CN113705955A - 电动汽车扩散效益评估结果推送方法及系统 - Google Patents
电动汽车扩散效益评估结果推送方法及系统 Download PDFInfo
- Publication number
- CN113705955A CN113705955A CN202110776207.8A CN202110776207A CN113705955A CN 113705955 A CN113705955 A CN 113705955A CN 202110776207 A CN202110776207 A CN 202110776207A CN 113705955 A CN113705955 A CN 113705955A
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- model
- subsidy
- benefit evaluation
- parameters
- 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
Links
- 230000008901 benefit Effects 0.000 title claims abstract description 191
- 238000009792 diffusion process Methods 0.000 title claims abstract description 177
- 238000011156 evaluation Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013210 evaluation model Methods 0.000 claims abstract description 50
- 230000008520 organization Effects 0.000 claims abstract description 25
- 238000010276 construction Methods 0.000 claims description 37
- BDDLHHRCDSJVKV-UHFFFAOYSA-N 7028-40-2 Chemical compound CC(O)=O.CC(O)=O.CC(O)=O.CC(O)=O BDDLHHRCDSJVKV-UHFFFAOYSA-N 0.000 claims description 34
- 229910052799 carbon Inorganic materials 0.000 claims description 28
- 230000007613 environmental effect Effects 0.000 claims description 25
- 239000000446 fuel Substances 0.000 claims description 25
- 230000005611 electricity Effects 0.000 claims description 18
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 17
- 239000005431 greenhouse gas Substances 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 17
- 230000007407 health benefit Effects 0.000 claims description 12
- 238000012827 research and development Methods 0.000 claims description 11
- 238000010206 sensitivity analysis Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000002699 waste material Substances 0.000 claims description 8
- 239000007789 gas Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000009849 deactivation Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 description 8
- 239000003921 oil Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008821 health effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000005094 computer simulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008713 feedback mechanism Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种电动汽车扩散效益评估结果推送方法及系统,涉及汽车工业效益评估结果推送技术领域。本发明基于消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型,利用系统动力学模型构建电动汽车扩散效益评估模型;并设置该模型的初始参数,然后通过对电动汽车扩散效益评估模型中的初始参数进行赋值更新,并获取调整参数时对应的电动汽车扩散效益评估的结果,然后基于LDA主题模型选择信息推送主体,并将电动汽车扩散效益评估结果精准的推送给各个主体的相关人员。本发明构建的电动汽车扩散效益评估模型可以精准地获取电动汽车扩散效益评估结果;另外,本发明在节约推广成本的同时提高了评估结果的推广效率。
Description
技术领域
本发明涉及汽车工业效益评估结果推送技术领域,具体涉及一种电动汽车扩散效益评估结果推送方法及系统。
背景技术
电动汽车推广扩散肩负着推动汽车产业转型升级、保障能源安全、改善空气质量等重要作用,意义重大。但是电动汽车扩散是一个涉及包括补贴机构、消费者、制造商和基础设施运营商在内的多个主体的行为选择、互动和反馈机制的复杂动态系统。所以如何将获取的电动汽车扩散效益评估结果及时、精准的推送给各个主体的相关人员,从而建立多个主体之间的信息互通和交流,一直是该领域亟需解决的问题。
现有的电动汽车扩散效益评估结果推送技术,在获取电动汽车扩散效益评估结果后直接将结果推送给各主体相关人员,未考虑接收信息的受体所需要推送的信息的内容和信息量是不同的,而实际上在推送信息时需要根据被推送人员的身份进行选择性推送,现有的电动汽车扩散效益评估结果推送技术,无法实现将扩散效益评估结果精准有效地推送出去,不利于扩散效益评估结果的选择性推广;其次,现有技术是在宏观层面上利用系统建模方法来评估和预测电动汽车的扩散效益,是一种理想化的评估方法,这种宏观系统建模方法难以透视微观主体的行为选择,且难以反映不同决策主体之间非线性和反馈关系;同时电动汽车扩散过程是一个动态变化过程,现有技术只考虑了静态数据,很难准确获取扩散效益的评估结果,同样也影响了电动汽车扩散效益评估结果的精准推送。
由此可见,传统的电动汽车扩散效益评估结果推送技术无法根据电动汽车扩散过程中的真实情况精准推送扩散效益评估结果。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种电动汽车扩散效益评估结果推送方法及系统,解决了现有技术无法根据电动汽车扩散过程中的真实情况精准推送扩散效益评估结果的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明首先提供了一种电动汽车扩散效益评估结果推送方法,所述方法包括:
基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型;
获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数;
更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果;
基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
优选的,所述消费者模型包括:
UEV=θEVgEV-LCCEV+UC
UFV=θFVgFV-LCCFV-TFV+UG
UNO=0
其中,UEV表示购买电动汽车EV的净效用;UFV表示购买燃油汽车 FV的净效用;UNO表示两种汽车均不购买的净效用;gEV和gFV分别表示EV和FV的环境友好程度;θEV和θFV分别表示购买EV、FV的消费者环保意识参数;LCCEV和LCCFV分别表示EV和FV的全生命周期成本;UC表示来自充电基础设施的消费者效用参数;UG表示加油站带来的消费者效用参数;TFV表示FV车牌限制政策的限制程度;
制造商模型包括:
TRMEV=TRSEV+TRC
TRSEV=(MSRPEV-CEV)×ASE
MSRPEV=CEV(1+EPR)
其中,TRMEV表示电动汽车制造商的总收益;TRSEV表示电动汽车销售收益;TRC表示碳交易收益;MSRPEV表示电动汽车的制造商建议零售价格;CEV表示电动汽车生产成本;ASE表示电动汽车年销量;EPR 表示预期利润率;
充电基础设施运营商模型包括:
TAC=INTEG(ANC-ADC,TACinitial)
ANC=OI/(F-SOP)
ADC=TAC×DRC
其中,TAC表示充电桩总量;ANC表示充电桩新建量;ADC表示充电桩的年报废量;TACinitial表示初始充电桩总量;OI表示充电基础设施运营商的投资额;F表示充电桩的建设成本;SOP表示充电桩的建设补贴;DRC表示充电桩的报废率;
补贴机构模型包括:
πG=πEnergy+πEnvironment+πHealth-ASE×PS-GRD-ANC×SOP
πEnergy=ASF×AAM×EFFV×Pg-ASE×AAM×EFEV×Pe
πEnvironment=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
πHealth=ASE×PM×ADR×TP×SL
其中,πG表示总社会效益;πEnergy表示能源效益;πEnvironment表示环境效益;πHealth表示健康效益;ASE表示每年电动汽车的销量;PS表示补贴机构给消费者的购买补贴;GRD表示补贴机构给制造商的研发补贴参数;ANC表示充电桩新建量;SOP表示充电桩建设补贴;ASF表示每年燃油汽车销量;AAM表示年行驶里程;EFFV表示行驶单位公里的耗油量;Pg表示油价;EFEV表示行驶单位公里的耗电量;Pe表示电价; CO2FV表示每升汽油的温室气体排放量;CO2EV表示每千瓦时电的温室气体排放量;pCarbon表示碳价;PM表示单位电动汽车降低的PM2.5浓度;ADR表示单位PM2.5浓度降低可避免的平均死亡率;TP表示总人口;SL表示每个人的统计生命价值。
优选的,在获取所述电动汽车扩散效益评估模型中的初始参数后,所述方法还包括:对所述初始参数进行仿真拟合以实现参数的现实性检验;利用蒙特卡洛模拟对所述初始参数进行敏感性分析。
优选的,所述电动汽车扩散效益评估结果包括:能源效益评估结果、环境效益评估结果、健康效益评估结果,以及总社会效益评估结果。
优选的,所述基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员包括:
获取与各主体相关的文本数据,然后对所述文本数据进行包括分词、去停用词的处理;
基于处理后的文本数据和LDA主题模型获取欲推送电动汽车扩散效益评估结果的各主体相关人员名单;
将电动汽车扩散效益评估结果推送给名单所对应的人员。
第二方面,本发明还提出了一种电动汽车扩散效益评估结果推送系统,所述系统包括:
模型构建模块,用于基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型;
初始参数获取模块,用于获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数;
评估结果获取模块,用于更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果;
评估结果推送模块,用于基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
优选的,所述模型构建模块中消费者模型包括:
UEV=θEVgEV-LCCEV+UC
UFV=θFVgFV-LCCFV-TFV+UG
UNO=0
其中,UEV表示购买电动汽车EV的净效用;UFV表示购买燃油汽车 FV的净效用;UNO表示两种汽车均不购买的净效用;gEV和gFV分别表示EV和FV的环境友好程度;θEV和θFV分别表示购买EV、FV的消费者环保意识参数;LCCEV和LCCFV分别表示EV和FV的全生命周期成本;UC表示来自充电基础设施的消费者效用参数;UG表示加油站带来的消费者效用参数;TFV表示FV车牌限制政策的限制程度;
制造商模型包括:
TRMEV=TRSEV+TRC
TRSEV=(MSRPEV-CEV)×ASE
MSRPEV=CEV(1+EPR)
其中,TRMEV表示电动汽车制造商的总收益;TRSEV表示电动汽车销售收益;TRC表示碳交易收益;MSRPEV表示电动汽车的制造商建议零售价格;CEV表示电动汽车生产成本;ASE表示电动汽车年销量;EPR 表示预期利润率;
充电基础设施运营商模型包括:
TAC=INTEG(ANC-ADC,TACinitial)
ANC=OI/(F-SOP)
ADC=TAC×DRC
其中,TAC表示充电桩总量;ANC表示充电桩新建量;ADC表示充电桩的年报废量;TACinitial表示初始充电桩总量;OI表示充电基础设施运营商的投资额;F表示充电桩的建设成本;SOP表示充电桩的建设补贴;DRC表示充电桩的报废率;
补贴机构模型包括:
πG=πEnergy+πEnvironment+πHealth-ASE×PS-GRD-ANC×SOP
πEnergy=ASF×AAM×EFFV×Pg-ASE×AAM×EFEV×Pe
πEnvironment=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
πHealth=ASE×PM×ADR×TP×SL
其中,πG表示总社会效益;πEnergy表示能源效益;πEnvironment表示环境效益;πHealth表示健康效益;ASE表示每年电动汽车的销量;PS表示补贴机构给消费者的购买补贴;GRD表示补贴机构给制造商的研发补贴参数;ANC表示充电桩新建量;SOP表示充电桩建设补贴;ASF表示每年燃油汽车销量;AAM表示年行驶里程;EFFV表示行驶单位公里的耗油量;Pg表示油价;EFEV表示行驶单位公里的耗电量;Pe表示电价; CO2FV表示每升汽油的温室气体排放量;CO2EV表示每千瓦时电的温室气体排放量;pCarbon表示碳价;PM表示单位电动汽车降低的PM2.5浓度;ADR表示单位PM2.5浓度降低可避免的平均死亡率;TP表示总人口;SL表示每个人的统计生命价值。
优选的,所述初始参数获取模块在获取所述电动汽车扩散效益评估模型中的初始参数后,所述系统还包括:初始参数验证单元,用于对所述初始参数进行仿真拟合以实现参数的现实性检验;利用蒙特卡洛模拟对所述初始参数进行敏感性分析。
优选的,所述评估结果获取模块获取的电动汽车扩散效益评估结果包括:能源效益评估结果、环境效益评估结果、健康效益评估结果,以及总社会效益评估结果。
优选的,所述评估结果推送模块基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员包括:
获取与各主体相关的文本数据,然后对所述文本数据进行包括分词、去停用词的处理;
基于处理后的文本数据和LDA主题模型获取欲推送电动汽车扩散效益评估结果的各主体相关人员名单;
将电动汽车扩散效益评估结果推送给名单所对应的人员。
(三)有益效果
本发明提供了一种电动汽车扩散效益评估结果推送方法及系统。
与现有技术相比,具备以下有益效果:
1、本发明基于消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型,利用系统动力学模型构建电动汽车扩散效益评估模型;并设置该模型的初始参数,然后通过不断对电动汽车扩散效益评估模型中的初始参数进行赋值更新,以获取调整参数时的电动汽车扩散效益评估结果,再基于LDA主题模型确定信息推送主体的人员名单,最后将电动汽车扩散效益评估结果精准的推送给各个主体的相关人员。本发明构建的电动汽车扩散效益评估模型将评估结果精准的推送给各个主体的相关人员,在节约推广成本的同时提高了推广的效率,其次,本发明从微观角度考虑了电动汽车扩散所依赖的多方主体之间的互动和反馈关系,同时考虑了电动汽车扩散过程的动态和非线性变化特性,反映了扩散过程的真实情况,其最终获取的电动汽车扩散效益评估结果更加精准,间接提高了推送的精准度。
2、本发明通过对电动汽车扩散效益评估模型中的初始参数进行不断赋值和更新,更好地考虑到了电动汽车扩散过程的动态和非线性变化特性,使得最终获取的电动汽车扩散效益评估结果更加精准,间接提高了推送内容的精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种电动汽车扩散效益评估结果推送方法的流程图;
图2为本发明实施例中基于SD模型的各主体之间的关系图;
图3为本发明实施例中对模型参数进行现实性检验的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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,都属于本发明保护的范围。
本申请实施例通过提供一种电动汽车扩散效益评估结果推送方法及系统,解决了现有技术无法根据电动汽车扩散过程中的真实情况精准获取和选择性推送扩散效益评估结果的问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
为了将电动汽车扩散效益评估结果精准的推送给各主体的相关人员,本发明首先利用系统动力学模型,基于消费者模型、制造商模型、充电基础设施运营商模型和补贴机构模型等多个主体,构建电动汽车扩散效益评估模型,然后确定该模型的初始参数,并不断对模型中的初始参数进行赋值更新,以获取参数更新时的电动汽车扩散效益评估结果,最后将这些结果有选择性的推送给各主体中不同身份的人员。本发明实现了根据电动汽车扩散过程中的真实情况精准获取和推送扩散效益评估结果的目的。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
电动汽车扩散是一个动态变化的复杂过程,其不是仅依靠某个单一主体,而是取决于包括补贴机构、消费者、制造商和基础设施供应商在内的多个主体的行为选择、互动和反馈机制。
系统动力学(System Dynamics,SD)模型是一种利用库存,流量,内部反馈回路,表函数和时间延迟来了解复杂系统随时间变化的非线性行为的模型。
本发明基于SD模型构建了一个包括消费者、制造商、充电基础设施运营商和补贴机构的多主体之间互动的电动汽车扩散效益评估模型,用于评估电动汽车扩散效益的精准预测结果,然后将该结果再精准的推送给不同主体的相关人员。
实施例1:
第一方面,本发明首先提出了一种电动汽车扩散效益评估结果推送方法,参见图1,该方法包括:
S1、基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型;
S2、获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数;
S3、更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果;
S4、基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
可见,本发明基于消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型,利用系统动力学模型构建电动汽车扩散效益评估模型;并设置该模型的初始参数,然后通过不断对电动汽车扩散效益评估模型中的初始参数进行赋值更新,以获取调整参数时的电动汽车扩散效益评估结果,再基于LDA主题模型确定信息推送主体的人员名单,最后将电动汽车扩散效益评估结果精准的推送给各个主体的相关人员。本发明构建的电动汽车扩散效益评估模型将评估结果精准的推送给各个主体的相关人员,在节约推广成本的同时提高了推广的效率,其次,本发明从微观角度考虑了电动汽车扩散所依赖的多方主体之间的互动和反馈关系,同时考虑了电动汽车扩散过程的动态和非线性变化特性,反映了扩散过程的真实情况,其最终获取的电动汽车扩散效益评估结果更加精准,间接提高了推送的精准度。
下面结合对S1-S4具体步骤的解释,来详细说明本发明一个实施例的实现过程。
S1、基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及政府模型。
参见图2,电动汽车扩散效益评估模型是基于多个主体所对应的模型利用系统动力学模型来构建的。多个主体模型一般包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型四个子系统。具体的,
消费者模型。消费者模型是基于消费者效用来建模汽车的市场份额,然后通过市场份额研究来描述市场扩散的演化过程。在消费者模型中,消费者是否会选择购买电动汽车取决于车辆环境友好性、全生命周期成本、燃油车车牌限制政策以及配套的基础设施效用。消费者的效用包括购买电动汽车(EV)的效用、购买燃油汽车(FV)的效用,以及两种汽车均不购买的效用。这三类消费者的效用函数用公式可表示为:
UEV=θEVgEV-LCCEV+UC
UFV=θFVgFV-LCCFV-TFV+UG
UNO=0
LCCEV=PCEV+OCEV-RVEV
PCEV=MSRPEV-PS
pe=0.2×pp+0.8×ph
LCCFV=PCFV+OCFV-RVFV
PCFV=MSRPFV+PTFV=(1+rPT)MSRPFV
其中,UEV表示购买电动汽车EV的净效用;UFV表示购买燃油汽车FV的净效用;UNO表示两种汽车均不购买的净效用;gEV和gFV分别表示EV和FV的环境友好程度;θEV和θFV分别表示购买EV、FV的消费者环保意识参数;LCCEV和LCCFV分别表示EV和FV的全生命周期成本;MSRPEV表示电动汽车的制造商建议零售价格;PS表示补贴机构给消费者的购买补贴;OCEV表示电动汽车生命周期内的使用成本;RVEV表示电动汽车的再售价格,电动汽车的再售价格由使用年限、折旧率DR和制造商建议零售价格综合决定,消费者在公共充电的可能性为 20%,80%的可能性选择在家充电;AAM表示年平均行驶里程;EFEV表示单位行驶里程的耗电量;Tm表示消费者对电动汽车的使用年限;r表示贴现率;pe表示电动汽车充电的电价;MSRPFV表示燃油汽车的制造商建议零售价格;PTFV表示车辆购置税;OCFV表示燃油汽车生命周期内的使用成本;RVFV表示再售价格,燃油汽车的再售价格由使用年限、折旧率和燃油汽车制造商建议零售价格综合决定;rPT表示燃油汽车的购置税率,EFFV表示单位行驶里程的耗油量,pg表示油价;UC表示来自充电基础设施的消费者效用,随着充电基础设施的保有量TAC(TotalAmount of Chargingpile,TAC)的增加而增加。UG表示加油站带来的消费者效用,假设加油站数量恒定,则UG是一个常数;TFV表示FV车牌限制政策的限制程度。当UEV等于UFV时,消费者购买一辆EV获得的效用等于购买一辆FV获得的效用。
用0≤θFV≤θEV≤1表示异质性消费者的不同行为,用θ表示消费者消费行为(购买何种车辆)的可能性概率。则:
当θ∈[θEV,1]时,表示消费者会购买EV;
当θ∈[θFV,θEV]时,表示消费者会购买FV;
当θ∈[0,θFV]时,消费者什么都不购买。
其中,θEV表示购买一辆EV或购买一辆FV的概率临界点;θFV表示购买一辆FV和什么车都不购买的概率临界点。
因此,在想要购买汽车的消费者群体中,EV和FV的销量占比,即电动汽车EV的市场份额MRE和FV的市场份额MRF可表示为:
TAE=INTEG(ASE-ADE,TAEinitial)
TAF=INTEG(ASF-ADF,TAFinitial)
ASE=TSV×MRE
ASF=TSV×MRF
ADE=TAE×DRE
ADF=TAF×DRF
其中,TAE表示电动汽车总量;ASE表示电动汽车年销量;ADE 表示电动汽车年报废量;TSV表示汽车总销量;MRE表示电动汽车市场份额;DRE表示电动汽车报废率;
具体的,电动汽车总量TAE由电动汽车年销量ASE和年报废量ADE 共同确定;电动汽车年销量ASE等于汽车总销量TSV乘以电动汽车市场份额MRE;电动汽车年报废量ADE等于电动汽车总量TAE乘以电动汽车报废率DRE。同理,FV相关参量数据的计算与EV相同。
制造商模型。制造商模型用于表征制造商在补贴机构和消费者的影响下通过研发投入提高技术水平进而降低电动汽车生产成本的情景。
电动汽车制造商的总收益TRMEV来源于电动汽车销售收益TRSEV和碳交易收益TRC。电动汽车销售收益由制造商建议零售价格MSRPEV、电动汽车生产成本CEV和电动汽车年销量ASE共同决定。其中,制造商建议零售价格MSRPEV是在电动汽车生产成本的基础上根据预期利润率 EPR进行定价。电动汽车制造商在碳交易市场中售卖EV相比于FV减少的碳排放量,获得碳交易收益。EFFV和EFEV分别表示行驶单位公里的耗油量和耗电量。CO2FV和CO2EV分别表示每升汽油的温室气体排放量和每千瓦时电的温室气体排放量。
TRMEV=TRSEV+TRC
TRSEV=(MSRPEV-CEV)×ASE
MSRPEV=CEV(1+EPR)
TRC=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
CEV=CCEV×200000
TL=INTEG(TI,TLinitial)
TI=IC×TL
IC=(GRD+MRD)×IUR
MRD=TRMEV×rateR&D
其中,CCEV表示成本系数的影响;TL表示技术水平参数;TI表示技术创新参数;IC表示创新能力参数;GRD表示补贴机构给制造商的研发补贴参数;MRD表示制造商研发参数;IUR表示产学研合作参数; rateR&D表示研发强度系数。
充电基础设施运营商模型。充电基础设施运营商模型描述了运营商投资建设充电桩的具体决策情况。
充电桩总量TAC由充电桩新建量ANC和充电桩的年报废量ADC 共同确定。充电桩新建量ANC等于运营商投资额与充电桩的实际建设成本(建设成本F-充电桩建设补贴SOP)决定。充电桩的年报废量ADC 由充电桩总量TAC和充电桩的报废率DRC决定。
运营商投资额由运营商收益TRO和融资额FAO决定。若车桩比越大,说明市场对充电桩的需求程度更高,充电商的投资意愿就越强。
TAC=INTEG(ANC-ADC,TACinitial)
ANC=OI/(F-SOP)
ADC=TAC×DRC
TRO=(pp-pc)×CV
CV=TAE×AAM×EFEV×0.2
其中,TAC表示充电桩总量;ANC表示充电桩新建量;ADC表示充电桩的年报废量;TACinitial表示初始充电桩总量;OI表示充电基础设施运营商的投资额;F表示充电桩的建设成本;SOP表示充电桩的建设补贴;DRC表示充电桩的报废率;TRO表示运营商收益;FAO表示融资额;TAE表示电动汽车的总量;pp表示公共充电的电价;pc表示运营商的购电价格;CV表示消费者的年充电量。
补贴机构模型。补贴机构推动电动汽车扩散的目的是为了实现社会收益最大化,所以可以设定电动汽车扩散效益评估模型的目标函数为总社会效益最大化。总社会收益πG由能源效益πEnergy、环境效益πEnvironment、健康效益πHealth、对消费者的购买补贴、对制造商的研发补贴和对充电基础设施运营商的充电桩建设补贴共同决定。用公式可表示为:
πG=πEnergy+πEnvironment+πHealth-ASE×PS-GRD-ANC×SOP
πEnergy=ASF×AAM×EFFV×Pg-ASE×AAM×EFEV×Pe
πEnvironment=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
πHealth=ASE×PM×ADR×TP×SL
其中,πG表示总社会效益;πEnergy表示能源效益;πEnvironment表示环境效益;πHealth表示健康效益;ASE表示每年电动汽车销量;PS表示补贴机构给消费者的购买补贴;GRD表示补贴机构给制造商的研发补贴参数;ANC 表示充电桩新建量;SOP表示充电桩建设补贴;ASF表示每年燃油汽车销量;AAM表示年行驶里程;EFFV表示行驶单位公里的耗油量;Pg表示油价;EFEV表示行驶单位公里的耗电量;Pe表示电价;CO2FV表示每升汽油的温室气体排放量;CO2EV表示每千瓦时电的温室气体排放量; pCarbon表示碳价;PM表示单位电动汽车降低的PM2.5浓度;ADR表示单位PM2.5浓度降低可避免的平均死亡率;TP表示总人口;SL表示每个人的统计生命价值。
基于上述的消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型,利用系统动力学模型构建电动汽车扩散效益评估模型。当然,为了更进一步的提高电动汽车扩散效益评估模型的全面性和获取更精准的电动汽车扩散效益评估结果,实际中,在利用系统动力学模型构建电动汽车扩散效益评估模型时,还可以加入其它主体的模型。
S2、获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数。
针对构建好的电动汽车扩散效益评估模型,需要确定该模型的初始参数。具体的,在获取模型的初始参数时,具体包括以下步骤:
利用计算机技术从中国电动汽车行业的相关公开出版物中,获取并确定购买补贴的参数数值。如下表,(2015,54000)表示在2015年对消费者购买电动汽车补贴54000元;
利用计算机技术通过对相关数据库中已有文献的分析,获取电动汽车和传统燃油汽车的温室气体排放数据。例如,根据中国汽车生命周期数据库(CALCD),同时考虑到电力结构优化、发电技术先进、热电联产规模增加比较了2010年、2014年和2020年不同情景下电动汽车和传统燃油汽车的全生命周期温室气体排放,以最终确定电动汽车和传统燃油汽车的温室气体排放数据。
其次,通过采用回归等方法对历史数据进行计算得到其它相关参数。例如,利用Gompertz模型预测未来汽车保有量。
电动汽车扩散效益评估模型中的参数主要包括购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数,当然还有许多其它参数。具体的,电动汽车扩散效益评估模型中的主要参数如下表所示:
为了确保电动汽车扩散效益评估模型中初始参数的真实性和可靠性,对上述获取的初始参数进行现实性检验和敏感性分析。
1)参数的现实性检验。参见图3,对参数进行仿真拟合,判断参数是否准确。具体的,设定一个误差阈值,如果进行仿真拟合时,模拟误差小于设定的误差阈值(一般设定模拟误差为10%),则表示模拟结果是可以接受,参数满足了现实性检验的结果。图3a表示以国内 2015年至2020年的电动汽车销量为例进行参数的现实性检验,图3b 表示以电动汽车保有量为例进行参数的现实性检验。由图2呈现的结果可知,模拟结果与变量的实际值之间的最大误差为7.8%,小于10%,参数的现实性检测结果表明SD模型在模型和实际情况之间具有显著的一致性。
2)参数的敏感性分析。利用蒙特卡洛模拟(Monte Carlo simulation) 对参数进行敏感性分析。在一定程度上,虽然参数设置难免具有主观性,但敏感性分析有助于研究不同重要参数设置下结果的变化。例如,考虑到影响电动汽车市场份额的因素,选取公共充电电价和油价,利用蒙特卡洛模拟对参数进行敏感性分析,以分析电动汽车市场份额对不同电价和油价水平的敏感性。
如果参数的现实性检验和敏感性分析不满足条件,则重新获取和确定参数,并重新对参数进行验证,直到满足参数验证的条件。
S3、更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果。
由于电动汽车扩散过程是一个动态的、非线性变化的过程,所以模型中所涉及的一些参数会随着时间的推移而发生改变,且参数的变化并不一定是按照线性规律变化的,所以为了获取更精准的电动汽车扩散效益评估结果,需要不断更新调整模型的初始参数,并获取在不同参数输入时电动汽车扩散效益评估模型的预测结果。在本实施例中,分别调整车牌限制政策强度参数、购买补贴参数、补贴机构R&D补贴参数、充电桩建设补贴等四个参数,然后获取在调整这些参数时电动汽车的扩散效益评估结果。具体的,
1)更新车牌限制政策强度参数。更新车牌限制政策强度参数为 T=0.04,0.045,0.05,0.055,0.06,然后获取车牌限制政策强度参数T 高于、等于、小于基准值(即初始参数值对应的数值)时电动汽车扩散的结果,以及其引发的能源、环境和健康效应对应的结果;
2)更新购买补贴参数。假设购买补贴在2022年的基础上分别延长至2023年底,2024年底,2025年,分别获取购买补贴在不同年限延长时所对应的电动汽车扩散效益评估结果;
3)更新补贴机构R&D补贴参数值。更新当前补贴机构对电动汽车制造商的补贴机构R&D补贴参数值为当前水平的0.6、0.8、1、1.2、1.4倍,并获取对应的EV扩散情况及其引发的能源、环境和健康效应对应的结果;
4)更新充电桩建设补贴参数值。更新充电桩建设补贴参数值为当前水平的0.6、0.8、1、1.2、1.4倍,并获取对应的EV的扩散情况及其引发的能源、环境和健康效应对应的结果。当前补贴机构基础设施运营商的充电桩建设补贴参数SOP值可以根据实际情况设定,例如,设定SOP为10000元。
将每次参数赋值更新后所对应的电动汽车扩散效益评估结果以折线图或者Excel表格的形式生成。
S4、基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
将上述S3中获取的电动汽车扩散效益评估结果数据及时、精准地推送给各个主体的相关人员。由于并非所有居民都是电动汽车的潜在消费者,如果通过短信或者邮件盲目地给所有居民推送电动汽车扩散效益评估结果,不仅费时费力,而且对于大量非潜在消费者来说,这些被推送的信息会被视为垃圾信息或骚扰信息。因此,需要采取一种精准推送方式,这样不仅可以减少资源浪费,而且可以提高信息推送的精准性和有效性。具体的,
针对消费者主体的进行电动汽车扩散效益评估结果推送时,首先,利用爬虫技术从主要的汽车论坛,如汽车之家、易车网等爬取消费者的评论和浏览信息的文本数据,然后利用LDA(Latent Dirichlet Allocation,LDA)主题模型确定需要定期推送的消费者群体名单。
作为一种非监督机器学习技术,LDA主题模型可以用来识别大规模文档集或语料库中潜藏的主题信息。基于利用爬虫技术获取的文本数据,首先通过Python 3.7软件使用jieba分词库进行分词,并添加中文停用词表进行清理,然后通过自定义字典对一些错误的分词结果进行修正。接着使用gensim包实现LDA主题建模并根据困惑度(perplexity)确定主题个数,然后将LDA建模得出的主题基于余弦距离进行聚类,得到k个类,选取k个类中对电动汽车关注度更高的群体,以及这些群体的人员名单,然后将电动汽车扩散效益评估结果中适合该群体的数据通过私信(短信或者邮件)等方式定期、定时推送给名单上的人员。
针对企业主体(包括制造商和充电基础设施运营商)的信息推送时,同样可以利用爬虫技术从企业黄页上爬取企业的注册名、联系方式、地址、经营范围等信息。根据企业注册名称从企业官网、新闻网页、报纸等获取企业与电动汽车相关的文本信息,同样利用LDA主题建模和基于余弦距离进行聚类,得到k个类。选取k个类中生产资质、研发能力更强的汽车制造商/充电基础设施运营商,以及他们的人员名单,通过已获取的联系方式定期推送合适的电动汽车扩散效益信息给名单上的人员。
针对补贴机构的信息推送时,通过对补贴机构各部门发布电动汽车政策数量进行降序排序,可以识别出不同的补贴机构对电动汽车扩散的关注度不同。选取对电动汽车关注度更高的前n个补贴机构进行定期推送电动汽车扩散效益信息。n可以根据实际需要进行设置,例如, n=10。
在将电动汽车扩散效益评估结果中的不同内容的数据按照该群体适合接收信息的内容和信息量进行精准推送时,需要考虑接收信息的受体的社会角色和认知能力。如:
车牌限制强度参数的调整对电动汽车扩散的提升幅度最大,此时可将调整车牌限制强度参数时对应获取的电动汽车扩散效益评估结果推送给补贴机构人员和想要购买燃油汽车的消费者;电动汽车扩散对购买补贴政策参数最为敏感,此时可将调整购买补贴政策参数时对应获取的电动汽车扩散效益评估结果推送给补贴机构人员和想要购买电动汽车的消费者。
另外,也可根据不同群体对于环境效益评估结果、健康效益评估结果、能源效益评估结果、社会效益评估结果等的关注度高低有选择性的将这些结果推送给感兴趣的群体。而对于补贴机构相关人员,理论上可向其推送所有的电动汽车扩散评估结果。
至此,则完成了本发明一种电动汽车扩散效益评估结果推送方法的全部过程。
实施例2:
第二方面,本发明还提供了一种电动汽车扩散效益评估结果推送系统,该系统包括:
模型构建模块,用于基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型;
初始参数获取模块,用于获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数;
评估结果获取模块,用于更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果;
评估结果推送模块,用于基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
可选的,所述模型构建模块中消费者模型包括:
UEV=θEVgEV-LCCEV+UC
UFV=θFVgFV-LCCFV-TFV+UG
UNO=0
其中,UEV表示购买电动汽车EV的净效用;UFV表示购买燃油汽车 FV的净效用;UNO表示两种汽车均不购买的净效用;gEV和gFV分别表示EV和FV的环境友好程度;θEV和θFV分别表示购买EV、FV的消费者环保意识参数;LCCEV和LCCFV分别表示EV和FV的全生命周期成本;UC表示来自充电基础设施的消费者效用参数;UG表示加油站带来的消费者效用参数;TFV表示FV车牌限制政策的限制程度;
制造商模型包括:
TRMEV=TRSEV+TRC
TRSEV=(MSRPEV-CEV)×ASE
MSRPEV=CEV(1+EPR)
其中,TRMEV表示电动汽车制造商的总收益;TRSEV表示电动汽车销售收益;TRC表示碳交易收益;MSRPEV表示电动汽车的制造商建议零售价格;CEV表示电动汽车生产成本;ASE表示电动汽车年销量;EPR 表示预期利润率;
充电基础设施运营商模型包括:
TAC=INTEG(ANC-ADC,TACinitial)
ANC=OI/(F-SOP)
ADC=TAC×DRC
其中,TAC表示充电桩总量;ANC表示充电桩新建量;ADC表示充电桩的年报废量;TACinitial表示初始充电桩总量;OI表示充电基础设施运营商的投资额;F表示充电桩的建设成本;SOP表示充电桩的建设补贴;DRC表示充电桩的报废率;
补贴机构模型包括:
πG=πEnergy+πEnvironment+πHealth-ASE×PS-GRD-ANC×SOP
πEnergy=ASF×AAM×EFFV×Pg-ASE×AAM×EFEV×Pe
πEnvironment=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
πHealth=ASE×PM×ADR×TP×SL
其中,πG表示总社会效益;πEnergy表示能源效益;πEnvironment表示环境效益;πHealth表示健康效益;ASE表示每年电动汽车的销量;PS表示补贴机构给消费者的购买补贴;GRD表示补贴机构给制造商的研发补贴参数;ANC表示充电桩新建量;SOP表示充电桩建设补贴;ASF表示每年燃油汽车销量;AAM表示年行驶里程;EFFV表示行驶单位公里的耗油量;Pg表示油价;EFEV表示行驶单位公里的耗电量;Pe表示电价; CO2FV表示每升汽油的温室气体排放量;CO2EV表示每千瓦时电的温室气体排放量;pCarbon表示碳价;PM表示单位电动汽车降低的PM2.5浓度;ADR表示单位PM2.5浓度降低可避免的平均死亡率;TP表示总人口;SL表示每个人的统计生命价值。
可选的,所述初始参数获取模块在获取所述电动汽车扩散效益评估模型中的初始参数后,所述系统还包括:初始参数验证单元,用于对所述初始参数进行仿真拟合以实现参数的现实性检验;利用蒙特卡洛模拟对所述初始参数进行敏感性分析。
可选的,所述评估结果获取模块获取的电动汽车扩散效益评估结果包括:能源效益评估结果、环境效益评估结果、健康效益评估结果,以及总社会效益评估结果。
可选的,所述评估结果推送模块基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员包括:
获取与各主体相关的文本数据,然后对所述文本数据进行包括分词、去停用词的处理;
基于处理后的文本数据和LDA主题模型获取欲推送电动汽车扩散效益评估结果的各主体相关人员名单;
将电动汽车扩散效益评估结果推送给名单所对应的人员。
可理解的是,本发明实施例提供的电动汽车扩散效益评估结果推送系统与上述电动汽车扩散效益评估结果推送方法相对应,其有关内容的解释、举例、有益效果等部分可以参照电动汽车扩散效益评估结果推送方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明基于消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型,利用系统动力学模型构建电动汽车扩散效益评估模型;并设置该模型的初始参数,然后通过不断对电动汽车扩散效益评估模型中的初始参数进行赋值更新,以获取调整参数时的电动汽车扩散效益评估结果,再基于LDA主题模型确定信息推送主体的人员名单,最后将电动汽车扩散效益评估结果精准的推送给各个主体的相关人员。本发明构建的电动汽车扩散效益评估模型将评估结果精准的推送给各个主体的相关人员,在节约推广成本的同时提高了推广的效率,其次,本发明从微观角度考虑了电动汽车扩散所依赖的多方主体之间的互动和反馈关系,同时考虑了电动汽车扩散过程的动态和非线性变化特性,反映了扩散过程的真实情况,其最终获取的电动汽车扩散效益评估结果更加精准,间接提高了推送的精准度。
2、本发明通过对电动汽车扩散效益评估模型中的初始参数进行不断赋值和更新,更好地考虑到了电动汽车扩散过程的动态和非线性变化特性,使得最终获取的电动汽车扩散效益评估结果更加精准,间接提高了推送内容的精准度。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种电动汽车扩散效益评估结果推送方法,其特征在于,所述方法包括:
基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型;
获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数;
更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果;
基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
2.如权利要求1所述的方法,其特征在于,所述消费者模型包括:
UEV=θEVgEV-LCCEV+UC
UFV=θFVgFV-LCCFV-TFV+UG
UNO=0
其中,UEV表示购买电动汽车EV的净效用;UFV表示购买燃油汽车FV的净效用;UNO表示两种汽车均不购买的净效用;gEV和gFV分别表示EV和FV的环境友好程度;θEV和θFV分别表示购买EV、FV的消费者环保意识参数;LCCEV和LCCFV分别表示EV和FV的全生命周期成本;UC表示来自充电基础设施的消费者效用参数;UG表示加油站带来的消费者效用参数;TFV表示FV车牌限制政策的限制程度;
制造商模型包括:
TRMEV=TRSEV+TRC
TRSEV=(MSRPEV-CEV)×ASE
MSRPEV=CEV(1+EPR)
其中,TRMEV表示电动汽车制造商的总收益;TRSEV表示电动汽车销售收益;TRC表示碳交易收益;MSRPEV表示电动汽车的制造商建议零售价格;CEV表示电动汽车生产成本;ASE表示电动汽车年销量;EPR表示预期利润率;
充电基础设施运营商模型包括:
TAC=INTEG(ANC-ADC,TACinitial)
ANC=OI/(F-SOP)
ADC=TAC×DRC
其中,TAC表示充电桩总量;ANC表示充电桩新建量;ADC表示充电桩的年报废量;TACinitial表示初始充电桩总量;OI表示充电基础设施运营商的投资额;F表示充电桩的建设成本;SOP表示充电桩的建设补贴;DRC表示充电桩的报废率;
补贴机构模型包括:
πG=πEnergy+πEnvironment+πHealth-ASE×PS-GRD-ANC×SOP
πEnergy=ASF×AAM×EFFV×Pg-ASE×AAM×EFEV×Pe
πEnvironment=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
πHealth=ASE×PM×ADR×TP×SL
其中,πG表示总社会效益;πEnergy表示能源效益;πEnvironment表示环境效益;πHealth表示健康效益;ASE表示每年电动汽车的销量;PS表示补贴机构给消费者的购买补贴;GRD表示补贴机构给制造商的研发补贴参数;ANC表示充电桩新建量;SOP表示充电桩建设补贴;ASF表示每年燃油汽车销量;AAM表示年行驶里程;EFFV表示行驶单位公里的耗油量;Pg表示油价;EFEV表示行驶单位公里的耗电量;Pe表示电价;CO2FV表示每升汽油的温室气体排放量;CO2EV表示每千瓦时电的温室气体排放量;pCarbon表示碳价;PM表示单位电动汽车降低的PM2.5浓度;ADR表示单位PM2.5浓度降低可避免的平均死亡率;TP表示总人口;SL表示每个人的统计生命价值。
3.如权利要求1所述的方法,其特征在于,在获取所述电动汽车扩散效益评估模型中的初始参数后,所述方法还包括:对所述初始参数进行仿真拟合以实现参数的现实性检验;利用蒙特卡洛模拟对所述初始参数进行敏感性分析。
4.如权利要求1所述的方法,其特征在于,所述电动汽车扩散效益评估结果包括:能源效益评估结果、环境效益评估结果、健康效益评估结果,以及总社会效益评估结果。
5.如权利要求1所述的方法,其特征在于,所述基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员包括:
获取与各主体相关的文本数据,然后对所述文本数据进行包括分词、去停用词的处理;
基于处理后的文本数据和LDA主题模型获取欲推送电动汽车扩散效益评估结果的各主体相关人员名单;
将电动汽车扩散效益评估结果推送给名单所对应的人员。
6.一种电动汽车扩散效益评估结果推送系统,其特征在于,所述系统包括:
模型构建模块,用于基于系统动力学模型和多个主体模型获取电动汽车扩散效益评估模型;所述多个主体模型包括消费者模型、制造商模型、充电基础设施运营商模型以及补贴机构模型;
初始参数获取模块,用于获取所述电动汽车扩散效益评估模型中的初始参数;所述初始参数包括:购买补贴参数、补贴机构R&D补贴参数、车牌限制政策的程度参数,以及充电桩的建设补贴参数;
评估结果获取模块,用于更新所述初始参数,并基于所述初始参数更新后的所述电动汽车扩散效益评估模型获取电动汽车扩散效益评估结果;
评估结果推送模块,用于基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员。
7.如权利要求6所述的系统,其特征在于,所述模型构建模块中消费者模型包括:
UEV=θEVgEV-LCCEV+UC
UFV=θFVgFV-LCCFV-TFV+UG
UNO=0
其中,UEV表示购买电动汽车EV的净效用;UFV表示购买燃油汽车FV的净效用;UNO表示两种汽车均不购买的净效用;gEV和gFV分别表示EV和FV的环境友好程度;θEV和θFV分别表示购买EV、FV的消费者环保意识参数;LCCEV和LCCFV分别表示EV和FV的全生命周期成本;UC表示来自充电基础设施的消费者效用参数;UG表示加油站带来的消费者效用参数;TFV表示FV车牌限制政策的限制程度;
制造商模型包括:
TRMEV=TRSEV+TRC
TRSEV=(MSRPEV-CEV)×ASE
MSRPEV=CEV(1+EPR)
其中,TRMEV表示电动汽车制造商的总收益;TRSEV表示电动汽车销售收益;TRC表示碳交易收益;MSRPEV表示电动汽车的制造商建议零售价格;CEV表示电动汽车生产成本;ASE表示电动汽车年销量;EPR表示预期利润率;
充电基础设施运营商模型包括:
TAC=INTEG(ANC-ADC,TACinitial)
ANC=OI/(F-SOP)
ADC=TAC×DRC
其中,TAC表示充电桩总量;ANC表示充电桩新建量;ADC表示充电桩的年报废量;TACinitial表示初始充电桩总量;OI表示充电基础设施运营商的投资额;F表示充电桩的建设成本;SOP表示充电桩的建设补贴;DRC表示充电桩的报废率;
补贴机构模型包括:
πG=πEnergy+πEnvironment+πHealth-ASE×PS-GRD-ANC×SOP
πEnergy=ASF×AAM×EFFV×Pg-ASE×AAM×EFEV×Pe
πEnvironment=(ASF×AAM×EFFV×CO2FV-ASE×AAM×EFEV×CO2EV)pCarbon
πHealth=ASE×PM×ADR×TP×SL
其中,πG表示总社会效益;πEnergy表示能源效益;πEnvironment表示环境效益;πHealth表示健康效益;ASE表示每年电动汽车的销量;PS表示补贴机构给消费者的购买补贴;GRD表示补贴机构给制造商的研发补贴参数;ANC表示充电桩新建量;SOP表示充电桩建设补贴;ASF表示每年燃油汽车销量;AAM表示年行驶里程;EFFV表示行驶单位公里的耗油量;Pg表示油价;EFEV表示行驶单位公里的耗电量;Pe表示电价;CO2FV表示每升汽油的温室气体排放量;CO2EV表示每千瓦时电的温室气体排放量;pCarbon表示碳价;PM表示单位电动汽车降低的PM2.5浓度;ADR表示单位PM2.5浓度降低可避免的平均死亡率;TP表示总人口;SL表示每个人的统计生命价值。
8.如权利要求6所述的系统,其特征在于,所述初始参数获取模块在获取所述电动汽车扩散效益评估模型中的初始参数后,所述系统还包括:初始参数验证单元,用于对所述初始参数进行仿真拟合以实现参数的现实性检验;利用蒙特卡洛模拟对所述初始参数进行敏感性分析。
9.如权利要求6所述的系统,其特征在于,所述评估结果获取模块获取的电动汽车扩散效益评估结果包括:能源效益评估结果、环境效益评估结果、健康效益评估结果,以及总社会效益评估结果。
10.如权利要求6所述的系统,其特征在于,所述评估结果推送模块基于LDA主题模型获取所述电动汽车扩散效益评估结果的推送名单,并将所述电动汽车扩散效益评估结果推送给名单所对应的人员包括:
获取与各主体相关的文本数据,然后对所述文本数据进行包括分词、去停用词的处理;
基于处理后的文本数据和LDA主题模型获取欲推送电动汽车扩散效益评估结果的各主体相关人员名单;
将电动汽车扩散效益评估结果推送给名单所对应的人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776207.8A CN113705955A (zh) | 2021-07-08 | 2021-07-08 | 电动汽车扩散效益评估结果推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776207.8A CN113705955A (zh) | 2021-07-08 | 2021-07-08 | 电动汽车扩散效益评估结果推送方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705955A true CN113705955A (zh) | 2021-11-26 |
Family
ID=78648426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776207.8A Pending CN113705955A (zh) | 2021-07-08 | 2021-07-08 | 电动汽车扩散效益评估结果推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705955A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160116692A (ko) * | 2015-03-31 | 2016-10-10 | (주)이지정보기술 | 전기자동차를 활용한 사업의 경제성 판단을 위한 시뮬레이션 방법 |
CN106960361A (zh) * | 2017-03-09 | 2017-07-18 | 四川大学 | 一种基于多代理系统的电动汽车市场演化分析方法 |
CN110084640A (zh) * | 2019-04-17 | 2019-08-02 | 武汉大学 | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 |
CN111445161A (zh) * | 2020-04-09 | 2020-07-24 | 国网浙江省电力有限公司经济技术研究院 | 一种基于风险价值的电动汽车充电桩效益风险评估方法 |
AU2020103444A4 (en) * | 2020-11-15 | 2021-01-28 | Beijing Kedong Electric Power Control System Co. Ltd. | Evaluation method of electric vehicle aggregation transaction value based on the new generation power trade platform |
-
2021
- 2021-07-08 CN CN202110776207.8A patent/CN113705955A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20160116692A (ko) * | 2015-03-31 | 2016-10-10 | (주)이지정보기술 | 전기자동차를 활용한 사업의 경제성 판단을 위한 시뮬레이션 방법 |
CN106960361A (zh) * | 2017-03-09 | 2017-07-18 | 四川大学 | 一种基于多代理系统的电动汽车市场演化分析方法 |
CN110084640A (zh) * | 2019-04-17 | 2019-08-02 | 武汉大学 | 一种两阶段主从博弈的共享电动汽车补贴与定价方法 |
CN111445161A (zh) * | 2020-04-09 | 2020-07-24 | 国网浙江省电力有限公司经济技术研究院 | 一种基于风险价值的电动汽车充电桩效益风险评估方法 |
AU2020103444A4 (en) * | 2020-11-15 | 2021-01-28 | Beijing Kedong Electric Power Control System Co. Ltd. | Evaluation method of electric vehicle aggregation transaction value based on the new generation power trade platform |
Non-Patent Citations (2)
Title |
---|
曾寰等: ""基于LDA及语义相似度的商品评论情感分类研究"", 《井冈山大学学报(自然科学版)》, vol. 40, no. 4, pages 46 - 51 * |
杨艳萍;闫宏斌;马铁驹;: "基于模糊认知图的纯电动汽车扩散分析", 系统管理学报, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parker et al. | Who saves money buying electric vehicles? Heterogeneity in total cost of ownership | |
Noori et al. | Development of an agent-based model for regional market penetration projections of electric vehicles in the United States | |
Mohammadian et al. | Empirical investigation of household vehicle type choice decisions | |
Al-Alawi et al. | Review of hybrid, plug-in hybrid, and electric vehicle market modeling studies | |
Patil et al. | Integration of charging behavior into infrastructure planning and management of electric vehicles: A systematic review and framework | |
Asensio et al. | Real-time data from mobile platforms to evaluate sustainable transportation infrastructure | |
Bunch et al. | A dynamic forecasting system for vehicle markets with clean-fuel vehicles | |
Asensio et al. | Electric vehicle charging stations in the workplace with high-resolution data from casual and habitual users | |
Viswanathan et al. | Development of an assessment model for predicting public electric vehicle charging stations | |
Mandev et al. | Empirical charging behavior of plug-in hybrid electric vehicles | |
Hahn et al. | Heterogeneous preferences of green vehicles by vehicle size: Analysis of Seoul case | |
del Saz-Salazar et al. | Valuing public acceptance of alternative-fuel buses using a Latent Class Tobit model: A case study in Valencia | |
CN110188255B (zh) | 基于业务数据共享融合的电力用户行为挖掘方法及系统 | |
Wilson et al. | Techniques for the inference of mileage rates from MOT data | |
Khattak et al. | Using behavioral data to understand shared mobility choices of electric and hybrid vehicles | |
Milosavljević et al. | Binary logistic regression modeling of idle CO emissions in order to estimate predictors influences in old vehicle park | |
CN113705955A (zh) | 电动汽车扩散效益评估结果推送方法及系统 | |
Xie et al. | Could a bioenergy program stimulate electric vehicle market penetration? Potential impacts of biogas to electricity annual rebate program | |
Noori | Development of Regional Optimization and Market Penetration Models for Electric Vehicles in the United States | |
Xia | Exploring the Determinants of Electric Vehicle Adoption in Canada: A Multi-City Study | |
Levinson et al. | Recommended total cost of ownership parameters for electric school buses: Summary of methods and data | |
Gahlaut et al. | Analyzing the blockades to electric vehicle mobility in an emerging economy: Toward a triple bottom line sustainable development | |
Chen et al. | Making an informed vehicle scrappage decision | |
Trosvik et al. | Electric vehicle adoption in Sweden and the impact of local policy instruments | |
Mau | Modelling consumer preferences and technological change: Survey of attitudes to hybrid vehicles |
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 |