充电系统安全风险预测方法、装置、设备及可读存储介质与流程

1.本发明涉及电动车充电桩领域，尤其涉及一种充电系统安全风险预测方法、装置、设备及可读存储介质。


背景技术：

2.随着我国新能源产业的迅速发展，能源革命持续深入，新能源汽车数量不断增长，对汽车充电桩数量的需求也不断增加。但是由于充电桩具有位置分布散、覆盖面广、故障频发等特点，加大了充电桩及充电桩配套基础设施维护的难度，对运维人员不友好，对应的若增加运维人员数量也将增加充电桩运营企业的运营成本。而对于新能源汽车用户来说一个高效稳定安全的充电基础设施可极大的提高其使用新能源汽车的体验，从而间接的推广新能源汽车的使用。因此，亟需提高运维人员的运维效率，以保证充电桩以及充电桩配套基础设施正常运行。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种充电系统安全风险预测方法，旨在解决现有充电桩及充电桩配套基础设施运维难度大，对运维人员不友好的问题。
5.为实现上述目的，本发明提供一种充电系统安全风险预测方法，所述充电系统安全风险预测方法包括以下步骤：
6.获取充电系统的相关设备的历史数据中的故障报警信息；
7.根据所述故障报警信息生成所述充电系统的风险特征数；
8.基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；
9.将所述预测结果发送至充电系统管理平台，以输出提示信息。
10.进一步的，所述历史数据为所述充电系统的故障报警，在所述获取充电系统的相关设备的历史数据中的故障报警信息的步骤之前，包括：
11.监测所述充电系统在处于运行状态时所述相关设备生成的各工作参数；
12.将各所述工作参数与多个预设工作参数阈值进行比较；
13.当所述工作参数大于所述预设工作参数阈值时，生成对应等级的所述故障报警。
14.进一步的，所述故障报警信息包括故障报警次数，所述风险特征数包括第一风险特征数，所述根据所述故障报警信息生成所述充电系统的风险特征数的步骤包括：
15.根据所述故障报警次数生成在预设时间段内的故障报警频率，将所述故障报警频率作为所述充电系统的第一风险特征数。
16.进一步的，所述故障报警次数包括一级故障报警次数、二级故障报警次数和三级故障报警次数，所述根据所述故障报警次数生成在预设时间段内的故障报警频率，将所述故障报警频率作为所述充电系统的第一风险特征数的步骤包括:
17.根据所述一级故障报警次数生成在预设时间段内的一级故障报警频率，根据所述二级故障报警次数生成在预设时间段内的二级故障报警频率，根据所述三级故障报警次数生成在预设时间段内的三级故障报警频率；
18.将所述一级故障报警频率、所述二级故障报警频率和所述三级故障报警频率分别与不同权重值相乘的和作为所述第一风险特征数，其中，所述权重值随故障等级的增加而增加。
19.进一步的，所述风险特征数还包括第二风险特征数，所述根据所述故障报警信息生成所述充电系统的风险特征数的步骤包括：
20.根据所述一级故障报警次数、二级故障报警次数、三级故障报警次数，生成所述充电系统的故障等级转换率，将所述故障等级转换率作为所述充电系统的第二风险特征数。
21.进一步的，所述基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果的步骤包括：
22.将所述第一风险特征数和所述第二风险特征数输入至预设的充电系统安全风险预测模型中，生成所述充电系统存在安全风险的第一概率，生成所述充电系统不存在安全风险的第二概率；
23.比较所述第一概率和所述第二概率的大小，当所述第一概率大于所述第二概率时，生成所述充电系统存在安全风险的预测结果。
24.进一步的，所述将所述预测结果发送至充电系统管理平台的步骤包括：
25.将存在安全风险的预测结果以及与所述安全风险对应的风险因素报告发送至充电系统管理平台或者运维人员的手机；
26.其中，所述风险因素报告为基于大于所述预设工作参数阈值的所述工作参数生成。
27.此外，为实现上述目的，本发明还提供一种充电系统安全风险预测装置，所述充电系统安全风险预测装置包括：
28.获取模块，用于获取充电系统的相关设备的历史数据中的故障报警信息；
29.生成模块，用于根据所述故障报警信息生成所述充电系统的风险特征数；
30.预测模块，用于基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；
31.发送模块，用于将所述预测结果发送至充电系统管理平台，以输出提示信息。
32.此外，为实现上述目的，本发明还提供一种充电系统安全风险预测设备，所述充电系统安全风险预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的充电系统安全风险预测程序，所述充电系统安全风险预测程序被所述处理器执行时实现如上所述的充电系统安全风险预测方法的步骤。
33.此外，为实现上述目的，本发明还提供一种可读存储介质，所述可读存储介质上存储有充电系统安全风险预测程序，所述充电系统安全风险预测程序被处理器执行时实现如上述的充电系统安全风险预测方法的步骤。
34.本发明实施例提出的一种充电系统安全风险预测方法，获取充电系统的相关设备的历史数据中的故障报警信息；根据所述故障报警信息生成所述充电系统的风险特征数；基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；将所述预测结果
发送至充电系统管理平台，以输出提示信息。即基于充电系统的故障信息生成对应的风险特征数，基于风险特征数对充电系统是否存在安全风险进行预测，并将预测结果发送至充电系统管理平台起到提示作用。运维人员可以基于预测结果提前在充电空闲时段安排运维工作，优先对存在安全风险的充电系统进行维护，让运维资源分配更加合理，提高了现有运维资源的利用率和运维效率，从而确保充电桩以及电桩配套基础安全稳定的正常运行，保证站场在高峰充电时段能高效利用，提高现场桩利用率提高站场经济效益提高用户体验感，减少由用户发现的故障情况。
附图说明
35.图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
36.图2为本发明充电系统安全风险预测方法的第一实施例的流程示意图。
37.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
38.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
39.本发明实施例的主要解决方案是：获取充电系统的相关设备的历史数据中的故障报警信息；根据所述故障报警信息生成所述充电系统的风险特征数；基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；将所述预测结果发送至充电系统管理平台，以输出提示信息。
40.现有充电桩及充电桩配套基础设施存在运维难度大，对运维人员不友好的技术问题。
41.本发明提供一种解决方案，使得运维人员可以依据评估的风险等级选择设备的进行维护的优先级，让运维资源分配更加合理，提高了现有运维资源的利用率和运维效率，确保充电桩以及电桩配套基础的正常运行。
42.如图1所示，图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图。
43.本发明实施例设备可以是充电桩，也可以是智能手机、pc、平板电脑、云服务器、便携计算机等具有数据接收、数据处理和数据发送功能的可移动式终端设备。
44.如图1所示，该设备可以包括：处理器1001，例如cpu，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
45.可选地，设备还可以包括摄像头、rf(radio frequency，射频)电路，传感器、音频电路、wifi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动设备移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静
止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
46.本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
47.如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及充电系统安全风险预测方法程序。
48.在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的充电系统安全风险预测程序，并执行以下操作：
49.获取充电系统的相关设备的历史数据中的故障报警信息；
50.根据所述故障报警信息生成所述充电系统的风险特征数；
51.基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；
52.将所述预测结果发送至充电系统管理平台，以输出提示信息。
53.进一步地，处理器1001可以调用存储器1005中存储的充电系统安全风险预测程序，还执行以下操作：
54.所述历史数据为所述充电系统的故障报警，在所述获取充电系统的相关设备的历史数据中的故障报警信息的步骤之前，包括：
55.监测所述充电系统在处于运行状态时所述相关设备生成的各工作参数；
56.将各所述工作参数与多个预设工作参数阈值进行比较；
57.当所述工作参数大于所述预设工作参数阈值时，生成对应等级的所述故障报警。
58.进一步地，处理器1001可以调用存储器1005中存储的充电系统安全风险预测程序，还执行以下操作：
59.所述故障报警信息包括故障报警次数，所述风险特征数包括第一风险特征数，所述根据所述故障报警信息生成所述充电系统的风险特征数的步骤包括：
60.根据所述故障报警次数生成在预设时间段内的故障报警频率，将所述故障报警频率作为所述充电系统的第一风险特征数。
61.进一步地，处理器1001可以调用存储器1005中存储的充电系统安全风险预测程序，还执行以下操作：
62.所述故障报警次数包括一级故障报警次数、二级故障报警次数和三级故障报警次数，所述根据所述故障报警次数生成在预设时间段内的故障报警频率，将所述故障报警频率作为所述充电系统的第一风险特征数的步骤包括:
63.根据所述一级故障报警次数生成在预设时间段内的一级故障报警频率，根据所述二级故障报警次数生成在预设时间段内的二级故障报警频率，根据所述三级故障报警次数生成在预设时间段内的三级故障报警频率；
64.将所述一级故障报警频率、所述二级故障报警频率和所述三级故障报警频率分别与不同权重值相乘的和作为所述第一风险特征数，其中，所述权重值随故障等级的增加而增加。
65.进一步地，处理器1001可以调用存储器1005中存储的充电系统安全风险预测程
序，还执行以下操作：
66.所述风险特征数还包括第二风险特征数，所述根据所述故障报警信息生成所述充电系统的风险特征数的步骤包括：
67.根据所述一级故障报警次数、二级故障报警次数、三级故障报警次数，生成所述充电系统的故障等级转换率，将所述故障等级转换率作为所述充电系统的第二风险特征数。
68.进一步地，处理器1001可以调用存储器1005中存储的充电系统安全风险预测程序，还执行以下操作：
69.所述基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果的步骤包括：
70.将所述第一风险特征数和所述第二风险特征数输入至预设的充电系统安全风险预测模型中，生成所述充电系统存在安全风险的第一概率，生成所述充电系统不存在安全风险的第二概率；
71.比较所述第一概率和所述第二概率的大小，当所述第一概率大于所述第二概率时，生成所述充电系统存在安全风险的预测结果。
72.进一步地，处理器1001可以调用存储器1005中存储的充电系统安全风险预测程序，还执行以下操作：
73.所述将所述预测结果发送至充电系统管理平台的步骤包括：
74.将存在安全风险的预测结果以及与所述安全风险对应的风险因素报告发送至充电系统管理平台或者运维人员的手机；
75.其中，所述风险因素报告为基于大于所述预设工作参数阈值的所述工作参数生成。
76.参照图2，本发明充电系统安全风险预测方法的第一实施例，所述充电系统安全风险预测方法包括：
77.步骤s10，获取充电系统的相关设备的历史数据中的故障报警信息；
78.在本实施例中，上述充电系统是指为电动汽车提供充电服务的系统，充电系统的相关设备包括充电桩和充电桩接入的变压器，此外，在处于充电状态时，相关设备还可以包括接入充电桩的车辆。获取上述相关设备运行时的工作参数，通常情况下工作状态分为正常和异常，且两种状态的运行数据都将被设备记录成历史数据，而异常的工作状态将会产生故障报警，同样存在于历史数据中。其中，关于车辆的故障报警信息是指车辆电池在充电时发出的故障警报，可以通过车辆电池的电池bms系统(battery management system，电池管理系统)获取，而变压器的故障报警信息指变压器低压侧发出的故障报警。
79.进一步的，所述历史数据为所述充电系统的故障报警，在所述获取充电系统的相关设备的历史数据中的故障报警信息的步骤之前包括：监测所述充电系统在处于运行状态时所述相关设备生成的各工作参数；将各所述工作参数与多个预设工作参数阈值进行比较；当所述工作参数大于所述预设工作参数阈值时，生成对应等级的所述故障报警。
80.具体的，上述相关设备中均配置有安全监测系统，用于检监测设备的日常工作参数，工作参数可以包括：工作电流、工作电压、工作功率、工作温度和绝缘值等参数，对于车辆电池还可包括电池组中单个电池的电压情况，单个电池的电压情况是指每个电池的电压是否与电池组整体电压保持一致。将上述工作电流、工作电压、工作功率、工作温度和绝缘
值分别与其对应的预设工作参数阈值进行比较，当大于预设工作参数阈值时发出故障报警，具体的预设工作参数阈值可依据设备自身硬件属性设定，或者由设备的生产厂家设置。预设工作参数阈值可以设置多个等级，当实际工作参数超过不同等级的预设工作参数阈值时，发出不同等级的故障报警。此外，上述将工作参数与预设工作参数阈值进行比较的过程中，工作参数除为上述电流、电压、功率、温度等，也可是各参数的变化率，对应的预设工作参数阈值则为参数变化率的参数阈值，例如，充电时电池温度的上升速率，当电池温度的上升速率过快大于预设上升速率阈值时，也会发出故障报警。
81.步骤s20，根据所述故障报警信息生成所述充电系统的风险特征数；
82.具体的，本实施例中历史数据为所述充电系统的故障报警。即历史数据中记录了充电系统在过去预设时间段内发生的故障报警。
83.进一步的，步骤s20还包括步骤s21、步骤s22和步骤s23。
84.步骤s21，根据所述故障报警次数生成在预设时间段内的故障报警频率，将所述故障报警频率作为所述充电系统的第一风险特征数。
85.具体的，所述故障报警信息包括故障报警次数，所述风险特征数包括第一风险特征数。在实际运维过程中，上述预设时间段可设置一周或者一个月，在通常情况下预设时间段设置为当前时刻至上一次维护的时刻。如距离上次进行维护后充电系统发生的报警次数为18次，对应的故障报警频率18次，18次即为充电系统的第一风险特征数。
86.步骤s22，根据所述一级故障报警次数生成在预设时间段内的一级故障报警频率，根据所述二级故障报警次数生成在预设时间段内的二级故障报警频率，根据所述三级故障报警次数生成在预设时间段内的三级故障报警频率；将所述一级故障报警频率、所述二级故障报警频率和所述三级故障报警频率分别与不同权重值相乘的和作为所述第一风险特征数，其中，所述权重值随故障等级的增加而增加。
87.具体的，所述故障报警次数包括一级故障报警次数、二级故障报警次数和三级故障报警次数。即在本实施例中设置三个等级的工作参数阈值，即三级参数阈值、二级参数阈值和一级参数阈值，且三级参数阈值大于二级参数阈值，二级参数阈值大于一级参数阈值，当工作参数大于对应等级的参数阈值，则会生成对应等级的故障报警，其中，故障严重程度随参数阈值的增大而增大，即故障等级越大故障严重程度越大。分别生成预设时间段的一级故障报警频率、二级故障报警频率和三级故障报警频率。进一步的，在面对多种等级故障报警的情况下，第一风险特征数的计算方式为：第一风险特征数＝一级故障报警频率
×
a 二级故障报警频率
×
b 三级故障报警频率
×
c，其中a、b和c分别为一级故障报警、二级故障报警和三级故障报警对应的权重值，且权重值a小于b且b小于c。从而体现不同故障报警等级的严重程度。
88.步骤s23，根据所述一级故障报警次数、二级故障报警次数、三级故障报警次数，生成所述充电系统的故障等级转换率，将所述故障等级转换率作为所述充电系统的第二风险特征数。
89.具体的，所述风险特征数还包括第二风险特征数。第二风险特征数基于故障报警等级的转换率得到。可以理解的是，在本实施例中，当相关设备发出故障报警时，对应的设备将会执行对应保护动作。以充电过程为例进行说明，一级故障报警时保护动作为降低充电功率或者充电电流，二级故障报警时保护动作为终止充电，三级故障报警时保护动作为
切断充电桩电源并启动消防动作，而上述动作用于保护设备安全，避免故障进一步扩大。而故障报警等级的转换率包括：一级故障报警转二级故障报警率(二级故障报警次数与一级故障报警次数之比，其中，此处二级故障报警次数为由一级故障转为二级故障时的二级故障报警次数)、二级故障报警转三级故障报警(三级故障报警次数与二级故障报警次数之比，其中，此处三级故障报警次数为由二级故障转为三级故障时的三级故障报警次数)、正常转二级故障报警率(直接发出二级故障报警次数与所有二级故障报警次数之比)以及正常转三级故障报警率(直接发出三级故障报警次数与所有三级故障报警次数之比)。通过上述故障转换率可以反映出实际保护动作是否到位，或者保护动作是否具有保护效果。将上述故障转换率分别与对应系数相乘后相加得到第二风险特征数，且具体过程与第一风险特征数生成过程相似，此处不再赘述。
90.步骤s30，基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；
91.进一步的，将所述第一风险特征数和所述第二风险特征数输入至预设的充电系统安全风险预测模型中，生成所述充电系统存在安全风险的第一概率，生成所述充电系统不存在安全风险的第二概率；比较所述第一概率和所述第二概率的大小，当所述第一概率大于所述第二概率时，生成所述充电系统存在安全风险的预测结果。
92.具体的，上述充电系统安全风险预测模型由充电系统训练样本训练完成，其中，每个训练样本被标记为存在安全风险/不存在安全风险，且训练样本都有其对应的第一风险特征数和第二风险特征数，且每个样本可是基于充电桩系统历史数据标记得到，如一充电系统发生了安全事故，则基于该充电系统发生安全事故前的历史数据生成第一风险特征数和第二风险特征数并将该第一风险特征数和第二风险特征数标记为存在安全风险，即得到一个存在安全风险的训练样本。进一步以第一风险特征数为例进行说明，若此时生成的第一风险特征数为a，获取存在安全风险类型的训练样本中第一风险特征数为a(或者处于区间[a-a,a a]之间的样本数量，其中，a可由技术人员根据实际情况自行设置)样本数量，如存在安全风险类型的训练样本的总量为100，其中，第一风险特征数为a(或者处于区间[a-a,a a]之间)的样本数量为10，得到在安全风险类型的训练样本中第一风险特征数为a的频率为10/100。对应的，计算第二风险特征数在存在安全风险类型的训练样本中的频率，将第一风险特征数和第二风险特征数在存在安全风险类型的训练样本中的频率分别乘对应权重系数的和得到第一概率值。可参考第一概率值的计算公式如下：
[0093][0094]
式中，n1为存在安全风险类型的训练样本中与此时生成的第一风险特征数相同或者相近的样本数量，n2为存在安全风险类型的训练样本中与此时生成的第二风险特征数相同或者相近的样本数量，z为存在安全风险类型的训练样本的总量，c1为第一风险特征数的权重系数，c2为第二风险特征数的权重系数。而每种电状态特征量的权重可以同样也可以有技术人员自行设定。
[0095]
同理，第二概率值的计算方式与第一概率值类似，将存在安全风险类型的训练样本更换成不存在安全风险类型的训练样本即可。第二概率值的计算方式如下：
[0096][0097]
式中，m1为不存在安全风险类型的训练样本中与此时生成的第一风险特征数相同或者相近的样本的数量，m2不存在安全风险类型的训练样本中与此时生成的第二风险特征数相同或者相近的样本的数量，y为不存在安全风险类型的训练样本的总量，c1为第一风险特征数的权重系数，c2为第二风险特征数的权重系数。
[0098]
将得到的第一概率和第二概率进行比较，且第一概率比第二概率大时，则预测该充电系统将会发生安全事故，对应的预测结果是存在安全风险。
[0099]
步骤s40，将所述预测结果发送至充电系统管理平台，以输出提示信息。
[0100]
进一步的，将存在安全风险的预测结果以及与所述安全风险对应的风险因素报告发送至充电系统管理平台或者运维人员的手机；其中，所述风险因素报告为基于大于所述预设工作参数阈值的所述工作参数生成。
[0101]
具体的，当预测充电系统的存在安全风险后，进一步生成产生所述安全风险的风险因素报告。风险因素报告包括，不同设备存在故障报警的工作参数，以及每个参数发生故障报警的频率和故障报警等级。如充电桩的充电过温报警、充电桩热失控报警(温度增长过快)和充电桩过流报警等。预测结果以及风险因素报告将会被发送至充电系统管理平台或者运维人员的手机，运维人员可以通过移动客户端下载，并存在风险的充系统进行维护，而风险因素报告也将可以作为其进行维护的参考。
[0102]
在本实施例中，获取充电系统的相关设备的历史数据中的故障报警信息；根据所述故障报警信息生成所述充电系统的风险特征数；基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；将所述预测结果发送至充电系统管理平台，以输出提示信息。即基于充电系统的故障信息生成对应的风险特征数，基于风险特征数对充电系统是否存在安全风险进行预测，并将预测结果发送至充电系统管理平台起到提示作用。运维人员可以基于预测结果提前在充电空闲时段安排运维工作，优先对存在安全风险的充电系统进行维护，让运维资源分配更加合理，提高了现有运维资源的利用率和运维效率，从而确保充电桩以及电桩配套基础安全稳定的正常运行，保证站场在高峰充电时段能高效利用，提高现场桩利用率提高站场经济效益提高用户体验感，减少由用户发现的故障情况。
[0103]
此外，本实施例还提供一种充电系统安全风险预测装置，所述充电系统安全风险预测装置包括：
[0104]
获取模块，用于获取充电系统的相关设备的历史数据中的故障报警信息；
[0105]
生成模块，用于根据所述故障报警信息生成所述充电系统的风险特征数；
[0106]
预测模块，用于基于所述风险特征数对所述充电系统的安全风险进行预测生成预测结果；
[0107]
发送模块，用于将所述预测结果发送至充电系统管理平台，以输出提示信息。
[0108]
可选地，所述获取模块还用于：
[0109]
监测所述充电系统在处于运行状态时所述相关设备生成的各工作参数；
[0110]
将各所述工作参数与多个预设工作参数阈值进行比较；
[0111]
当所述工作参数大于所述预设工作参数阈值时，生成对应等级的所述故障报警。
[0112]
可选地，所述故障报警信息包括故障报警次数，所述风险特征数包括第一风险特征数，所述生成模块还用于：
[0113]
根据所述故障报警次数生成在预设时间段内的故障报警频率，将所述故障报警频率作为所述充电系统的第一风险特征数。
[0114]
可选地，所述故障报警次数包括一级故障报警次数、二级故障报警次数和三级故障报警次数，所述生成模块还用于：
[0115]
根据所述一级故障报警次数生成在预设时间段内的一级故障报警频率，根据所述二级故障报警次数生成在预设时间段内的二级故障报警频率，根据所述三级故障报警次数生成在预设时间段内的三级故障报警频率；
[0116]
将所述一级故障报警频率、所述二级故障报警频率和所述三级故障报警频率分别与不同权重值相乘的和作为所述第一风险特征数，其中，所述权重值随故障等级的增加而增加。
[0117]
可选地，所述风险特征数还包括第二风险特征数，所述生成模块还用于：
[0118]
根据所述一级故障报警次数、二级故障报警次数、三级故障报警次数，生成所述充电系统的故障等级转换率，将所述故障等级转换率作为所述充电系统的第二风险特征数。
[0119]
可选地，所述预测模块还用于：
[0120]
将所述第一风险特征数和所述第二风险特征数输入至预设的充电系统安全风险预测模型中，生成所述充电系统存在安全风险的第一概率，生成所述充电系统不存在安全风险的第二概率；
[0121]
比较所述第一概率和所述第二概率的大小，当所述第一概率大于所述第二概率时，生成所述充电系统存在安全风险的预测结果。
[0122]
可选地，所述发送模块还用于：
[0123]
将存在安全风险的预测结果以及与所述安全风险对应的风险因素报告发送至充电系统管理平台或者运维人员的手机；
[0124]
其中，所述风险因素报告为基于大于所述预设工作参数阈值的所述工作参数生成。
[0125]
本发明提供的充电系统安全风险预测装置，采用上述实施例中的充电系统安全风险预测方法，解决对于部分特殊人群或者老年用户来说使用投屏功能还存在困难的技术问题。与现有技术相比，本发明实施例提供的充电系统安全风险预测装置的有益效果与上述实施例提供的充电系统安全风险预测方法的有益效果相同，且该充电系统安全风险预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
[0126]
此外，本实施例还提供一种充电系统安全风险预测设备，所述充电系统安全风险预测设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的充电系统安全风险预测程序，所述充电系统安全风险预测程序被所述处理器执行时实现如上述的充电系统安全风险预测方法的步骤。
[0127]
本发明充电系统安全风险预测设备的具体实施方式与上述充电系统安全风险预测新方法各实施例基本相同，在此不再赘述。
[0128]
此外，本实施例还提供一种可读存储介质，所述可读存储介质上存储有充电系统安全风险预测程序，所述充电系统安全风险预测程序被处理器执行时实现如上述的充电系
统安全风险预测方法的步骤。
[0129]
本发明介质具体实施方式与上述充电系统安全风险预测新方法各实施例基本相同，在此不再赘述。
[0130]
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0131]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0132]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，充电桩，或者网络设备等)执行本发明各个实施例所述的方法。
[0133]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。