4、趋势分析方法：移动平均法、指数平滑法、线性与非线性趋势拟合

各位同行，今天我们来聊聊趋势分析。说白了，就是怎么从一堆乱糟糟的数据里，把那个「大方向」给揪出来。

我刚开始做功率预测那会儿，最头疼的就是数据噪声。你想想看，风电、光伏这些玩意儿，受天气影响太大了。五分钟一个数据点，画出来跟心电图似的。但咱们做中长期预测，看的是月、季度、年度的趋势，不能跟着短期波动瞎折腾。

所以，趋势分析方法就是我们的「去噪利器」。我个人习惯把这几种方法分成两类：一类是平滑类，比如移动平均、指数平滑；另一类是拟合类，比如线性、非线性回归。咱们一个一个说。

4.1 移动平均法

移动平均法，最直观，也最常用。它的核心思想很简单：用过去一段时间的平均值，来代表当前时刻的趋势。

公式长这样：

MA_t = (x_t + x_{t-1} + ... + x_{t-n+1}) / n

其中 n 是窗口大小。n 越大，曲线越平滑，但对变化的反应也越迟钝。

我在项目中遇到过一个典型场景：某光伏电站的月发电量数据，受季节影响波动很大。我用 3 个月窗口的移动平均，基本能看出年度增长趋势；但用 12 个月窗口，就完全看不出季节波动了，只剩下一个缓慢上升的曲线。

4.2 指数平滑法

移动平均法有个问题：它对窗口内的所有数据一视同仁。但你想啊，昨天的数据肯定比三个月前的数据更有参考价值，对吧？

指数平滑法就是来解决这个问题的。它给近期的数据更高的权重，远期的数据权重指数衰减。

公式：

S_t = α * x_t + (1 - α) * S_{t-1}

其中 α 是平滑系数，取值 0 到 1。α 越大，越看重近期数据；α 越小，历史数据的影响越大。

我个人习惯把 α 设成 0.2~0.3 之间。为什么？因为中长期预测，我们不想被短期波动带偏。α 太大，曲线就跟着噪声跳了。

举个例子：某风电场去年 12 月发电量突然暴跌（因为无风），如果用 α=0.5，这个暴跌会严重影响后续的趋势判断。但用 α=0.2，影响就小得多，趋势线依然平稳。

4.3 线性趋势拟合

前面两种方法，都是对历史数据做平滑。但如果我们想「预测未来」，就需要拟合一个趋势线。

线性趋势拟合，就是假设数据沿着一条直线变化：

y = a * t + b

其中 t 是时间，y 是功率，a 是斜率（增长速率），b 是截距。

用最小二乘法，我们可以算出 a 和 b。然后，把未来的 t 代进去，就能得到预测值。

我记得有一次做某水电站的年度发电量预测，数据点大概有 5 年。我用线性拟合，R² 达到了 0.85，说明趋势很稳定。但后来发现，这个电站上游来水量其实在逐年减少，线性趋势根本反映不出来。

4.4 非线性趋势拟合

现实世界哪有那么多直线？功率数据往往是非线性的。比如光伏装机容量快速增长期，发电量是指数级上升的；到了饱和期，又变成对数增长。

常见的非线性模型有：

• 指数模型：y = a * e^(b*t) —— 适用于快速增长
• 对数模型：y = a * ln(t) + b —— 适用于增速放缓
• 多项式模型：y = a*t² + b*t + c —— 适用于有拐点的情况

我建议不要一上来就用高阶多项式。虽然它能完美拟合历史数据（R² 接近 1），但外推时往往「放飞自我」，预测结果离谱得很。

举个例子：某光伏电站 3 年的数据，用 5 次多项式拟合，历史误差几乎为零。但预测第 4 年时，曲线突然掉头向下，完全不符合实际情况。这就是典型的过拟合。

4.5 方法对比与选择

说了这么多，到底该用哪个？我整理了一个表格，方便大家对比：

方法	适用场景	优点	缺点
移动平均法	数据噪声大，需要平滑	简单直观，计算快	不能预测，有滞后
指数平滑法	近期数据更重要	权重合理，适应性强	需要调参 α
线性趋势拟合	匀速增长/下降	可预测，解释性强	对非线性数据失效
非线性趋势拟合	增速变化、有拐点	拟合精度高	容易过拟合

我个人习惯的做法是：先用移动平均看清趋势形态，再用线性或非线性模型做预测。两者结合，既不会漏掉细节，也不会被噪声迷惑。

4.6 知识体系图

下面这张图，把本章的核心逻辑串起来了：

嗯，这张图把本章的知识体系理清楚了。左边是平滑类，帮你「看清」趋势；右边是拟合类，帮你「预测」趋势。两条腿走路，才走得稳。

---