技术领域
[0001] 本
发明涉及电动汽车充电设施建设技术领域，尤其涉及一种电动汽车充电设施建设需求预测的方法。
背景技术
[0002] 充电
基础设施指给电动汽车提供
电能补给的各类充换电设施，是新型的城市基础设施。当前，节能减排压
力日趋急迫，推广电动汽车是实现绿色低
碳出行、城市可持续发展的重要手段，国家、省、市要求大力推进为电动汽车提供电能补给的充电基础设施规划建设。电动汽车充电设施需求预测及选址评价是充电基础设施规划建设的基础依据，其工作成果直接应用于充电设施规划、建设、运营、管理和决策制定等各项实际工作中，从而为科学合理配置充电设施、引导居民绿色出行、发展新
能源汽车产业提供
支撑。
[0003] 如
附图1所示，电动汽车充电设施需求预测及选址评价的常用思路为根据城市电动汽车推广应用趋势，制定相应的充电设施配置原则来预测各类充电设施需求量，据此合理制定发展目标，科学规划布局各类充电设施，并针对性地提出保障措施和实施建议。但由于缺乏精准有效的定量预测方法指导充电设施
空间布局规划，导致选点落实困难、配置效率低等问题，充电设施的建设与电动汽车的出行需求不协调。因此必须探索更加精准有效的需求预测及选址方法，提高各类充电设施的配置效率。
[0004] 电动汽车充电设施需求预测的传统方法包括对电动汽车保有量的预测和对充电设施需求的预测；电动汽车保有量预测：通常采用平均增长率法、指数平滑法、弹性系数法等方法预测规划年的电动汽车保有量，在此基础上对充电设施需求进行预测。平均增长率法即将历年的电动汽车增长率的均值作为其未来的年均增长率，指数平滑法则是通过计算每一期的电动汽车保有量的指数平滑值来对未来电动汽车保有量进行预测，这两种方法的前提都是近期历史数据的增长趋势在预测期内仍将继续，不考虑经济长期发展的不确定性影响。弹性系数法则考虑了经济长期发展趋势对电动汽车增长趋势的影响，通过两者之间的弹性系数对电动汽车的保有量进行预测，通常与前面两种方法构成组合模型使用。充电设施需求预测：通常在电动汽车保有量预测结果的基础上，结合相关政策确定的充电设施配置原则对全市的充电设施需求进行预测。
[0005] 电动汽车充电设施需求预测传统方法存在的问题如下：传统的电动汽车保有量和充电设施需求预测方法考虑的因素不够全面，方法较为单一，影响了电动汽车充电设施需求预测的精确性。一方面，汽车产业具有生命周期，且其保有量受到多种影响因子的制约，遵循“缓慢增长——快速增长——饱和”的S型曲线的变化规律，不同类型汽车所处的发展阶段会有所差异，因而增长规律也有差异。此外，电动汽车兴起时间不久，增长不稳定，受政策影响较多，增长趋势
波动较大。因此，通过平均增长率法、指数平滑法、弹性系数法从整体上对电动汽车未来年保有量的预测误差较大。另一方面，传统根据相关政策确定的充电设施配置原则对全市的充电设施需求进行统一预测，缺乏综合考虑各个行政区的实际经济社会情况，易造成各区电动汽车充电设施的需求预测结果与现实需求不协调。
发明内容
[0006] 针对电动汽车充电设施需求预测传统方法存在的问题，提出在政策与市场双导向下，采用分类型和分行政区相结合的电动汽车充电设施需求预测方法，构建细分行业、精准匹配的桩车配置原则，以需定供，达到精准预测各行政区各类电动汽车充电设施需求的目的。以政策和市场需求为导向，考虑汽车产业的生命周期，采用S增长模型中的Logistic模型分类预测电动汽车增量，并结合相关政策进行修正，得出规划年各类电动汽车保有量，并根据充电设施配置原则、结合影响充电设施需求的主要因子，建立基于数量化理论模型的充电设施需求
预测模型分行政区进行充电设施需求预测，从而提高各类充电设施需求预测的精确性和配置效率。
[0007] 本发明的一种电动汽车充电设施建设需求预测的方法，包括以下步骤：
[0008] 步骤1：将电动汽车保有量区分为公共服务领域专用电动汽车保有量和非公共服务领域乘用电动汽车保有量；
[0009] 步骤2：基于Logistic回归模型和替代比例法对公共服务领域专用电动汽车的保有量进行预测，所述公共服务领域专用电动汽车包括公交车、出租车、物流、环卫及邮电等专用车，具体预测步骤如下：选取历年各类公共服务领域专用电动汽车保有量拟合Logistic模型，如果模型拟合效果较好，则据此预测规划年各类汽车总需求量，并结合电动汽车增长实际情况与相关政策提出的电动汽车更新替代比例规划目标，得出各年度各类公共服务领域电动汽车的保有量；其中，电动汽车增量＝汽车总增量*电动汽车更新比例；
[0010] 步骤3：基于Logistic回归模型对非公共服务领域乘用电动汽车的保有量进行预测，所述非公共服务领域乘用电动汽车包括机关、企事业单位专用车和私人电动乘用车，所述机关、企事业单位专用车包括租赁、通勤、旅游车等；具体预测步骤如下：选取历年各类非公共服务领域乘用电动汽车上牌数据拟合Logistic模型，如果模型拟合效果较好，据此预测各年度各类非公共服务领域乘用电动汽车的保有量；
[0011] 步骤4：基于步骤2、3得到的电动汽车保有量预测结果，根据各类充电设施的配置原则预测各类充电设施的需求：根据不同电动汽车运行特点、各类充电设施服务对象和相关政策规范得出适用的充电设施配置原则，据此在电动汽车保有量预测结果的基础上分别预测自用充电设施、专用充电设施、公用充电设施的需求；
[0012] 步骤5：结合各行政区的社会经济情况，构建数量化理论模型进行综合评估，确定各行政区设站比例。
[0013] 优选地，步骤5具体为：根据不同行政区的人口、就业、机动车保有量、客货运周转量、充电站服务
覆盖范围、机动化可达性等指标的权重的情况，采用数量化理论模型确定各个行政区的各类充电设施设站比例，从而确定各区各类充电设施需求。
[0014] 优选地，各个行政区的各类充电设施设站比例Pi计算步骤如下：
[0015] 1)应用数量化理论方法来确定各评价指标权重W＝[w1 w2 … wr]，其中，r表示评价指标个数；
[0016] 2)假设共有n个样本，自变量中有m个定性变量，δij表示i样本j项目的取值；s个定量变量，Uij表示i样本j指标的取值。n个样本即n个行政区，m+s个即r个指标的原始数据用下式表示：
[0017]
[0018] 3)对各定量变量的数据进行标准化，使其均值为0，方差为1，标准化公式为：
[0019]
[0020] 其中， 表示第j个指标向量的平均值，σj表示第j个指标向量的标准差；标准化后的数据用下式表示：
[0021]
[0022] 其中，
[0023] 4)对m+s个变量赋以得分：
[0024] b＝[b1 b2 … bm bm+1 … bm+s]′
[0025] 其中，b中前m个为定性变量的权重，后s个为定量变量的权重，得分的数目为m+s；第i个样品的平均得分为：
[0026]
[0027] 记Y＝[Y1 Y2 … Yn]′，则由公式知
[0028]
[0029] 因n个样品中得分总个数为n(m+s)，故得分的总平均值为：
[0030]
[0031] 令 则上式可写为
[0032]
[0033] 样本总方差为：
[0034]
[0035] 令 则上式可写为
[0036]
[0037] 其中
[0038]
[0039] 将每个样品看作一组，可求得组间方差为：
[0040]
[0041] 令
[0042]
[0043] 则公式(9)可写为
[0044]
[0045] 将公式(7)和公式(11)结合起来，即得到组间方差与总方差的相关比[0046]
[0047] 利用Lagrange乘数法求偏导，得到如下特征方程：
[0048] Hb＝λ(m+s)Lb (13)
[0049] 令
[0050]
[0051] 则公式(13)转化为标准特征方程：
[0052] Cb＝λb (15)
[0053] 5)应用特征方程求其特征值λ及相应的
特征向量b，b是由各项指标的权重系数所构成；应用过程中，求出前k个最大特征根λ1＞λ2＞…＞λk＞0及所对应的特征向量b1,b2,…,bk。由特征根确定每个特征根累计贡献率A，计算公式如下：
[0054]
[0055] 6)将特征根贡献率与相应的特征向量代入如下公式，即可求得各指标权重w，进而进行模糊综合评价；
[0056]
[0057] 其中，bij表示第i个特征向量的第j个元素；
[0058] 7)得到该权重后，结合各区指标数值计算各区综合得分Qi，如下：
[0059]
[0060] 其中n为行政区个数；
[0061] 8)将综合得分进行归一化，即可得到各行政区设站比例Pi。
[0062]
[0063] 本发明技术方案的有益效果是：基于本发明的电动汽车充电设施建设需求预测方法，可预测出规划年电动汽车发展规模和相应的充电设施规模，得出区域范围内自用充电设施、专用充电设施、公用充电桩(含站内桩)的比例，各区的设站比例则根据其人口、就业、机动车保有量、客货运周转量、充电站服务覆盖范围、机动化可达性等的综合得分所决定，基本能达到精准配置各类电动汽车充电设施的目的。
附图说明
[0064] 图1为电动汽车充电设施需求及选址评价主要内容示例。
[0065] 图2为电动汽车保有量预测技术路线图。
[0066] 图3为本发明充电设施预测技术路线图。
具体实施方式
[0067] 下面结合具体
实施例来对本发明进行进一步说明，但并不将本发明局限于这些具体实施方式。本领域技术人员应该认识到，本发明涵盖了
权利要求书范围内所可能包括的所有备选方案、改进方案和等效方案。
[0068] 各类电动汽车保有量预测：
[0069] Logistic增长曲线是基于产品生命周期理论，用来表示因变量随着时间的变化而发生变化的趋势过程，符合S型增长曲线的生命周期的产品可采用Logistic模型进行未来需求的预测。汽车的增长曲线符合S型增长曲线，因此可将Logistic模型运用到汽车保有量的预测中。由于公共服务领域和非公共服务领域的电动汽车的需求趋势存在一定的差异，因此分别对公共服务领域专用电动汽车，机关、企事业单位专用车和私人电动乘用车的保有量进行预测。
[0070] 如图2所示，基于Logistic回归模型和替代比例法对公共服务领域电动汽车保有量的预测如下：选取历年各类公共服务领域专用电动汽车保有量拟合Logistic模型，模型拟合效果较好，据此预测规划年各类汽车总需求量，并结合电动汽车增长实际情况与相关政策提出的电动汽车更新替代比例规划目标，得出各年度各类公共服务领域电动汽车(包括公交车、出租车、物流、环卫及邮电等专用车)的保有量。
[0071] 即：电动汽车增量＝汽车总增量*电动汽车更新比例
[0072] 如图2所示，基于Logistic回归模型的机关、企事业单位专用车和私人电动乘用车保有量的预测如下：选取历年各类电动汽车上牌数据拟合Logistic模型，模型拟合效果较好，据此预测机关、企事业单位专用车(包括租赁、通勤、旅游车等)和私人电动乘用车保有量。
[0073] 充电设施需求预测：
[0074] 基于电动汽车保有量预测结果，根据各类充电设施的配置原则预测各类充电设施的需求，接着结合各行政区的社会经济情况，构建数量化理论模型进行综合评估，确定各行政区设站比例。
[0075] 如图3所示，各类充电设施的需求预测如下：根据不同电动汽车运行特点、各类充电设施服务对象和相关政策规范得出适用的充电设施配置原则，据此在电动汽车保有量预测结果的基础上分别预测自用充电设施、专用充电设施、公用充电设施的需求。
[0076] 各行政区各类充电设施的需求预测如下：根据不同行政区的人口、就业、机动车保有量、机动化出行OD、客货运周转量以及充电站的服务覆盖范围的情况，采用数量化理论模型确定各个行政区的各类充电设施设站比例，从而确定各区各类充电设施需求。
[0077] 总体思路：在确定各行政区设站比例的过程中，涉及到的指标有人口、就业、机动车保有量、客货运周转量、充电站服务覆盖范围、机动化可达性等，既包括定性指标，又包括定量指标，数量化理论能够很好的将两类指标结合到一起，且能够反映多个指标的相互关联，得到较为准确的结果。因此本发明采用数量化理论的方法，确定人口、就业、机动车保有量、客货运周转量、充电站服务覆盖范围、机动化可达性等指标的权重，继而计算各区综合得分，将各区得分进行归一化，得到各区的设站比例。
[0078] 具体过程：权重是衡量因子集中某一因素对充电站个数影响程度相对大小的量，权重系数越大，则该指标对充电站建立的个数的影响程度越大。应用数量化理论方法来确定各评价指标权重W＝[w1 w2 … wr]，其中，r表示评价指标个数。
[0079] 在数量化理论中，将定性变量称为“项目”，每个定性变量的不同取值称为“类目”。假设共有n个样本，自变量中有m个定性变量，δij表示i样本j项目的取值(即类目)；s个定量变量，Uij表示i样本j指标的取值。n个样本(即n个行政区)，m+s个(即r个)指标的原始数据用下式表示：
[0080]
[0081] 为消除量纲的影响，需要对各定量变量的数据进行标准化，使其均值为0，方差为1，标准化公式为：
[0082]
[0083] 其中， 表示第j个指标向量的平均值，σj表示第j个指标向量的标准差。标准化后的数据用下式表示：
[0084]
[0085] 其中，
[0086] 模糊数量化理论的目的是对m+s个变量赋以得分：
[0087] b＝[b1 b2 … bm bm+1 … bm+s]′
[0088] 其中，b中前m个为定性变量的权重，后s个为定量变量的权重，得分的数目为m+s。因此第i个样品的平均得分为：
[0089]
[0090] 记Y＝[Y1 Y2 … Yn]′，则由公式知
[0091]
[0092] 因n个样品中得分总个数为n(m+s)，故得分的总平均值为：
[0093]
[0094] 令 则上式可写为
[0095]
[0096] 样本总方差为：
[0097]
[0098] 令 则上式可写为
[0099]
[0100] 其中
[0101]
[0102] 将每个样品看作一组，可求得组间方差为：
[0103]
[0104] 令
[0105]
[0106] 则公式(9)可写为
[0107]
[0108] 将公式(7)和公式(11)结合起来，即得到组间方差与总方差的相关比[0109]
[0110] 利用Lagrange乘数法求偏导，得到如下特征方程：
[0111] Hb＝λ(m+s)Lb (13)
[0112] 令
[0113]
[0114] 则公式(13)转化为标准特征方程：
[0115] Cb＝λb (15)
[0116] 应用特征方程可求其特征值λ及相应的特征向量b，b是由各项指标的权重系数所构成。应用过程中，通常求出前k个最大特征根λ1＞λ2＞…＞λk＞0及所对应的特征向量b1,b2,…,bk。由特征根确定每个特征根累计贡献率A，计算公式如下：
[0117]
[0118] 将特征根贡献率与相应的特征向量代入如下公式，即可求得各指标权重w，进而进行模糊综合评价。
[0119]
[0120] 其中，bij表示第i个特征向量的第j个元素。
[0121] 得到该权重后，结合各区指标数值计算各区综合得分Qi，如下：
[0122]
[0123] 其中n为行政区个数。
[0124] 将综合得分进行归一化，即可得到各行政区设站比例Pi。
[0125]
[0126] 应当理解的是，本发明描述的方法的步骤仅仅是示例性的描述，对其先后进行的时间顺序没有特殊的要求，除非其本身有必然的先后顺序关系。
[0127] 如上所示，本发明虽然已参照有限的实施例和附图进行了说明，但在本发明所属领域中具备通常知识的人均可以从此记载中进行各种
修改和
变形。由此，其他实施例及权利要求书与等同物均属于权利要求的保护范围。
