[發(fā)明專利]一種電動汽車保有量預測方法

在審

• 申請?zhí)枺?/td>: 202011601343.5
• 申請日: 2020-12-29
• 公開（公告）號: CN112613679A
• 公開（公告）日: 2021-04-06
• 發(fā)明（設計）人: 陳勇;江穎達;徐剛;李楠;宗倩;朱希敏;舒展;馬宏忠;崔佳嘉
• 申請（專利權）人: 國網(wǎng)江蘇省電力有限公司宜興市供電分公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 無錫市大為專利商標事務所(普通合伙) 32104
• 代理人: 殷紅梅;陳麗麗

1.一種電動汽車保有量預測方法，其特征在于，包括：

根據(jù)采集到的預設時間段內的傳統(tǒng)汽車保有量數(shù)據(jù)，通過多種訓練模型分別進行訓練，并根據(jù)訓練好的參數(shù)預測未來預設時間段內的傳統(tǒng)汽車保有量；

根據(jù)傳統(tǒng)汽車保有量預測時的多種訓練模型進行組合，建立組合預測模型；

根據(jù)所述組合預測模型進行BASS模型參數(shù)擬合；

對擬合后的BASS模型進行參數(shù)優(yōu)化，建立電動汽車與傳統(tǒng)汽車之間的聯(lián)系；

根據(jù)參數(shù)優(yōu)化后的BASS模型以及電動汽車與傳統(tǒng)汽車之間的聯(lián)系，建立改進BASS模型；

根據(jù)所述改進BASS模型實現(xiàn)對電動汽車保有量預測。

2.根據(jù)權利要求1所述的電動汽車保有量預測方法，其特征在于，所述根據(jù)采集到的預設時間段內的傳統(tǒng)汽車保有量數(shù)據(jù)，通過多種訓練模型分別進行訓練，并根據(jù)訓練好的參數(shù)預測未來預設時間段內的傳統(tǒng)汽車保有量，包括：

根據(jù)采集到的過去十年內的傳統(tǒng)汽車保有量數(shù)據(jù)，對灰色預測模型、線性回歸模型和BP神經(jīng)網(wǎng)絡模型均進行參數(shù)訓練，得到訓練好的參數(shù)；

根據(jù)訓練好的參數(shù)預測未來十年的傳統(tǒng)汽車保有量。

3.根據(jù)權利要求2所述的電動汽車保有量預測方法，其特征在于，對灰色預測模型進行參數(shù)訓練包括：

對于原始數(shù)據(jù)列：y⁽⁰⁾＝{y⁽⁰⁾(1)，y⁽⁰⁾(2)...y⁽⁰⁾(N)}；

對數(shù)據(jù)進行累加：x⁽¹⁾(N)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)+x⁽⁰⁾(3)+…+x⁽⁰⁾(N)；

構成疊加數(shù)據(jù)列：y⁽¹⁾＝{y⁽¹⁾(1)，y⁽¹⁾(2)...y⁽¹⁾(N)}；

定義為原始數(shù)列的光滑比，數(shù)據(jù)光滑比ρ(k)∈(0，0.5)滿足灰色預測的數(shù)據(jù)要求；

建立白化方程：

其中，y⁽¹⁾(t)表表示疊加數(shù)據(jù)列中第t個數(shù)據(jù)，和是對原始數(shù)據(jù)利用OLS的擬合值；

求解所述白化方程，計算預測值：

4.根據(jù)權利要求2所述的電動汽車保有量預測方法，其特征在于，對線性回歸模型進行參數(shù)訓練包括：

根據(jù)線性回歸模型預測參數(shù)擬合公式進行參數(shù)訓練，其中所述線性回歸模型預測參數(shù)擬合公式為：

5.根據(jù)權利要求2所述的電動汽車保有量預測方法，其特征在于，對BP神經(jīng)網(wǎng)絡模型進行參數(shù)訓練，包括：

確定網(wǎng)絡結構；

對激勵函數(shù)進行調整，其中激勵函數(shù)為：

其中，表示神經(jīng)元j的非線性激活函數(shù)，v_j(n)表示神經(jīng)元j的誘導局部域。

6.根據(jù)權利要求2所述的電動汽車保有量預測方法，其特征在于，所述根據(jù)傳統(tǒng)汽車保有量預測時的多種訓練模型進行組合，建立組合預測模型，包括：

建立組合預測模型，根據(jù)非線性規(guī)劃方法，求解所述組合預測模型的權重，其中t時期的真實值分別為：

y₁(t)，y₂(t)，…，y_n(t)，

其中t時期的估計值分別為：

設置目標函數(shù)Q，其中，

其中，i＝1時，表示灰色預測，i＝2時，表示BP神經(jīng)網(wǎng)絡，i＝3時，表示線性回歸；

ω_i(t)表示第i種預測方法在t時期的權重，滿足Q表示誤差平方和的最小值；

根據(jù)權重的組合使得得到的預測數(shù)據(jù)總誤差最小。