4、时间序列基础：时间序列特性、平稳性检验、差分与滑动窗口

各位好，我是老张。在储能系统里摸爬滚打了十几年，今天咱们聊聊时间序列。

说白了，储能系统里跑出来的数据，不管是电压、电流、温度还是SOC，本质上都是一串按时间顺序排列的数字。这就是时间序列。你想想看，电池的电压曲线、充放电功率的变化，哪个不是随时间走的？

我刚开始做储能数据分析时，犯过一个低级错误——直接把原始数据扔进模型里训练。结果呢？模型预测出来的结果完全没法用，偏差大到离谱。后来才明白，时间序列这东西，有它自己的脾气。

4.1 时间序列的三个核心特性

时间序列有三个特性，我管它叫「三件套」：趋势性、季节性和随机性。

• 趋势性：数据长期往一个方向走。比如电池老化，内阻会慢慢变大，这就是趋势。
• 季节性：周期性波动。储能系统白天充晚上放，一天一个周期；夏天和冬天用电量不同，一年一个周期。
• 随机性：说不清道不明的噪声。比如某个时刻突然有个干扰信号，或者传感器抽风了一下。

我在项目中遇到过一件事：某储能电站的电压数据，看起来挺平稳的，但仔细一分析，其实藏着微弱的周期性波动。那是冷却风扇启停造成的。如果不把这个季节性成分剥离出来，后续的异常检测就会误报。

4.2 平稳性检验——数据能不能直接用？

平稳性，说白了就是数据的统计性质不随时间变化。均值不变、方差不变、自相关结构也不变。

为什么要关心这个？因为很多时间序列模型（比如ARIMA）都要求数据是平稳的。如果数据不平稳，模型会学出虚假的关系，预测结果就是扯淡。

检验平稳性，最常用的方法是ADF检验（Augmented Dickey-Fuller test）。

from statsmodels.tsa.stattools import adfuller

# 假设 data 是你的时间序列数据
result = adfuller(data)
print(f'ADF统计量: {result[0]}')
print(f'p值: {result[1]}')

if result[1] < 0.05:
    print('数据平稳，可以直接用')
else:
    print('数据不平稳，需要差分处理')

嗯，这里要注意：p值小于0.05，说明拒绝原假设，数据是平稳的。反之，就不平稳。

我曾经吃过一次亏。有个项目的数据，ADF检验显示p值0.04，刚好小于0.05，我就当它平稳了。结果模型跑出来效果很差。后来仔细一看，数据里有个明显的结构突变点——某天换了块新电池。所以啊，统计检验只是参考，还得结合业务知识来判断。

4.3 差分——让不平稳的数据变老实

数据不平稳怎么办？差分。说白了就是拿今天的值减去昨天的值。

一阶差分：diff_1 = data[t] - data[t-1]

二阶差分：diff_2 = diff_1[t] - diff_1[t-1]

大多数储能数据，一阶差分就够了。比如电池的SOC曲线，虽然整体趋势在下降，但差分之后基本就平稳了。

import numpy as np

# 一阶差分
diff_1 = np.diff(data, n=1)

# 二阶差分
diff_2 = np.diff(data, n=2)

# 差分后再做ADF检验
result_diff = adfuller(diff_1)
print(f'差分后p值: {result_diff[1]}')

你想想看，差分其实就是在消除趋势性。储能系统的充放电循环，差分之后，剩下的就是每个时刻的变化量，这往往更接近随机波动。

4.4 滑动窗口——看局部，别看全局

滑动窗口，就是用一个固定大小的窗口，在时间序列上滑动，每次计算窗口内的统计量（均值、方差、最大值等）。

为什么要用滑动窗口？因为储能系统的状态是时变的。电池刚充满和快放完时，特性完全不一样。用全局的统计量去判断异常，会漏掉很多局部问题。

import pandas as pd

# 假设 df 是包含时间序列的DataFrame
# 计算滑动窗口均值（窗口大小=10）
df['rolling_mean'] = df['voltage'].rolling(window=10).mean()

# 计算滑动窗口标准差
df['rolling_std'] = df['voltage'].rolling(window=10).std()

# 异常检测：超过均值±3倍标准差
df['anomaly'] = (df['voltage'] > df['rolling_mean'] + 3 * df['rolling_std']) | \
                (df['voltage'] < df['rolling_mean'] - 3 * df['rolling_std'])

窗口大小怎么选？我个人的习惯是：先试几个值，看看效果。对于储能数据，5分钟一个采样点的话，窗口大小30（即2.5小时）通常是个不错的起点。

我记得有一次，某储能柜的电压数据，用全局阈值检测，一个异常都找不到。但换成滑动窗口后，发现了好几个微小的电压突降——那是某个电芯开始出现微短路的征兆。嗯，这就是滑动窗口的价值。

4.5 知识体系总览

下面这张图，是我自己梳理的时间序列基础框架。你可以把它当作一个检查清单，做分析时对照着来。

4.6 实战中的组合拳

在实际项目中，我很少只用一种方法。通常是组合着来：

1. 先画图：看看数据有没有明显的趋势或周期。
2. 做ADF检验：确认平稳性。
3. 如果不平稳：做一阶差分，再检验。
4. 用滑动窗口：计算局部均值和标准差，做实时异常检测。

举个例子。某储能电站的电池组电压数据，原始数据不平稳（p=0.32）。一阶差分后，p值变成0.001，平稳了。然后用窗口大小为20的滑动窗口，成功检测出3次异常电压波动——后来查明是BMS采样模块的接触不良。

好了，时间序列的基础就聊到这儿。这些东西看着简单，但真用好了，能解决储能系统里80%的数据问题。下次遇到异常数据，别急着上深度学习，先把这些基本功过一遍。

---

公众号:蓝海资料掘金营，微信deep3321