3. 负荷特性分析：读懂用户的用电“脾气”
做储能系统容量配置，说白了就是回答一个问题：用户到底需要多少电，什么时候需要？
我见过太多项目，一上来就拍脑袋定容量，结果要么投资浪费，要么根本不够用。负荷特性分析，就是帮你摸清用户的用电“脾气”。
这一章，我们聊聊负荷曲线怎么读、典型日怎么选、季节性变化怎么处理，以及怎么预测未来的负荷。
3.1 负荷曲线解读：一张图看懂用电规律
负荷曲线，就是把用电功率按时间画出来。横轴是时间，纵轴是功率（kW）。
我个人习惯，拿到一个项目的第一件事，就是看它的负荷曲线。为什么？因为曲线会说话。
- 峰谷差：最高点和最低点的差值。差值越大，储能削峰填谷的价值越高。
- 负荷率：平均功率除以最大功率。负荷率低，说明设备利用率不高，储能可以帮忙“填平”。
- 尖峰持续时间：功率超过某个阈值的时间。这决定了储能系统的放电时长需求。
核心指标：
- 最大负荷（Pmax）
- 最小负荷（Pmin）
- 平均负荷（Pavg）
- 峰谷差率 = (Pmax - Pmin) / Pmax × 100%
举个例子。我做过一个工业园区项目，负荷曲线每天下午2点到4点有个尖峰，持续2小时。这个信息直接告诉我：储能系统至少需要2小时的放电能力，而且要在尖峰来临前充满电。
3.2 典型日负荷曲线：找到“代表”
一年365天，每天曲线都不一样。但我们不能365个曲线都分析，太累了。所以需要找典型日。
典型日怎么选？我一般分三步：
- 按季节分组：春夏秋冬，各选一个代表月。
- 按工作日/休息日分组：工厂周末可能停产，商场周末反而更忙。
- 取中位数曲线：不要取平均值，平均值容易被极端值带偏。中位数更稳健。
嗯，这里要注意：典型日不是随便挑一天。我曾经有个项目，客户说“就选上周三吧，那天数据全”。结果上周三是节假日，负荷只有平时的三分之一。用这个数据做容量配置，储能系统直接选小了。
我的习惯：至少取30天的数据，按小时统计，画出“箱线图”。这样能清楚看到每个小时的负荷分布范围，比单看一条曲线靠谱得多。
3.3 季节性负荷变化：别被夏天“骗”了
季节性变化，是储能容量配置里最容易踩的坑。
为什么？因为很多地方的负荷，夏天和冬天完全两个样。空调一开，负荷直接翻倍。
我建议你关注三个维度：
- 温度敏感负荷：空调、暖气、制冷设备。这部分负荷随气温变化剧烈。
- 生产季节性：农业灌溉、食品加工、旅游行业，都有明显的淡旺季。
- 光照影响：光伏配储能的项目，冬天日照短，发电少，但负荷可能反而高。
| 季节 | 典型负荷特征 | 对储能的影响 |
|---|---|---|
| 春季 | 负荷平稳，峰谷差适中 | 适合做基准配置 |
| 夏季 | 尖峰明显，空调负荷大 | 需要更大的功率和容量 |
| 秋季 | 负荷回落，类似春季 | 可考虑降低运行策略 |
| 冬季 | 取暖负荷，可能形成晚高峰 | 注意放电时段调整 |
我记得有个数据中心项目，客户只给了夏季一个月的负荷数据。我坚持要了全年数据，结果发现冬季负荷比夏季低40%。如果按夏季配置，冬季储能系统大部分时间都在“晒太阳”，投资回报率直接打对折。
3.4 负荷预测方法：给未来“算命”
负荷预测，说白了就是猜未来用电量。猜得准，储能系统才能“刚刚好”。
常用的方法有两种：时间序列和回归分析。
3.4.1 时间序列法：用历史推未来
时间序列法，假设历史规律会重复。适合负荷模式比较稳定的场景。
常用的模型有：
- ARIMA：自回归移动平均模型。适合有趋势和季节性的数据。
- 指数平滑：给近期数据更高权重。适合短期预测。
- Prophet：Facebook开源的预测工具。处理节假日效应很顺手。
下面是一个简单的ARIMA预测代码示例：
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
# 假设df是负荷数据，索引为时间
model = ARIMA(df['load'], order=(2,1,2))
model_fit = model.fit()
# 预测未来24小时
forecast = model_fit.forecast(steps=24)
print(forecast)
避坑指南：时间序列法对异常值很敏感。我曾经用原始数据直接跑ARIMA，结果预测值全是负的。后来发现数据里有一天停电，负荷为0。所以，一定要先做数据清洗。
3.4.2 回归分析法：找因果关系
回归分析，是找负荷和其他因素的关系。比如气温、湿度、星期几、是否节假日。
我个人更喜欢回归分析，因为它能解释“为什么”。
一个简单的线性回归模型：
from sklearn.linear_model import LinearRegression
import numpy as np
# 特征：温度、湿度、是否为工作日
X = np.array([[temp, humidity, is_workday]])
y = df['load']
model = LinearRegression()
model.fit(X, y)
# 预测
pred = model.predict([[35, 60, 1]]) # 高温、高湿、工作日
print(pred)
你想想看，如果只靠时间序列，你只能知道“明天负荷大概多少”。但用回归分析，你可以知道“如果明天温度升高5度，负荷会增加多少”。这对储能系统的运行策略调整，价值巨大。
3.5 知识体系总览
下面这张图，把本章的核心逻辑串起来了：
这张图把负荷特性分析的三个核心模块串起来了。从曲线解读开始，到典型日选取，再到季节性变化分析，最后用预测方法把历史数据变成未来决策的依据。
我个人觉得，负荷特性分析是整个储能容量配置的“地基”。地基没打好，上面盖的房子再漂亮也没用。你想想看，如果连用户什么时候用电、用多少电都没搞清楚，那储能系统配多大、什么时候充放电，不都是瞎猜吗？
一句话总结：读懂负荷曲线，选对典型日，看清季节性，用对预测方法。这四步走完，你的储能容量配置就有了“数据底气”。