一种可配置的充电桩亏损风险预测管理系统的制作方法

1.本发明属于汽车充电运营管理技术领域，涉及充电桩运营风险评估技术，具体涉及一种基于回归模型的电动汽车充电桩亏损风险预测系统。


背景技术：

2.随着电动汽车的普及，电动充电桩也随即部署在城市的各个地点、场所中，但由于相比于传统内燃机汽车，电动汽车的保有量在市场上依旧比较上。因此，目前电动汽车的充电费用依旧较高，而且对于充电桩运营企业而言，充电桩的部署不仅要耗费大量的人力物力，据相关资料显示，一个普通桩的成本均价在5千-2万人民币，一个快充桩成本普遍超过10万。
3.除了前期的投入，日常维护的费用也是相当大的一笔开支，因此，要如何保证电动汽车充电桩处于盈利状态，是充电桩运营企业需要考虑的重要问题之一。电动汽车充电桩要实现盈利，其受到多方面因素的影响，例如充电桩所处区域是否对用户而言较为方便、充电桩是否支持快充、充电桩单次充电收费方案以及天气、温度等情况都会对用户是否使用充电桩造成影响，从而影响充电桩运营企业的营收。
4.为了使得相关运营企业对于充电桩的营收、亏损风险有一个较为准确的预测，以帮助其及时调整运营策略，本方案中发明了一种基于回归模型的电动汽车充电桩亏损风险预测系统。该系统可以实现对于充电桩营收、亏损的风险分析，借助于回归模型，可以将风险具体化为百分比数据，并对存在亏损可能性的充电桩进行预警，以帮助企业减少风险。


技术实现要素：

5.本发明的目的在于至少部分的解决背景技术中所涉及的现有充电桩运营风险无法把控，以及预测算法不合理、实时性及针对性不强等问题。
6.本发明的目的之一在于提供一种可配置的充电桩亏损风险预测管理系统，其特征在于，包括，
7.具有要素配置模块的要素管理组件；
8.具有回归模型算法的训练组件；
9.充电桩管理组件；
10.其中，要素配置模块用于录入、删除或修改预测要素；
11.其中，训练组件用于根据回归模型计算配置参数，并生成定制模型；
12.其中，充电桩管理组件用于录入、删除或修改充电桩信息。
13.优选方案的一种，所述要素配置模块设置有配置要素组；
14.所述配置要素组包括因变量、自变量和参数区间。
15.优选方案的一种，包括数据组件；
16.其中，数据组件与充电桩管理组件数据连接，所述数据组件可用于获取自变量的当前数据；
17.其中，数据组件与要素管理组件数据连接，所述数据组件可用于获取与所述定制模型中要素相一致的配置要素组数据；
18.其中，数据组件与所述定制模型数据连接，所述数据组件可用于向定制模型提供充电桩的自变量数据，和/或数据包。
19.优选方案的一种，包括，
20.具有阈值设置模块的输出组件；
21.其中，输出组件与定制模型数据连接，所述输出组件可用于获取定制模型的计算结果；
22.其中，阈值设置模块可配置用于判断所述计算结果的阈值，所述计算结果与所述阈值的各比较结果与判断结果具有一一映射；
23.其中，所述输出组件输出判断结果，所述判断结果为定制模型基于当前自变量数据的计算结果。
24.优选方案的一种，输出组件包括，
25.智能阈值模块；
26.其中，所述智能阈值模块与数据组件数据连接，用于获取所述定制模型中要素相一致的配置要素组数据；
27.其中，智能阈值模块根据获取的配置要素组数据生成专有配置界面；
28.其中，所述专有配置界面包括配置要素组数据的要素类型，及与所述要素类型相应的可配置项，及所述可配置项的阈值范围。
29.优选方案的一种，所述充电桩信息包括，
30.特征数据chi，表示为，
[0031][0032]
其中，充电桩所处区域是否对用户而言较为方便表示为ci；充电桩是否支持快充表示为fi；充电桩单次充电收费方案表示为ei；充电桩所在区域的天气情况表示为wi；充电桩所在环境的温度情况表示为ti。
[0033]
优选方案的一种，特征数据chi，简化为，
[0034]
chi＝{ci,fi,ei,wi,ti}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0035]
充电桩特征数据chi在时刻t的营收情况y表示为，
[0036]
y＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0037]
其中，μi表示回归模型中的参数，由模型训练学习而得到。
[0038]
优选方案的一种，公式(3)变化为，
[0039]
ln(y)＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0040]
其中，对数函数用于约束y的取值范围。
[0041]
优选方案的一种，充电桩的亏损风险定义为p，充电桩实现盈利的可能性为1-p，描述充电桩chi在时刻t的营收情况y，即：
[0042][0043]
公式(4)改写为：
[0044][0045]
根据公式(6)求解得充电桩的亏损风险p为：
[0046][0047]
优选方案的一种，回归模型算法具有损失函数loss()；
[0048]
其中，损失函数loss()的阈值为λ；
[0049]
以损失函数loss()的值小于阈值λ为条件结束对于模型的训练，获取回归模型μi的参数值，并生成定制模型；
[0050]
其中，
[0051]
loss()＝-ω*log(p)-(1-ω)*log(1-p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0052]
其中，ω为比例系数，当ω＝1时，loss()＝-log(p)；
[0053]
其中，当ω＝0时，loss()＝-log(1-p)。
[0054]
优选方案的一种，总损失函数由m个充电桩的损失叠加为，
[0055][0056]
本发明的显著进步性至少体现在：
[0057]
本方案中的电动汽车充电桩亏损风险预测基于回归模型进行分析，相比于现有技术中的方案，考虑了更多可能相关的因素，而不是只依赖于简单的收入、支出数据分析。因此，本方案中发明的电动汽车亏损预测方案，可以有效帮助企业预防亏损、实现营收。回归模型的引入实现了可以对一些定量进行数学描述，其可以帮助人们研究因变量与自变量之间的因果关系，例如一个较为简单的先验性知识：充电桩单次收费方案较为优惠，则会吸引人们前来充电，因此该充电桩实现盈利的可能性就较大；而又例如当城市面临极端天气环境，例如过高、过低气温的影响，则人们外出频次减少，则充电桩亏损的可能性就较大，此时应当及时调整充电桩的运营策略，以避免后知后觉而造成亏损。
附图说明
[0058]
图1示出了一种可配置的充电桩亏损风险预测管理系统框架图；
[0059]
图2示出了一种可配置的充电桩亏损风险预测软件管理系统框架图；
[0060]
图3示出了输出组件的阈值设置模块的功能示意图；
[0061]
图4示出了输出组件的智能阈值模块的功能示意图。
具体实施方式
[0062]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施方
式，都属于本发明保护的范围。
[0063]
结合图1-4所示，本发明提供如下实施例：
[0064]
实施例1：
[0065]
一种可配置的充电桩亏损风险预测管理系统，包括，
[0066]
具有要素配置模块的要素管理组件；
[0067]
具有回归模型算法的训练组件；
[0068]
充电桩管理组件；
[0069]
其中，要素配置模块用于录入、删除或修改预测要素；
[0070]
其中，训练组件用于根据回归模型计算配置参数，并生成定制模型；
[0071]
其中，充电桩管理组件用于录入、删除或修改充电桩信息。
[0072]
近年来，我国大力发展清洁能源汽车，相对于全球环境而言，使用新能源汽车是大势所趋。随着充电桩的需求量逐渐增加，生活中经常看见充电桩，但目前仍有部分充电桩处于不工作状态。充电桩除了前期的投入，日常维护的费用也是相当大的一笔开支，因此，很多充电桩因不能盈利而被运营企业抛弃。目前关于充电桩的在线更新情况比较落后，荒废的充电桩还会误导很多消费者来此充电，最后无功而返，既耽误了消费者的时间和计划，也影响了消费者的消费体验。电动汽车充电桩盈利情况受多方面因素的影响，只考虑单一因素充电桩的运营风险无法把控，消费者充电的效率较低。
[0073]
在本实施例中，本发明的一种可配置的充电桩亏损风险预测管理系统，如图1-2所示，一种可配置的充电桩亏损风险预测管理系统包括智能充电桩本体、充电桩数据采集模块、回归模型数据准备模块、回归模型执行模块、损失风险判断及参数微调模块以及损失风险提示模块。充电桩亏损风险预测管理系统获取待充电桩数据，通过回归执行模块判断损失风险，以及对于不同的区域进行数据微调，最后系统给出风险提示。
[0074]
其效果尤其表现在：第一，由于不同区域影响充电桩盈利情况的因素不完全一致，本发明通过要素配置模块对预测要素进行录入、删除或修改，以保证本系统的实际可操作性，本系统可应用于不同的区域进行风险预测。第二，在现实生活中，随着社会变化、生活变迁，导致一些充电桩被遗弃、一些充电桩被新增，对于本系统而言，工作人员可通过充电桩管理组件及时录入、删除或修改充电桩信息，及时更新系统充电桩的信息，可有效避免消费者充电白跑的情况。第三，本系统基于回归模型进行分析，相比于现有技术中的方案，考虑了更多可能相关的因素，而不是只依赖于简单的收入、支出数据分析，及时的将充电桩信息、要素组数据更新，能够为消费者提供更好的消费体验，也及时为企业提供风险预测结果及调整提示。
[0075]
实施例2：
[0076]
所述要素配置模块设置有配置要素组；
[0077]
所述配置要素组包括因变量、自变量和参数区间。
[0078]
包括数据组件；
[0079]
其中，数据组件与充电桩管理组件数据连接，所述数据组件可用于获取自变量的当前数据；
[0080]
其中，数据组件与要素管理组件数据连接，所述数据组件可用于获取与所述定制模型中要素相一致的配置要素组数据；
[0081]
其中，数据组件与所述定制模型数据连接，所述数据组件可用于向定制模型提供充电桩的自变量数据，和/或数据包。
[0082]
在本实施例中，如图2所示作为优选方案之一，数据组件从充电桩管理组件获取自变量的当前数据，数据组件从要素管理组件获取与定制模型中要素相一致的配置要素组数据，并向定制模型提供充电桩的自变量数据，和/或数据包，数据组件可实现数据的收集与传输功能，使系统的数据管理更加便捷。
[0083]
实施例3：
[0084]
包括，具有阈值设置模块的输出组件；
[0085]
其中，输出组件与定制模型数据连接，所述输出组件可用于获取定制模型的计算结果；
[0086]
其中，阈值设置模块可配置用于判断所述计算结果的阈值，所述计算结果与所述阈值的各比较结果与判断结果具有一一映射；
[0087]
其中，所述输出组件输出判断结果，所述判断结果为定制模型基于当前自变量数据的计算结果。
[0088]
不同区域的经济发展状况不同，运营企业对盈利的定义也不能一概而论，所以定制模型输出的计算结果与判断结果也存在一定的调节空间。如果一味以计算结果为标准，将不利于运营企业的利益。
[0089]
在本实施例中，如图3所示作为优选的方式之一，定制模型预测当前自变量数据的计算结果传输给输出组件，输出组件输出判断结果，其中阈值设置模块可配置阈值，该阈值用于判断所述计算结果，定制模型输出的计算结果与阈值进行比较，比较后的各种结果与判断结果具有一一映射。例如，计算结果大于阈值的30％，则判断结果根据实际情况给出风险评估，如果有需要，系统及时提示企业做出对应的商业决策。
[0090]
实施例4：
[0091]
输出组件包括，
[0092]
智能阈值模块；
[0093]
其中，所述智能阈值模块与数据组件数据连接，用于获取所述定制模型中要素相一致的配置要素组数据；
[0094]
其中，智能阈值模块根据获取的配置要素组数据生成专有配置界面；
[0095]
其中，所述专有配置界面包括配置要素组数据的要素类型，及与所述要素类型相应的可配置项，及所述可配置项的阈值范围。
[0096]
不同区域中，由于企业的充电桩布置与环境等各种因素，充电桩的营收因素与影响权重各有区别，如果不及时对系统的参数做调整，预测得到的数据也会偏离实际情况，并不能为当地的运营企业切实创造利益。
[0097]
在本实施例中，如图4所示作为优选方案之一，输出组件包括智能阈值模块，智能阈值模块获取所述定制模型中要素相一致的配置要素组数据，根据获取的配置要素组数据生成专有配置界面，专有配置界面包括配置要素组数据的要素类型，及与所述要素类型相应的可配置项，及所述可配置项的阈值范围。用户可以根据自己当地的实际情况，考虑到充电桩亏损风险因素的不同，可在智能阈值模块设置要素类型、要素类型相应的可配置项及其阈值范围等参数，以期得到更加智能、适合当地的阈值，使得系统输出的判断结果准确度
更高。
[0098]
实施例5：
[0099]
所述充电桩信息包括，
[0100]
特征数据chi，表示为，
[0101][0102]
其中，充电桩所处区域是否对用户而言较为方便表示为ci；充电桩是否支持快充表示为fi；充电桩单次充电收费方案表示为ei；充电桩所在区域的天气情况表示为wi；充电桩所在环境的温度情况表示为ti。
[0103]
在本实施例中，由于这五种参数相互之间存在关联，考虑对本发明后续的风险预测模型的影响，每种数据本身的度量方式和数据范围不同，其关联为弱相关，数据的表征能力较弱。因此，为了提高初始数据的表征能力，本发明对这五种参数进行变量的标定以及参数的范围量化。
[0104]
比如，对用户而言是否较为方便从0-1表示为极其不方便和非常方便，可根据充电桩所在的位置进行打分，例如0.5表示位置较为合理；充电桩是否支持快充取值为0或者1，表示为是或者否；充电桩单次充电收费方案从0-1表示为非常便宜和非常昂贵，可根据充电桩的收费情况进行打分，例如0.5表示为收费较为合理；充电桩所在区域的天气情况从0-1表示为非常恶劣和非常舒适，可根据充电桩所在环境情况进行打分，例如0.5表示天气情况较为良好；充电桩所在环境的温度情况从0-1表示为非常寒冷和非常炎热，可根据充电桩所在环境情况进行打分，例如0.5表示温度情况适中。
[0105]
实施例6：
[0106]
特征数据chi，简化为，
[0107]
chi＝{ci,fi,ei,wi,ti}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0108]
充电桩特征数据chi在时刻t的营收情况y表示为，
[0109]
y＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0110]
其中，μi表示回归模型中的参数，由模型训练学习而得到。
[0111]
在本实施例中，本发明提供的充电桩盈利预测算法，综合考虑多方面因素对充电桩盈利情况的影响，包括充电桩所处区域是否对用户而言较为方便、充电桩是否支持快充、充电桩单次充电收费方案以及天气、温度等因素，据这n(n＝5)项因素来分析充电桩的营收情况y。需要说明的是，本发明采用但不限于使用上述五种标准对其进行分析，不同的城市、环境可能存在其他可能的影响因素，因此,可以动态调整n的数值，同样适用于本发明中提出的模型进行分析。
[0112]
基于回归模型进行分析预测，充电桩特征数据chi在时刻t的营收情况y表示为，y＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*ti。相比于现有技术中的方案，考虑了更多可能相关的因素，而不是只依赖于简单的收入、支出数据分析。该算法可以实现对充电桩营收情况进行预测，对存在亏损可能性的充电桩进行预警，以帮助企业减少风险。
[0113]
实施例7：
[0114]
公式(3)变化为，
[0115]
ln(y)＝μ0 μ1*ci μ2*fi μ3*ei μ4*wi μ5*tiꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0116]
其中，对数函数用于约束y的取值范围。
[0117]
在本实施例中，通过引入对数函数来约束y的取值范围，将影响充电桩收入的潜在因素进行量化，以便通过回归模型来进行风险预测，根据相关数据证明，采用对数函数进行约束后的函数描述，其准确度可提高1％-1.5％个百分点，风险预测准确度可达到80％。
[0118]
实施例8：
[0119]
充电桩的亏损风险定义为p，充电桩实现盈利的可能性为1-p，描述充电桩chi在时刻t的营收情况y，即：
[0120][0121]
公式(4)改写为：
[0122][0123]
根据公式(6)求解得充电桩的亏损风险p为：
[0124][0125]
在本实施例中，本发明将亏损风险p以百分比的形式表示为有多大的概率会产生亏损、有多大的概率会实现盈利。在模型的训练过程中，得到回归模型μi的参数值，则可以完成对于充电桩的亏损风险p的计算。根据预测得到的亏损风险p及时调整充电桩的运营策略，以避免后知后觉而给企业造成亏损。
[0126]
实施例9：
[0127]
回归模型算法具有损失函数loss()；
[0128]
其中，损失函数loss()的阈值为λ；
[0129]
以损失函数loss()的值小于阈值λ为条件结束对于模型的训练，获取回归模型μi的参数值，并生成定制模型；
[0130]
其中，
[0131]
loss()＝-ω*log(p)-(1-ω)*log(1-p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0132]
其中，ω为比例系数，当ω＝1时，loss()＝-log(p)；
[0133]
其中，当ω＝0时，loss()＝-log(1-p)。
[0134]
在本实施例中，由于充电桩的盈利与亏损也受到其他外在因素的影响，例如社会经济效应等，为了更加精准地对这种亏损风险进行定义，本发明中引入配比系数ω，定义回归模型的损失函数以完成模型的训练。回归模型通过迭代的方式进行训练，当损失函数loss()的值小于定义的阈值λ时，就结束对于模型的训练，得到回归模型μi的参数值。
[0135]
实施例10：
[0136]
总损失函数由m个充电桩的损失叠加为，
[0137]
[0138]
在本实施例中，训练模型时，用m个充电桩的数据参与模型训练，充电桩chi对应的特征数据为{ci,fi,ei,wi,ti}，其对应的营收数据为yi，亏损风险为pi因此，损失函数需要将m个充电桩的损失进行叠加：
[0139][0140]
当定义好回归模型的损失函数后，当损失函数loss()的值小于定义的阈值λ时，就结束模型训练。此时，回归模型中的参数μi固化不再改变，带入公式(7)中求解该充电桩的亏损风险p以及充电桩实现盈利的可能性为1-p。
[0141]
一个可能的例子：充电桩的亏损风险p＝0.8，盈利风险则为1-p＝1-0.8＝0.2，因此说明该充电桩存在亏损风险。在发明中，将亏损和盈利的临界值定为0.5，即当亏损风险p大于0.5时，说明该充电桩有亏损风险，此时应该及时提示运营企业调整运营策略；而当盈利的可能性为1-p大于0.5时，则说明该充电桩运营状况良好。
[0142]
在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了使于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
[0143]
在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0144]
在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0145]
在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0146]
在本发明的实施例的描述中，需要理解的是，
“‑”
和“～”表示的是两个数值之同的范围，并且该范围包括端点。例如:“a-b”表示大于或等于a，且小于或等于b的范围。“a～b”表示大于或等于a，且小于或等于b的范围。
[0147]
最后还应该说明的是，尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。