一种电动汽车保有量预测方法

摘要

本发明涉及电动汽车保有量预测技术领域，具体公开了一种电动汽车保有量预测方法，其中，包括：根据采集到的预设时间段内的传统汽车保有量数据，通过多种训练模型分别进行训练，并根据训练好的参数预测未来预设时间段内的传统汽车保有量；根据传统汽车保有量预测时的多种训练模型进行组合，建立组合预测模型；根据所述组合预测模型进行BASS模型参数拟合；对拟合后的BASS模型进行参数优化，建立电动汽车与传统汽车之间的联系；根据参数优化后的BASS模型以及电动汽车与传统汽车之间的联系，建立改进BASS模型；根据所述改进BASS模型实现对电动汽车保有量预测。本发明提供的电动汽车保有量预测方法提高了对于电动汽车保有量预测的精度。

说明书

技术领域

本发明涉及电动汽车保有量预测技术领域，尤其涉及一种电动汽车保有量预测方法。

背景技术

随着化石能源的日渐枯竭，以电动汽车为代表的新能源汽车成为未来汽车行业发展的趋势。2013年到2019年期间全球新能源汽车销量由17万辆增长到200万辆，增长幅度远超过传统汽车。与此同时，电动汽车作为一种电力负荷，随着其规模的扩大势必会对电网的运行产生影响，尤其是稳定性相对较弱的中小型电网。因此为有效分析电动汽车规模化接入对于配电网的影响，需要考虑电动汽车保有量。

在电动汽车保有量预测方面，集中在基于BASS模型的电动汽车保有量预测。现有技术中通常是，采用传统BASS模型进行参数估计，进而对于电动汽车保有量进行预测，但没有考虑模型参数受到其他相关因素的影响；或者在BASS模型的基础之上，考虑参数受到油价因素的影响，但考虑的因素过于单一；或者利用Box-Cox Dogit模型，考虑多种影响因素对参数估计的影响，提出改进了的BASS模型，但没有考虑最大潜力参数也在随着时间产生变化。

因此，如何能够提供一种电动汽车保有量预测方法以提高预测准确性成为本领域技术人员亟待解决的技术问题。

发明内容

本发明提供了一种电动汽车保有量预测方法，解决相关技术中存在的电动汽车保有量无法预测的问题。

作为本发明的第一个方面，提供一种电动汽车保有量预测方法，其中，包括：

根据采集到的预设时间段内的传统汽车保有量数据，通过多种训练模型分别进行训练，并根据训练好的参数预测未来预设时间段内的传统汽车保有量；

根据传统汽车保有量预测时的多种训练模型进行组合，建立组合预测模型；

根据所述组合预测模型进行BASS模型参数拟合；

对拟合后的BASS模型进行参数优化，建立电动汽车与传统汽车之间的联系；

根据参数优化后的BASS模型以及电动汽车与传统汽车之间的联系，建立改进BASS模型；

根据所述改进BASS模型实现对电动汽车保有量预测。

进一步地，所述根据采集到的预设时间段内的传统汽车保有量数据，通过多种训练模型分别进行训练，并根据训练好的参数预测未来预设时间段内的传统汽车保有量，包括：

根据采集到的过去十年内的传统汽车保有量数据，对灰色预测模型、线性回归模型和BP神经网络模型均进行参数训练，得到训练好的参数；

根据训练好的参数预测未来十年的传统汽车保有量。

进一步地，对灰色预测模型进行参数训练包括：

对于原始数据列：y

对数据进行累加：x

构成叠加数据列：y

定义

建立白化方程：

其中，y

求解所述白化方程，计算预测值：

进一步地，对线性回归模型进行参数训练包括：

根据线性回归模型预测参数拟合公式进行参数训练，其中所述线性回归模型预测参数拟合公式为：

进一步地，对BP神经网络模型进行参数训练，包括：

确定网络结构；

对激励函数进行调整，其中激励函数为：

其中，

进一步地，所述根据传统汽车保有量预测时的多种训练模型进行组合，建立组合预测模型，包括：

建立组合预测模型，根据非线性规划方法，求解所述组合预测模型的权重，其中t时期的真实值分别为：

y

其中t时期的估计值分别为：

设置目标函数Q，其中，

其中，i＝1时，表示灰色预测，i＝2时，表示BP神经网络，i＝3时，表示线性回归；

ω

根据权重的组合使得得到的预测数据总误差最小。

进一步地，所述根据所述组合预测模型进行BASS模型参数拟合，包括：

根据传统最小二乘法估计，将BASS模型离散化的基本形式为；

建立离散前后关系，求解对应参数：

根据非线性最小二乘法估计，将BASS模型转化为：

建立离散前后关系，求解对应参数：

进一步地，所述对拟合后的BASS模型进行参数优化，建立电动汽车与传统汽车之间的联系，包括：

根据参数优化比重建立电动汽车与传统汽车之间的联系，其中：

其中，W表示参数优化比重，λ

进一步地，所述改进BASS模型的表达式为：

其中，m表示市场潜力，p表示创新系数，q表示模仿系数。

本发明提供的电动汽车保有量预测方法，在传统BASS模型的基础之上，采用改进的BASS模型，利用基于层次分析的德尔菲法，建立电动汽车与传统汽车之间的联系，利用组合预测模型，预测传统汽车的保有量，并建立其与最大潜力参数的联系，利用改进的非线性最小二乘法拟合，拟合发展系数与创新系数，并对于这两个参数进行优化，提高了对于电动汽车保有量预测的精度，为后期负荷预测以及并网研究建立基础。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本发明提供的电动汽车保有量预测方法的流程图。

图2为本发明提供的灰色预测算法流程图。

图3为本发明提供的BP神经网络算法原理图。

图4为本发明提供的线性回归模型算法原理图。

图5为本发明提供的灰色预测模型拟合与预测结果图。

图6为本发明提供的线性回归预测模型拟合与预测结果图。

图7为本发明提供的BP神经网络预测模型拟合与预测结果图。

图8为本发明提供的组合预测模型预测结果图。

图9为本发明提供的电动汽车预测趋势发展图。

图10为本发明提供的电动汽车总量预测趋势图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。

为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本实施例中提供了一种电动汽车保有量预测方法，图1是根据本发明实施例提供的电动汽车保有量预测方法的流程图，如图1所示，包括：

S110、根据采集到的预设时间段内的传统汽车保有量数据，通过多种训练模型分别进行训练，并根据训练好的参数预测未来预设时间段内的传统汽车保有量；

具体地，根据采集到的过去十年内的传统汽车保有量数据，对灰色预测模型、线性回归模型和BP神经网络模型均进行参数训练，得到训练好的参数；

根据训练好的参数预测未来十年的传统汽车保有量。

需要说明的是，灰色系统是介于灰色系统与黑色系统之间，白色系统是指系统内部的特性完全已知，内部的信息是完全充分的；黑色系统是指系统内部的特征以及信息对于外界是一无所知的，只能通过它与外界的联系对它内部进行研究；灰色系统则是内部信息一部分是已知的，另一部分是未知的，且系统内各因素间的关系也是不确定的。

灰色预测是用来预测灰色系统的预测方法。灰色预测就是对既含有已知信息又含有不确定信息的系统进行预测，对在一定范围内随时间变化的量进行预测。灰色预测是通过寻找已知数据的规律，从而生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而对未来的发展趋势进行预测。

图2所示，为灰色预测算法流程图。对灰色预测模型进行参数训练包括：

对于原始数据列：y

对数据进行累加：x

构成叠加数据列：y

定义

建立白化方程：

其中，y

求解所述白化方程，计算预测值：

在本发明实施例中，以某市为例，通过网络、新闻等途径搜集到某市近十年全市的机动车保有量。

如图5所示，灰色预测模型预测结果准确性的高低，关键在于数据序列的光滑性，光滑性越好，预测精度就越高。在实际操作中，只要数据满足准光滑条件，就可以直接进行灰色建模。如图检测结果是光滑比小于0.5的占比为0.77778，除去前两个数据之外的光滑比小于0.5的占比为1，数据满足预测要求。

线性回归模型属于经典的统计学模型，该模型的应用场景是根据已知的变量(自变量)来预测某个连续的数值变量(因变量)。

如图3所示，为线性回归模型算法原理图。根据线性回归模型预测参数拟合公式进行参数训练，其中所述线性回归模型预测参数拟合公式为：

在本发明实施例，还是以前文所述的某市为例，进行线性回归预测，如图6所示，通过最小二乘法对于传统机动车保有量进行线性拟合，拟合出线性曲线的斜率k为10.2868，b为-2.0586E04，利用拟合的参数对于未来十年保有量进行预测。

对于人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出。各神经元之间不同的连接方式构成了不同的神经网络模型，BP神经网为其中之一，也被称为多层前馈神经网络。利用BP神经网络预测，首先给各连接权值及阐值赋值，并确定输入单元、中间单元和输出层单元个数，即确定网络结构。当网络结构和训练数据确认后，误差函数主要受激励函数的影响，适时对激励函数作出调整，降低系统进入最小点时的灵敏度，减少震荡。

如图4所示，为BP神经网络算法原理图。对BP神经网络模型进行参数训练，包括：

确定网络结构；

对激励函数进行调整，其中激励函数为：

其中，

在本发明实施例，还是以前文所述的某市为例，如图7所示，进行BP神经网络预测，对于数据进行训练，训练采用莱文贝格-马夸特方法，借由执行时修改参数，训练选取的神经元个数为20个，选取原数据的70％作为训练组，原数据的15％作为验证组，原数据的15％作为测试组，训练结果理想，在训练次数达到41次时，训练效果达到最佳，训练组的拟合优度为99.5％，测试组和验证组的拟为1。

S120、根据传统汽车保有量预测时的多种训练模型进行组合，建立组合预测模型；

具体地，建立组合预测模型，根据非线性规划方法，求解所述组合预测模型的权重，其中t时期的真实值分别为：

y

其中t时期的估计值分别为：

设置目标函数Q，其中，

其中，i＝1时，表示灰色预测，i＝2时，表示BP神经网络，i＝3时，表示线性回归；

ω

根据权重的组合使得得到的预测数据总误差最小。

需要说明的是，由于一种模型往往不能体现产品的变化发展规律，因此综合灰色预测模型，线性回归模型和BP神经网络模型，利用非线性规划方法，设置误差平方和为目标函数，优化取得最小的误差平方值。通过下表可以发现，对于单一的预测方式，线性回归的预测准确度最高，其误差平方和最小，神经网络预测的精确性最低。相比较组合预测，单一的预测方式都没有组合预测的预测精度高。

在本发明实施例中，还是以前文所述的某市为例，如图8所示，输出结果见下表1所示：

表1算法模型权重和误差平方和计算结果表

S130、根据所述组合预测模型进行BASS模型参数拟合；

针对传统最小二乘法参数拟合受初值影响较大，且对于非线性拟合效果不佳的的问题，提出利用传统最小二乘法为非线性最小二乘法寻找初值，然后利用非线性最小二乘法提高参数估计的准确度。

具体地，根据传统最小二乘法估计，将BASS模型离散化的基本形式为；

建立离散前后关系，求解对应参数：

根据非线性最小二乘法估计，将BASS模型转化为：

建立离散前后关系，求解对应参数：

在本发明实施例中，还是以前文所述的某市为例，普通最小二乘法估计，利用公式计算可得p为0.017，q为0.446，m为304.34。线性最小二乘法估计，由于最小二乘法参数估计与初值设置存在很大关系，为防止局部最优解，使用普通最小二乘法估计结果作为初始值，利用非线性最小二乘法优化参数估计的结果。计算可得p为0.014,q为0.423,m为311.51。

S140、对拟合后的BASS模型进行参数优化，建立电动汽车与传统汽车之间的联系；

目前，由于我国电动汽车的普及率还比较低，历史上的数据不能够反映扩散的全部信息，因此以历史数据为核心的参数估计方法，存在很大的误差。在这种情况下，采用参数估计与经验判断相结合的方法，提高参数估计的准确度。本发明实施例在传统参数估计与基于层次分析的德尔菲法相结合的改进参数估计法，以提高Bass模型中的参数估计的准确度。层次分析法是指将与决策相关的指标定性定量的一种方法，其存在由于调查对象个人主观原因，而导致调查结果失真。而德尔菲法是通过反馈匿名函询的方法，将专家的意见反复整理归纳，并通过多次函询，减弱专家主观性的影响。因此可以将两种方法结合起来，对于参数估计值进行改正修进。

根据参数优化比重建立电动汽车与传统汽车之间的联系，其中：

其中，W表示参数优化比重，λ

S150、根据参数优化后的BASS模型以及电动汽车与传统汽车之间的联系，建立改进BASS模型；

改进BASS模型建立，Bass模型是用来预测耐用消费品的销售情况的模型。利用输入的三个变量m、p、q来预测销售情况，m指的是市场潜力；p指的是创新系数，是尚未使用该产品的消费者，受到网络、广告等外部因素的影响而使用该产品的可能性；q指的是模仿系数，是消费者通过已使用该产品的消费者的口碑等而选择该商品的可能性。在传统BASS模型的基础之上，考虑电动汽车潜力随时间变化，并对参数进行优化，所述改进BASS模型的表达式为：

其中，m表示市场潜力，p表示创新系数，q表示模仿系数。

S160、根据所述改进BASS模型实现对电动汽车保有量预测。

通过评价模型构建评价体系，通过调查问卷形式，发送给新能源汽车行业专家进行打分，通过对反馈信息的整理，将整理结果反馈给专家，并再次要求打分，重复上述过程，最终使得多名专家意见趋于一致，最终整理的结果如下表2所示：

表2最大潜力权重及计算结果表

表3发展系数权重及计算结果表

表4创新系数权重及计算结果表

a、最大潜力：

m

b、创新系数：

c、发展系数：

通过参数优化，计算最大潜力与传统汽车之间的权重为0.46，由计算所得权重和传统汽车保有量，即可计算出随时间变化的最大潜力，通过优化后的创新系数和发展系数分别为0.0012和0.314。

表5优化后的创新系数、发展系数以及最大潜力比对表

保有量预测结果输出，如图9和图10所示，根据国家发展研究院发布的《交通发展分析报告》可知，私家车、出租车和公交车的总和占比车辆总数的99.49％，其中私家车占比81.56％，出租车占比16.71％，公交车占比1.22％。易知一个城市在短期内车辆种类的占有比例不会发生大的变化，根据上述统计，计算结果如下表6所示：

表6电动汽车各类别保有量预测结果表

综上，本发明实施例提供的电动汽车保有量预测方法，在传统BASS模型的基础之上，采用改进的BASS模型，利用基于层次分析的德尔菲法，建立电动汽车与传统汽车之间的联系，利用组合预测模型，预测传统汽车的保有量，并建立其与最大潜力参数的联系，利用改进的非线性最小二乘法拟合，拟合发展系数与创新系数，并对于这两个参数进行优化，提高了对于电动汽车保有量预测的精度，为后期负荷预测以及并网研究建立基础。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。