3、单因素敏感性分析（上）：核心变量识别与变化范围设定

各位同学，咱们今天聊点实在的。

做储能项目，最怕什么？最怕算账算得挺美，一落地全变样。我见过太多项目，可行性报告上IRR（内部收益率）漂亮得很，结果运营两年，收益率直接腰斩。问题出在哪？出在变量上。

今天这节，咱们就专门来啃这块硬骨头——单因素敏感性分析。说白了，就是一次只动一个变量，看看它对项目收益的影响有多大。

3.1 核心变量识别：哪些是“命门”？

一个储能项目的财务模型，变量少说几十个。但真正能左右项目生死的，其实就四个。我个人习惯，每次做敏感性分析，先盯死这四个变量。

3.1.1 电价（峰谷价差）

这是储能项目的“心脏”。

你想想看，储能赚的是什么钱？低买高卖的差价。如果峰谷价差不够大，你充放电效率再高、衰减再慢，也是白搭。

为什么它敏感？因为电价直接决定了单次循环的毛利。价差每波动1分钱，对全生命周期收益的影响可能是百万级的。

3.1.2 充放电次数（循环寿命）

储能电池不是永动机。它是有寿命的。

通常我们说的“6000次循环”，指的是在特定条件下（比如25°C、0.5C充放）的寿命。但实际运营中，受温度、充放电深度、倍率影响，真实循环次数可能打八折甚至七折。

为什么它敏感？因为循环次数直接决定了电池能用多少年。次数少了，折旧成本就摊到更短的时间里，每年的固定成本就高了。

3.1.3 系统效率（RTE，Round Trip Efficiency）

充进去100度电，能放出来多少？这就是系统效率。

目前主流储能系统的RTE在85%~92%之间。别小看这百分之几的差距。充放一次，效率差1%，一年下来可能就是几十万度的电损。

为什么它敏感？因为效率是乘数效应。效率越低，你实际卖出去的电就越少，收入自然就缩水了。

3.1.4 衰减率（容量保持率）

电池用一年，容量会掉。这是物理规律，谁也逃不掉。

通常磷酸铁锂电池的年衰减率在2%~5%之间。但要注意，衰减不是线性的。前两年可能快一些，中间几年平缓，后期又加速。

为什么它敏感？因为衰减直接影响的是“未来能卖多少电”。第一年容量100%，第五年可能只剩85%。你算收益的时候，如果按线性衰减算，后期收入会高估不少。

3.2 变量变化范围设定：±30% 怎么来的？

确定了核心变量，下一步就是设定它们的变化范围。

为什么是±30%？不是±10%或±50%？

嗯，这里有个讲究。

• ±10%：太保守了。实际运营中，电价波动、效率衰减，幅度往往超过10%。用±10%做分析，容易低估风险。
• ±50%：又太极端了。除非遇到政策巨变或技术颠覆，否则变量很少波动这么大。用±50%分析，结果可能过于悲观，反而失去参考价值。
• ±30%：这是一个“黄金区间”。它既能覆盖大多数实际波动情况（比如电价波动20%~30%很常见），又不会让结果过于夸张。我个人习惯，做敏感性分析时，±30%是首选。

具体到每个变量，变化范围可以这样设定：

变量	基准值	下限（-30%）	上限（+30%）	说明
电价（元/kWh）	0.80	0.56	1.04	覆盖大部分省份的峰谷价差波动
充放电次数（次）	6000	4200	7800	覆盖不同电池技术和工况
系统效率（%）	88%	61.6%	114.4%	注意上限超过100%不合理，实际取100%
衰减率（%/年）	3%	2.1%	3.9%	覆盖主流磷酸铁锂电池的衰减范围

3.3 知识体系：单因素敏感性分析的核心逻辑

为了让大家更直观地理解，我画了一张图。这张图展示了单因素敏感性分析的核心逻辑：

这张图很清楚地展示了整个流程：先识别四个核心变量，然后给每个变量设定±30%的变化范围，接着分别计算每个变量变动时对项目收益（IRR或NPV）的影响，最后画出敏感性曲线，看看哪个变量最“要命”。

3.4 实操示例：用Python快速跑一遍

光说不练假把式。咱们用Python写个简单的敏感性分析函数。代码不长，但很实用。

# 单因素敏感性分析函数
def sensitivity_analysis(base_params, variable, change_range):
    """
    base_params: 基准参数（电价、次数、效率、衰减率）
    variable: 要变动的变量名
    change_range: 变动范围（如±30%）
    """
    results = []
    for pct in change_range:
        # 复制基准参数
        params = base_params.copy()
        # 变动目标变量
        params[variable] = base_params[variable] * (1 + pct)
        # 计算IRR（假设有计算函数）
        irr = calculate_irr(params)
        results.append((pct, irr))
    return results

# 基准参数
base = {
    '电价': 0.80,
    '充放电次数': 6000,
    '系统效率': 0.88,
    '衰减率': 0.03
}

# 分析电价在±30%范围内的敏感性
price_sensitivity = sensitivity_analysis(base, '电价', [-0.3, -0.2, -0.1, 0, 0.1, 0.2, 0.3])
print(price_sensitivity)

3.5 避坑指南：我踩过的三个坑

做敏感性分析这么多年，我踩过不少坑。分享三个最常见的，你们以后遇到可以绕开走。

1. 变量范围设得太窄：我刚开始做分析时，觉得±10%就够了。结果项目运营后，电价波动了25%，直接打脸。现在我的习惯是，至少±30%，宁可多算，不能漏算。
2. 忽略了变量之间的相关性：单因素分析假设其他变量不变，但现实中变量会联动。比如电价低了，充放电策略可能调整，循环次数也会变。单因素分析只是第一步，后面还要做多因素分析。
3. 基准值选错了：基准值应该是“最可能发生的情况”，而不是“最乐观的情况”。我见过有人把基准值设成最优工况，结果敏感性分析出来全是风险，根本没法看。

好了，这节的内容就到这。核心变量识别和变化范围设定，是敏感性分析的地基。地基打不牢，后面算再多也是白搭。下节咱们接着聊，怎么把这些变量变动转化成具体的IRR和NPV变化，画出那条“要命”的敏感性曲线。

---

公众号:蓝海资料掘金营，微信deep3321