电费单反推24小时负荷曲线：光伏储能方案设计实战方法

做光伏和储能项目，我一年少说也要翻上百家企业电费单。找客户要负荷曲线太难，但电费单基本一开口就有。麻烦的是，光伏要算自发自用比例，储能要定充放电策略，电力交易要报曲线，这些事没负荷曲线根本推不下去。客户通常会甩过来一句：“数据都在这了，你看怎么弄。”面对一张只有电费、电量、需量的账单，硬着头皮也要把24小时负荷曲线给估出来。

这篇文章就把我常用的反推方法完整讲清楚：电费单上哪些字段能当真、哪些只能参考，怎么结合行业典型曲线把一条“典型日负荷曲线”拟合出来，以及Excel和Python两种落地做法。内容更适合分布式光伏开发、储能方案设计、售电公司和做企业能源管理的人，看完你也能照着做。

1. 为什么做光伏、储能和电力交易的人，都在死磕负荷曲线

1.1 光伏方案设计：午间负荷直接决定自发自用比例

光伏项目最怕的不是光照不好，而是“白天发了电，企业用不完”。光伏出力集中在9点到15点，如果企业是晚上生产、白天休息，那光伏发出的电大部分要低价上网，收益率直接腰斩。所以做踏勘的时候，我第一个想弄清楚的就是：这个厂中午到底开不开工，午休有多长，12点到14点的实际负荷大概在什么水平。

这些信息电费单上看不到，但可以通过电费单里的峰平谷电量结构反推。多数地区的中午时段在“平段”或“谷段”范围，把这个时段的电量特征和对应行业的生产规律结合起来，能大致判断光伏午间出力有多少可以被企业自己吃掉。只要预估的自发自用比例靠谱，后续的装机容量、组串方案、并网模式才能站得住脚。

1.2 储能收益测算：峰谷时段分布决定充放电次数

储能项目的经济模型核心是三件事：峰谷价差、每天循环次数、能不能做需量管理。峰谷价差来自电价表，循环次数和需量管理效果却完全依赖负荷曲线。举个例子，如果企业最晚高峰出现在18点到22点，那储能在凌晨谷段充满、傍晚高峰放电的逻辑就特别通畅；如果企业是连续生产、全天负荷都高，那储能只能吃价差，收益结构完全不同。

还有一种情况很常见：企业最大负荷只出现在每个月的某几天，峰值高出平时一大截。如果我手里有负荷曲线，就能算出这几天的峰值持续时间，从而判断储能用“削峰填谷”来做需量管理到底能压掉多少容量电费。没有曲线只凭感觉，方案很容易报高或报低，最后不是客户不买账，就是公司自己亏。

1.3 电力交易：负荷曲线才是套餐报价的底层依据

售电公司和做电力交易的人可能感受更深。给工商业用户做零售套餐的时候，用户只关心“一度电便宜几分”，但售电公司要承担偏差考核风险。一个用户是白天集中用电还是夜间连续生产，对应的批发市场采购策略完全不同。如果按统一的曲线形态去报价，遇到用电习惯特殊的用户，偏差损失可能吃掉全部价差利润。

很多售电公司给用户装分时计量或能源管理终端，但存量用户太多，短期不可能全覆盖。这时候用历史电费单批量重构典型负荷曲线，至少能把用户按“单班制”“两班制”“连续生产”“季节性生产”分成几类，再对不同类别定制采购和报价策略，比一刀切靠谱得多。

2. 一张电费单能挖出哪些关键信息

2.1 基本电费部分：变压器容量和最大需量是关键

电费单里“基本电费”这一栏很多人只看金额，其实它的计费方式决定了你能拿到多关键的数据。如果企业按变压器容量计费，电费单上会写明变压器容量，单位是kVA。如果按最大需量计费，电费单上会直接给出当月最大需量，单位是kW，这个数字代表当月任意15分钟平均功率的最大值。

最大需量是做负荷曲线反推时最有价值的约束条件。它告诉我们，这条曲线在当月的最高点不会超过这个数值，而且通常就是负荷峰值附近。没有这个数，我只能按变压器容量乘一个经验负载率去猜，误差要大不少。所以我拿到电费单后第一件事，就是先看基本电费栏是按容量还是按需量计费。

2.2 峰平谷电量：重构用的核心约束来自这里

一般工商业和大工业用户的电费单会分时段列电量，常见的是尖峰、高峰、平段、低谷四段，也有只分峰平谷三段的。这个数据直接给了我一组积分约束：某个时段范围内，全天负荷曲线积分下来的电量必须等于账单上的电量。用来反推曲线的时候，峰平谷三个值能帮我把曲线的整体形状校准到相对合理的区间。

需要注意，部分电费单把“峰段电量”和“尖峰电量”分开列，而有些地区的尖峰只在夏季或冬季特定月份存在。处理时要把尖峰和高峰合并成同一个“峰时段”，否则和普通月份的曲线无法横向对比。

2.3 功率因数与力调电费：别被它带偏方向

电费单上还有功率因数和力调电费，有些朋友会把功率因数当成判断负荷曲线形态的依据，这是个误区。功率因数反映的是无功补偿水平，和用电时间分布没有直接关系。电费单上写功率因数是0.89，只能说明这个企业无功补偿做得不够好，但不能说明它白天用电多还是晚上用电多。

力调电费的金额如果特别高，那是无功补偿的问题，应该从电容柜入手解决，跟光伏储能的容量测算没有直接关系。反推负荷曲线时，我通常直接把功率因数这栏忽略，只把它的存在当作判断企业用电管理水平的辅助信息。

2.4 一张电费单信息量有限，要清楚精度边界

把电费单上能用的信息全列出来，其实就这几项：变压器容量、最大需量、峰平谷电量、总电量、生产日期跨度。这些信息加在一起也不足以唯一确定一条24小时曲线。数学上这叫欠定问题，意思是满足条件的曲线有无穷多条。所以我做的所有方法都只能说“在这些约束下，找一条最符合该行业用电规律的合理曲线”，而不是“还原真实曲线”。

这也是为什么我先要强调精度边界：用这个方法做前期判断、方案比选、客户分级、收益粗算，完全够用。但如果你要拿来做现货市场的正式申报曲线，或者要在合同里承诺用户的考核偏差，那还是得装表或者接入电力公司数据，不能拿估算结果冒险。

3. 只凭电费单重构24小时负荷曲线的核心思路

3.1 先想清楚：为什么不能直接从电量推出每小时负荷

假设企业某个月峰段电量是12万度，峰段时长是8小时，很多人会直接拿12万除以8小时得出峰段平均功率15MW，再当成峰段负荷来用。这个做法太粗糙，因为峰段内部并不是均匀的，早上刚开工和傍晚赶工时的负荷明显不一样。如果直接按平均功率拉平，等于把曲线最关键的“高低起伏”抹掉了，储能方案根本没法设计。

还有一个问题是时段之间不是独立存在的。峰段里哪几个小时高、哪几个小时低，要参考行业作息。比如机械加工厂上午9点到11点设备全开，中午休息负荷降下来，下午再升上去。两班制的厂在傍晚交接班时负荷会落一下再起来。这些细节只有行业模板曲线才能提供。

3.2 行业典型曲线：用“先验”补足缺失的信息

既然电费单给的信息不够，我们就要从行业用电规律里找补。我平时会积累一套“行业典型负荷曲线库”，大类包括单班制、两班制、三班制、连续生产、商业制冷、数据中心等。每条曲线本质上是24个系数，表示每个小时相对全天平均负荷的倍数，总和在24附近，所以拿到日总电量后乘一下就是一条基准曲线。

以两班制机械加工厂为例，夜间只有保安负荷和少量保温设备，早上7点到8点开始爬坡，上午9到11点进入高峰，中午11点半到12点半午休回落，下午继续高负荷，傍晚六七点有一段下班高峰加班时间。这些特征写进模板后，就避免了把中午低谷算成高负荷的低级错误。模板库越丰富，反推的曲线越接近真实。

3.3 三步拟合法：缩放、限幅、平滑

有了行业模板，再结合电费单信息做三件事。第一步，把账单里的峰平谷电量分别除以生产天数，得到代表日的峰平谷电量。再用模板曲线计算每个时段的理论电量，和账单实际值一比，得到峰、平、谷三个时段的缩放系数，乘回对应时段的逐时功率。这一步做完，曲线已经能满足总电量和峰平谷电量约束。

第二步是限幅。如果缩放后的曲线峰值超过了电费单上的最大需量，就把超过需量的部分按比例压下来，再把压掉的电量重新分配到曲线较低的其他小时，迭代一两次直到不再溢出。第三步是做边界平滑。因为峰平谷各自乘了不同系数，8点钟和23点钟这种时段交界处会出现台阶跳变，对边界点做一次三点加权平均，曲线看着就自然多了。

4. 实操：把电费单变成一条24小时曲线

4.1 先把手里的电费单整理成一张参数表

不管是Excel还是Python，第一步都是把电费单信息结构化。我这里列一张常用的参数表，实际使用时按自己手上的账单类型增减字段。

需要注意，生产天数直接影响代表日的日总电量。电费单覆盖30天，不代表企业30天都在生产。如果某周设备检修或者放假，直接把日历天数当成生产天数，算出来的曲线整体会偏低。拿不准的时候，可以先问客户一句“这个月正常开了多少天”，多数情况下比拍脑袋准得多。

4.2 Excel做法：不需要代码，按公式拉一张表就行

如果只算一个用户，Excel够用。我是这样建表的。

第一张工作表放参数，第二张工作表放模板。把24个模板系数放在第2行到第25行，A列写小时编号0到23，B列写对应时段的类型，C列写模板系数。这里C列用的两班制模板，我整理了一份相对常见的数值：整体夜间低、白天高、中午略有回落、傍晚保持一段高负荷再下降。

关键计算列可以这样设计。假设日总电量算出来是E_all，代表日平均负荷就是E_all除以24。模板认为某小时用电是“代表日平均负荷乘该小时系数”。对峰段来说，先算出峰段所有小时模板系数之和记为Cpeak，再用“日峰电量”除以“Cpeak乘代表日平均负荷”，得到峰段缩放系数。平段和谷段同理。最后某小时功率就是“代表日平均负荷乘该小时模板系数再乘该小时的时段缩放系数”。

实际用Excel公式时，不少朋友会绕晕，我的建议是加一列辅助列来标识每个小时属于峰还是平还是谷，然后用SUMIF把峰、平、谷的模板系数和分别算出来。这样公式不长，逻辑也清楚。最后用二维折线图画出24点曲线，10多分钟就能完成一个用户的粗算。

4.3 Python一键脚本：适合批量处理几十上百个用户

手上超过十个用户的时候，Excel逐个做比较痛苦。我自己写了一个极简脚本，把模板、时段和参数都固定成字典，输入参数后直接输出24点或96点负荷曲线，并生成CSV文件。代码里没有用重度第三方库，安装了Python就能跑。下面这段是核心函数。

# -*- coding: utf-8 -*- # 电费单反推典型日负荷曲线（简易版） # 默认分时：峰 8-11 & 18-23，平 11-18，谷 23-8 # 使用时请按当地实际峰谷时段修改 PEAK_HOURS / FLAT_HOURS / VALLEY_HOURS PEAK_HOURS = [8, 9, 10, 18, 19, 20, 21, 22] FLAT_HOURS = [11, 12, 13, 14, 15, 16, 17] VALLEY_HOURS = [23, 0, 1, 2, 3, 4, 5, 6, 7] # 两班制机械加工厂的典型系数，相对全天平均负荷的倍数 TEMPLATE_TWO_SHIFT = [ 0.32, 0.28, 0.26, 0.24, 0.28, 0.42, 0.75, 0.92, 1.06, 1.22, 1.18, 0.98, 0.75, 0.92, 1.12, 1.18, 1.10, 0.95, 0.88, 0.78, 0.68, 0.56, 0.46, 0.36 ] def segment_of(hour): if hour in PEAK_HOURS: return "peak" if hour in FLAT_HOURS: return "flat" return "valley" def rebuild_curve(peak_kwh, flat_kwh, valley_kwh, prod_days=26, max_demand=None, template=None, smooth=True): if template is None: template = TEMPLATE_TWO_SHIFT assert len(template) == 24, "模板必须包含24个系数" daily_kwh = (peak_kwh + flat_kwh + valley_kwh) / prod_days avg_load = daily_kwh / 24.0 seg_kwh = { "peak": peak_kwh / prod_days, "flat": flat_kwh / prod_days, "valley": valley_kwh / prod_days, } seg_coef_sum = {"peak": 0.0, "flat": 0.0, "valley": 0.0} for h in range(24): seg_coef_sum[segment_of(h)] += template[h] seg_scale = {} for seg in seg_kwh: theoretical = avg_load * seg_coef_sum[seg] if theoretical <= 0: seg_scale[seg] = 1.0 else: seg_scale[seg] = seg_kwh[seg] / theoretical power = [] for h in range(24): p = avg_load * template[h] * seg_scale[segment_of(h)] power.append(round(p, 2)) # 限幅：如果超过最大需量，压到需量内，并把超出电量按比例回补到低负荷小时 if max_demand and max_demand > 0: for _ in range(10): excess = 0.0 for i in range(24): if power[i] > max_demand: excess += power[i] - max_demand power[i] = max_demand if excess <= 0: break low_sum = sum(1 for v in power if v < max_demand * 0.8) if low_sum == 0: break add_per_low = excess / low_sum for i in range(24): if power[i] < max_demand * 0.8: power[i] += add_per_low # 平滑时段边界，避免出现台阶跳变 if smooth: smoothed = power[:] for h in [8, 11, 18, 23]: prev_h = (h - 1) % 24 next_h = (h + 1) % 24 smoothed[h] = (power[h] * 2 + power[prev_h] + power[next_h]) / 4.0 power = [round(v, 2) for v in smoothed] return power, daily_kwh if __name__ == "__main__": curve, day_kwh = rebuild_curve( peak_kwh=128600, flat_kwh=102400, valley_kwh=88600, prod_days=26, max_demand=820, ) for h, val in enumerate(curve): print(f"{h:02d}:00, {val:.2f}") print(f"日总电量约: {day_kwh:.2f} kWh")

输出会直接打印24个点，小时为0到23，对应每个整点的典型负荷。需要15分钟粒度时，在整点之间做线性插值即可。如果要做成真正的“一键生成”，可以把这段代码封装成一个带界面的小工具，或者做成一个接收CSV参数的批处理脚本，一批用户几条命令就能算完。

4.4 一个真实算例：某机械加工厂重构图长什么样

我用上面代码跑一个示例。电费单参数：当月峰段电量128600度，平段电量102400度，谷段电量88600度，生产天数26天，最大需量820kW，行业选两班制机械加工。计算出来的代表日日总电量约12285度，全天平均负荷约512kW。

生成的24点曲线中，上午9点到10点出现早高峰，大概在700到760kW之间浮动。下午15点到17点出现日内最高区间，接近800kW，但没越过820kW这个最大需量。晚上20点到22点还有一个小高峰，数值大约500到600kW，之后逐渐回落到凌晨的低谷段。这个形态和两班制机械加工厂实际情况是吻合的。

这个曲线拿去做储能测算会很直接：每天凌晨23点到第二天7点之间的谷段，负荷基本在100到300kW，储能充电相对从容；傍晚和下午的高负荷区间持续约3到5个小时，适合安排放电策略。如果再叠加当地峰谷电价，就能算出每天两充两放还是一充一放更划算。

5. 常见问题与排查技巧实录

5.1 最大需量这一栏电费单上没有，怎么办

不少按变压器容量计费的用户，电费单上只写了容量，没有最大需量。这时可以按变压器容量乘负载率来估计上限。我的经验是机械加工、纺织这类连续生产的行业，负载率可能到0.7到0.8；办公商业类负载率常在0.4到0.6之间。保守一点可以先按0.7估算，然后用生成的曲线检查峰值，如果超过估算的需量就再调低。

也可以找用户要近几个月电费单，如果某个月出现过按需量计费，或电费单上有“最大需量”记录，优先用那个值。实在没有时，把生成的曲线峰值作为“估算最大负荷”，在报告里注明这是估算值即可，不要写在正式合同里。

5.2 生成的曲线峰值超过了变压器容量或需量，哪里出问题了

最常见原因是行业模板选错了。比如用户实际是三班连续生产，你套了两班制模板，夜间负荷系数被压得很低，白天被迫划出一个特别高的峰来凑电量，结果峰值就虚高了。这时候换连续生产型模板重新跑一遍，峰值通常会降下来。

另一种情况是生产天数填少了。日总电量被放大，整条曲线同比例抬高，峰值自然就爆了。检查一下生产天数是否和实际开工情况一致。最后还有一种常见低级错误：峰谷电量填反了，比如把谷段电量填到峰段，峰段缩放系数被拉得极大，直接超出需量。遇到峰值异常，先检查这几个原因，通常能解决大半问题。

5.3 各省峰谷时段不一样，千万别套错

同一个企业，在A省是“峰8到11、18到23”，搬到B省可能变成“峰10到12、14到19”，差别很大。如果时段划分搞错，峰平谷缩放系数作用的小时段就错了，生成的曲线形态会严重失真。特别是做多个省份项目的时候，不要用一套固定时段跑天下。

我的处理方式是把各省典型的峰谷时段整理成一张配置表。代码里把时段定义提取成常量，每个省份单独维护一份。Excel版本同样建议在工作表里做一个省份下拉菜单，选中省份后自动带出对应时段。看起来是多花了一点工作量，但能避免一大批由于时段不一致导致的返工。

5.4 只拿一个月电费单，季节差异没法体现

单月电费单只能反映这一个月的生产状态。有些行业季节性特别强，比如冷链物流夏季负荷比冬季高很多，建材行业梅雨季停工，来料加工企业跟着订单走，每个月曲线差异可能很大。如果只拿某一个月的账单做方案，很可能高估或低估全年收益。

建议至少调取过去6到12个月的电费单，逐月生成曲线，然后分成“旺季典型曲线”和“淡季典型曲线”两组数据。做光伏时用淡季曲线看保底自用比例，做储能时用旺季曲线校验需量管理效果，这样项目方案才经得起时间检验。

5.5 电费单上是四段电价（尖峰、高峰、平、谷），怎么处理

有些省份在夏季执行尖峰电价，账单上会把“尖峰电量”单独列出来。反推曲线时，把尖峰并入高峰一起处理就行，否则你会人为把尖峰时段弄成特别窄的高负荷平台。比如尖峰只有2小时，高峰有6小时，直接把2小时的尖峰电量除以2当成功率，会得到一个虚高的尖峰值，最大需量很容易被撑爆。

处理逻辑是：先把尖峰和高峰合并成“峰”段，加总电量后填入前面的参数表，再用代码或Excel重算。到了非尖峰执行月份，再单独按照当月的时段规则跑一次，然后对比两条曲线的差异。这样既避免了虚高峰值，又能看出季节性尖峰对月最大需量的影响。

6. 一些我自己的使用体会

6.1 用这条曲线判断“能干什么”比“准不准”更重要

很多人第一次看到反推曲线会问：这准吗？说实话，单条曲线和真实每天逐时曲线比，一定是有偏差的。但工程前期需要的不是100%精确，而是区分度。用反推曲线能把“白天高负荷、需要光伏自用”的企业和“夜间高负荷、光伏收益差”的企业清楚分开，也能把“最适合每天两充两放”的客户筛出来。做了这么多项目，我的感受是，前期判断用反推曲线足够支撑决策，反而是没有曲线时凭感觉拍脑袋的误差更大。

6.2 后续值得做的两个扩展方向

第一个方向是积累自己的行业模板库。我给的模板只是通用值，每个区域、每个细分行业的用电习惯都有差异。每做完一个项目，如果客户后续提供了真实负荷数据，可以把反推曲线和真实曲线对比，再用真实数据反向修正这个行业的模板系数。做得多了，模板库会越来越准，这是别人拿不走的资产。

第二个方向是做96点曲线和光伏发电曲线的叠加分析。目前用24点曲线做日尺度判断够用，但如果要做储能充放电策略的日内仿真，建议把24点线性插值成96点，然后叠加光伏预测出力曲线，得到净负荷曲线。净负荷曲线才是储能容量优化真正要用的基础数据，这块扩展起来并不难，却能把前期判断的精度再提高一大截。