第四章 荷侧负荷分析：负荷分类与特性、负荷预测方法、可调负荷资源识别、需求响应潜力评估
各位同行，咱们今天聊聊荷侧。源网荷储一体化项目里，荷侧是最“活”的一环。为什么这么说？因为源和网相对可控，但负荷端，说白了就是用户怎么用电，这事儿变数最大。我做了十几年项目，见过太多因为负荷分析没做透，导致整个项目经济性算不过来的案例。所以，这一章咱们把负荷分析掰开揉碎了讲清楚。
4.1 负荷分类与特性
负荷分类，是分析的第一步。我个人习惯先按“物理属性”分，再按“用户属性”分。
按物理属性分：
- 阻性负荷：比如电热炉、白炽灯。电流和电压同相位，功率因数接近1。这种负荷对电网最友好，但现实中占比越来越小。
- 感性负荷：电机、变压器、空调压缩机。电流滞后电压，需要无功补偿。我在一个工业园区项目里遇到过，感性负荷占比超过60%，功率因数低到0.75，被电网罚了不少钱。
- 容性负荷：比如电容器柜、部分电力电子设备。电流超前电压。现在光伏逆变器、充电桩多了，容性特征越来越明显。
按用户属性分：
| 用户类型 | 典型负荷特性 | 日负荷率 | 峰谷差 |
|---|---|---|---|
| 工业用户 | 连续生产，负荷稳定，冲击负荷多 | 0.7~0.9 | 较小 |
| 商业用户 | 白天高、夜间低，空调占比大 | 0.5~0.7 | 较大 |
| 居民用户 | 早晚双峰，季节性明显 | 0.3~0.5 | 很大 |
嗯，这里要注意：同一个用户在不同季节、不同天气下，负荷特性可能天差地别。比如南方某商业综合体，夏天制冷负荷能占到总负荷的40%以上，冬天可能只有10%。你想想看，如果只拿一年的平均数据做设计，那储能容量配置肯定出问题。
4.2 负荷预测方法
负荷预测，说白了就是猜未来怎么用电。但猜也要有章法。我常用的方法分三类：
1. 趋势外推法
最简单，也最常用。拿历史数据画条线，往未来延伸。适合短期预测（小时级、日级）。
# 简单线性回归示例
import numpy as np
from sklearn.linear_model import LinearRegression
# 历史负荷数据（kW）
hours = np.array([1,2,3,4,5]).reshape(-1,1)
load = np.array([100, 105, 110, 108, 115])
model = LinearRegression()
model.fit(hours, load)
predicted = model.predict([[6]])
print(f"第6小时预测负荷: {predicted[0]:.1f} kW")
2. 时间序列法
ARIMA、SARIMA这些模型，能捕捉周期性。比如居民负荷的“早晚双峰”规律，用SARIMA效果不错。我曾经用SARIMA给一个小区做负荷预测，误差控制在5%以内。
3. 机器学习法
现在流行用LSTM、XGBoost。数据量够大的话，精度确实高。但有个坑：模型容易过拟合。我见过一个团队，用LSTM预测某工厂负荷，训练集误差1%，测试集误差15%——这就是典型的“背答案”而不是“学规律”。
4.3 可调负荷资源识别
可调负荷，就是那些“能商量商量”的用电设备。不是所有负荷都能调，得满足三个条件：
- 可中断：短时间停一下不影响生产生活
- 可转移：用电时间可以前后挪
- 可调节：功率大小可以变化
我给大家列个常见的可调负荷清单：
| 负荷类型 | 可调能力 | 响应时间 | 典型场景 |
|---|---|---|---|
| 空调系统 | 20%~50% | 5~15分钟 | 商业楼宇、工厂 |
| 电热水器 | 100%（可完全中断） | 秒级 | 居民、酒店 |
| 工业电机 | 10%~30% | 分钟级 | 水泥、钢铁 |
| 充电桩 | 0%~100% | 秒级 | 停车场、公交站 |
识别可调负荷，我有个笨办法：把用户所有设备的“用电时间-功率”曲线画出来，然后问三个问题：
- 这个设备能不能停10分钟？
- 停了之后恢复，有没有副作用？
- 用户愿意为这个“可调性”付出多少成本？
4.4 需求响应潜力评估
需求响应潜力，就是“能省多少电、能挪多少电”。评估方法分三步：
第一步：基线负荷计算
没有需求响应时，用户本来会用多少电？这个基线很重要。我常用的方法是“相似日法”——找天气、工作日属性都相似的几天，取平均值。
# 基线负荷计算示例
def calculate_baseline(load_data, target_date):
# 取前5个相似日的负荷
similar_days = load_data[load_data.index < target_date].tail(5)
baseline = similar_days.mean()
return baseline
第二步：可调容量评估
把所有可调负荷的“可调上限”加起来，就是理论潜力。但实际潜力要打个折扣——用户不可能100%配合。我一般取理论值的60%~80%。
第三步：经济性评估
用户参与需求响应，得有收益。收益 = 减少的电费 + 补贴 - 舒适度损失。这个舒适度损失最难量化。比如空调调高2度，省了10度电，但员工抱怨太热影响效率——这笔账得算清楚。
需求响应潜力 = Σ(可调负荷容量 × 可调比例 × 用户参与意愿系数)
嗯，最后说一句：负荷分析不是一次性工作。项目投运后，要持续跟踪实际负荷数据，不断修正预测模型和可调资源清单。我见过太多项目，前期分析做得漂漂亮亮，投运后三年不更新数据，最后储能系统配置完全偏离实际——那真是白干了。