CN105117802A - 一种基于中央空调储能特性的电力市场优化调度策略 - Google Patents

Abstract

本发明公开了一种基于中央空调储能特性的电力市场优化调度策略，根据中央空调所属建筑物的热力学模型，建立蓄电池模型；在日前市场，负荷聚合商根据次日每一时段出清电价及负荷预测情况，进行购电安排，实现负荷聚合商的日前市场购电费用最小；由于负荷聚合商负荷预测存在误差，实际购电量和计划购电量之间的偏差需要依靠实时市场进行平衡，负荷聚合商根据当前实时电价、负荷、室外温度对未来时段的电价、负荷及室外温度进行预测，以购电费用最小为目标函数，以蓄电池充放电功率为决策变量，建立优化调度模型，对蓄电池重新进行充放电安排，优化负荷聚合商在实时市场中的行为。

Description

一种基于中央空调储能特性的电力市场优化调度策略

技术领域

本发明属于中央空调负荷在电力市场中的应用技术，具体涉及负荷聚合商的优化调度策略和空调负荷的储能特性。

背景技术

空调负荷在电力设备终端的比重较大，调度方式灵活，参与***运行潜力巨大，是一种重要的需求响应资源。空调负荷具有热存储能力，通过合理的控制手段，能够快速地响应***的调度，为***提供优良的能量储备服务。负荷聚合商是一种专门用于整合负荷侧资源的商业模式，不仅能够代表中小型负荷资源参与电力市场，而且能够借助于智能电网的高级测量体系对负荷进行实时测量与控制，实现资源的高效利用和经济效益的最大化。

随着《关于进一步深化电力体制改革的若干意见》的出台，中国电力市场改革日益深化，日前市场和实时市场运行机制将越来越成熟，为实现负荷侧资源的高效利用和相关企业经济效益的提高提供了一个有利契机。与此同时，风能、太阳能等新能源大量接入电网以及能源互联网概念的提出，对储能元件提出了越来越高的要求，但传统储能元件(如蓄电池)的造价往往比较高，经济性较差，空调负荷为电力市场中的储能元件提供了另一种可能。

发明内容

发明目的：为了减少负荷聚合商因为负荷预测存在误差等问题而增加的购电费用，本发明提供一种基于中央空调所属建筑物储能特性的电力市场优化调度策略。负荷聚合商根据中央空调所属建筑物的储能特性建立其蓄电池模型；在日前市场中，负荷聚合商根据次日出清电价及负荷预测情况在做出次日每一时段的购电安排；实时市场中，负荷聚合商通过实时电价、负荷、室外温度对未来时段的电价、负荷及室外温度，并以蓄电池的充放电功率为决策变量，以购电费用最小为目标函数，建立优化调度模型，实现负荷聚合商的实时市场最优购电计划，使负荷聚合商的经济效益最大化。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于中央空调储能特性的电力市场优化调度策略，包括如下步骤：

(1)根据中央空调所属建筑物的热力学模型，建立蓄电池模型：

B＝{O,SOE,P_d,C_max,D_max}(1)

式中：B表示蓄电池模型的参数集合，O表示储能容量，SOE表示荷能状态，P_d表示浮充电功率，C_max表示最大充电功率，D_max表示最大放电功率；

(2)负荷聚合商对次日每一时段的出清价格和负荷进行预测，并通过对蓄电池模型的充放电控制安排次日每一时段的购电量，使负荷聚合商次日购电费用最小，形成日前调度计划：

${\mathrm{minF}}_1=\underset{i=1}{\overset{N}{\Σ}}\[E_s\left(i\right)p_{ad}^{\′}\left(i\right)+\mathrm{\λ}|C\left(i\right)-D\left(i\right)|\]---\left(2\right)$

E_s(i)＝L_ad'(i)+C(i)-D(i)(3)

式中：F₁表示负荷聚合商在日前调度市场中的预测总购电费用，E_s(i)表示日前调度市场中时段i的预测购电量，p'_ad(i)表示日前调度市场中时段i的预测出清价格，L_ad'(i)表示日前调度市场中时段i的预测负荷；λ表示蓄电池模型的调度费用，C(i)表示时段i时蓄电池模型的充电功率，D(i)表示时段i时蓄电池模型的放电功率，N表示时段总数；

(3)当负荷聚合商向***运营商提交日前调度计划后，次日每一时段的实际出清价格即可知，则：

$F_2=\underset{i=1}{\overset{N}{\Σ}}\[E_s\left(i\right)p_{ad}\left(i\right)+\mathrm{\λ}|C\left(i\right)-D\left(i\right)|\]---\left(4\right)$

式中：F₂表示负荷聚合商在日前调度市场中的实际总购电费用，p_ad(i)表示日前调度市场中时段i的实际出清价格；

(4)由于负荷聚合商对次日的负荷预测存在误差，需要依靠实时市场对实时购电量和预测购电量之间的偏差进行平衡；实时市场中，负荷聚合商实时获取时段i的实时购电量、实时出清价格、实时负荷和实时室外温度进行优化调度，具体过程为：

(41)负荷聚合商进行优化调度时，用时段i的实时购电量、实时出清价格、实时负荷和实时室外温度对实时市场中时段i+1～时段i+n的购电量、出清价格、负荷和和室外温度进行预测；

(42)负荷聚合商以蓄电池模型的充放电功率为决策变量，以购电费用最小为目标，建立优化调度模型：

$\begin{array}{c}\min F_3\\ =\[\left(E_a\right(i)-E_s\left(i\right))p_{rt}\left(i\right)+\mathrm{\λ}|C\left(i\right)-D\left(i\right)|\]\\ =\underset{k=i+1}{\overset{i+n}{\mathrm{\Σ}}}\[({E_a}^{\′}\left(k\right)-E_s\left(k\right)){p_{rt}}^{\′}\left(k\right)+\mathrm{\λ}|C\left(k\right)-D\left(k\right)|\]\end{array}---\left(5\right)$

E_a(i)＝L_a(i)+C(i)-D(i)(6)

E_a'(k)＝L_a'(k)+C(k)-D(k)(7)

式中：F₃表示负荷聚合商在实时市场中的预测总购电费用；E_a(i)表示时段i的实时购电量，p_rt(i)表示时段i的实时出清价格，L_a(i)表示时段i的实时负荷；E_a'(k)表示实时市场中时段k的预测购电量，p_rt'(k)表示实时市场中时段k的预测出清价格，L_a'(k)表示实时市场中时段i的预测负荷；n表示后退优化时段总数；

(43)采用线性规划方法对作为目标函数的式(5)进行求解，根据求解结果对时段i时的蓄电池模型进行充放电功率控制；

(44)i＝i+1，返回步骤(41)。

所述步骤(2)和步骤(42)中，均要求0≤C(i)≤C_max且0≤D(i)≤D_max。

有益效果：本发明针对负荷聚合商在日前市场和实时市场的购售电行为，提出一种基于中央空调储能特性的电力市场优化调度策略，其优点是在空调所属建筑物热力学模型基础上，充分挖掘其储能特性，建立蓄电池模型，在负荷聚合商的调度与控制下参与日前市场与实时市场，不仅减少了对造价较高的传统储能元件(如蓄电池)的依赖，延缓了电力***中储能设备的投资，提高了电力***运营的经济性，与此同时，也增加了负荷聚合商的经济效益。

附图说明

图1为本发明方法的总流程图；

图2为负荷聚合商业务***；

图3为空调所属建筑物的蓄电池模型。

具体实施方式

下面结合附图对本发明作更进一步的说明。

一种基于中央空调储能特性的电力市场优化调度策略，包括如下步骤：

(1)根据中央空调所属建筑物的热力学模型，建立蓄电池模型：

B＝{O,SOE,P_d,C_max,D_max}(1)

式中：B表示蓄电池模型的参数集合，O表示储能容量，SOE表示荷能状态，P_d表示浮充电功率，C_max表示最大充电功率，D_max表示最大放电功率；

(2)负荷聚合商对次日每一时段的出清价格和负荷进行预测，并通过对蓄电池模型的充放电控制安排次日每一时段的购电量，使负荷聚合商次日购电费用最小，形成日前调度计划：

${\mathrm{minF}}_1=\underset{i=1}{\overset{N}{\Σ}}\[E_s\left(i\right)p_{ad}^{\′}\left(i\right)+\mathrm{\λ}|C\left(i\right)-D\left(i\right)|\]---\left(2\right)$

E_s(i)＝L_ad'(i)+C(i)-D(i)(3)

式中：F₁表示负荷聚合商在日前调度市场中的预测总购电费用，E_s(i)表示日前调度市场中时段i的预测购电量，p'_ad(i)表示日前调度市场中时段i的预测出清价格，L_ad'(i)表示日前调度市场中时段i的预测负荷；λ表示蓄电池模型的调度费用，C(i)表示时段i时蓄电池模型的充电功率，D(i)表示时段i时蓄电池模型的放电功率，N表示时段总数；0≤C(i)≤C_max且0≤D(i)≤D_max；

(3)当负荷聚合商向***运营商提交日前调度计划后，次日每一时段的实际出清价格即可知，则：

$F_2=\underset{i=1}{\overset{N}{\Σ}}\[E_s\left(i\right)p_{ad}\left(i\right)+\mathrm{\λ}|C\left(i\right)-D\left(i\right)|\]---\left(4\right)$

式中：F₂表示负荷聚合商在日前调度市场中的实际总购电费用，p_ad(i)表示日前调度市场中时段i的实际出清价格；

(4)由于负荷聚合商对次日的负荷预测存在误差，需要依靠实时市场对实时购电量和预测购电量之间的偏差进行平衡；实时市场中，负荷聚合商实时获取时段i的实时购电量、实时出清价格、实时负荷和实时室外温度进行优化调度，具体过程为：

(41)负荷聚合商进行优化调度时，用时段i的实时购电量、实时出清价格、实时负荷和实时室外温度对实时市场中时段i+1～时段i+n的购电量、出清价格、负荷和和室外温度进行预测；

(42)负荷聚合商以蓄电池模型的充放电功率为决策变量，以购电费用最小为目标，建立优化调度模型：

$\begin{array}{c}\min F_3\\ =\[\left(E_a\right(i)-E_s\left(i\right))p_{rt}\left(i\right)+\mathrm{\λ}|C\left(i\right)-D\left(i\right)|\]\\ =\underset{k=i+1}{\overset{i+n}{\mathrm{\Σ}}}\[({E_a}^{\′}\left(k\right)-E_s\left(k\right)){p_{rt}}^{\′}\left(k\right)+\mathrm{\λ}|C\left(k\right)-D\left(k\right)|\]\end{array}---\left(5\right)$

E_a(i)＝L_a(i)+C(i)-D(i)(6)

E_a'(k)＝L_a'(k)+C(k)-D(k)(7)

式中：F₃表示负荷聚合商在实时市场中的预测总购电费用；E_a(i)表示时段i的实时购电量，p_rt(i)表示时段i的实时出清价格，L_a(i)表示时段i的实时负荷；E_a'(k)表示实时市场中时段k的预测购电量，p_rt'(k)表示实时市场中时段k的预测出清价格，L_a'(k)表示实时市场中时段i的预测负荷；n表示后退优化时段总数；0≤C(i)≤C_max且0≤D(i)≤D_max；

(43)采用线性规划方法对作为目标函数的式(5)进行求解，根据求解结果对时段i时的蓄电池模型进行充放电功率控制；

(44)i＝i+1，返回步骤(41)。

所述步骤(1)中，所属建筑物的热力学模型为：

$\frac{{\mathrm{dT}}_{in}}{dt}=\mathrm{\α}(T_o-T_{in})+\mathrm{\γ}-\mathrm{\μ}Q---(1-1)$

$T_{in}=\left(T_{in}\right(0)-\frac{{\mathrm{\αT}}_o+\mathrm{\γ}-\mathrm{\μ}Q}{\mathrm{\α}})e^{-\mathrm{\α}t}+\frac{{\mathrm{\αT}}_o+\mathrm{\γ}-\mathrm{\μ}Q}{\mathrm{\α}}---(1-2)$

式中：T_in表示室内温度，T_o表示室外温度，Q表示中央空调制冷量，α、γ和μ为系数，T_in(0)表示初始时刻的室内温度；t表示时间。

所述步骤(1)中，蓄电池模型的建立过程如下：

(1.1)储能容量O

设满足人体舒适度的室内温度区间为[T_min,T_max]，中央空调所属建筑物的冷量存储于室内空气和室内固体中(类似于蓄电池将电能存储于电容)，室内温度处于T_min时储冷量最大，室内温度处于T_max时储冷量最小；将室内温度处于T_max时的储冷量记为0，则当室内温度处于T_min时的储冷量为：

$O_{in}=\frac{T_{max}-T_{in}}{\mathrm{\μ}}---(1-3)$

式中：表示建筑物每升高1℃所需要的能量；由此可知，储能容量O为：

$O=\frac{T_{max}-T_{min}}{\mathrm{\μ}}---(1-4)$

(1.2)荷能状态SOE

荷能状态表示当前储冷量与储能容量的比值，反映了蓄电池模型的储能状态：

$SOE=\frac{O_{in}}{O}=\frac{T_{max}-T_{in}}{T_{\max }-T_{\min }}---(1-5)$

空调能够将不便于存储的电能转化为便于存储的热能，空调所属建筑物存储冷量在本质上也是在存储电量，故SOE同时也反映了蓄电池模型的存储电量情况，SOE值越大，蓄电池模型存储电量越大。

将式(1-5)带入(1-2)可得到荷能状态随时间变化的规律：

$SOE\left(i\right)=SOE\left(0\right)\·e^{-\mathrm{\α}t}+\frac{\mathrm{\α}{(T_{max}-T)}_o-\mathrm{\γ}+\mathrm{\μ}Q}{\mathrm{\α}(T_{max}-T_{min})}(1-e^{-\mathrm{\α}t})---(1-6)$

式中：SOE(i)表示时段i期间达到稳定状态时的荷能状态，SOE(0)表示初始时刻的荷能状态。

(1.3)浮充电功率P_d

中央空调所属建筑物由于室内外温差辐射、人员散热、电器散热等原因，会产生热量，使室内温度升高，荷能状态值降低，即蓄电池模型存在内阻和自放电过程；为了维持荷能状态值不变，中央空调需要从电网中吸收电量以产生同等冷量，带走建筑物增加的热量，建立中央空调的电功率为蓄电池模型的浮充电功率：

P_d＝P(1-7)

式中：P表示中央空调的电功率，P是SOE的函数。

(1.4)最大充电功率C_max

设当前蓄电池模型的荷能状态为SOE(i)，当由荷能状态SOE(i)增大至荷能状态SOE(i+1)时，根据式(1-1)可知，保持荷能状态SOE(i+1)所需要的冷量为：

$Q=\frac{\mathrm{\α}\[T_o-T_{max}+SOE(i+1)\·(T_{max}-T_{min})\]+\mathrm{\γ}}{\mathrm{\μ}}---(1-8)$

通过变频技术对冷水机组、冷冻水泵、风机进行控制，使制冷量调整为Q，根据式(1-2)计算由荷能状态SOE(i)增大至荷能状态SOE(i+1)时所需要的时间为：

$t=-\frac{ln\frac{\mathrm{\α}(T_{max}-T_o)-\mathrm{\γ}+\mathrm{\μ}Q-\mathrm{\α}\·SOE(i+1)\·(T_{max}-T_{min})}{\mathrm{\α}(T_{max}-T_o)-\mathrm{\γ}+\mathrm{\μ}Q-\mathrm{\α}\·SOE\left(i\right)\·(T_{max}-T_{\min })}}{\mathrm{\α}}=\mathrm{\∞}---(1-9)$

式(1-9)说明，荷能状态随着时间无限接近SOE(i+1)但不会等于SOE(i+1)，这是由蓄电池模型自身特性决定的，故设一个调整精度△SOE，当荷能状态增加至SOE(i+1)-△SOE时，即可认为荷能状态已经调至SOE(i+1)；为了实现蓄电池模型的有效控制，需使荷能状态在一个调度时段内达到稳定，需使得：

t≤△t(1-10)

求解可得：

$SOE(i+1)\≤SOE\left(i\right)+\frac{T_{max}-\mathrm{\Δ}SOE\·(T_{max}-T_{\min })}{(T_{max}-T_{\min })e^{-\mathrm{\α}\mathrm{\Δ}t}}---(1-11)$

故设荷能状态最大可增加至同理可得荷能状态最大可降低至故一个调度时段内蓄电池模型荷能状态允许的变化范围为在该两个值的范围内。

为了增大蓄电池模型的荷能状态，需要对蓄电池模型进行充电，此时表现为增加蓄电池模型的浮充电功率，故蓄电池模型的最大充电功率为：

$C_{\max }=P_d\left(\min \right(1,SOE\left(i\right)+\frac{T_{max}-\mathrm{\Δ}SOE\·(T_{max}-T_{\min })}{(T_{max}-T_{\min })e^{-\mathrm{\α}\mathrm{\Δ}t}}\left)\right)-P_d\left(SOE\right(i\left)\right)---(1-12)$

式中：△SOE表示调度精度，△t表示一个时段的时长，P_d(SOE(i))表示荷能状态为SOE(i)时的浮充电功率。

(1.5)最大放电功率D_max

同理于最大充电功率C_max的推算过程，最大放电功率D_max：

$D_{\max }=P_d\left(SOE\right(i)-P_d(\max \left(0,SOE\left(i\right)-\frac{T_{max}-\mathrm{\Δ}SOE\·(T_{max}-T_{\min })}{(T_{max}-T_{\min })e^{-\mathrm{\α}\mathrm{\Δ}t}}\right))---(1-13)$

式(1-3)～(1-7)、(1-12)和(1-13)共同组成中央空调所属建筑物的蓄电池模型。

当对蓄电池模型进行充电时，充电后的SOE(i+1)与当前的SOE(i)满足如下关系：

P_d(SOE(i+1))＝P_d(SOE(i))+C(i)(1-14)

当对蓄电池模型进行放电时，放电后的SOE(i+1)与当前的SOE(i)满足如下关系：

P_d(SOE(i+1))＝P_d(SOE(i))-D(i)(1-15)

对蓄电池进行充放电功率控制后，可对方程(1-14)和(1-15)进行求解，更新蓄电池模型的参数集合。

对于一个含有M个蓄电池模型的群组来说，其最大充电功率为所有M个蓄电池模型的最大充电功率C_max之和，其最大放电功率为所有M个蓄电池模型的最大放电功率D_max之和。

所述步骤(43)中，负荷聚合商的优化结果为C(i)或D(i)，以充电功率控制为例对蓄电池模型进行充放电功率控制的策略进行说明：

(43.1)将M个蓄电池模型的荷能状态按值的大小进行排序，SOE¹<SOE²<…<SOE^z<…<SOE^M，按顺序所有M个蓄电池模型当前调度时段的最大充电功率分别为

(43.2)执行如下程序：

$C=C\left(i\right)-(W-C_{max}^z)$

${\mathrm{SOE}}_{new}^z=solve{(}^{\&prime;}{P}_d\left({\mathrm{SOE}}_{new}^z\right)=P_d\left({\mathrm{SOE}}^z\right)+C^{\&prime;},{\mathrm{SOE}}_{new}^z)$

(43.3)当要求充电功率为C时，具体的充电安排为：荷能状态为SOE¹、SOE²…SOE^z-1的蓄电池模型调至其最大荷能状态SOE^z调至其他蓄电池的荷能状态保持不变；更新充放电功率控制后的蓄电池模型的参数集合。

放电功率的控制策略类似于充电功率的控制策略，此处不再赘述。

本发明提供的基于中央空调负荷所属建筑物储能特性的电力市场优化调度策略，在中央空调所属建筑物的蓄电池模型基础上，在日前市场中，负荷聚合商根据次日出清电价及负荷预测情况做出购电安排；在实时市场中，利用当前时段的电价、负荷、室外温度预测未来时段的电价、负荷及室外温度，利用蓄电池的充放电特性以购电费用最低为目标函数建立实时市场的优化调度策略，在减少对传统造价较高的储能设备依赖的同时，也提高了负荷聚合商的经济效益。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种基于中央空调储能特性的电力市场优化调度策略，其特征在于：包括如下步骤：

(1)根据中央空调所属建筑物的热力学模型，建立蓄电池模型：

B＝{O,SOE,P_d,C_max,D_max}(1)

式中：B表示蓄电池模型的参数集合，O表示储能容量，SOE表示荷能状态，P_d表示浮充电功率，C_max表示最大充电功率，D_max表示最大放电功率；

(2)负荷聚合商对次日每一时段的出清价格和负荷进行预测，并通过对蓄电池模型的充放电控制安排次日每一时段的购电量，使负荷聚合商次日购电费用最小，形成日前调度计划：

${\mathrm{minF}}_1=\underset{i=1}{\overset{N}{\&Sigma;}}\&lsqb;E_s\left(i\right)p_{ad}^{\&prime;}\left(i\right)+\mathrm{\&lambda;}|C\left(i\right)-D\left(i\right)|\&rsqb;---\left(2\right)$

E_s(i)＝L_ad'(i)+C(i)-D(i)(3)

式中：F₁表示负荷聚合商在日前调度市场中的预测总购电费用，E_s(i)表示日前调度市场中时段i的预测购电量，p'_ad(i)表示日前调度市场中时段i的预测出清价格，L_ad'(i)表示日前调度市场中时段i的预测负荷；λ表示蓄电池模型的调度费用，C(i)表示时段i时蓄电池模型的充电功率，D(i)表示时段i时蓄电池模型的放电功率，N表示时段总数；

(3)当负荷聚合商向***运营商提交日前调度计划后，次日每一时段的实际出清价格即可知，则：

$F_2=\underset{i=1}{\overset{N}{\&Sigma;}}\&lsqb;E_s\left(i\right)p_{ad}\left(i\right)+\mathrm{\&lambda;}|C\left(i\right)-D\left(i\right)|\&rsqb;---\left(4\right)$

式中：F₂表示负荷聚合商在日前调度市场中的实际总购电费用，p_ad(i)表示日前调度市场中时段i的实际出清价格；

(4)由于负荷聚合商对次日的负荷预测存在误差，需要依靠实时市场对实时购电量和预测购电量之间的偏差进行平衡；实时市场中，负荷聚合商实时获取时段i的实时购电量、实时出清价格、实时负荷和实时室外温度进行优化调度，具体过程为：

(41)负荷聚合商进行优化调度时，用时段i的实时购电量、实时出清价格、实时负荷和实时室外温度对实时市场中时段i+1～时段i+n的购电量、出清价格、负荷和和室外温度进行预测；

(42)负荷聚合商以蓄电池模型的充放电功率为决策变量，以购电费用最小为目标，建立优化调度模型：

$\begin{array}{c}\min F_3\\ =\&lsqb;\left(E_a\right(i)-E_s\left(i\right))p_{rt}\left(i\right)+\mathrm{\&lambda;}|C\left(i\right)-D\left(i\right)|\&rsqb;\\ =\underset{k=i+1}{\overset{i+n}{\mathrm{\&Sigma;}}}\&lsqb;({E_a}^{\&prime;}\left(k\right)-E_s\left(k\right)){p_{rt}}^{\&prime;}\left(k\right)+\mathrm{\&lambda;}|C\left(k\right)-D\left(k\right)|\&rsqb;\end{array}---\left(5\right)$

E_a(i)＝L_a(i)+C(i)-D(i)(6)

E_a'(k)＝L_a'(k)+C(k)-D(k)(7)

式中：F₃表示负荷聚合商在实时市场中的预测总购电费用；E_a(i)表示时段i的实时购电量，p_rt(i)表示时段i的实时出清价格，L_a(i)表示时段i的实时负荷；E_a'(k)表示实时市场中时段k的预测购电量，p_rt'(k)表示实时市场中时段k的预测出清价格，L_a'(k)表示实时市场中时段i的预测负荷；n表示后退优化时段总数；

(43)采用线性规划方法对作为目标函数的式(5)进行求解，根据求解结果对时段i时的蓄电池模型进行充放电功率控制；

(44)i＝i+1，返回步骤(41)。

2.根据权利要求1所述的基于中央空调储能特性的电力市场优化调度策略，其特征在于：所述步骤(1)中，所属建筑物的热力学模型为：

$\frac{{\mathrm{dT}}_{in}}{dt}=\mathrm{\&alpha;}(T_o-T_{in})+\mathrm{\&gamma;}-\mathrm{\&mu;}Q---(1-1)$

$T_{in}=\left(T_{in}\right(0)-\frac{{\mathrm{\&alpha;T}}_o+\mathrm{\&gamma;}-\mathrm{\&mu;}Q}{\mathrm{\&alpha;}})e^{-\mathrm{\&alpha;}t}+\frac{{\mathrm{\&alpha;T}}_o+\mathrm{\&gamma;}-\mathrm{\&mu;}Q}{\mathrm{\&alpha;}}---(1-2)$

式中：T_in表示室内温度，T_o表示室外温度，Q表示中央空调制冷量，α、γ和μ为系数，T_in(0)表示初始时刻的室内温度；t表示时间；

蓄电池模型的建立过程如下：

(1.1)储能容量O

设满足人体舒适度的室内温度区间为[T_min,T_max]，中央空调所属建筑物的冷量存储于室内空气和室内固体中，室内温度处于T_min时储冷量最大，室内温度处于T_max时储冷量最小；将室内温度处于T_max时的储冷量记为0，则当室内温度处于T_min时的储冷量为：

$O_{in}=\frac{T_{max}-T_{in}}{\mathrm{\&mu;}}---(1-3)$

式中：表示建筑物每升高1℃所需要的能量；由此可知，储能容量O为：

$O=\frac{T_{max}-T_{min}}{\mathrm{\&mu;}}---(1-4)$

(1.2)荷能状态SOE

荷能状态表示当前储冷量与储能容量的比值，反映了蓄电池模型的储能状态：

$SOE=\frac{O_{in}}{O}=\frac{T_{max}-T_{in}}{T_{\max }-T_{\min }}---(1-5)$

将式(1-5)带入(1-2)可得到荷能状态随时间变化的规律：

$SOE\left(i\right)=SOE\left(0\right)\&CenterDot;e^{-\mathrm{\&alpha;}t}+\frac{\mathrm{\&alpha;}{(T_{max}-T)}_o-\mathrm{\&gamma;}+\mathrm{\&mu;}Q}{\mathrm{\&alpha;}(T_{\max }-T_{\min })}(1-e^{-\mathrm{\&alpha;}t})---(1-6)$

式中：SOE(i)表示时段i期间达到稳定状态时的荷能状态，SOE(0)表示初始时刻的荷能状态；

(1.3)浮充电功率P_d

建立中央空调的电功率为蓄电池模型的浮充电功率：

P_d＝P(1-7)

式中：P表示中央空调的电功率，P是SOE的函数；

(1.4)最大充电功率C_max

$C_{\max }=P_d\left(\min \right(1,SOE\left(i\right)+\frac{T_{max}-\mathrm{\&Delta;}SOE\&CenterDot;(T_{max}-T_{\min })}{(T_{max}-T_{\min })e^{-\mathrm{\&alpha;}\mathrm{\&Delta;}t}}\left)\right)-P_d\left(SOE\right(i\left)\right)---(1-8)$

式中：△SOE表示调度精度，△t表示一个时段的时长，P_d(SOE(i))表示荷能状态为SOE(i)时的浮充电功率；

当对蓄电池模型进行充电时，充电后的SOE(i+1)与当前的SOE(i)满足如下关系：

P_d(SOE(i+1))＝P_d(SOE(i))+C(i)(1-9)

(1.5)最大放电功率D_max

$D_{\max }=P_d\left(SOE\right(i)-P_d(\max \left(0,SOE\left(i\right)-\frac{T_{max}-\mathrm{\&Delta;}SOE\&CenterDot;(T_{max}-T_{\min })}{(T_{max}-T_{\min })e^{-\mathrm{\&alpha;}\mathrm{\&Delta;}t}}\right))---(1-10)$

当对蓄电池模型进行放电时，放电后的SOE(i+1)与当前的SOE(i)满足如下关系：

P_d(SOE(i+1))＝P_d(SOE(i))-D(i)(1-11)

对蓄电池进行充放电功率控制后，对方程(1-10)和(1-11)进行求解，更新蓄电池模型的参数集合。