负荷预测基础：时间序列概念、平稳性与周期性、自相关与偏自相关分析
各位同学，咱们今天聊点实在的。做多能互补系统，负荷预测是绕不开的坎儿。你想想看，如果连明天用多少电、多少热都猜不准，那调度方案就是空中楼阁。我个人习惯把时间序列分析比作「听心跳」——你得先听懂规律，才能预判下一步。
一、时间序列到底是什么？
说白了，时间序列就是按时间顺序排好的一串数据。比如你家智能电表每15分钟记录一次功率，攒一年就是8760×4个点。我刚开始做项目时，总觉得这概念太简单，直到有一次把数据顺序搞反了……嗯，从那以后我再也不敢小看「时间顺序」这四个字。
一个标准的时间序列包含三个要素：
- 时间戳：记录时刻，精确到秒或分钟
- 观测值：比如负荷功率、温度、风速
- 采样间隔：固定频率，比如15分钟、1小时
我在项目中遇到过最坑的事：某风电场的数据采样间隔不固定，有的点隔10分钟，有的隔20分钟。你直接用原始数据做预测，模型直接崩掉。所以拿到数据第一件事——检查时间轴是否均匀。
二、平稳性：数据「稳」了才能预测
平稳性这个概念，很多初学者觉得抽象。我换个说法：如果一段数据的统计性质（均值、方差）不随时间变化，那就是平稳的。你想想看，如果今天的平均负荷是100MW，明天突然跳到200MW，后天又回到80MW——这种数据你怎么预测？
判断平稳性，我常用两种方法：
- 肉眼观察法：画个时序图，看有没有明显趋势或季节性波动
- 单位根检验：比如ADF检验，p值小于0.05就认为是平稳的
重要提醒：大多数实际负荷数据都不平稳。别慌，这是常态。我们可以通过差分、对数变换等方式让它变平稳。
我曾经接手一个工业园区项目，数据看起来挺平稳，但模型预测误差总是很大。后来仔细一看，原来数据已经做过预处理了——原始数据有很强的日周期性，被前同事直接减掉了均值。这其实是个坑：平稳性处理要保留周期性信息，不能一刀切。
三、周期性：负荷数据的「生物钟」
做多能互补系统，周期性是咱们的「好朋友」。为什么？因为负荷数据天生就有周期：
- 日周期：白天用电多，晚上用电少
- 周周期：工作日和周末负荷模式不同
- 年周期：夏季制冷、冬季供暖
我习惯用「周期图」来观察周期性。说白了就是画个频谱图，看看哪些频率的能量最强。比如某区域电网数据，24小时周期对应的峰值特别明显——这符合直觉，大家白天上班用电嘛。
实战技巧：处理周期性数据时，我建议先做「季节分解」。把数据拆成趋势项、季节项、残差项三部分。这样你就能看清楚：哪些是规律性的波动，哪些是随机噪声。
四、自相关与偏自相关：数据自己「说话」
这两个概念是时间序列分析的核心工具。我尽量说得通俗点：
自相关（ACF）：衡量当前时刻与过去某个时刻的相关性。比如今天下午3点的负荷，和昨天下午3点的负荷有没有关系？
偏自相关（PACF）：剔除中间时刻的影响后，直接看两个时刻的相关性。比如今天和昨天下午3点的关系，排除掉今天下午2点的影响。
为什么这两个指标重要？因为它们能帮你确定模型的结构。比如ARIMA模型中的p和q参数，就是通过看ACF和PACF的截尾、拖尾特征来确定的。
避坑指南：我曾经犯过一个低级错误——直接用原始数据算ACF。结果发现相关性特别高，以为模型需要很多阶数。后来才意识到，非平稳数据会导致ACF衰减很慢，这是假象。一定要先做平稳化处理，再算ACF和PACF。
五、知识体系框架
下面这张图是我自己总结的，把本章的核心逻辑串起来了。你仔细看看，应该能一目了然：
六、实战代码片段
光说不练假把式。下面是我常用的一个平稳性检验代码片段，你拿去就能用：
import pandas as pd
import numpy as np
from statsmodels.tsa.stattools import adfuller
import matplotlib.pyplot as plt
# 加载负荷数据
data = pd.read_csv('load_data.csv', index_col='time', parse_dates=True)
load_series = data['load']
# ADF检验
result = adfuller(load_series)
print(f'ADF统计量: {result[0]:.4f}')
print(f'p值: {result[1]:.4f}')
if result[1] < 0.05:
print('数据平稳，可以直接建模')
else:
print('数据非平稳，建议做差分处理')
# 一阶差分
diff_series = load_series.diff().dropna()
result_diff = adfuller(diff_series)
print(f'差分后p值: {result_diff[1]:.4f}')个人建议：实际项目中别只依赖ADF检验。我习惯同时画ACF图，如果ACF衰减很慢，即使p值小于0.05，我也会再检查一下。两种方法互相印证，更稳妥。
七、自相关与偏自相关图解读
最后说说怎么看ACF和PACF图。这其实是个经验活：
| 图形特征 | ACF | PACF | 模型建议 |
|---|---|---|---|
| 拖尾（缓慢衰减） | 拖尾 | p阶后截尾 | AR(p)模型 |
| q阶后截尾 | 截尾 | 拖尾 | MA(q)模型 |
| 都拖尾 | 拖尾 | 拖尾 | ARMA(p,q)模型 |
我记得第一次看ACF图时，完全不知道「截尾」和「拖尾」怎么区分。后来师傅教我一招：看置信区间（通常用蓝色带）。如果某阶之后的值都落在区间内，那就是截尾；如果持续超出区间，那就是拖尾。简单粗暴，但好用。
好了，这一章的内容就到这儿。时间序列分析是负荷预测的基石，你把这些概念吃透了，后面学模型会轻松很多。