3、容量配置基础：负荷特性分析、典型日负荷曲线、负荷预测方法简介
各位工程师朋友，咱们今天聊聊容量配置里最基础、也最容易被忽视的一块——负荷分析。
说实话，我刚入行那会儿，觉得容量配置嘛，不就是把设备功率加起来，再乘个系数就完事了？结果第一次做分布式光伏项目，按最大负荷配了变压器，结果一到阴雨天，负荷率低得可怜，投资回报算下来惨不忍睹。从那以后，我学乖了——搞容量配置，先搞懂负荷。
3.1 负荷特性分析——你得知道用户到底怎么用电
负荷特性，说白了就是用户用电的行为模式。不同用户，用电习惯天差地别。
我习惯把负荷特性拆成三个维度来看：
- 时间维度：一天24小时怎么变？一周7天有没有周末效应？一年四季有没有季节性差异？
- 功率维度：最大负荷是多少？最小负荷是多少？平均负荷是多少？
- 波动维度：负荷变化剧烈还是平缓？有没有冲击性负荷？
举个例子，我在一个工业园区项目里遇到过这样的情况：白天生产线全开，负荷冲到800kW；晚上只有照明和安保，掉到80kW。这种峰谷差巨大的场景，你要是按最大负荷配光伏，白天发的电自己用不完，还得倒送电网；按最小负荷配，又浪费了屋顶资源。
核心指标：
- 最大负荷 Pmax：决定设备容量上限
- 最小负荷 Pmin：决定基础用电需求
- 平均负荷 Pavg：用于计算发电量消纳比例
- 负荷率 = Pavg / Pmax：反映负荷均衡程度
3.2 典型日负荷曲线——一张图看懂一天
你想想看，如果给你一堆负荷数据，你怎么快速判断这个用户适不适合装分布式电源？
我的做法是——画典型日负荷曲线。
所谓典型日，就是挑一个能代表该用户日常用电模式的日子。比如商业用户，挑个普通工作日；居民用户，挑个非节假日的周末。
下面这张图是我在一个商业综合体项目里画的典型日负荷曲线，你一看就明白：
看到没？商业综合体的负荷特点非常明显：
- 凌晨低谷：0:00-6:00，只有少量照明和安保负荷
- 上午爬坡：8:00开始，商户陆续营业，负荷快速上升
- 午间小高峰：11:00-13:00，餐饮、空调负荷叠加
- 下午持续高位：14:00-18:00，全天用电最密集时段
- 晚间回落：20:00后，商户陆续关门
我的小技巧：做容量配置时，把光伏出力曲线和负荷曲线叠在一起看。光伏中午出力最大，如果负荷中午也是高峰，那消纳率就高；如果负荷中午是低谷，那就要考虑储能或者余电上网了。
3.3 负荷预测方法简介——别拍脑袋，用数据说话
搞容量配置，你不能只看现在的负荷，还得看未来的。一个项目设计寿命20年，你按现在的负荷配，三年后负荷翻倍了怎么办？
负荷预测的方法，我按实用程度排个序：
3.3.1 趋势外推法——最简单，也最常用
说白了就是看历史数据，画条趋势线往外推。适合负荷增长比较平稳的场景。
公式很简单：
P_future = P_current × (1 + r)^n
其中：
P_future = 未来第n年的负荷
P_current = 当前负荷
r = 年增长率（根据历史数据统计得出）
n = 预测年数我在一个学校项目里用过这个方法。查了学校过去5年的用电数据，年均增长约3.5%，然后按这个增长率算了未来10年的负荷。结果呢？实际增长比预测高了，因为学校新建了一栋实验楼。嗯，这里要注意——趋势外推法对结构性变化不敏感。
3.3.2 回归分析法——考虑更多因素
负荷不光和时间有关，还和气温、GDP、人口等因素有关。回归分析就是把这些因素都考虑进去。
举个简单的线性回归例子：
P = a × T + b × G + c
其中：
P = 预测负荷
T = 温度（影响空调负荷）
G = 产值或GDP（影响工业负荷）
a, b, c = 回归系数（通过历史数据拟合）我曾经踩过的坑：做回归分析时，选了太多自变量，结果模型过拟合了。预测值和历史数据拟合得特别好，但一用到未来数据就偏差很大。记住——模型不是越复杂越好，有时候一个简单的线性模型反而更稳健。
3.3.3 时间序列法——抓住周期性规律
负荷数据有明显的周期性：每天一个周期，每周一个周期，每年一个周期。时间序列法就是把这些周期规律提取出来。
常用的模型有：
- ARIMA模型：自回归移动平均模型，适合平稳时间序列
- 季节性分解：把趋势、季节、随机成分拆开分析
- 指数平滑：给近期数据更高权重，适合短期预测
3.3.4 机器学习方法——高阶玩法
这几年深度学习火起来了，LSTM（长短期记忆网络）在负荷预测上表现不错。但说实话，我个人的经验是——别为了用AI而用AI。
对于大多数分布式电源项目，传统方法已经够用了。除非你的数据量特别大、负荷模式特别复杂，否则没必要上深度学习。
| 预测方法 | 适用场景 | 数据需求 | 预测精度 | 我的推荐 |
|---|---|---|---|---|
| 趋势外推法 | 负荷平稳增长 | 低（3-5年历史数据） | 中等 | ⭐⭐⭐ |
| 回归分析法 | 多因素影响明显 | 中（需收集相关因素数据） | 较高 | ⭐⭐⭐⭐ |
| 时间序列法 | 周期性明显 | 中（需1年以上日数据） | 较高 | ⭐⭐⭐⭐ |
| 机器学习 | 数据量大、模式复杂 | 高（需多年小时级数据） | 高 | ⭐⭐ |
我的建议：做容量配置时，负荷预测至少做两种方法，互相验证。如果两种方法结果差异很大，别急着取平均，先搞清楚为什么差这么多——往往是某个关键因素被你忽略了。
3.4 实战要点——把理论用起来
最后，分享几个我在项目中总结的实操要点：
- 数据质量第一：别信用户给的"大概数据"，我遇到过用户说"我们负荷不大"，结果实测峰值是报的3倍。有条件就装几天监测设备，没条件就查电费单上的最大需量。
- 留足裕量：预测终究是预测，不可能100%准确。我个人习惯在预测结果上再乘1.1-1.2的系数，给未来留点余量。
- 关注极端天气：2022年夏天全国大范围高温，很多地方的空调负荷创了历史新高。如果你的项目在夏季用电高峰投运，一定要考虑极端天气的影响。
- 别忘了无功负荷：很多新手只算有功功率，忽略了无功。分布式电源接入后，无功潮流会改变，搞不好会影响电压质量。
好了，负荷特性分析、典型日负荷曲线、负荷预测方法，这三块内容就讲到这里。记住一句话：容量配置的精度，取决于你对负荷理解的深度。别急着算设备容量，先把负荷吃透。
避坑指南：我曾经在一个项目里，用户说"我们24小时生产，负荷很稳定"。结果我按稳定负荷配了光伏，实际运行时发现他们每周三下午设备检修，负荷掉到平时的30%。光伏发的电全倒送了，白白损失了自发自用的收益。所以——一定要拿到至少一个完整周的负荷数据，别只看一天。
公众号:蓝海资料掘金营，微信deep3321