【技术实现步骤摘要】
本专利技术涉及交能融合，特别是涉及基于电动汽车增长驱动机制分析的用电量需求预测方法和系统。
技术介绍
1、本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、据国际能源署iea《2022年二氧化碳排放报告》：尽管2022年交通运输部门的碳排放增加了2.1%（1.37亿吨），可再生能源、电动汽车和热泵等清洁能源技术的部署有效避免了额外的5.5亿吨co2排放；与全球交通运输行业排放量的增长形成鲜明对比的是，2022年中国的交通运输排放量下降了3.1%。虽有影响交通运输量下降的因素，但2022年中国电动汽车销量突破600万辆，为交通碳排放的降低做出了巨大贡献。
3、在新能源领域，电动汽车市场是最有活力的。根据国际能源署（iea）刚刚发布的《2023 年全球电动汽车展望》报告，2022年全球纯电+插混车型销量大幅增长55％，首次突破1000万辆大关（1082.4万）。从2018年的200万辆上涨至2022年的逾1000万辆，市场份额从2.5%涨至14%，电气化的浪潮逐渐从单个市场辐射至全球，约占全球电动汽车销量的60%。准确的预测未来电动汽车的数量及用电需要，对中国交通碳减排、国家电网应对电动汽车充电负荷都具有重要意义。
技术实现思路
1、本专利技术提供了一种基于电动汽车增长驱动机制分析的用电量需求预测方法和系统。以面板数据位基础，结合lmdi (logarithmic mean divisia index)模型和地理加权回归模型（gwr
2、术语解释：
3、面板数据：面板数据（panel data）是指包含多个个体，且同一个个体有一系列不同时间观测点的数据，具有“横截面”和“时间序列”两个维度，当这类数据按两个维度进行排列时，数据都排在一个平面上，与一维线性数据明显不同，整个表格像是一个面板，所以称为面板数据。
4、合lmdi模型：即对数平均迪氏指数法，基于指数分解法（ida）发展而成的一种因素分解法，也是常用的能源消耗、碳排放分解方法。lmdi 分解法有着可完全分解因子、无残差项等优势，可将一个目标变量分解为不同影响因素的组合，计算出各影响因素的贡献量和贡献率，用于定量分析各因素的影响程度。
5、第一方面，本专利技术提供了一种基于电动汽车增长驱动机制分析的用电量需求预测方法；
6、一种基于电动汽车增长驱动机制分析的用电量需求预测方法，包括：
7、获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库；
8、采用lmdi模型，对影响电动车增长的面板数据进行分解，采用gwr模型分析测度温度、区域位置等空间数据对电动车增长的影响；
9、基于驱动因素的分析，构建基于面板数据地理加权回归模型电动汽车规模预测模型；
10、基于构建的电动汽车规模预测模型、年均行车里程分析模型，构建未来电动汽车的用电量需要预测模型。
11、第二方面，提供了一种基于电动汽车增长驱动机制分析的用电量需求预测的系统；
12、一种基于电动汽车增长驱动机制分析的用电量需求预测的系统，包括：
13、数据获取与处理模块：获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库；
14、驱动因素分析模块：采用lmdi模型，对影响电动车增长的面板数据进行分解，采用gwr模型分析测度温度、区域位置等空间数据对电动车增长的影响；
15、电车汽车规模预测模块：基于驱动因素的分析，构建基于面板数据地理加权回归模型电动汽车规模预测模型；
16、电动汽车用电需要预测模块：基于构建的电动汽车规模预测模型、年均行车里程分析模型，构建未来电动汽车的用电量需要预测模型。
17、第三方面，本专利技术还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现了第一方面所述的方法。
18、第四方面，本专利技术还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
19、与现有技术相比，本专利技术的有益效果是：
20、本专利技术提供了一种基于电动汽车增长驱动机制分析的用电量需求预测方法和系统种基于时空关联分析和深度学习的机动车排放模型方法及系统。本专利技术采用了面板数据位以及温度、区委等空间数据，结合了lmdi和gwr模型定量分析电动车增长的驱动因素。本专利技术空间面板数据的地理加权回归模型电动汽车规模预测模型。
本文档来自技高网...【技术保护点】
1.本专利技术提供了一种基于电动汽车增长驱动机制分析的用电量需求预测方法，其特征在于，包含：获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库；采用LMDI模型，对影响电动车增长的面板数据进行分解，采用GWR模型分析测度温度、区域位置等空间数据对电动车增长的影响；基于驱动因素的分析，构建基于面板数据地理加权回归模型电动汽车规模预测模型；基于构建的电动汽车规模预测模型、年均行车里程分析模型，构建未来电动汽车的用电量需要预测模型。
2.如权利要求1所述的一种基于电动汽车增长驱动机制分析的用电量需求预测方法，其特征在于获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库对收集的数据进行质量检测、清洗与重构、数据提取、标准化等处理。
3. 如权利要求1所述的一种基于电动汽车增长驱动机制分析的用电量，其特征在于采用LMDI模型，对影响电动车增长的面板数据进行分解，采用GWR模型分析测度温度、区域位置等空间数据对电动车增长的影响，包括：根据 LMDI分解方法可以将电动汽车增长
4. 如权利要求1所述的一种基于电动汽车增长驱动机制分析的用电量，其特征在于基于驱动因素的分析，构建基于面板数据地理加权回归模型电动汽车规模预测模型，具体包括： ，式中，y表示电动汽车数量，i表示区域，t表示时间，是第k个变量回归参数，表示截面随机误差分量；表示时间随机误差分量；表示混合随机误差分量。
5. 如权利要求1所述的1所述的一种基于电动汽车增长驱动机制分析的用电量，其特征在于基于构建的电动汽车规模预测模型、年均行车里程分析模型，构建未来电动汽车的用电量需要预测模型，包括：根据车辆年检数据获取电动汽车的年均行车里程：，式中， 为年均行车里程，n是年检电动汽车的样本数， 是车年检市区内的累积行车里程，id是年检车辆的为记录号; 和分别为机动车的检测日期与初次注册登记日期； 构建用电量需要预测模型:，式中，为i区域t年的电动汽车数量，为年均行车里程，为平均百公里耗电量。
6.一种基于电动汽车增长驱动机制分析的用电量需求预测方法系统，其特征在于，包括：数据获取与处理模块：获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库；驱动因素分析模块：采用LMDI模型，对影响电动车增长的面板数据进行分解，采用GWR模型分析测度温度、区域位置等空间数据对电动车增长的影响；电车汽车规模预测模块：基于驱动因素的分析，构建基于面板数据地理加权回归模型电动汽车规模预测模型；电动汽车用电需要预测模块：基于构建的电动汽车规模预测模型、年均行车里程分析模型，构建未来电动汽车的用电量需要预测模型。
...【技术特征摘要】
1.本发明提供了一种基于电动汽车增长驱动机制分析的用电量需求预测方法，其特征在于，包含：获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库；采用lmdi模型，对影响电动车增长的面板数据进行分解，采用gwr模型分析测度温度、区域位置等空间数据对电动车增长的影响；基于驱动因素的分析，构建基于面板数据地理加权回归模型电动汽车规模预测模型；基于构建的电动汽车规模预测模型、年均行车里程分析模型，构建未来电动汽车的用电量需要预测模型。
2.如权利要求1所述的一种基于电动汽车增长驱动机制分析的用电量需求预测方法，其特征在于获取研究区机动车排放的影响因素数据，对数据进行数据预处理、地图匹配，构建多源异构的电动汽车大数据库对收集的数据进行质量检测、清洗与重构、数据提取、标准化等处理。
3. 如权利要求1所述的一种基于电动汽车增长驱动机制分析的用电量，其特征在于采用lmdi模型，对影响电动车增长的面板数据进行分解，采用gwr模型分析测度温度、区域位置等空间数据对电动车增长的影响，包括：根据 lmdi分解方法可以将电动汽车增长量从基准年t1到目标年t2的变化分解为四个因素的影响：，式中: 为t1-t2年电动汽车的变化量，、分别为i区域t1和t2年电动汽的数量，和分别为t1和t2年电动汽的总数量，、、和分别为t1-t2年的能源结构、产业结构、经济结构、人口等变化对电动汽车数量增长的影响；根据地理加权回归模型，分析年均温度、区域位置等对电动汽车数量及电动汽车增量的影响：， 式中，是区域样本点的空间地理坐标，为样本点上的第个回归参数，与空间...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。