4. 时间序列分析基础：平稳性检验、自相关函数（ACF）、偏自相关函数（PACF）、差分操作
各位做微电网的朋友，咱们今天聊点硬核的。时间序列分析，说白了就是跟历史数据打交道，从里面挖出规律来。你想想看，微电网的负荷预测，本质上就是靠过去的数据去猜未来的走势。我做了这么多年微电网项目，发现很多新手一上来就套模型，结果预测出来的曲线跟实际偏差巨大——问题往往出在没做好时间序列的预处理上。
这一节，我带你把这四个核心概念吃透：平稳性检验、ACF、PACF、差分操作。它们就像盖房子的地基，地基不稳，上面盖的模型再漂亮也得塌。
核心逻辑：时间序列分析的第一步，永远是判断数据是否平稳。不平稳？先差分。然后通过ACF和PACF的形态，确定模型阶数。这是经典套路，我建议你刻在脑子里。
4.1 平稳性检验——别让假趋势骗了你
什么叫平稳？说白了就是数据的统计性质不随时间变化。均值稳定、方差稳定、自协方差只跟时间间隔有关，跟具体时间点无关。我见过有人拿微电网的日负荷数据直接建模，结果预测值越跑越偏——后来一查，数据有明显的季节性趋势，压根不平稳。
平稳性检验最常用的方法是ADF检验（Augmented Dickey-Fuller）。它的原假设是「序列存在单位根，即不平稳」。p值小于0.05，就拒绝原假设，认为序列平稳。
我的经验：在实际项目中，我习惯同时用ADF和KPSS两种检验。ADF的H0是不平稳，KPSS的H0是平稳。两个结果交叉验证，心里更有底。曾经有一次ADF说平稳，KPSS说不平稳，最后发现是数据有结构性突变——嗯，这种情况在微电网负荷里挺常见的，比如工厂突然上了条新生产线。
# Python代码示例：ADF检验
from statsmodels.tsa.stattools import adfuller
# load_data是微电网负荷序列
result = adfuller(load_data)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
if result[1] < 0.05:
print('序列平稳，可以继续建模')
else:
print('序列不平稳，需要进行差分操作')4.2 自相关函数（ACF）——数据自己跟自己说话
ACF衡量的是当前时刻与滞后k时刻之间的相关性。你想想看，今天的负荷跟昨天的负荷有没有关系？跟一周前的呢？ACF就是回答这个问题的。
在微电网场景里，我经常用ACF图来判断季节性。比如某工业园区，ACF在滞后24小时处出现明显峰值——说明日周期性很强。这个信息对模型选择至关重要。
关键点：ACF图如果拖尾（缓慢衰减），说明序列有自回归特性；如果截尾（突然降到置信区间内），说明有移动平均特性。这个判断直接决定你选AR还是MA模型。
# Python代码示例：绘制ACF图
from statsmodels.graphics.tsaplots import plot_acf
import matplotlib.pyplot as plt
plot_acf(load_data, lags=48) # 看48个滞后期
plt.title('微电网负荷ACF图')
plt.show()4.3 偏自相关函数（PACF）——剔除中间变量的干扰
PACF跟ACF的区别在哪？ACF算的是「总相关」，包括间接影响。比如第1天影响第2天，第2天影响第3天，那第1天和第3天的ACF就会显示相关——但PACF会剔除第2天的中介效应，只看第1天对第3天的直接贡献。
我个人习惯是：ACF和PACF两张图放在一起看。ACF拖尾、PACF截尾 → AR模型；ACF截尾、PACF拖尾 → MA模型；两者都拖尾 → ARMA模型。
避坑指南：我曾经在一个光伏预测项目里，ACF和PACF看起来都拖尾，就随便选了个ARMA(2,2)。结果模型拟合效果很差。后来仔细看，ACF在滞后24小时处有周期性峰值——这是季节性！应该用SARIMA而不是普通ARIMA。记住：ACF/PACF的周期性峰值，往往意味着你需要季节性差分。
# Python代码示例：绘制PACF图
from statsmodels.graphics.tsaplots import plot_pacf
plot_pacf(load_data, lags=48, method='ywm') # Yule-Walker方法
plt.title('微电网负荷PACF图')
plt.show()4.4 差分操作——把不平稳变平稳
差分，说白了就是「今天的值减去昨天的值」。一阶差分能消除线性趋势，二阶差分能消除二次趋势。对于微电网负荷，一阶差分通常就够了——因为负荷数据虽然有趋势，但很少出现曲率很大的情况。
你可能会问：差分多少次合适？我的原则是：能少就少。每差分一次，数据就丢失一部分信息。我见过有人为了追求平稳，差分到三阶，结果模型预测出来的全是噪声——这叫「过度差分」。
| 差分阶数 | 适用场景 | 注意事项 |
|---|---|---|
| 0阶（原始数据） | 数据本身平稳 | 直接建模 |
| 1阶差分 | 线性趋势明显 | 微电网负荷最常用 |
| 2阶差分 | 趋势有弯曲 | 慎用，容易过度差分 |
| 季节性差分 | 有周期性模式 | 比如24小时、7天周期 |
# Python代码示例：差分操作
import numpy as np
# 一阶差分
diff_1 = np.diff(load_data, n=1)
# 季节性差分（以24小时为周期）
seasonal_diff = load_data[24:] - load_data[:-24]
# 检查差分后的平稳性
result_diff = adfuller(diff_1)
print(f'差分后p值: {result_diff[1]:.4f}')我的小技巧：在做差分之前，先画个原始数据的折线图。如果趋势是直线上升/下降，一阶差分就够了。如果趋势有弧度，试试二阶。但记住——微电网负荷通常一阶差分就能搞定。我曾经处理过一个工厂的负荷数据，趋势非常平缓，甚至不需要差分，直接建模效果更好。所以别死板，多试试。
4.5 实战要点总结
好了，咱们把这一节的核心捋一捋：
- 第一步：画原始数据图，肉眼判断趋势和周期性
- 第二步：ADF检验，p值大于0.05就差分
- 第三步：差分后再次检验，直到平稳
- 第四步：画ACF和PACF图，判断模型阶数
- 第五步：注意季节性——如果ACF在固定间隔处有峰值，考虑季节性差分
你想想看，这套流程走下来，数据的基本特征就摸透了。后面建模型、做预测，心里才有底。我在项目里带新人时，要求他们必须先把这五步走完，才能碰模型。磨刀不误砍柴工，这话在时间序列分析里特别对。
最后提醒一句：平稳性检验不是目的，是手段。我们的目标是让数据满足建模要求，而不是追求「绝对平稳」。有时候稍微有点不平稳，但模型能处理，那就没必要过度差分。这个度，需要你在实践中慢慢找感觉。
公众号:蓝海资料掘金营，微信deep3321