CN112365041A - 基于系统动力学的城市电动汽车保有量的分类预测方法 - Google Patents

基于系统动力学的城市电动汽车保有量的分类预测方法 Download PDF

Info

Publication number
CN112365041A
CN112365041A CN202011229339.0A CN202011229339A CN112365041A CN 112365041 A CN112365041 A CN 112365041A CN 202011229339 A CN202011229339 A CN 202011229339A CN 112365041 A CN112365041 A CN 112365041A
Authority
CN
China
Prior art keywords
factor
fuel
actual
factors
mile
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011229339.0A
Other languages
English (en)
Inventor
张婧
王宇飞
杜桐
郭俊超
孙鑫
李彦斌
傅义
赵海军
张飞
赵宇
梅林�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Yanshan University
KME Sp zoo
Original Assignee
State Grid Corp of China SGCC
Yanshan University
KME Sp zoo
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Yanshan University, KME Sp zoo filed Critical State Grid Corp of China SGCC
Priority to CN202011229339.0A priority Critical patent/CN112365041A/zh
Publication of CN112365041A publication Critical patent/CN112365041A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供一种基于系统动力学的城市电动汽车保有量的分类预测方法，其包括因素抓取、模块化建模和参数估计，具体实施步骤为：首先在预测目标区域内，通过德尔菲法对电动汽车保有量的相关因素进行抓取，筛选出与电动汽车保有量有关的影响因素；然后在步骤S1得到的客观边界内进行模块化建模，综合考虑EV第一因素、EV第二因素、EV第三因素、EV第四因素和分类预测模块这五个模块之间的关联关系；最后依据技术方案对步骤S2中五个模型内状态变量的初始值、常数值、表函数和影响因子等相关参变量估计赋值，进行参数估计。本发明通过有效获取目标城市EV保有量预测数据，为后期充电负荷预测和充电设施规划问题的针对性开展，提供有力数据支撑。

Description

基于系统动力学的城市电动汽车保有量的分类预测方法
技术领域
本发明涉及汽车工业保有量预测技术领域，特别涉及一种基于系统动力学的城市电动汽车保有量的分类预测方法。
背景技术
长期以来，世界能源的发展过度依赖于煤炭、石油、天然气等化石能源，直接导致能源紧张、气候变化、环境污染等问题日益突出。其中，随着汽车产业发展和保有量激增，传统燃油汽车的高耗能、尾气排放等问题亟需解决。
电动汽车相关技术是清洁能源替代传统能源的革新技术，符合节能环保、绿色出行的低碳理念。因此，推动电动汽车的替代式发展是实现节能减排的有效途径之一。我国高度重视电动汽车技术的创新、发展及应用，深入挖掘电动汽车(electric vehicle，EV)各阶段发展特性并科学预测未来5～10年城市电动汽车保有量，不仅能够为后期相关政策执行力度和节能减排目标制定提供指导，也能为电网充电设施的中长期投资规划提供有力的数据支撑，对推动EV产业的发展和清洁电网建设具有重要的意义。
然而EV的发展具有长期性、复杂性和动态性，保有量受到地区特性、经济性、技术性、政策性等多因素的制约和影响。因此，只有全面广泛考虑各方相关因素的耦合关系和发展规律，才能运用综合预测技术对EV保有量及其发展趋势进行科学、合理、准确的预测。
目前针对EV保有量预测的相关研究主要是基于对数线性模型、Bass模型、残差灰色模型、Gompertg模型、千人保有量法等。利用此类传统基础数学模型类比研究，考虑的因素较为单一，且需要较大的数据量才能保证预测的精度。然而EV领域属于新兴产业，无较多历史数据积累，且其影响因素宽泛，政策敏感性强，所以传统方法效果欠佳。
因此，基于上述EV保有量预测问题背景，本文引入系统动力学方法可有效处理此类多因素互为复杂因果循环关系且难以定量分析的模糊问题。但目前相关研究存在很多不足，一方面，搭建的动力学系统模型边界确定偏主观性，考虑因素不够全面和客观，不能贴合当下的经济、环保等政策形势，未能完整准确反映问题。另一方面，模型输出的保有量预测数据没有按行业分类给出，不利于后期充电负荷预测和充电设施规划问题的针对性开展。
发明内容
针对现有技术存在的问题，本发明提供一种基于系统动力学的城市电动汽车保有量的分类预测方法，主要通过对预测系统内相关因素进行科学的抓取，并在所得客观边界内，综合考虑EV经济性、EV技术发展、汽车需求、节能减排和分类预测之间的关联关系，并依据技术方案对模型内相关参变量进行估计赋值，以此准确预测目标地区的EV保有量。
本发明提供了一种基于系统动力学的城市电动汽车保有量的分类预测方法，具体实施步骤如下：
具体实施步骤如下：
S1、在预测目标区域内获得电动汽车保有量的影响因素，具体包括以下子步骤：
S11、在预测目标区域内，对电动汽车保有量的相关因素进行抓取，筛选出与电动汽车保有量有关的影响因素；
S12、依据步骤S11得到的影响因素，通过集中度参数
Figure BDA0002764650170000021
和离散度参数σ，确定电动汽车保有量因素在预测目标区域内的边界，集中度参数
Figure BDA0002764650170000022
和离散度参数σ的具体表达式如下：
Figure BDA0002764650170000023
Figure BDA0002764650170000024
其中，m为指标的个数，n为用户测评个数，N为指标等级数，nij为第i个指标被评价为第j级重要程度的数量，Ej为第j级重要程度的量值，且1≤Ej≤5，
Figure BDA0002764650170000025
和σi分别为第i个指标的集中度和离散度，根据电动汽车保有量预测情况，将满足
Figure BDA0002764650170000026
σi≤0.5的指标列入预测模型边界内，最终确定与电动汽车保有量相关的影响因素；
S2、在步骤S1得到电动汽车保有量因素的边界内进行模块化建模，综合考虑与预测目标区域相关的各个实际因素模型以及分类预测模块之间的关联关系，具体包括以下子步骤：
S21、分别针对与EV第一因素、EV第二因素、EV第三因素和EV第四因素对应的影响因子，对各个因素进行相关的评估，并通过相关辅助量进行表示；
S22、通过分类预测模块获得预测目标区域内不同行业EV保有量的数据；
S3、对步骤S2中实际因素模型内状态变量的初始值、常数值、表函数和影响因子相关参变量估计赋值，进行参数估计，以此准确预测目标地区的电动汽车的保有量，具体包括以下子步骤：
S31、将实际因素中随时间变化不显著的参数依据现有数据进行估计并取为常数值，简化该实际因素对应的模型；
S32、通过对预测目标地区的分析，获取与电动汽车实际保有量相关的状态变量的初始值及变化率；
S33、针对实际因素对应的模型内时间序列上的变化量，利用第一数据并通过表函数进行非线性拟合与预测；
S34、获得实际因素对应的模型中相关因素在上层变量中所占重要程度的比例系数和影响因子，根据获得的比例系数和影响因子预测目标地区中每个实际因素对电动汽车保有量的影响程度；
所述步骤S34具体包括以下步骤：
S341、把实际因素对应的模型中不同变量的用户评价值的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题，计算方法如下：
Figure BDA0002764650170000031
其中，xij为模型中第i个用户对第j个指标的评价值，x′ij为归一化后的数据，min(xi)和max(xi)为模型中第i个用户评价值中的样本最小值和最大值；
S342、计算实际因素对应的模型中第i个用户对第j项指标的评价值占该指标的比重pij，表达式如下：
Figure BDA0002764650170000041
其中，m为指标的个数、n为用户测评个数，且i＝1,2,…,n；j＝1,2,…,m；
S343、计算实际因素对应的模型中第j项指标的熵值ej，表达式如下：
Figure BDA0002764650170000042
其中，k＝1/ln(n)＞0，且满足ej＞0；
S344、计算实际因素对应的模型中第j项指标信息熵的冗余度dj和各项指标的权重ωj，表达式如下：
dj＝1-ej,j＝1,2,…,m
Figure BDA0002764650170000043
其中，ωj为各下层因素在上层因素中占比的客观权重。
可优选的是，在步骤S2中，所述实际因素模型，其包括EV第一因素、EV第二因素、EV第三因素和EV第四因素。
可优选的是，所述步骤S21中各个实际因素对应的表达式为：
S211、所述EV第一因素的计算表达式如下：
PEVper-mile＝δEVper-mile×Pelectricity
Pfuel,per-mile＝δfuel,per-mile×Pfuel
CEV,total,t＝PEVper-mile×Dyear×TEV+PEV-PEV,subsidy,t
Cfuelcar,total＝Pfuel,per-mile×Dyear×Tfuel+Pfuelcar
Figure BDA0002764650170000044
Figure BDA0002764650170000045
Figure BDA0002764650170000046
Figure BDA0002764650170000047
式中，PEVper-mile、Pfuel,per-mile分别为EV单位里程电费和燃油车单位里程油费；δEVper-mile、δfuel,per-mile分别为EV单位里程电耗和燃油车单位里程油耗；Pelectricity、Pfuel分别为电价和油价；PEV、Pfuelcar分别为EV和燃油汽车平均价格；PEV,subsidy,t为电动汽车补贴额度；TEV、Tfuel分别为EV和燃油车的平均寿命；Dyear为机动车年平均行驶里程；CEV,total,t、Cfuelcar,total分别为EV和燃油汽车的全寿命周期费用；Iperyear,t、
Figure BDA0002764650170000051
分别为年可支配收入、初始值和增长速率；ωprice-income,t为价格收入比；EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度；S212、所述EV第二因素的计算表达式如下：
Figure BDA0002764650170000052
Figure BDA0002764650170000053
LEV-tech,t＝β1×LEVendurance,t+β2×LEVcharge,t+β3×Sgoverment,t
Sgrid,t＝ΔPp-v×Dyear×δEVper-mile×RV2G×QEV,t
Figure BDA0002764650170000054
Figure BDA0002764650170000055
Linfrastructure,t＝β4×Sgrid,t+β5×LEV-facility match,t
LEV-potential,t＝β6×LEV-tech,t+β7×Linfrastructure,t
式中，LEVendurance,t、LEVcharge,t、LEV-facility match,t分别为EV续航水平、EV充电水平以及EV与充换电设施匹配度；DEVendurance,t、DEVexpect分别为EV实际续航里程和对续航里程的期望值；TEVcharge,t、TEVcharge-expect分别为实际慢充时长和对慢充时长的期望值；ΔPp-v为峰谷价差；RV2G为电动汽车与配电网的V2G比例；Qfuel,t、QEV,t分别为燃油机动车控制保有量和EV实际保有量；δEVper-mile为EV单位里程电耗；QEVcharging pile,t为电动汽车充电桩数量；Sgrid,t、Sgoverment,t分别为第一支持力度和第二支持力度；LEV-tech,t、Linfrastructure,t分别为EV技术发展水平和基础设施完善程度；LEV-potential,t为EV发展潜力；β1、β2、β3分别为EV续航水平、EV充电水平和第二支持力度在EV技术发展水平中所占的比例；β4、β5分别为第一支持力度和EV与充换电设施匹配度在基础设施完善程度中所占的比例；β6、β7分别为EV发展水平和基础设施完善程度在EV发展潜力中所占的比例；
S213、所述EV第三因素的计算表达式如下：
Figure BDA0002764650170000056
Figure BDA0002764650170000057
Ccar·industry,t＝ωcar-GDP,t×CGDP,t
Figure BDA0002764650170000061
Figure BDA0002764650170000062
Figure BDA0002764650170000063
Figure BDA0002764650170000064
式中，Qpeople,t为第一状态变量数量、
Figure BDA0002764650170000065
为第一状态变量初值；
Figure BDA0002764650170000066
分别为第一状态变量出生率和死亡率；CGDP,t、
Figure BDA0002764650170000067
为第二状态变量总量和初始值；
Figure BDA0002764650170000068
为第二状态变量自然增长率；Ccar·industry,t为汽车工业产值；ωcar-GDP,t为汽车年工业产值占GDP总量的百分比；Qper·thousand,t、Qper·thousand-exp,t分别为千人汽车保有量及其目标值；Pcar-average为汽车平均价格；Qcar,t、
Figure BDA0002764650170000069
为机动车保有量及其初始值；Qcar-incre,t为机动车保有量增加量；
Figure BDA00027646501700000610
为机动车报废率；
S214、所述EV第四因素模块的计算表达式如下：
Figure BDA00027646501700000611
Figure BDA00027646501700000612
Qlimited,t＝Min(Qlimited-emission,t、Qlimited-energy,t)
其中，Qlimited-emission,t、Qlimited-energy,t分别为因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量；Qlimited,t为燃油机动车控制保有量；femission-co、
Figure BDA00027646501700000613
femission-PM分别为CO、NOx、CO2、PM的平均排放因子；Glimited-CO,t、
Figure BDA00027646501700000614
Glimited-PM,t分别为CO、NOx、CO2、PM的城市年限排量；Glimited-fuel,t为城市燃油年限用量；δfuel,per-mile为燃油汽车单位里程油耗；Dyear为年行驶里程。
可优选的是，所述步骤S22中分类预测模块的具体表达式为：
QEV-incre,t＝Wbuy-EV,t×QEV-need,t
Wbuy-EV,t＝α1×LEV-potential,t+α2×EEV,t+α3×LEV,subsidy,t+α4×Luser,t
QEV-need,t＝Qcar,t-Qlimited
Figure BDA00027646501700000615
Figure BDA00027646501700000616
QEV,total,t＝QEV-bus,t+QEV,t
QEV-taxi,t＝QEV,t×γ1
QEV-private,t＝QEV,t×γ2
QEV-company,t＝QEV,t×γ3
其中，QEV-incre,t、QEV-scrap,t分别为EV实际增加量和报废量；
Figure BDA0002764650170000071
为EV报废率；Wbuy-EV,t为电动汽车购买意愿；LEV-potential,t为EV发展潜力、EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度；α1、α2、α3、α4分别为EV发展潜力、EV经济性、EV补贴水平和用户接受程度在EV购买意愿中所占的比例系数且满足α1+α2+α3+α4＝1；QEV-need,t为电动汽车需求保有量；QEV,t、QEV,t0分别为狭义乘用车的EV实际保有量及其初始值；QEV-taxi,t、QEV-private,t、QEV-company,t、QEV-bus,t分别为EV出租车、EV私家车、EV企事业单位用车、EV公交车保有量；γ1、γ2、γ3分别为上述行业EV保有量在城市EV总量中所占比例；QEV,total,t为城市EV总量。
本发明与现有技术相比，具有如下优点：
1.本发明运用动力学原理可有效处理此类多因素互为复杂因果循环关系且难以定量分析的模糊预测问题；且利用德尔菲法进行因素抓取有助于客观识别EV保有量相关主控因素，有效避免边界选取的主观性和片面性；
2.本发明将预测系统划分为五个子模块，即EV经济性模块、EV技术发展模块、汽车需求模块、节能减排模块和各行业EV保有量分类预测模块，通过子系统之间各因素的因果关系动态传导机制，以实现各个输出、输入变量之间的相互制约、相互影响和相互作用，其中，节能减排模块的引入充分考虑了电动汽车绿色清洁的特征定位和节能减排政策对其发展影响，提高了模型的完整性和预测结果的可信度；
3.本发明通过各行业EV保有量分类预测模块可以按行业分类输出保有量预测数据，为后期充电负荷预测和充电设施规划问题的针对性开展，提供有力数据支撑；
4.本发明所述预测系统具有普适性，相关参数选取科学可靠，通过目标区域调研和熵权法等可进一步贴近地区特色并提高预测结果的精度。
附图说明
图1为本发明基于系统动力学的城市电动汽车保有量的分类预测方法的流程图；
图2为本发明基于系统动力学的城市电动汽车保有量的分类预测方法的流图；
图3为本发明基于系统动力学的城市电动汽车保有量的分类预测方法中EV第一因素模块流图；
图4为本发明基于系统动力学的城市电动汽车保有量的分类预测方法中EV第二因素模块流图；
图5为本发明基于系统动力学的城市电动汽车保有量的分类预测方法中EV第三因素模块流图；
图6为本发明基于系统动力学的城市电动汽车保有量的分类预测方法中EV第四因素模块流图；
图7为本发明基于系统动力学的城市电动汽车保有量的分类预测方法中各行业EV保有量分类预测模块流图。
具体实施方式
为详尽本发明之技术内容、所达成目的及功效，以下将结合说明书附图进行详细说明。
系统动力学分析的系统行为是基于系统内部各因素相互作用而产生的，并假定系统外部环境变化不给系统行为带来本质影响，不受系统内部因素的控制。基于系统动力学的城市电动汽车保有量的分类预测方法的构建过程，主要包括因素抓取、模块化建模和参数估计三步骤，因素抓取即利用量化指标客观识别电动汽车(electric vehicle，EV)保有量相关主控因素，有效避免边界选取的主观性和片面性；模块化建模即将相关因素分为EV经济因素即EV第一因素、技术因素即EV第二因素、需求因素即EV第三因素、环境因素即EV第四因素和各行业EV保有量分类预测因素，对应地，设有五个模块，具体包括EV第一因素模块、EV第二因素模块、EV第三因素模块、EV第四因素模块和各行业EV保有量分类预测因素模块，使系统通过模块之间的相互联系提高模型完整性和预测结果可信度。参数估计即对模型中状态变量初值、常数值、表函数、影响因子等进行科学估计，使模型更好贴近目标预测区域特点，提高预测结果的精度，如图1所示，具体实施步骤如下：
S1、在预测目标区域内获得电动汽车保有量的影响因素，具体包括以下子步骤：
S11、根据电动汽车相关产业的蓬勃发展态势，在预测目标区域内，通过德尔菲法对电动汽车保有量的相关因素进行因素抓取，初步筛选一系列影响电动汽车保有量的因素，主要是为了确保电动汽车保有量因素边界确定的客观性和科学性。
S12、依据步骤S11得到的影响因素，通过集中度参数
Figure BDA0002764650170000091
和离散度参数σ，确定电动汽车保有量因素在预测目标区域内的边界，集中度参数
Figure BDA0002764650170000092
和离散度参数σ的具体表达式如下：
Figure BDA0002764650170000093
Figure BDA0002764650170000094
其中，m为指标的个数，n为用户测评个数，N为指标等级数，nij为第i个指标被评价为第j级重要程度的数量，Ej为第j级重要程度的量值，且1≤Ej≤5，
Figure BDA0002764650170000095
和σi分别为第i个指标的集中度和离散度，根据电动汽车保有量预测问题的实际情况，将满足
Figure BDA0002764650170000096
σi≤0.5的指标列入预测模型边界内，最终确定与电动汽车保有量预测相关的因素。
S2、在步骤S1得到的客观边界内进行模块化建模，模块化构建即根据因素间的因果和逻辑关系，将基于系统动力学的电动汽车保有量分类预测系统分为EV第一因素、EV第二因素、EV第二因素、EV第四因素和各行业EV保有量分类预测模块；综合考虑EV第一因素、EV第二因素、EV第二因素和EV第四因素和分类预测模块这五个模块与预测目标区域之间的关联关系，如图2所示：
S21、分别针对与EV第一因素、EV第二因素、EV第三因素和EV第四因素对应的影响因子，对各个因素进行相关的评估，并通过相关辅助量进行表示：
S211、从用户角度出发，根据EV购置花销和使用成本相关的经济性因素对EV经济性模块进行综合考虑和评估，并通过相关辅助量表示，该模块流图如图3所示，EV第一因素的计算表达式如下：
PEVper-mile＝δEVper-mile×Pelectricity
Pfuel,per-mile＝δfuel,per-mile×Pfuel
CEV,total,t＝PEVper-mile×Dyear×TEV+PEV-PEV,subsidy,t
Cfuelcar,total＝Pfuel,per-mile×Dyear×Tfuel+Pfuelcar
Figure BDA0002764650170000101
Figure BDA0002764650170000102
Figure BDA0002764650170000103
Figure BDA0002764650170000104
式中，PEVper-mile、Pfuel,per-mile分别为EV单位里程电费和燃油车单位里程油费；δEVper-mile、δfuel,per-mile分别为EV单位里程电耗和燃油车单位里程油耗；Pelectricity、Pfuel分别为电价和油价；PEV、Pfuelcar分别为EV和燃油汽车平均价格；PEV,subsidy,t为电动汽车补贴额度；TEV、Tfuel分别为EV和燃油车的平均寿命；Dyear为机动车年平均行驶里程；CEV,total,t、Cfuelcar,total分别为EV和燃油汽车的全寿命周期费用；Iperyear,t、
Figure BDA0002764650170000105
分别为年可支配收入、初始值和增长速率；ωprice-income,t为价格收入比；EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度。
S212、通过对EV技术发展水平和基础设施完善程度在内的未来EV技术发展潜力进行预测，同时考虑政府和电网支持力度的影响，来对EV技术发展模块进行综合考虑和评估，该模块流图如图4所示，EV第二因素的计算表达式如下：
Figure BDA0002764650170000106
Figure BDA0002764650170000107
LEV-tech,t＝β1×LEVendurance,t+β2×LEVcharge,t+β3×Sgoverment,t
Sgrid,t＝ΔPp-v×Dyear×δEVper-mile×RV2G×QEV,t
Figure BDA0002764650170000108
Figure BDA0002764650170000111
Linfrastructure,t＝β4×Sgrid,t+β5×LEV-facility match,t
LEV-potential,t＝β6×LEV-tech,t+β7×Linfrastructure,t
式中，LEVendurance,t、LEVcharge,t、LEV-facility match,t分别为EV续航水平、EV充电水平以及EV与充换电设施匹配度；DEVendurance,t、DEVexpect分别为EV实际续航里程和对续航里程的期望值；TEVcharge,t、TEVcharge-expect分别为实际慢充时长和对慢充时长的期望值；ΔPp-v为峰谷价差；RV2G为电动汽车与配电网的V2G比例；Qfuel,t、QEV,t分别为燃油机动车控制保有量和EV实际保有量；δEVper-mile为EV单位里程电耗；QEVcharging pile,t为电动汽车充电桩数量；Sgrid,t、Sgoverment,t分别为第一支持力度和第二支持力度；LEV-tech,t、Linfrastructure,t分别为EV技术发展水平和基础设施完善程度；LEV-potential,t为EV发展潜力；β1、β2、β3分别为EV续航水平、EV充电水平和第二支持力度在EV技术发展水平中所占的比例；β4、β5分别为第一支持力度和EV与充换电设施匹配度在基础设施完善程度中所占的比例；β6、β7分别为EV发展水平和基础设施完善程度在EV发展潜力中所占的比例。
S213、通过在时间尺度上分别求取与EV第三因素相关的三个主要状态变量的积分，来对EV第三因素进行综合考虑和评估，该模块流图如图5所示，EV第三因素的计算表达式如下：
Figure BDA0002764650170000112
Figure BDA0002764650170000113
Ccar·industry,t＝ωcar-GDP,t×CGDP,t
Figure BDA0002764650170000114
Figure BDA0002764650170000115
Figure BDA0002764650170000116
Figure BDA0002764650170000117
式中，Qpeople,t为第一状态变量数量、
Figure BDA0002764650170000118
为第一状态变量初值；
Figure BDA0002764650170000119
分别为第一状态变量出生率和死亡率；CGDP,t、
Figure BDA00027646501700001110
为第二状态变量总量和初始值；
Figure BDA00027646501700001111
为第二状态变量自然增长率；Ccar·industry,t为汽车工业产值；ωcar-GDP,t为汽车年工业产值占GDP总量的百分比；Qper·thousand,t、Qper·thousand-exp,t分别为千人汽车保有量及其目标值；Pcar-average为汽车平均价格；Qcar,t、
Figure BDA0002764650170000121
为机动车保有量及其初始值；Qcar-incre,t为机动车保有量增加量；
Figure BDA0002764650170000122
为机动车报废率。
S214、通过引入节能减排模块内相关因素使本发明所提分类预测方法的模型更加贴近低碳出行的社会实际情况，使预测数据更为合理可靠。节能减排模块流图如图6所示。通过考虑CO、NOx、CO2和PM四类主要污染物以及燃油机动车的燃油消耗量，根据目标预测城市的燃油限用量和相关污染物限排量指标，并结合汽车年行驶里程得到因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量，并将因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量中较小量定为该城市所能拥有燃油机动车的最大数量，来对节能减排模块进行综合考虑和评估，EV第四因素的计算表达式如下：
Figure BDA0002764650170000123
Figure BDA0002764650170000124
Qlimited,t＝Min(Qlimited-emission,t、Qlimited-energy,t)
其中，Qlimited-emission,t、Qlimited-energy,t分别为因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量；Qlimited,t为燃油机动车控制保有量；femission-co、
Figure BDA0002764650170000125
femission-PM分别为CO、NOx、CO2、PM的平均排放因子；Glimited-CO,t、
Figure BDA0002764650170000126
Glimited-PM,t分别为CO、NOx、CO2、PM的城市年限排量；Glimited-fuel,t为城市燃油年限用量；δfuel,per-mile为燃油汽车单位里程油耗；Dyear为年行驶里程。
传统燃油汽车具有高能耗和高污染的弊端，是柴油、汽油等化石能源主要的消耗源之一，产生的尾气也成为大气污染的一大来源。推动电动汽车的替代式发展是减少能源消耗和降低污染排放的重要举措，各城市通过制定相应的能源限用量和污染物限排量来对城市燃油车保有量进行宏观调控，以间接扩大EV的市场占有率。因此，EV保有量与各地的节能减排目标息息相关。
S22、通过分类预测模块获得预测目标区域内不同行业EV保有量的数据，从EV相关产业的全局来看，不同行业的电动汽车充电负荷预测需要不同的方法，充电设施规划也需要不同的布置策略，因此，基于项目的任务需求，本发明引入EV保有量按行业分类预测模块，以此获得目标预测区域不同行业EV保有量数据，分类预测模块具体流图如图7所示。引入分类预测模块，获得目标预测区域内不同行业EV保有量的数据，分类预测模块具体计算表达式如下：
QEV-incre,t＝Wbuy-EV,t×QEV-need,t
Wbuy-EV,t＝α1×LEV-potential,t+α2×EEV,t+α3×LEV,subsidy,t+α4×Luser,t
QEV-need,t＝Qcar,t-Qlimited
Figure BDA0002764650170000131
Figure BDA0002764650170000132
QEV,total,t＝QEV-bus,t+QEV,t
QEV-taxi,t＝QEV,t×γ1
QEV-private,t＝QEV,t×γ2
QEV-company,t＝QEV,t×γ3
其中，QEV-incre,t、QEV-scrap,t分别为EV实际增加量和报废量；
Figure BDA0002764650170000133
为EV报废率；Wbuy-EV,t为电动汽车购买意愿；LEV-potential,t为EV发展潜力、EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度；α1、α2、α3、α4分别为EV发展潜力、EV经济性、EV补贴水平和用户接受程度在EV购买意愿中所占的比例系数且满足α1+α2+α3+α4＝1；QEV-need,t为电动汽车需求保有量；QEV,t、QEV,t0分别为狭义乘用车的EV实际保有量及其初始值；QEV-taxi,t、QEV-private,t、QEV-company,t、QEV-bus,t分别为EV出租车、EV私家车、EV企事业单位用车、EV公交车保有量；γ1、γ2、γ3分别为上述行业EV保有量在城市EV总量中所占比例；QEV,total,t为城市EV总量。
S3、参数估计即在模型架构建立之后对其中相关参数进行计算和赋值，模型中包括的参数有状态变量初始值、常数值、表函数等。依据技术方案对步骤S2中五个模型内状态变量的初始值、常数值、表函数和影响因子等相关参变量估计赋值，进行参数估计，以此准确预测目标地区的电动汽车中长期保有量，具体包括以下子步骤：
S31、将实际因素中随时间变化不显著的参数依据现有数据进行估计并取为常数值，简化该实际因素对应的模型。
S32、通过对预测目标地区的分析，获取与电动汽车实际保有量相关的状态变量的初始值及变化率。
S33、针对实际因素对应的模型内时间序列上的变化量，利用第一数据并通过表函数进行非线性拟合与预测。
S34、通过用户评价值与熵权法，获得实际因素对应的模型中相关因素如电动汽车续航水平、充电水平在上层变量如电动汽车技术发展水平中所占重要程度的比例系数和影响因子，根据获得的比例系数和影响因子预测目标地区中每个实际因素对电动汽车保有量的影响程度。
S341、由于各项指标的量纲并不统一，因此在用它们计算综合指标前，先要进行标准化处理，把实际因素对应的模型中不同变量的用户评价值的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题，计算方法如下：
Figure BDA0002764650170000141
其中，xij为模型中第i个用户对第j个指标的评价值，x′ij为归一化后的数据，min(xi)和max(xi)为模型中第i个用户评价值中的样本最小值和最大值；
S342、计算实际因素对应的模型中第i个用户对第j项指标的评价值占该指标的比重pij，表达式如下：
Figure BDA0002764650170000142
其中，m为指标的个数、n为用户测评个数，且i＝1,2,…,n；j＝1,2,…,m；
S343、计算实际因素对应的模型中第j项指标的熵值ej，表达式如下：
Figure BDA0002764650170000143
其中，k＝1/ln(n)＞0，且满足ej＞0；
S344、计算实际因素对应的模型中第j项指标信息熵的冗余度dj和各项指标的权重ωj，表达式如下：
dj＝1-ej,j＝1,2,…,m
Figure BDA0002764650170000144
其中，ωj为各下层因素如电动汽车续航水平、充电水平等在上层因素如电动汽车技术发展水平等中占比的客观权重。
步骤S1中的德尔菲法，即利用不同领域用户的知识、经验、技术和观点对各类因素进行匿名评选，并按照重要程度进行评价值评价。
与电动汽车保有量预测相关的因素，其包括EV第二因素中的支持力度、节能减排指标、EV第三因素中的状态变量的宏观导向性因素；汽车工业产值、机动车保有量、EV技术发展水平和基础设施完善程度的中观因素；EV使用经济性、EV补贴水平、用户接受程度和各行业保有量的微观因素以及与微观因素相关的辅助变量。
EV第一因素，其包括EV经济性、补贴水平和用户接受程度，EV第一因素和EV第二因素为用户购买EV的主要意愿驱动力；EV第三因素反映了影响EV保有量的宏观因素；EV第四因素中，污染物以及燃油机动车的燃油消耗量是根据目标预测城市的燃油限用量和相关污染物限排量指标决定的，EV第三因素和EV第四因素决定了城市EV的需求量。
本发明考虑范畴的行业用车，其包括出租车、私家车、企事业单位用车和电动公交车，除公交车外，其余类型均属于狭义乘用电动车，即为分类预测模块主要的预测目标，狭义乘用电动汽车实际保有量通过增加量和报废量求取，因此EV的实际增加量利用前述EV需求保有量和EV购买意愿来反映，报废量通过报废率获得；电动公交车保有量的变化需通过时间序列上的非线性关系拟合，因此需要获得某城市近年电动公交车保有量数据，并通过Vensim内置的表函数来获得。
以下结合实施例对本发明一种基于系统动力学的城市电动汽车保有量的分类预测方法做进一步描述：
S1、在节能减排的背景和电动汽车相关产业的蓬勃发展态势下，通过筛选将影响电动汽车保有量的关键因素放入模型之内，在界限外部的概念与变量应排除在模型之外，对预测目标区域内的相关因素进行抓取，具体包括以下子步骤：
S11、根据电动汽车发展态势，相关政策形势和背景，初步筛选一系列影响电动汽车保有量的因素，为了确保边界确定的客观性和科学性，通过德尔菲法对电动汽车保有量的相关因素进行因素抓取，利用不用领域用户的知识、经验、技术和观点对各类因素进行匿名评选，并按照重要程度进行评价，初步筛选一系列影响电动汽车保有量的因素，主要是为了确保电动汽车保有量因素边界确定的客观性和科学性。
S12、依据步骤S11得到的影响因素，通过集中度参数
Figure BDA0002764650170000161
和离散度参数σ，确定电动汽车保有量因素在预测目标区域内的边界，集中度参数
Figure BDA0002764650170000162
和离散度参数σ的具体表达式如下：
Figure BDA0002764650170000163
Figure BDA0002764650170000164
其中，m为指标的个数，n为用户测评个数，N为指标等级数，nij为第i个指标被评价为第j级重要程度的数量，Ej为第j级重要程度的量值，且1≤Ej≤5，
Figure BDA0002764650170000165
和σi分别为第i个指标的集中度和离散度，根据电动汽车保有量预测问题得的实际情况，将满足
Figure BDA0002764650170000166
σi≤0.5的指标列入预测模型边界内，最终确定与电动汽车保有量预测相关的因素。
S2、在步骤S1得到的客观边界内进行模块化建模，综合考虑EV第一因素、EV第二因素、EV第二因素和EV第四因素和分类预测模块这五个模块之间的关联关系，通过系统动力学专业软件Vensim对每个模块进行建模，绘制流图并构建变量间的具体函数关系，以准确反映系统中各变量的累积效应和变化速率：
S21、分别针对与EV第一因素、EV第二因素、EV第三因素和EV第四因素对应的影响因子，对各个因素进行相关的评估，并通过相关辅助量进行表示：
S211、从用户角度出发，根据EV购置花销和使用成本相关的经济性因素对EV第一因素进行综合考虑和评估，并通过相关辅助量表示；在EV第一因素中EV的购买意愿受到EV经济性、补贴水平和用户接受程度的影响，其中，EV经济性主要体现在燃油机动车和电动汽车在全寿命周期费用的比值，该项费用包括汽车购置费和后期用能费用；EV补贴水平通过补贴额度占汽车购买价格的比值来反映；基于能源形势和减排目标，当前EV正处于推广期和上升期，为了提高其市场占有率，补贴额度较高，未来随着新能源汽车市场成熟补贴水平会呈下降趋势；另外，用户的接受程度通过收入价格比来反映，当可支配收入越高于购车价格时，用户的接受程度越强。EV第一因素内各量的计算方法如下：
PEVper-mile＝δEVper-mile×Pelectricity
Pfuel,per-mile＝δfuel,per-mile×Pfuel
CEV,total,t＝PEVper-mile×Dyear×TEV+PEV-PEV,subsidy,t
Cfuelcar,total＝Pfuel,per-mile×Dyear×Tfuel+Pfuelcar
Figure BDA0002764650170000171
Figure BDA0002764650170000172
Figure BDA0002764650170000173
Figure BDA0002764650170000174
式中，PEVper-mile、Pfuel,per-mile分别为EV单位里程电费和燃油车单位里程油费；δEVper-mile、δfuel,per-mile分别为EV单位里程电耗和燃油车单位里程油耗；Pelectricity、Pfuel分别为电价和油价；PEV、Pfuelcar分别为EV和燃油汽车平均价格；PEV,subsidy,t为电动汽车补贴额度；TEV、Tfuel分别为EV和燃油车的平均寿命；Dyear为机动车年平均行驶里程；CEV,total,t、Cfuelcar,total分别为EV和燃油汽车的全寿命周期费用；Iperyear,t、
Figure BDA0002764650170000175
分别为年可支配收入、初始值和增长速率；ωprice-income,t为价格收入比；EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度。
S212、首先，针对EV技术发展水平方面，从用户的角度，EV的续航能力和充电时间关系到汽车使用的便捷性，是电动汽车技术层面需要攻克的主要核心方向；而从政府的角度，EV的技术发展又受到了资金、人才等政策支持力度的影响，其中，续航水平和充电水平通过实际值与其相应期望值的做比来反映；其次，基础设施完善程度由电网支持力度和充换电设施匹配度来反映。其中，电动汽车V2G水平给电网削峰填谷带来的收益决定了电网支持力度的大小；另外电动汽车与充换电设施匹配度指标指某一区域内电动汽车充电桩与电动汽车数量的比例，比例越高，越能满足用户出行体验，有利于EV的推广。EV第二因素的相关计算表达式如下：
Figure BDA0002764650170000176
Figure BDA0002764650170000181
LEV-tech,t＝β1×LEVendurance,t+β2×LEVcharge,t+β3×Sgoverment,t
Sgrid,t＝ΔPp-v×Dyear×δEVper-mile×RV2G×QEV,t
Figure BDA0002764650170000182
Figure BDA0002764650170000183
Linfrastructure,t＝β4×Sgrid,t+β5×LEV-facility match,t
LEV-potential,t＝β6×LEV-tech,t+β7×Linfrastructure,t
式中，LEVendurance,t、LEVcharge,t、LEV-facility match,t分别为EV续航水平、EV充电水平以及EV与充换电设施匹配度；DEVendurance,t、DEVexpect分别为EV实际续航里程和对续航里程的期望值；TEVcharge,t、TEVcharge-expect分别为实际慢充时长和对慢充时长的期望值；ΔPp-v为峰谷价差；RV2G为电动汽车与配电网的V2G比例；Qfuel,t、QEV,t分别为燃油机动车控制保有量和EV实际保有量；δEVper-mile为EV单位里程电耗；QEVcharging pile,t为电动汽车充电桩数量；Sgrid,t、Sgoverment,t分别为第一支持力度和第二支持力度；LEV-tech,t、Linfrastructure,t分别为EV技术发展水平和基础设施完善程度；LEV-potential,t为EV发展潜力；β1、β2、β3分别为EV续航水平、EV充电水平和第二支持力度在EV技术发展水平中所占的比例；β4、β5分别为第一支持力度和EV与充换电设施匹配度在基础设施完善程度中所占的比例；β6、β7分别为EV发展水平和基础设施完善程度在EV发展潜力中所占的比例。
S213、EV第三因素内千人汽车保有量的目标值可通过汽车工业产值与汽车平均价格来获得，该量反映了汽车的工业生产能力和市场容量。其中，汽车工业产值在GDP中占有一定比例；通过引入千人汽车保有量反映社会现存机动车数量水平；而目标值与实际值的差异则为机动车保有量的增加值。具体计算表达式如下：
Figure BDA0002764650170000184
Figure BDA0002764650170000185
Ccar·industry,t＝ωcar-GDP,t×CGDP,t
Figure BDA0002764650170000186
Figure BDA0002764650170000191
Figure BDA0002764650170000192
Figure BDA0002764650170000193
式中，Qpeople,t为第一状态变量数量、
Figure BDA0002764650170000194
为第一状态变量初值；
Figure BDA0002764650170000195
分别为第一状态变量出生率和死亡率；CGDP,t、
Figure BDA0002764650170000196
为第二状态变量总量和初始值；
Figure BDA0002764650170000197
为第二状态变量自然增长率；Ccar·industry,t为汽车工业产值；ωcar-GDP,t为汽车年工业产值占GDP总量的百分比；Qper·thousand,t、Qper·thousand-exp,t分别为千人汽车保有量及其目标值；Pcar-average为汽车平均价格；Qcar,t、
Figure BDA0002764650170000198
为机动车保有量及其初始值；Qcar-incre,t为机动车保有量增加量；
Figure BDA0002764650170000199
为机动车报废率。
S214、通过考虑CO、NOx、CO2和PM四类主要污染物以及燃油机动车的燃油消耗量，根据目标预测城市的燃油限用量和相关污染物限排量指标，并结合汽车年行驶里程得到因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量，并将因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量中较小量定为该城市所能拥有燃油机动车的最大数量，来对节能减排模块进行综合考虑和评估，EV第四因素的计算表达式如下：
Figure BDA00027646501700001910
Figure BDA00027646501700001911
Qlimited,t＝Min(Qlimited-emission,t、Qlimited-energy,t)
其中，Qlimited-emission,t、Qlimited-energy,t分别为因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量；Qlimited,t为燃油机动车控制保有量；femission-co、
Figure BDA00027646501700001912
femission-PM分别为CO、NOx、CO2、PM的平均排放因子；Glimited-CO,t、
Figure BDA00027646501700001913
Glimited-PM,t分别为CO、NOx、CO2、PM的城市年限排量；Glimited-fuel,t为城市燃油年限用量；δfuel,per-mile为燃油汽车单位里程油耗；Dyear为年行驶里程。
S22、通过分类预测模块获得预测目标区域内不同行业EV保有量的数据，分类预测模块具体计算表达式如下：
QEV-incre,t＝Wbuy-EV,t×QEV-need,t
Wbuy-EV,t＝α1×LEV-potential,t+α2×EEV,t+α3×LEV,subsidy,t+α4×Luser,t
QEV-need,t＝Qcar,t-Qlimited
Figure BDA0002764650170000201
Figure BDA0002764650170000202
QEV,total,t＝QEV-bus,t+QEV,t
QEV-taxi,t＝QEV,t×γ1
QEV-private,t＝QEV,t×γ2
QEV-company,t＝QEV,t×γ3
其中，QEV-incre,t、QEV-scrap,t分别为EV实际增加量和报废量；
Figure BDA0002764650170000203
为EV报废率；Wbuy-EV,t为电动汽车购买意愿；LEV-potential,t为EV发展潜力、EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度；α1、α2、α3、α4分别为EV发展潜力、EV经济性、EV补贴水平和用户接受程度在EV购买意愿中所占的比例系数且满足α1+α2+α3+α4＝1；QEV-need,t为电动汽车需求保有量；QEV,t、QEV,t0分别为狭义乘用车的EV实际保有量及其初始值；QEV-taxi,t、QEV-private,t、QEV-company,t、QEV-bus,t分别为EV出租车、EV私家车、EV企事业单位用车、EV公交车保有量；γ1、γ2、γ3分别为上述行业EV保有量在城市EV总量中所占比例；QEV,total,t为城市EV总量。
S3、对步骤S2中五个模型内状态变量的初始值、常数值、表函数和影响因子等相关参变量估计赋值，以此准确预测目标地区的电动汽车中长期保有量，具体包括以下子步骤：
S31、为简化模型，其中随时间变化不显著的参数依据现有数据进行估计并近似取为常数值，简化该实际因素对应的模型；以下参数根据几类搜索热度和市场占有率较高的EV与燃油汽车数据推算得到，具有较高代表性，具体如表1所示。
表1模型常量影响因素及单位
Figure BDA0002764650170000204
Figure BDA0002764650170000211
S32、通过对预测目标地区的分析，可以获得与EV第三因素有关的第一状态变量、第二状态变量、机动车保有量、年可支配收入和电动汽车实际保有量等状态变量初始值及其变化率，主要影响因素的单位如表2所示。
表2主要变量单位明细
主要影响因素 单位 主要影响因素 单位
人口 万人 电动汽车(狭义乘用车)实际保有量 辆
GDP总量 亿元 人均年可支配收入 万元
机动车保有量 辆 CO/NO<sub>X</sub>/CO<sub>2</sub>/PM平均排放因子 g/km
城市燃油年限用量 L 城市CO/NO<sub>X</sub>/CO<sub>2</sub>/PM年限排量 kg
其余相关变量单位同理，通过了全局的量纲一致性检验。
S33、针对实际因素对应的模型内时间序列上的变化量，利用第一数据并通过表函数进行非线性拟合与预测。
S34、通过用户评价值与熵权法，获得实际因素对应的模型中相关因素在上层变量中所占重要程度的比例系数和影响因子，根据获得的比例系数和影响因子预测目标地区中每个实际因素对电动汽车保有量的影响程度：
S341、由于各项指标的量纲并不统一，因此在用它们计算综合指标前，先要进行标准化处理，把模型中不同变量的用户评价值的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题，计算方法如下：
Figure BDA0002764650170000212
其中，xij为第i个用户对第j个指标的评价值(满分100分)，xi′j为归一化后的数据，min(xi)和max(xi)为第i个用户评价值中的样本最小值和最大值。
S342、计算第i个用户对第j项指标的评价值占该指标的比重pij，表达式如下：
Figure BDA0002764650170000213
其中，m为指标的个数、n为用户测评个数，且i＝1,2,…,n；j＝1,2,…,m。
S343、计算第j项指标的熵值ej，表达式如下：
Figure BDA0002764650170000221
其中，k＝1/ln(n)＞0，且满足ej＞0；
S344、计算第j项指标信息熵的冗余度dj和各项指标的权重ωj，表达式如下：
dj＝1-ej,j＝1,2,…,m
Figure BDA0002764650170000222
其中，ωj为各下层因素(如电动汽车续航水平、充电水平等)在上层因素(如电动汽车技术发展水平等)中占比的客观权重。
综上，本发明设计的EV保有量预测方法的系统具有普适性，在相关具体项目实施过程中参数估计部分需依照本发明的分类预测方法并结合预测目标区域第一数据展开，从而更好贴近地区特色，提高预测精度和可信度。通过上述方法，利用Vensim仿真可有效获取目标城市EV保有量中长期预测数据，达到了预期效果。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于系统动力学的城市电动汽车保有量的分类预测方法，其特征在于，具体实施步骤如下：
S1、在预测目标区域内获得电动汽车保有量的影响因素，具体包括以下子步骤：
S11、在预测目标区域内，对电动汽车保有量的相关因素进行抓取，筛选出与电动汽车保有量有关的影响因素；
S12、依据步骤S11得到的影响因素，通过集中度参数
Figure FDA0002764650160000015
和离散度参数σ，确定电动汽车保有量因素在预测目标区域内的边界，集中度参数
Figure FDA0002764650160000016
和离散度参数σ的具体表达式如下：
Figure FDA0002764650160000011
Figure FDA0002764650160000012
其中，m为指标的个数，n为用户测评个数，N为指标等级数，nij为第i个指标被评价为第j级重要程度的数量，Ej为第j级重要程度的量值，且1≤Ej≤5，
Figure FDA0002764650160000013
和σi分别为第i个指标的集中度和离散度，根据电动汽车保有量预测情况，将满足
Figure FDA0002764650160000014
σi≤0.5的指标列入预测模型边界内，最终确定与电动汽车保有量相关的影响因素；
S2、在步骤S1得到电动汽车保有量因素的边界内进行模块化建模，综合考虑与预测目标区域相关的各个实际因素模型以及分类预测模块之间的关联关系，具体包括以下子步骤：
S21、分别针对与EV第一因素、EV第二因素、EV第三因素和EV第四因素对应的影响因子，对各个因素进行相关的评估，并通过相关辅助量进行表示；
S22、通过分类预测模块获得预测目标区域内不同行业EV保有量的数据；
S3、对步骤S2中实际因素模型内状态变量的初始值、常数值、表函数和影响因子相关参变量估计赋值，进行参数估计，以此准确预测目标地区的电动汽车的保有量，具体包括以下子步骤：
S31、将实际因素中随时间变化不显著的参数依据现有数据进行估计并取为常数值，简化该实际因素对应的模型；
S32、通过对预测目标地区的分析，获取与电动汽车实际保有量相关的状态变量的初始值及变化率；
S33、针对实际因素对应的模型内时间序列上的变化量，利用第一数据并通过表函数进行非线性拟合与预测；
S34、获得实际因素对应的模型中相关因素在上层变量中所占重要程度的比例系数和影响因子，根据获得的比例系数和影响因子预测目标地区中每个实际因素对电动汽车保有量的影响程度；
所述步骤S34具体包括以下步骤：
S341、把实际因素对应的模型中不同变量的用户评价值的绝对值转化为相对值，从而解决各项不同质指标值的同质化问题，计算方法如下：
Figure FDA0002764650160000021
其中，xij为模型中第i个用户对第j个指标的评价值，x′ij为归一化后的数据，min(xi)和max(xi)为模型中第i个用户评价值中的样本最小值和最大值；
S342、计算实际因素对应的模型中第i个用户对第j项指标的评价值占该指标的比重pij，表达式如下：
Figure FDA0002764650160000022
其中，m为指标的个数、n为用户测评个数，且i＝1,2,…,n；j＝1,2,…,m；
S343、计算实际因素对应的模型中第j项指标的熵值ej，表达式如下：
Figure FDA0002764650160000023
其中，k＝1/ln(n)＞0，且满足ej＞0；
S344、计算实际因素对应的模型中第j项指标信息熵的冗余度dj和各项指标的权重ωj，表达式如下：
dj＝1-ej,j＝1,2,…,m
Figure FDA0002764650160000024
其中，ωj为各下层因素在上层因素中占比的客观权重。
2.根据权利要求1所述的基于系统动力学的城市电动汽车保有量的分类预测方法，其特征在于，在步骤S2中，所述实际因素模型，其包括EV第一因素、EV第二因素、EV第三因素和EV第四因素。
3.根据权利要求1或者2所述的基于系统动力学的城市电动汽车保有量的分类预测方法，其特征在于，所述步骤S21中各个实际因素对应的表达式为：
S211、所述EV第一因素的计算表达式如下：
PEVper-mile＝δEVper-mile×Pelectricity
Pfuel,per-mile＝δfuel,per-mile×Pfuel
CEV,total,t＝PEVper-mile×Dyear×TEV+PEV-PEV,subsidy,t
Cfuelcar,total＝Pfuel,per-mile×Dyear×Tfuel+Pfuelcar
Figure FDA0002764650160000031
Figure FDA0002764650160000032
Figure FDA0002764650160000033
Figure FDA0002764650160000034
式中，PEVper-mile、Pfuel,per-mile分别为EV单位里程电费和燃油车单位里程油费；δEVper-mile、δfuel,per-mile分别为EV单位里程电耗和燃油车单位里程油耗；Pelectricity、Pfuel分别为电价和油价；PEV、Pfuelcar分别为EV和燃油汽车平均价格；PEV,subsidy,t为电动汽车补贴额度；TEV、Tfuel分别为EV和燃油车的平均寿命；Dyear为机动车年平均行驶里程；CEV,total,t、Cfuelcar,total分别为EV和燃油汽车的全寿命周期费用；Iperyear,t、
Figure FDA0002764650160000038
分别为年可支配收入、初始值和增长速率；ωprice-income,t为价格收入比；EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度；
S212、所述EV第二因素的计算表达式如下：
Figure FDA0002764650160000036
Figure FDA0002764650160000037
LEV-tech,t＝β1×LEVendurance,t+β2×LEVcharge,t+β3×Sgoverment,t
Sgrid,t＝ΔPp-v×Dyear×δEVper-mile×RV2G×QEV,t
Figure FDA0002764650160000041
Figure FDA0002764650160000042
Linfrastructure,t＝β4×Sgrid,t+β5×LEV-facilitymatch,t
LEV-potential,t＝β6×LEV-tech,t+β7×Linfrastructure,t
式中，LEVendurance,t、LEVcharge,t、LEV-facilitymatch,t分别为EV续航水平、EV充电水平以及EV与充换电设施匹配度；DEVendurance,t、DEVexpect分别为EV实际续航里程和对续航里程的期望值；TEVcharge,t、TEVcharge-expect分别为实际慢充时长和对慢充时长的期望值；ΔPp-v为峰谷价差；RV2G为电动汽车与配电网的V2G比例；Qfuel,t、QEV,t分别为燃油机动车控制保有量和EV实际保有量；δEVper-mile为EV单位里程电耗；QEVchargingpile,t为电动汽车充电桩数量；Sgrid,t、Sgoverment,t分别为第一支持力度和第二支持力度；LEV-tech,t、Linfrastructure,t分别为EV技术发展水平和基础设施完善程度；LEV-potential,t为EV发展潜力；β1、β2、β3分别为EV续航水平、EV充电水平和第二支持力度在EV技术发展水平中所占的比例；β4、β5分别为第一支持力度和EV与充换电设施匹配度在基础设施完善程度中所占的比例；β6、β7分别为EV发展水平和基础设施完善程度在EV发展潜力中所占的比例；
S213、所述EV第三因素的计算表达式如下：
Figure FDA0002764650160000043
Figure FDA0002764650160000044
Ccar·industry,t＝ωcar-GDP,t×CGDP,t
Figure FDA0002764650160000045
Figure FDA0002764650160000046
Figure FDA0002764650160000047
Figure FDA0002764650160000048
式中，Qpeople,t为第一状态变量数量、
Figure FDA0002764650160000049
为第一状态变量初值；
Figure FDA00027646501600000410
分别为第一状态变量出生率和死亡率；CGDP,t、
Figure FDA00027646501600000411
为第二状态变量总量和初始值；
Figure FDA00027646501600000412
为第二状态变量自然增长率；Ccar·industry,t为汽车工业产值；ωcar-GDP,t为汽车年工业产值占GDP总量的百分比；Qper·thousand,t、Qper·thousand-exp,t分别为千人汽车保有量及其目标值；Pcar-average为汽车平均价格；Qcar,t、
Figure FDA0002764650160000051
为机动车保有量及其初始值；Qcar-incre,t为机动车保有量增加量；
Figure FDA0002764650160000052
为机动车报废率；
S214、所述EV第四因素模块的计算表达式如下：
Figure FDA0002764650160000053
Figure FDA0002764650160000054
Qlimited,t＝Min(Qlimited-emission,t、Qlimited-energy,t)
其中，Qlimited-emission,t、Qlimited-energy,t分别为因污染物排放控制的燃油车总量和因能源消耗控制的燃油车总量；Qlimited,t为燃油机动车控制保有量；femission-co、
Figure FDA0002764650160000055
femission-PM分别为CO、NOx、CO2、PM的平均排放因子；Glimited-CO,t、
Figure FDA0002764650160000056
Glimited-PM,t分别为CO、NOx、CO2、PM的城市年限排量；Glimited-fuel,t为城市燃油年限用量；δfuel,per-mile为燃油汽车单位里程油耗；Dyear为年行驶里程。
4.根据权利要求1或者2所述的基于系统动力学的城市电动汽车保有量的分类预测方法，其特征在于，所述步骤S22中分类预测模块的具体表达式为：
QEV-incre,t＝Wbuy-EV,t×QEV-need,t
Wbuy-EV,t＝α1×LEV-potential,t+α2×EEV,t+α3×LEV,subsidy,t+α4×Luser,t
QEV-need,t＝Qcar,t-Qlimited
Figure FDA0002764650160000057
Figure FDA0002764650160000058
QEV,total,t＝QEV-bus,t+QEV,t
QEV-taxi,t＝QEV,t×γ1
QEV-private,t＝QEV,t×γ2
QEV-company,t＝QEV,t×γ3
其中，QEV-incre,t、QEV-scrap,t分别为EV实际增加量和报废量；
Figure FDA0002764650160000059
为EV报废率；Wbuy-EV,t为电动汽车购买意愿；LEV-potential,t为EV发展潜力、EEV,t为EV经济性、LEV,subsidy,t为EV补贴水平；Luser,t为接受程度；α1、α2、α3、α4分别为EV发展潜力、EV经济性、EV补贴水平和用户接受程度在EV购买意愿中所占的比例系数且满足α1+α2+α3+α4＝1；QEV-need,t为电动汽车需求保有量；QEV,t、
Figure FDA00027646501600000510
分别为狭义乘用车的EV实际保有量及其初始值；QEV-taxi,t、QEV-private,t、QEV-company,t、QEV-bus,t分别为EV出租车、EV私家车、EV企事业单位用车、EV公交车保有量；γ1、γ2、γ3分别为上述行业EV保有量在城市EV总量中所占比例；QEV,total,t为城市EV总量。
CN202011229339.0A 2020-11-06 2020-11-06 基于系统动力学的城市电动汽车保有量的分类预测方法 Pending CN112365041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011229339.0A CN112365041A (zh) 2020-11-06 2020-11-06 基于系统动力学的城市电动汽车保有量的分类预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011229339.0A CN112365041A (zh) 2020-11-06 2020-11-06 基于系统动力学的城市电动汽车保有量的分类预测方法

Publications (1)

Publication Number Publication Date
CN112365041A true CN112365041A (zh) 2021-02-12

Family

ID=74508876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011229339.0A Pending CN112365041A (zh) 2020-11-06 2020-11-06 基于系统动力学的城市电动汽车保有量的分类预测方法

Country Status (1)

Country Link
CN (1) CN112365041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118509A (zh) * 2021-08-12 2022-03-01 生态环境部环境规划院 一种道路交通二氧化碳排放的预测方法及预测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118509A (zh) * 2021-08-12 2022-03-01 生态环境部环境规划院 一种道路交通二氧化碳排放的预测方法及预测系统
CN114118509B (zh) * 2021-08-12 2022-08-23 生态环境部环境规划院 一种道路交通二氧化碳排放的预测方法及预测系统

Similar Documents

Publication Publication Date Title
CN110570014B (zh) 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法
Wu et al. Risk assessment of electric vehicle supply chain based on fuzzy synthetic evaluation
Karaşan et al. Location selection of electric vehicles charging stations by using a fuzzy MCDM method: a case study in Turkey
Patil et al. Integration of charging behavior into infrastructure planning and management of electric vehicles: A systematic review and framework
Wang et al. Carbon emission of energy consumption of the electric vehicle development scenario
Zhang et al. Charging demand prediction in Beijing based on real-world electric vehicle data
Hsu et al. The depot and charging facility location problem for electrifying urban bus services
Erdoğan et al. A systematic approach to evaluate risks and failures of public transport systems with a real case study for bus rapid system in Istanbul
Tsoi et al. Pioneers of electric mobility: Lessons about transport decarbonisation from two bay areas
Borysova et al. Priorities of marketing, competitiveness, and innovative development of transport service providers under sustainable urban development
Zacharof et al. An estimation of heavy-duty vehicle fleet CO2 emissions based on sampled data
Petrik et al. Uncertainty analysis of an activity-based microsimulation model for Singapore
CN112365041A (zh) 基于系统动力学的城市电动汽车保有量的分类预测方法
De Silva et al. A system dynamics model for vehicle fleet transformation towards energy efficiency and low-carbon development: A case study of Sri Lanka and its strategies
Chen et al. On the relationship between energy consumption and driving behavior of electric vehicles based on statistical features
CN111967686B (zh) 一种基于用电概率分布函数的随机负荷预测方法
Chen et al. Eco-driving for urban bus with big data analytics
Ghani et al. Modelling the Impact of Mobile Application Adoption on the Taxi Demand: An Application of a System Dynamics Approach.
La et al. Predictive model of air transportation management based on intelligent algorithms of wireless network communication
Xia Exploring the Determinants of Electric Vehicle Adoption in Canada: A Multi-City Study
Chen et al. A research on the Taipei MRT passenger traffic prediction model
Agha et al. Investigating the effects of fuel price on inter-city transportation utilizing system dynamics approach and simulation (Case study: Inter-city transport, Iran)
Cavallaro Electric Vehicle Charging Station Site Selection by an Integrated Hesitant Fuzzy SWARA-WASPAS Method
Cucu et al. Management of a public transportation service: carsharing service
Trosvik et al. Electric vehicle adoption in Sweden and the impact of local policy instruments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210212

RJ01 Rejection of invention patent application after publication