紧凑。已有72人学习下载。文档按论文复现顺序组织：从一日96时段、15分钟步长的市场电价、备用价格、EV与HVAC参数设定开始，逐步推导单设备到集群聚合的VB约束，再接入线性规划求解日前计划，配有逐段注释与可视化输出，便于读者将论文公式落地为可运行代码，理解优化目标、备用容量收益及负荷曲线稳定机制。资源集中呈现了从理论到实现的完整链路，适合具备中级Python能力、关注智能电网灵活资源配置的研究人员与技术开发者。

1. 虚拟电池模型凭什么刻画需求侧灵活性：把空调的“惯性”变成调度能算的充放电账

虚拟电池模型是需求侧资源灵活性刻画里最容易被低估的一步：很多团队把空调、储能、电动汽车的调节潜力拍脑袋定成一个固定区间，结果日前优化调度出来的计划不是太激进就是太保守。虚拟电池模型的做法是把每一类需求侧资源的物理特性折算成电池的容量、功率上下限和能量状态转移方程，看似绕远，实际让调度模型有了严格可求解的边界，也让你能在日前时间尺度上回答“这个负荷集群到底能削多少、能撑多久”。我会把参数估计、Python聚合代码、MILP调度求解和验证方法依次拆开，每个步骤都能直接改参数复现，适合正在做需求响应、负荷聚合与虚拟电厂调度仿真的从业者。

2. 虚拟电池模型的物理根基：热惯性如何变成电池的容量与荷电状态

2.1 为什么是“电池”：空调、储能与电动汽车的统一抽象

需求侧资源的调节能力，本质上来自三类能量缓冲：电化学储能和EV动力电池提供的是直接的电量缓冲，空调房间、热水器、冰箱提供的是热惯性缓冲，水蓄冷和冰蓄冷提供的是显热潜热载体。如果没有这些缓冲，负荷侧的调节就像“削一块立刻要补一块”，灵活性实际上不成立。虚拟电池模型的聪明之处在于，它把不同物理载体的动态统一抽象成一组电池方程，包括能量状态、功率上下限和自损耗。这样一来，日前优化调度不需要关心模型背后是空调还是储能，只需要看到一个约束形状良好的储能节点。

以空调为例，一阶等效热参数模型写成 C_a·dT_in/dt = (T_out - T_in)/R_a - COP_a·P_elec。左边是房间温度的惯性，右边是室外漏热和制冷功率的平衡。如果把温度惯性折算成等效储能，温度死区范围就是电池的能量窗口，压缩机功率的上下调节就是电池的充放电功率。论文里把这种模型叫做虚拟电池，本质上是把热力学问题翻译成了电路语言，让调度模型可以直接复用储能建模的全部工具。

2.2 四个核心参数：从热力学等效参数到电池约束

构建虚拟电池模型只需要四个参数，加上一个状态变量。下表是我习惯使用的定义方式，单位在调度代码里统一为kW和kWh。

温度死区是关键边界。用户的舒适区间像电池的过放保护，温度越靠近死区上界，等效储能已经放得越低；越靠近下界，相当于电池充满。这里的能量上下限不是拍脑袋定的，是热容乘以允许温度偏移量。热容越大、死区越宽，虚拟电池容量越大；死区设得窄，优化器手里就没有可调度空间。

2.3 日前调度中的约束方程：能量转移、功率限幅与自损耗

虚拟电池接入调度模型后，约束方程用离散时间形式表达：

E_{t+1} = E_t - (P_vb,t + P_loss)·Δt
E_min ≤ E_t ≤ E_max
P_min ≤ P_vb,t ≤ P_max
E_0 = E_init
E_T ≥ E_init

第一行是能量状态转移，P_vb,t是虚拟电池的净输出功率，正值表示放电，即削减用电，负值表示充电，即增加用电；P_loss是自损耗，在夏季相当于室外热量持续漏入房间，恒为正，驱动能量状态缓慢下降。第二三行是能量和功率的物理边界。最后一行是日前调度里最容易漏掉的约束，它要求日末能量不低于起点，否则每天透支一部分灵活性，时间一长温度就会漂出舒适区。

和常见做法把负荷灵活性描述成“可调功率±20%、持续1小时”的固定区间相比，虚拟电池多了一个能量维度。固定区间模型只约束功率，调度器永远不知道这20%的调节能力能维持多久；虚拟电池的E_max回答了这个问题，放电到什么程度必须停下来。固定区间模型连续调度几天后容易出现温度漂移，虚拟电池模型因为天然携带能量边界，长时间尺度下可靠得多。要注意适用边界：虚拟电池把负荷集群等效成连续储能的前提是集群规模足够大，单体启停的随机性可以互相平滑。如果只有三五台空调，连续性假设不成立，P_vb会变成几个孤立的离散点，这时更适合做事件驱动的启停调度。

3. 用Python生成空调集群的虚拟电池参数：单体温控模型与聚合代码

3.1 TEP参数的物理标定：热容、热阻、能效比从哪里来

热力学等效参数TEP是虚拟电池模型的原料。C_a和R_a可以从房间围护结构的热工参数粗估，多层住宅的客厅热容大约在0.3到0.7 kWh/K，热阻在1.0到3.0 K/kW之间；办公楼玻璃幕墙房间的热阻更小。COP_a用空调能效标签上的值，制冷工况一般在2.5到3.5之间。没有实测数据时按合理区间采样并做灵敏度分析是常见做法，至少比用一个拍脑袋的“可调百分比”更接近物理。

实际工程里，我更推荐用一年的智能电表和室内温度记录反辨识TEP。方法不复杂，把室外温度、空调功率输入一阶等效热参数模型，用最小二乘拟合C_a和R_a。只要数据里有几次完整的启停周期，辨识结果就足够稳定。拿不到历史数据时，退而求其次才是查表采样。采样生成参数时，建议把死区设成不对称区间，现实中用户对热的敏感度比对冷高，制冷场景的死区往往不是关于中点对称的。论文算例多半用对称死区，工程实现建议取不对称区间并在边界留缓冲。

3.2 单体空调的虚拟电池参数计算逻辑

制冷场景下，一台空调的baseline功率定义为维持死区中点温度T_center所需的稳态制冷电功率：P_base = (T_out - T_in) / (R_a·COP)。空调实际只有开、关两个状态，但集群层面允许把聚合功率看作连续可调区间。放电上限P_max取“当前功率到零”的调节量，对应关掉部分空调后用电量下降；充电下限P_min取“当前功率到额定总功率”的调节量，对应把本该停机的空调强制开机，室内温度被拉回死区中心，等效于给虚拟电池充电。

能量容量用热容乘以允许偏移量：E_max = C_a·(T_high - T_low)/2。这里用死区半宽而不是全宽，因为温度以死区中点作为能量零点。初始能量E_init通过当前室内温度相对中点的偏差折算。自损耗P_loss是室外向室内的漏热功率，夏季恒为正值，是纯能量损耗项。这几项组合起来，单台空调在每个时段都能输出一组完整的虚拟电池参数，聚合不过是把同类型参数相加。

3.3 集群聚合的可复现代码

下面这段代码生成100台空调的虚拟电池参数并聚合成一个集群电池。运行环境是Python 3.10以上，只需要numpy。

import numpy as np class AirConditioner: """单台空调：一阶等效热参数模型到虚拟电池参数""" def __init__(self, c, r, p_rate, cop, t_low, t_high, t_in, t_out): self.c = c # 热容，kWh/K self.r = r # 热阻，K/kW self.p_rate = p_rate # 额定电功率，kW self.cop = cop # 制冷能效比，无量纲 self.t_low = t_low # 温度死区下界，℃ self.t_high = t_high # 温度死区上界，℃ self.t_in = t_in # 当前室内温度，℃ self.t_out = t_out # 当前室外温度，℃ def base_power(self): """维持死区中点温度所需的稳态制冷电功率""" t_center = (self.t_low + self.t_high) / 2.0 return (self.t_out - t_center) / (self.r * self.cop) def vb_params(self): """输出单台空调的虚拟电池参数，单位统一为kW/kWh""" t_center = (self.t_low + self.t_high) / 2.0 delta_t = (self.t_high - self.t_low) / 2.0 p_base = self.base_power() return { 'e_min': 0.0, # 能量下限，kWh 'e_max': self.c * delta_t, # 能量上限，kWh 'p_min': -(self.p_rate - p_base), # 充电功率下限，kW 'p_max': p_base, # 放电功率上限，kW 'p_loss': (self.t_out - self.t_in) / self.r, # 漏热功率，kW } def aggregate_vb(ac_list, k_ctrl=0.8): """聚合空调集群为虚拟电池，k_ctrl是可控系数""" keys = ['e_min', 'e_max', 'p_min', 'p_max', 'p_loss'] agg = dict.fromkeys(keys, 0.0) for ac in ac_list: vb = ac.vb_params() for k in keys: agg[k] += vb[k] return {k: v * k_ctrl for k, v in agg.items()} # 生成100台空调，参数按典型住宅分布采样 rng = np.random.default_rng(42) ac_list = [] for _ in range(100): ac_list.append(AirConditioner( c=rng.uniform(0.4, 0.6), # 热容区间 r=rng.uniform(1.5, 2.5), # 热阻区间 p_rate=rng.uniform(2.5, 4.0), # 额定功率区间 cop=rng.uniform(2.5, 3.5), # 能效比区间 t_low=rng.uniform(20.0, 21.0), # 死区下界 t_high=rng.uniform(23.0, 24.0), # 死区上界 t_in=rng.uniform(21.0, 23.0), # 当前室温 t_out=35.0 # 室外高温 )) aggregated = aggregate_vb(ac_list, k_ctrl=0.8) for k, v in aggregated.items(): print(f"{k:>6} = {v:8.3f}")

代码逻辑分三层。AirConditioner类把单体物理参数翻译成虚拟电池参数；aggregate_vb函数把所有单体参数按对应项相加，再整体乘以可控系数k_ctrl；最后的采样循环模拟一批参数分布不均匀的空调，验证聚合逻辑能处理设备差异。k_ctrl是工程上很实用的旋钮，它代表真正愿意响应调度指令的负荷比例，用来抵消状态耦合和用户意愿造成的虚高。

需要解释为什么p_max取p_base。p_base是维持死区中点温度的功率，相当于空调处于合理运行状态时的平均功率。聚合尺度上，把总用电功率从当前值降到接近零的最大调节量，近似用p_base代表；更精细的做法需要按空调启停状态拆分，这里用常见简化，做日前计划已经够用。跑完代码，你会得到一个聚合电池参数。假设100台空调、k_ctrl取0.8，E_max通常在8到12 kWh，P_max约80到110 kW，P_min约-150到-200 kW，具体取决于采样区间。聚合结果天然依赖TEP参数和死区假设，正式调度前建议做一轮参数灵敏度分析。

4. 把虚拟电池接入日前优化调度：最小购电成本MILP模型与求解

4.1 目标函数与约束的取舍：功率平衡、能量转移、日末回收

拿到聚合参数后，下一步是把虚拟电池当作储能节点放进日前调度模型。以最简单的园区购电场景为例，系统从上级电网买电，基准负荷曲线已知，虚拟电池代表可调节空调集群。目标函数是最小化全天24小时购电成本，电价分时给出。决策变量只有虚拟电池每个小时的充放电功率P_vb,t和能量状态E_t，网架约束暂用功率平衡代替，机组爬坡问题不纳入本文。

目标函数和约束的取舍有个原则：先保证能量状态转移和日末回收约束不出错，再扩展网架约束。很多翻车案例都是先加了复杂网架模型，结果能量边界设错，求解器返回不可行却找不到根因。我一般先跑一个只有虚拟电池加功率平衡的最小模型，确认结果符合直觉后，再逐步加入线路和机组约束。

把虚拟电池当作储能节点还有一层额外好处，它天然支持能量型约束扩展。可以给E_max附加最大充放电次数限制，折算成爬坡约束的变体；也可以给E_t设置随时间变化的软约束，模拟午休时段用户对温度更敏感，这时只需把下午的E_max调小。这种扩展能力是固定区间模型做不到的。

4.2 用mip库搭建24小时调度模型的最小代码

mip是一个开源整数规划建模库，默认携带CBC求解器，pip install mip就能用。下面的代码可以直接运行，解出24小时的最优充放电计划。mip库相比其他建模工具的优势是安装简单、CBC求解器开箱即用，适合论文复现和小规模算例。

import numpy as np from mip import Model, xsum, minimize, CONTINUOUS, OptimizationStatus # 分时电价：元/kWh，模拟低谷、平段、高峰三段 price = np.array([0.35, 0.35, 0.35, 0.35, 0.35, 0.35, # 0-5点深夜低谷 0.60, 0.60, 0.60, 0.60, 0.60, 0.60, # 6-11点平段 0.92, 0.92, 0.92, 0.92, 0.92, 0.92, # 12-17点尖峰 0.60, 0.60, 0.60, 0.60, 0.60, 0.60]) # 18-23点平段 # 园区基准负荷曲线：kW，包含空调和其他负荷 base_load = np.array([ 120, 115, 110, 105, 108, 112, # 夜间 140, 165, 180, 195, 200, 205, # 上午 210, 200, 190, 185, 180, 175, # 午后至傍晚 170, 165, 150, 140, 130, 125]) # 晚上 # 虚拟电池参数：来自第3章聚合流程标定，此处取一个中等集群的聚合结果 vb = {'E_min': 0.0, 'E_max': 60.0, 'P_min': -15.0, 'P_max': 15.0, 'P_loss': 2.0, 'E_init': 30.0} m = Model("day_ahead_vb_scheduling", solver_name="CBC") m.verbose = 0 T = 24 P_grid = {t: m.add_var(lb=0, ub=500, var_type=CONTINUOUS, name=f"P_grid_{t}") for t in range(T)} P_vb = {t: m.add_var(lb=vb['P_min'], ub=vb['P_max'], var_type=CONTINUOUS, name=f"P_vb_{t}") for t in range(T)} E = {t: m.add_var(lb=vb['E_min'], ub=vb['E_max'], var_type=CONTINUOUS, name=f"E_{t}") for t in range(T+1)} # 目标：最小化总购电成本 m.objective = minimize(xsum(P_grid[t] * price[t] for t in range(T))) # 功率平衡：电网供电 = 基准负荷 + 虚拟电池净功率 for t in range(T): m += P_grid[t] == base_load[t] + P_vb[t] # 能量状态转移：Δt=1小时，P_loss为自损耗功率 m += E[0] == vb['E_init'] for t in range(T): m += E[t+1] == E[t] - P_vb[t] - vb['P_loss'] # 日末能量回收：不允许透支当天的灵活性 m += E[T] >= vb['E_init'] m.optimize(max_seconds=60) if m.status == OptimizationStatus.OPTIMAL: print(f"最低购电成本：{m.objective_value:.2f} 元") base_cost = sum(base_load * price) print(f"不调用虚拟电池的成本：{base_cost:.2f} 元") print(f"灵活性收益：{base_cost - m.objective_value:.2f} 元") for t in range(T): print(f"t={t:2d} P_vb={P_vb[t].x:7.3f} kW E={E[t+1].x:7.3f} kWh") else: print("求解失败，状态：", m.status)

这段代码的关键点有三个。P_grid的上下限按基准负荷幅值放大设定，避免无意义的超量购电；P_vb的上下限直接取聚合参数，虚拟电池像储能一样既能充电也能放电；日末回收约束用E[T] >= E_init表达，防止模型“寅吃卯粮”。跑通之后把max_seconds调大，可以观察CBC迭代次数与目标值的变化。

mip库的add_var默认上界是无穷大，这里显式给出lb和ub，让求解器在线性规划预求解阶段就缩小变量范围。能量转移约束里P_loss恒为正，意味着即使不调度，虚拟电池也会每小时损耗一部分等效储能，模型会自然地提前在低谷时段补能，这符合空调负荷全天持续漏热的物理特性。

4.3 结果解读：峰谷套利与灵活性空间的量化

跑出结果后，你会看到三种典型模式：P_vb在低谷时段为负，即充电多用电；高峰时段为正，即放电少用电；能量状态E在高峰结束后回到初始值附近。这说明虚拟电池在替园区做峰谷套利，相当于把空调集群的制冷量在时间上搬移，低谷多制冷存下来，高峰少制冷释放存冷量。

实用做法是记录三列指标：最优购电成本、不调节成本、购电峰谷差。下面表格是一组典型模拟结果，电价与负荷按4.2代码设定，虚拟电池容量60 kWh。

成本下降不一定很多，因为虚拟电池容量受限；如果把E_max提高到100 kWh，峰谷套利空间会成比例变大。收益是否值得付出需求响应的舒适度代价，取决于你手上的激励政策。常见做法是把用户舒适度补偿直接加进目标函数作为罚项，防止模型为了省钱把温度边界拉满，这种带权重的多目标写法在论文复现里也很常见。

5. 虚拟电池模型落地避坑指南：聚合失真、时间尺度与数值求解的5个坑

5.1 聚合参数不是简单求和：可控系数与负荷状态耦合

现象：按100台空调的额定功率直接求和得到P_max，日前计划宣称能削掉300 kW，实际执行时连100 kW都达不到。原因：聚合时没考虑负荷状态，温度在死区底部的空调本身处于停机状态，无法继续削减；温度在中点的空调最多也只能撑半个死区的时间。直接把额定功率求和，等于默认每台空调都在满功率运行且随时可关，这是对灵活性最乐观的错误估算。解决：聚合前先按工作状态分组，正在运行的空调贡献向上调节能力，停机的贡献向下调节能力，然后乘以可控系数k_ctrl，或者先做蒙特卡洛状态采样，统计不同温度位置的比例，再按比例缩放聚合边界。我习惯保留k_ctrl这个可调参数并在第6章的验证环节检验它是否偏乐观。

5.2 时间分辨率不一致导致能量状态漂移

现象：同样的虚拟电池，用15分钟调度得到的结果和1小时调度结果对不上，日末能量要么偏高要么偏低。原因：能量转移方程里的Δt没有换算。功率单位是kW，时间单位就必须统一成小时，Δt取0.25还是1.0直接改变每个时段转移的能量；P_loss如果按小时标定却用在15分钟步长，损耗被放大了4倍。解决：把Δt显式写进公式而不是约掉。每次写约束都用E[t+1] == E[t] - (P_vb[t] + P_loss) * dt，其中dt由时间戳列表逐段计算。以后改成滚动优化时，这一处能省掉一晚上的排错时间。

5.3 MILP求解器卡死：整数变量爆炸与松弛策略

现象：调度模型从聚合级改成单体级，1000台空调整数决策变量加入后，CBC在几小时里给不出可行解。原因：每台空调需要启停状态0-1变量，时间耦合又叠加能量约束，MILP规模指数上涨；日前调度有24个时段，总变量数量轻松破万。解决：工程上几乎没有人用单体0-1模型跑日前全局优化。常见做法是先聚合成虚拟电池跑连续变量模型，再把优化出的P_vb轨迹作为目标曲线，在分布式控制器里做滚动跟随。这一层解耦后，日前模型变量数量级降到几十个，跟随时再处理单体约束，求解稳定性会好很多。

5.4 舒适度边界拍脑袋：死区参数的标定问题

现象：调度结果把温度推到死区边缘，现场实测用户投诉室内太热；把死区改宽后，能量容量变大，结果反而不可行。原因：死区温度范围是用户行为参数，不是工程自由度。论文复现里常用的21到23°C死区来自温控器出厂默认值，实际用户会手动调温度，死区也可能不对称，有些用户22.5°C就开始不适。解决：用室内温度数据标定死区，至少统计出用户设定温度的分位数分布。调度模型里最好在死区边界内再留10%缓冲带，例如调度约束用21.2到22.8°C而不是21到23°C，避免优化结果正好卡在真实用户边界上。

5.5 日末能量透支：忘记加回收约束的后果

现象：优化结果很漂亮，购电成本大幅下降，但第二天继续跑同样的模型时，可行域越来越小，最后直接infeasible。原因：缺少E[T] >= E_init，虚拟电池被当成免费储能，每天都在日末留下一个更低的能量状态，多日接力后能量被透支光了。解决：加日末回收约束。更进一步，可以在目标函数中给末端能量加惩罚项，比如min Σ price·P_vb + λ·(E_init - E_T)，允许适当透支但要付出代价，更接近真实商业场景中舒适度激励的取舍。这个惩罚系数的量纲是元/kWh，可以结合需求响应补贴标准来定。

6. 用仿真校验虚拟电池模型：聚合边界回放与多场景对比

6.1 三招验证聚合参数是否靠谱

第一招是边界回放。把优化得到的P_vb,t按各单台空调额定功率比例分回去，在等效热参数模型上逐时仿真，看室内温度是否全部落在死区内。任何一种优化调度下的温度越界，都说明聚合参数偏乐观。第二招是随机功率注入：生成多条满足P_min和P_max的随机P_vb轨迹，前向递推E_t，统计越过E_max和E_min的次数，出现一次越界就要检查能量边界标定。第三招是多场景对比：用典型日、极端高温日、节假日三组数据跑同一套代码，如果某一场景的日末能量回不到E_init，多半是P_loss标定没跟上室外温度变化。这三招都不需要额外数据，代码层面半小时内能完成。

6.2 一个提高可信度的技巧：把能量轨迹图当作调试前置条件

我每次跑完调度，第一件事永远是打印E_t和P_vb,t两条曲线。E_t如果出现白天一路下滑夜间猛充的形状，说明P_loss在高温时段取值偏大；如果E_t贴着E_max平走，说明调度基本没有灵活空间，问题不在求解器而在聚合参数本身。这个习惯帮我避开了至少三次目标值漂亮但物理上不成立的模型错误。多场景对比时还可以算一个灵活性利用率，统计优化结果中P_vb不为零的时段数，乘以平均功率，再除以E_max减E_min。利用率过高说明模型一直在极限工作，现场稍有扰动就会违约；利用率过低说明聚合参数或电价结构没把调节价值激发出来。一个健康的范围通常在40%到70%，我一般会结合这个区间决定是否调整k_ctrl。

虚拟电池模型本身的黑匣子程度很低，最难的不是数学，而是把P_loss、k_ctrl、E_init这几个值用实测数据或灵敏度分析固定下来。参数标定扎实了，模型的复现能力会稳定很多，拿去改电价、换场景、扩集群规模都只是改输入参数的事。希望帮到你。

本文还有配套的精品资源，点击获取