2. 微电网负荷特性分析

储能容量配置的第一步不是选电池，而是把“负荷”这件事说清楚。储能要平抑的是净负荷波动，而净负荷等于负荷减去风光出力，因此负荷曲线的形状、峰值出现时刻、爬坡速率和随机波动幅度，直接决定了功率型储能与能量型储能的需求比例。负荷特性分析的目标，是把一段粗糙的、带噪声和缺失的原始量测数据，加工成可用于容量优化计算的负荷模型：一条干净的负荷曲线、若干条有代表性的典型日曲线，以及能够描述预测偏差的随机模型。

一、负荷曲线从哪里来

工程上获取负荷曲线主要有三条途径。第一是直接量测，通过关口电表、分支回路智能电表或负荷控制器按固定采样周期记录有功功率，常见采样间隔为1 min、5 min或15 min。第二是电费账单与需量记录，只能得到月电量、最大需量等统计量，粒度太粗，通常只用于校核。第三是典型负荷曲线库或按行业用电规律合成，适用于规划阶段尚无实测数据的场景。

采样间隔的选择要与储能配置的时间尺度匹配。若只做日能量平衡，15 min足够；若要评估储能对秒级到分钟级波动的平抑能力，则需要1 min甚至更细的数据。同时要明确功率符号约定：本节统一采用“负荷为正、光伏出力为正、净负荷=负荷−光伏”的约定，充电为正、放电为负，全文与图示保持一致。

二、预处理：把脏数据变成可用曲线

原始数据几乎不可能直接使用，典型问题包括：通信中断造成的整段缺失、电表跳变造成的尖峰毛刺、时区或夏令时导致的时刻错位、以及多回路求和时的重复计量。预处理按以下顺序进行较为稳妥。

• 时间对齐与重采样：统一到同一时区与同一时间基准，缺失时刻先补时间戳再插值，避免曲线被“压缩”。
• 异常值识别：用物理上下限（如变压器容量）加统计判据（3σ或四分位距）双重筛查，标记而非直接删除。
• 缺失值填补：短缺口（≤3个点）用线性插值；长缺口用同类型日同时刻均值或前一日同时刻值填补，并记录填补比例。
• 平滑去噪：对毛刺采用滑动中值滤波，窗口一般取3～5点，避免过度平滑削掉真实的爬坡特征。
• 一致性校验：日电量积分值与账单电量偏差应控制在±3%以内，否则回到计量回路排查。

三、典型日提取：从365天到几条代表曲线

全年逐时曲线直接送入优化模型会导致规模过大，工程上通常提取若干典型日。常用做法是：先按季节或月份分组，再在组内按日电量、峰谷差、峰值时刻等特征聚类，最后取每类的质心作为典型日曲线，并用该类天数占比作为权重。

以某工业园区微电网为例，假设经预处理后得到全年365条日曲线，按春、夏、秋、冬分为四组，每组用K-means聚为2类，共得到8条典型日曲线。聚类特征向量可取[日电量, 最大负荷, 最小负荷, 峰谷差, 峰值时刻]。若某类典型日的权重为0.18，表示该类日型在全年占约66天。容量配置时以加权后的典型日集合参与优化，既压缩了计算量，又保留了季节差异。

需要提醒的是，典型日提取会抹平极端日。若储能配置需要考虑迎峰度夏的极端工况，应额外保留最大负荷日与最大峰谷差日作为“压力测试场景”，单独校核。

四、负荷不确定性建模

负荷预测永远存在偏差，储能容量若按确定性曲线配置，实际运行中可能出现平抑不足或投资浪费。不确定性建模的核心，是给出预测误差的分布特征，并把它转化为优化模型中的场景或区间。

常用方法是：以预测值为基准，统计历史预测误差 e = 实际值 − 预测值，按时刻或按负荷水平分箱，拟合误差分布。工程上多采用正态分布近似，即 e ~ N(0, σ²)，其中σ随负荷水平增大而增大，可用 σ = k·P_pred 表示，k一般取2%～5%。若误差分布明显偏斜或存在厚尾，可改用t分布或直接用历史误差样本生成场景。

场景生成时，常用拉丁超立方抽样在误差分布中抽取N个场景（N取100～500），再用场景削减（如快速前向选择法）保留10～20个代表性场景及其概率。这样，容量优化模型的目标就从“满足一条曲线”变为“在多个场景下期望成本最小、且满足机会约束”。

五、把结果交给容量配置

完成上述四步后，交付给储能容量优化的负荷输入应包含四类内容：一是经过预处理的全时序干净曲线，用于仿真校核；二是带权重的典型日集合，用于优化模型；三是极端压力场景，用于约束校核；四是误差分布参数与概率场景，用于机会约束或鲁棒优化。四者缺一不可，且都应在文档中注明数据来源、采样间隔、预处理方法和假设条件。

最后强调一个工程判断：负荷不确定性建模的精度不必追求极致，但必须与储能配置的精度需求匹配。若储能主要用于日能量转移，误差分布取正态近似、σ取3%已足够；若用于快速爬坡平抑，则需保留分钟级波动分量，并考虑误差的时间相关性。建模的复杂度应服务于配置结果的可靠性，而不是反过来。