3. 基础统计分析：描述性统计、数据分布分析、相关性分析、时间序列分解
各位工程师朋友，大家好。这一章我们聊聊基础统计分析。说实话，很多刚入行的同事觉得这玩意儿太简单，不就是算个平均值、画个直方图吗？
但我在储能项目里吃过亏——有一次，一个电池簇的SOC估算老是偏大，我查了三天，最后发现是数据分布严重左偏，平均值根本不能代表真实状态。从那以后，我再也不敢小看描述性统计了。
3.1 描述性统计：先摸清数据的“脾气”
拿到一批储能运行数据，第一件事是什么？我个人习惯，先算几个关键指标，心里有个底。
- 集中趋势：均值、中位数、众数。注意，如果数据有异常值，中位数比均值更靠谱。
- 离散程度：标准差、方差、极差、四分位距。标准差大，说明电池一致性差，这往往是运维的重点。
- 分布形态：偏度、峰度。偏度>0，数据右偏；峰度>3，数据尖峰厚尾。
避坑指南：我曾经在分析某储能电站的日充放电量时，发现均值和中位数差了20%。一查，原来是某天有台PCS故障，导致数据出现极端值。所以，描述性统计一定要结合业务场景看，别傻傻地只看平均值。
3.2 数据分布分析：看看数据长什么样
描述性统计只是“数字”，数据分布分析才是“图形”。我建议你养成一个习惯：拿到数据先画分布图。
常用的分布分析方法：
- 直方图：看数据的大致形状。比如电池电压分布，正常应该是单峰对称，如果出现双峰，说明电池分群有问题。
- 箱线图：识别异常值的神器。箱线图的上边缘和下边缘之外的点，基本就是异常值。
- Q-Q图：检验数据是否服从正态分布。如果点大致在一条直线上，说明正态性良好。
我的经验：储能系统的SOC数据，往往不服从正态分布，而是呈现“U型”分布——因为电池经常在低SOC和高SOC区间运行。这时候用正态分布去建模，结果会偏差很大。
3.3 相关性分析：找到变量之间的“暧昧关系”
储能系统里变量很多：温度、电压、电流、SOC、SOH……它们之间到底有没有关系？相关性分析就是干这个的。
常用方法：
- 皮尔逊相关系数：衡量线性关系。取值范围[-1,1]，绝对值越接近1，相关性越强。
- 斯皮尔曼秩相关系数：不要求线性关系，适合单调关系。比如温度与电池内阻的关系，往往是非线性的。
- 热力图：可视化多个变量之间的相关性矩阵。一眼就能看出哪些变量高度相关。
注意：相关性不等于因果性。我曾经看到有人把“环境温度升高”和“电池容量衰减”的相关性直接当成因果关系，这是不对的。温度升高可能只是加速了老化，但根本原因可能是电解液分解。
3.4 时间序列分解：拆解数据的“时间密码”
储能数据本质上是时间序列。比如每天的充放电量、每小时的SOC变化。时间序列分解，就是把数据拆成三部分：趋势、季节性和残差。
分解方法：
- 加法模型：Y = Trend + Seasonal + Residual。适合季节性波动幅度不随时间变化的情况。
- 乘法模型：Y = Trend × Seasonal × Residual。适合季节性波动幅度随时间变化的情况。
举个例子，某储能电站的日放电量数据，我分解后发现：
- 趋势项：整体呈上升趋势，说明电站利用率在提高。
- 季节性项：有明显的周周期，周末放电量比工作日低20%。
- 残差项：某天突然出现一个大的正向尖峰，一查，原来是那天电网调度要求紧急放电。
实用技巧：我建议用Python的statsmodels库做时间序列分解，代码很简单：
import statsmodels.api as sm
decomposition = sm.tsa.seasonal_decompose(data, model='additive', period=24)
decomposition.plot()注意period参数要设置正确。如果是小时级数据，周期设为24；如果是日级数据，周期设为7。
知识体系框架图
下面这张图，是我自己总结的本章知识体系，你可以保存下来当参考：
最后说一句：基础统计分析看似简单，但它是所有高级分析的基石。我见过太多人一上来就搞机器学习，结果数据质量一塌糊涂，模型根本跑不动。所以，老老实实把这一步做好，后面会省很多事。
公众号:蓝海资料掘金营，微信deep3321