CN117745321A - 充电场站服务费定价方法、装置、设备及存储介质 - Google Patents
充电场站服务费定价方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117745321A CN117745321A CN202311766192.2A CN202311766192A CN117745321A CN 117745321 A CN117745321 A CN 117745321A CN 202311766192 A CN202311766192 A CN 202311766192A CN 117745321 A CN117745321 A CN 117745321A
- Authority
- CN
- China
- Prior art keywords
- charging station
- charging
- preset
- pricing
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims description 101
- 238000005457 optimization Methods 0.000 claims description 22
- 230000008901 benefit Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 14
- 230000002093 peripheral effect Effects 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 201
- 230000008569 process Effects 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000010438 heat treatment Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 241000282326 Felis catus Species 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种充电场站服务费定价方法、装置、设备及存储介质,可用于人工智能技术领域。该方法包括:获取至少一个预设充电场站对应的历史充电特征数据;根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;根据各预设充电场站对应的类别、历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各预设充电场站当前时段充电需求与定价之间的关联关系;根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种充电场站服务费定价方法、装置、设备及存储介质。
背景技术
随着新能源汽车大量投入使用,充换电基础设施建设至关重要,而充换电基础设施建设的核心问题是充电场站服务费定价问题。
目前在充电场站服务费定价时,一般是通过成本定价或者基于周边竞对充电场站的价格进行定价。所以目前的定价方式一般都是人为基于某些因素的考虑进行定价的,并且在定价之后极少进行定价的变动。
所以目前这种定价方式,定价的灵活性较低。并且不是基于充电场站的充电需求情况进行定价的,而对于极少进行定价变动的情况,也无法基于历史样本确定充电场站中充电需求与定价之间的关联关系,所以导致无法为充电场站提供有关于充电需求方面的有效定价参考,也使充电场站无法兼顾充电效率与收益进行更加合理的定价。
发明内容
本申请提供一种充电场站服务费定价方法、装置、设备及存储介质,用以解决现有技术中充电场站对定价极少进行变动的情况下,无法基于历史样本确定充电场站中充电需求与定价之间的关联关系,所以导致无法为充电场站提供有关于充电需求方面的有效定价参考的技术问题。
第一方面,本申请提供一种充电场站服务费定价方法,包括:
获取至少一个预设充电场站对应的历史充电特征数据,所述历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;
根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;
针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,所述充电用户类型包括:车主类型及非车主类型,所述以下操作包括:
根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系;
根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,所述目标定价模型中包括目标桩效子模型及目标收益子模型。
在一种可能的设计中,所述多种历史充电非价格特征数据包括:历史桩效特征数据、历史充电用户类型及历史功率类型;
所述根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别,包括:
采用各预设充电场站对应的历史功率类型对各预设充电场站进行第一层级的聚类处理,以获得各预设充电场站对应的功率类别;
采用各预设充电场站对应的历史桩效特征数据对在各功率类别中的预设充电场站分别进行第二层级的聚类处理,以获得在各功率类别下各预设充电场站的桩效类别;
根据各预设充电场站对应的历史充电用户类型计算各预设充电场站对应的历史车主占比;
采用各预设充电场站对应的历史车主占比对各桩效类别中的预设充电场站分别进行第三层级的聚类处理,以获得桩效类别下各预设充电场站的车主占比类别。
在一种可能的设计中,所述根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系,包括:
根据各所述预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第一观测样本,所述第一观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站在历史时间段内所述前一时段的平均价格、预设充电场站在历史时间段内所属场站类别的平均充电量及预设充电场站在前一时段的非价格特征;
根据各所述预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,所述第二观测样本中包括:预设充电场站在历史时间段内所属场站类别的平均充电量、预设充电场站对应的类别、在前一时段预设充电场站与周边竞对充电场站的价格变化率;
根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系。
在一种可能的设计中,所述预设的反事实预测模型中包括预设基准充电需求子模型及预设量价子模型;所述预设量价子模型是定义充电需求与价格弹性之间的模型;
所述根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系,包括:
根据各预设充电场站对应的第一观测样本确定所述基准充电需求子模型中当前时段的基准参数,以确定当前时段的基准充电需求子模型;
根据各预设充电场站对应的第二观测样本确定所述量价子模型中当前时段的量价参数,以确定当前时段的量价子模型,所述当前时段的量价参数中包括:当前时段的价格弹性参数;
根据各预设充电场站对应的当前时段的基准充电需求子模型及当前时段的量价子模型确定各所述预设充电场站当前时段充电需求与价格弹性之间的关联关系。
在一种可能的设计中,所述根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,包括:
根据各所述预设充电场站当前时段充电需求与定价之间的关联关系对所述目标桩效子模型及所述目标收益子模型进行转换,以获得各所述预设充电场站当前时段的目标定价模型;
对各所述预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价。
在一种可能的设计中,所述目标定价模型为目标桩效子模型及目标收益子模型进行线性加权的方式表示的;
所述对各所述预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价,包括:
采用线性加权法将求解各所述预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题;
求取各所述预设充电场站单目标优化问题的最优解,并将各所述最优解确定为各所述预设充电场站在当前时段的最优定价。
在一种可能的设计中,所述根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价之后,还包括:
将车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,以使用户终端对所述车主类型对应的最优定价以及所述非车主类型对应的最优定价进行显示。
第二方面,本申请提供一种充电场站服务费定价装置,包括:
获取模块,用于获取至少一个预设充电场站对应的历史充电特征数据,所述历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;
聚类处理模块,用于根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;
执行模块,用于针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,所述充电用户类型包括:车主类型及非车主类型,执行模块包括:
预测子模块,用于根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系;
确定子模块,根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,所述目标定价模型中包括目标桩效子模型及目标收益子模型。
第三方面,本申请提供一种包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面任一项所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面任一项所述的方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法。
本申请提供的充电场站服务费定价方法、装置、设备及存储介质,通过获取至少一个预设充电场站对应的历史充电特征数据,所述历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,所述充电用户类型包括:车主类型及非车主类型,所述以下操作包括:根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系;根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,所述目标定价模型中包括目标桩效子模型及目标收益子模型。由于服务器根据预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,获得预设充电场站当前时段充电需求与定价之间的关联关系,从而根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标桩效子模型及目标收益子模型确定各预设充电场站在当前时段的最优定价。所以本方案通过反事实预测,在面对充电场站极少进行定价变动的情况,也可基于历史样本确定充电场站中充电需求与定价之间的关联关系,进而可以参考充电需求进行有效定价,使充电场站可以同时兼顾充电效率与收益进行更加合理的定价。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的充电场站服务费定价方法的应用场景图;
图2为本申请一实施例提供的充电场站服务费定价方法的流程图;
图3为本申请另一实施例提供的充电场站服务费定价方法的流程图;
图4为本申请一实施例提供的多层级聚类处理示意图;
图5为本申请又一实施例提供的充电场站服务费定价方法的流程图;
图6为本申请提供的对充电场站服务费进行定价的结构框架示意图;
图7为本申请一实施例提供的充电场站服务费定价装置的结构示意图;
图8为本申请一实施例提供的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了清楚理解本申请的技术方案,首先对现有技术的方案进行详细介绍。
目前在充电场站服务费定价时,一般是通过成本定价或者基于周边竞对充电场站的价格进行定价。所以目前的定价方式一般都是人为基于某些因素的考虑进行定价的,并且在定价之后极少进行定价的变动。而且目前国内外对于充电服务费的定价研究较少,且大多只是分析策略,缺少具体数学模型。而充电场站服务费定价问题主要关心的是关于价格优化,这种问题主要挑战在于大部分充电站的价格并不会经常变动,甚至从未变动过。所以目前这种定价方式,定价的灵活性较低。并且不是基于充电场站的充电需求情况进行定价的,而对于极少进行定价变动的情况,也无法基于历史样本确定充电场站中充电需求与定价之间的关联关系,所以导致无法为充电场站提供有关于充电需求方面的有效定价参考,也使充电场站无法兼顾充电效率与收益进行更加合理的定价。
所以在面对现有技术中的技术问题时,为了能够使定价能够有效参考充电需求,真正基于充电需求进行定价,可以基于反事实预测获得充电需求与定价之间的关联关系。并且由于充电用户类型不同,历史定价及充电情况也不同,所以可分别针对两种充电用户类型,分别基于反事实预测获得充电需求与定价之间的关联关系。具体地,本方案通过预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,获得预设充电场站当前时段充电需求与定价之间的关联关系,从而根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标桩效子模型及目标收益子模型确定各预设充电场站在当前时段的最优定价,进而能够兼顾充电效率与收益进行更加合理的定价。而且确定最优定价后,可基于最优定价对价格进行更加灵活的调整,使定价更具有灵活性。
下面对本发明实施例的应用场景进行介绍。
图1为本申请一个实施例提供的充电场站服务费定价方法的应用场景图,如图1所示,本申请具体的应用场景可以为在向新能源汽车提供充换电服务时进行服务费智能定价的场景。本申请提供的充电场站服务费定价方法对应的系统中包括:用户终端1,充电场站服务费定价对应的电子设备,如可以为服务器2。用户通过用户终端1向服务器2发送当前时段的定价请求,可在定价请求中包括预设充电场站的标识及当前时段。服务器2基于当前定价请求,获取预设充电场站的类别,并基于预设充电场站对应的类别、历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,获得预设充电场站当前时段充电需求与定价之间的关联关系,根据预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定预设充电场站在当前时段的最优定价,最终服务器2将预设充电场站当前时段的最优定价发送至用户终端1。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一实施例提供的充电场站服务费定价方法的流程图,如图2所示,本实施例提供的充电场站服务费定价方法包括以下步骤:
步骤201,获取至少一个预设充电场站对应的历史充电特征数据,历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据。
其中,预设充电场站,是指需要进行定价的充电场站。
其中,历史充电特征数据,是指已经发生的充电行为具有的特征数据。其可以从充电流水数据和后台充电场站信息管理系统中获得的数据。
其中,多种历史充电非价格特征数据可以包括历史桩效特征数据、历史充电用户类型及历史功率类型、充电场站属性特征数据、时间特征数据等。
其中,历史充电价格特征数据包括充电场站价格特征数据。
其中,历史桩效特征数据可以采用充电场站单枪日充量表示,历史充电用户类型包括车主类型和非车主类型,历史功率类型包括大功率和小功率,充电场站属性特征数据是大功率场站或小功率场站,时间特征数据可以包括历史时间段中的前一时段。
具体地,本实施例中,服务器与充电流水数据系统和后台充电站信息管理系统建立通信关系,从充电流水数据和后台充电站信息管理系统中获得历史充电特征数据。
其中,将充电流水数据与后台充电场站信息管理系统中的信息做关联处理可获得多种历史充电非价格特征数据及历史充电价格特征数据。
步骤202,根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别。
其中,多层级聚类处理,是指将物理或抽象对象的集合分成由类似的对象组成的多个类的过程。
其中,各预设充电场站对应的类别,是指各预设充电场站i进行多层级聚类处理之后被分成的不同层级的簇构成的多层级类别,记作catei,每一个簇对应一个类别。
具体地,本实施例中,服务器将各预设充电场站i分配给一个单一的聚类,服务器设备获取到各预设充电场站对应的多种历史充电非价格特征数据之后,选择多种历史充电非价格特征数据中的历史桩效特征数据、历史功率类型及历史充电用户类型作为聚类特征,将聚类依次按照“历史功率类型-历史桩效特征数据-车主占比”的顺序分成不同的簇,形成多层级类别,记作catei。
其中,历史桩效特征数据,是指充电场站单枪日充量。
其中,历史功率类型,是指充电场站充电功率的类型。如包括:大功率和小功率。
其中,历史充电用户类型分为车主和非车主,车主为使用本厂家汽车的车主,非车主为未使用本厂家汽车的车主。
其中,车主占比,是指车主数量占用户总量的比重。
步骤203,针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,充电用户类型包括:车主类型及非车主类型,以下操作包括:
步骤2031,根据各预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各预设充电场站当前时段充电需求与定价之间的关联关系。
其中,两种充电用户类型分别为车主类型和非车主类型。由于车主类型和非车主类型对应的历史充电特征数据有较大区别,并且针对车主类型和非车主类型分别进行定价也是预设充电场站的定价需求,所以针对这两种不同的充电用户类型,分别执行步骤2031和步骤2032。
其中,当前时段用t+1表示,历史时间段中前一时段用t表示。
其中,观测样本包括第一观测样本及第二观测样本。观测样本是根据预设充电场站的历史充电特征数据获得的。
其中,预设的反事实预测模型用于对各预设充电场站当前时段t+1的充电需求与定价之间的关联关系进行反事实预测。反事实预测是一种基于机器学习算法的预测方法,旨在通过对已有数据进行分析和建模,推断出在不同决策条件下可能发生的相反结果。
具体地,本实施例中,首先将充电用户类型分为车主类型及非车主类型,分别针对车主类型及非车主类型完成充电用户类型对应的当前时段t+1的充电定价。
针对车主类型的充电用户,服务器获取多层级聚类处理之后各预设充电场站对应的类别catei及各预设充电场站对应的历史时间段中前一时段t的充电用户类型的观测样本,获取预先构建的预设反事实预测模型,通过各预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本对预设的反事实预测模型进行求解,以对各预设充电场站当前时段t+1充电需求与定价之间的关联关系进行反事实预测,从而获得各预设充电场站当前时段t+1充电需求与定价之间的关联关系。
针对非车主类型的充电用户,执行与非车主类型的充电用户类似的方案,在此不再赘述。
步骤2032,根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价,目标定价模型中包括目标桩效子模型及目标收益子模型。
其中,目标定价模型用于确定各预设充电场站当前时段t+1最优定价的模型。
其中,在目标定价模型中包括目标桩效子模型和目标收益子模型。
其中,目标桩效子模型,用fi E(Pit)表示,用于表示桩效与充电场站i在前一时段t的定价Pit之间的关联关系。
其中,目标收益子模型,用fi P(Pit)表示,用于表示收益与充电场站i在前一时段t的定价Pit之间的关联关系。
具体地,本实施例中,目标桩效子模型fi E(Pit)可以表示为充电需求量与桩数的比值,目标收益子模型fi P(Pit)可以表示为定价与充电需求量的乘积与成本之间的差值,所以目标定价模型中的目标桩效子模型fi E(Pit)及目标收益子模型fi P(Pit)均与充电需求有关联关系,可以用充电需求表示目标定价模型,充电需求与定价之间的关联关系可以通过反事实预测模型获得,从而可以用定价表示目标定价模型,求解目标定价模型便可获得各预设充电场站在当前时段的最优定价。
本实施例提供的充电场站服务费定价方法,通过获取至少一个预设充电场站对应的历史充电特征数据,历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,充电用户类型包括:车主类型及非车主类型,以下操作包括:根据各预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各预设充电场站当前时段充电需求与定价之间的关联关系;根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价,目标定价模型中包括目标桩效子模型及目标收益子模型。由于服务器根据预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,获得预设充电场站当前时段充电需求与定价之间的关联关系,从而根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标桩效子模型及目标收益子模型确定各预设充电场站在当前时段的最优定价。所以本方案通过反事实预测,在面对充电场站极少进行定价变动的情况,也可基于历史样本确定充电场站中充电需求与定价之间的关联关系,进而可以参考充电需求进行有效定价,使充电场站可以同时兼顾充电效率与收益进行更加合理的定价。
图3为本申请另一实施例提供的充电场站服务费定价方法的流程图,如图3所示,多种历史充电非价格特征数据包括:历史桩效特征数据、历史充电用户类型及历史功率类型。
相应地,步骤202包括以下步骤:
步骤2021,采用各预设充电场站对应的历史功率类型对各预设充电场站进行第一层级的聚类处理,以获得各预设充电场站对应的功率类别。
其中,第一层级的聚类处理,是指首先按照聚类顺序中的第一个历史充电非价格特征数据进行聚类处理。
具体地,本实施例中,聚类顺序为“历史功率类型-历史桩效特征数据-车主占比”,聚类顺序中的第一个历史充电非价格特征数据为历史功率类型,示例性地,可将充电场站功率类别分别按照100W、200W、300W进行第一层级的聚类处理,每个充电场站对应一个功率类别,从而可以获得各预设充电场站对应的功率类别。
步骤2022,采用各预设充电场站对应的历史桩效特征数据对在各功率类别中的预设充电场站分别进行第二层级的聚类处理,以获得在各功率类别下各预设充电场站的桩效类别。
其中,第二层级的聚类处理,是指在第一层级聚类处理的基础上再按照聚类顺序中的第二个历史充电非价格特征数据进行聚类处理。
具体地,本实施例中,聚类顺序为“历史功率类型-历史桩效特征数据-车主占比”,聚类顺序中的第二个历史充电非价格特征数据为历史桩效特征数据,示例性地,在100W功率类别下,可将充电场站桩效类别分别按照100kW·h、200kW·h、300kW·h……进行第二层级的聚类处理,每个充电场站对应一个桩效类别,从而可以获得在各功率类别下各预设充电场站的桩效类别。值得注意的是,在其它功率类别下进行第二层级的聚类处理方法类似,在此不做赘述。
步骤2023,根据各预设充电场站对应的历史充电用户类型计算各预设充电场站对应的历史车主占比。
其中,历史车主占比,是指历史一段时间各预设充电场站中用户为车主的数量占用户总量的比重。
具体地,本实施例中,服务器设备获得各预设充电场站对应的历史充电用户类型,分别计算出历史车主的数量即用户总量,计算历史车主的数量与用户总量的比值作为历史车主占比。
步骤2024,采用各预设充电场站对应的历史车主占比对各桩效类别中的预设充电场站分别进行第三层级的聚类处理,以获得桩效类别下各预设充电场站的车主占比类别。
其中,第三层级的聚类处理,是指在第二层级聚类处理的基础上再按照聚类顺序中的第三个历史充电非价格特征数据进行聚类处理。
具体地,本实施例中,聚类顺序为“历史功率类型-历史桩效特征数据-车主占比”,聚类顺序中的第三个历史充电非价格特征数据为车主占比,示例性地,在100kW·h桩效类别下,可将充电场站车主占比类别分别按照1:2、1:3、1:4……进行第三层级的聚类处理,每个充电场站对应一个车主占比类别,从而可以获得在桩效类别下各预设充电场站的车主占比类别。值得注意的是,在其它桩效类别下进行第三层级的聚类处理方法类似,在此不做赘述。
示例性地,图4本申请一实施例提供的多层级聚类处理示意图,如图4所示,假设共有750个充电场站,服务器将750个预设充电场站分配给一个单一的聚类,将这个聚类依次按照“历史功率类型-历史桩效特征数据-车主占比”的顺序分成不同的簇,将充电场站功率类别分别按照100W、200W、300W进行第一层级的聚类处理,其中有300个充电场站属于100W功率类别,300个充电场站属于200W功率类别,150个充电场站属于300W功率类别,每个充电场站对应一个功率类别,随后在100W功率类别下,可将充电场站桩效类别分别按照100kW·h、200kW·h、300kW·h……进行第二层级的聚类处理,其中,有60个充电场站属于100kW·h桩效类别,60个充电场站属于200kW·h桩效类别,60个充电场站属于300kW·h桩效类别……每个充电场站对应一个桩效类别,在其它功率类别下进行的第二层级的聚类处理同理,最后在100kW·h桩效类别下,可将充电场站车主占比类别分别按照1:2、1:3、1:4……进行第三层级的聚类处理,其中,有20个充电场站属于1:2车主占比类别,有20个充电场站属于1:3车主占比类别,有20个充电场站属于1:4车主占比类别……每个充电场站对应一个车主占比类别,在其它桩效类别下进行的第三层级的聚类处理同理,最终各充电场站i分别对应一个类别,记作catei。示例性的,充电场站1对应的catei为:“充电场站功率100W-充电场站桩效100kW·h-充电场站车主占比1:2”,其中,catei可用三维向量进行表示。本实施例提供的充电场站服务费定价方法,多种历史充电非价格特征数据包括:历史桩效特征数据、历史充电用户类型及历史功率类型,相应地,在根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别时,采用各预设充电场站对应的历史功率类型对各预设充电场站进行第一层级的聚类处理,以获得各预设充电场站对应的功率类别;采用各预设充电场站对应的历史桩效特征数据对在各功率类别中的预设充电场站分别进行第二层级的聚类处理,以获得在各功率类别下各预设充电场站的桩效类别;根据各预设充电场站对应的历史充电用户类型计算各预设充电场站对应的历史车主占比;采用各预设充电场站对应的历史车主占比对各桩效类别中的预设充电场站分别进行第三层级的聚类处理,以获得桩效类别下各预设充电场站的车主占比类别。由于对各预设充电场站多层级聚类处理,可以对充电场站进行更加详细的分类,从而可以获得各预设充电场站对应的更加细化的类别,进而可以确定各预设充电场站分别在对应类别下的充电需求,使得最终计算的最优定价更加准确。
作为一种可选实施方式,在上述任意一个实施例的基础上,本实施例中,步骤2031包括以下步骤:
步骤301,根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第一观测样本,第一观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站在历史时间段内前一时段的平均价格、预设充电场站在历史时间段内所属场站类别的平均充电量及预设充电场站在前一时段的非价格特征。
其中,第一观测样本,用于确定预设基准充电需求子模型的样本。
其中,预设充电场站在前一时段的充电量,记作具体表示充电场站i在前一时段t的充电量。用/> 区分车主及非车主用户,其中,/>表示充电场站i中车主在前一时段t的充电量,/>表示充电场站i中非车主在t时段的充电量。
其中,预设充电场站在历史时间段内前一时段的平均价格,记作具体表示历史时间段内,充电场站i在前一时段t的平均价格。
其中,预设充电场站在历史时间段内所属场站类别的平均充电量,记作具体表示历史时间段内,充电场站i对应的充电场站类别在前一时段t的平均充电量,其中充电场站类别是在对预设充电场站进行多层级聚类处理时得到的。
其中,预设充电场站在前一时段的非价格特征,记作Xit,预设充电场站在前一时段的非价格特征包括充电场站属性特征数据、时间特征数据、历史桩效特征数据、历史充电用户类型及历史功率类型等。
具体地,本实施例中,服务器计算预设充电场站在前一时段t的充电量预设充电场站在历史时间段内前一时段t的平均价格/>及预设充电场站在历史时间段内所属场站类别的平均充电量/>同时获取预设充电场站在前一时段t的非价格特征Xit,根据各预设充电场站的类别将预设充电场站在前一时段t的充电量/>预设充电场站在历史时间段内前一时段t的平均价格/>预设充电场站在历史时间段内所属场站类别的平均充电量/>及预设充电场站在前一时段t的非价格特征Xit构建为个预设充电场站对应的历史时间段中前一时段t充电用户类型第一观测样本,第一观测样本中包括:Xit。
步骤302,根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,第二观测样本中包括:预设充电场站在历史时间段内所属场站类别的平均充电量、预设充电场站对应的类别、在前一时段预设充电场站与周边竞对充电场站的价格变化率。
其中,第二观测样本,用于确定预设量价子模型的样本。
其中,预设充电场站对应的类别是在对各预设充电场站进行多层级聚类处理时得到的。
其中,在前一时段预设充电场站与周边竞对充电场站的价格变化率,记作 其中,/>表示预设充电场站i在前一时段t的平均售价,/>表示周边竞对充电场站在前一时段t的平均售价。
具体地,本实施例中,服务器计算预设充电场站在历史时间段内所属场站类别的平均充电量及在前一时段预设充电场站与周边竞对充电场站的价格变化率ΔPit,同时在对各预设充电场站进行多层级聚类处理时获取预设充电场站对应的类别catei,并根据预设充电场站在历史时间段内所属场站类别的平均充电量/>预设充电场站对应的类别catei、在前一时段预设充电场站与周边竞对充电场站的价格变化率ΔPit构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,第二观测样本中包括:/>catei、ΔPit。
步骤303,根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系。
其中,预设的反事实预测模型可表示为式(1)所示:
其中,g(Pit,catei,θ)为预设量价子模型,为历史1个月内,场站i在t时段的历史平均售价下的预设量价子模型,/>为预设基准充电需求子模型。
具体地,本实施例中,将第一观测样本代入预设基准充电需求子模型,将第二观测样本代入预设量价子模型便可得到预设的反事实预测模型,预设的反事实预测模型代表了各预设充电场站充电需求与定价之间的关联关系,服务器基于预设的反事实预测模型获得各预设充电场站当前时段t+1充电需求与定价之间的关联关系。
本实施例提供的充电场站服务费定价方法,在根据各预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各预设充电场站当前时段充电需求与定价之间的关联关系时,根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第一观测样本,第一观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站在历史时间段内前一时段的平均价格、预设充电场站在历史时间段内所属场站类别的平均充电量及预设充电场站在前一时段的非价格特征;根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,第二观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站对应的类别、在前一时段预设充电场站与周边竞对充电场站的价格变化率;根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系。通过构建预设的反事实预测模型,即使在定价极少进行变动的情况下,仍然可以从观测样本中对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,丰富了观测样本数据,从而获得各预设充电场站当前时段充电需求与定价之间的关联关系。
作为一种可选实施方式,本实施例中,预设的反事实预测模型中包括预设基准充电需求子模型及预设量价子模型;预设量价子模型是定义充电需求与价格弹性之间的模型。
其中,预设基准充电需求子模型,记作下面介绍预设基准充电需求子模型的确定过程,首先,确定预设基准充电需求子模型的预测目标,预测目标包括充电场站不同时段车主充电需求和非车主充电需求,分别记作/>其次,基于极端梯度提升算法(英文为Extreme Gradient Boosting,简称为XGB)构造回归模型,可表示为式(2)所示:
其中,数学符号表示含义如下:
表示历史时间段内,充电场站i在前一时段t的历史平均售价。
表示充电场站i在前一时段t的充电量。用/>区分车主及非车主用户,其中,/>表示充电场站i中车主在前一时段t的充电量,/>表示充电场站i中非车主在t时段的充电量。
表示历史时间段内,充电场站i对应的充电场站类别在前一时段t的平均充电量。
表示充电场站i在当前时段t+1的充电量,用/>区分车主和非车主,其中,/>表示充电场站i中车主在当前时段t+1的充电量,/>表示充电场站i中非车主在当前时段t+1的充电量。
表示历史时间段内,充电场站i对应的充电场站类别在当前时段t+1的平均充电量。
表示历史时间段内,充电场站i在当前时段t+1的历史平均售价。
Xi,t+1,表示非价格特征,包括充电场站属性特征数据、时间特征数据、历史桩效特征数据、历史充电用户类型及历史功率类型等。
其中,Xi,t+1是对观测样本、充电场站属性特征数据、时间特征数据、历史桩效特征数据、历史充电用户类型及历史功率类型等多个非价格特征进行独热处理得到的,是一个多维的向量。
具体地,服务器通过对历史时间段内充电场站i在前一时段t的历史平均售价、充电场站i在前一时段t的充电量、充电场站属性特征数据、时间特征数据、历史桩效特征数据、历史充电用户类型及历史功率类型等多个非价格特征进行独热处理得到Xit,基于第一观测样本计算与/>的比值/>多个观测样本数据中的/>及Xit可确定出多个已知点,通过拟合算法对已知点进行拟合,获得基准参数的取值,进而得到预设基准充电需求子模型/>
其中,预设量价子模型,记作g(Pit,catei,θ),用充电需求与价格弹性来定量度量充电需求对价格的敏感程度,把充电需求定义成一个基于价格弹性的函数,可表示为式(3)所示:
式(3)两边取对数变换得到式(4):
其中,数学符号表示含义如下:
表示价格弹性参数,其中,θ2∈Rm。
其中,θ1、θ2、catei是对观测样本、历史功率类型、历史桩效特征数据、历史充电用户类型进行独热处理得到的,catei是一个三维向量。
其中,可以用Pit来表示ΔPit,便可得到充电需求与价格之间的函数关系,如式(3)所示。
具体地,服务器通过数据聚合的方式,将所有充电场站的类别catei进行聚合,通过多任务学习的方法联合学习多个充电场站的价格弹性。服务器通过对历史时间段内充电场站i在前一时段t的历史平均售价、充电场站i在前一时段t的充电量、历史桩效特征数据、历史功率类型及历史充电用户类型进行独热处理得到catei,计算充电场站i对应的充电场站类别在前一时段t的平均充电量多个观测样本数据中的Pit及/>可确定出多个已知点,通过拟合算法对已知点进行拟合,获得量价参数的取值,进而得到充电需求与价格之间的函数关系,如式(3)所示,再对式(3)两边取对数变换便得到量价子模型g(Pit,catei,θ),量价子模型g(Pit,catei,θ)如式(4)所示。
具体地,本实施例中,通过预设基准充电需求子模型及预设量价子模型g(Pit,catei,θ)构建预设的反事实预测模型。
相应地,步骤303包括以下步骤:
步骤3031,根据各预设充电场站对应的第一观测样本确定基准充电需求子模型中当前时段的基准参数,以确定当前时段的基准充电需求子模型。
其中,基准参数,为通过拟合算法得到的多项式的系数,基准参数是一个已知的常数。
其中,基准充电需求子模型只受非价格特征的影响,所以用来预测没有价格干预下的基准充电需求。
具体地,本实施例中,服务器通过对历史时间段内充电场站i在前一时段t的历史平均售价、充电场站i在前一时段t的充电量、充电场站属性特征数据、时间特征数据、历史桩效特征数据、历史充电用户类型及历史功率类型等多个非价格特征进行独热处理得到Xit,计算与/>的比值/>多个观测样本数据中的/>及Xit可确定出多个已知点,通过拟合算法对已知点进行拟合,获得基准参数的取值,进而得到预设基准充电需求子模型/>当前一时段t变为当前时段t+1时得到当前时段t+1时的预设基准充电需求子模型/>
步骤3032,根据各预设充电场站对应的第二观测样本确定量价子模型中当前时段的量价参数,以确定当前时段的量价子模型,当前时段的量价参数中包括:当前时段的价格弹性参数。
其中,量价参数包括θ1、θ2、catei及c,量价参数是通过对多个观测样本数据中的Pit及进行拟合处理得到的。
其中,当前时段的价格弹性参数,指的是其中,θ2∈Rm。
具体地,本实施例中,服务器通过数据聚合的方式,将所有充电场站的类别catei进行聚合,通过多任务学习的方法联合学习多个充电场站的价格弹性。服务器通过对历史时间段内充电场站i在前一时段t的历史平均售价、充电场站i在前一时段t的充电量、历史桩效特征数据、历史功率类型及历史充电用户类型进行独热处理得到catei,计算充电场站i对应的充电场站类别在前一时段t的平均充电量多个观测样本数据中的Pit及/>可确定出多个已知点,通过拟合算法对已知点进行拟合,获得量价参数的取值,进而得到充电需求与价格之间的函数关系,如式(3)所示,再对式(3)两边取对数变换便得到量价子模型g(Pit,catei,θ),量价子模型g(Pit,catei,θ)如式(4)所示,当前一时段t变为当前时段t+1时得到当前时段t+1时的量价子模型g(Pi,t+1,catei,θ)。
其中,多任务学习(英文为:Multi-task Learning,简称为:MTL)是一个很有前景的机器学习领域,通过使用包含在相关任务的监督信号中的领域知识来改善泛化性能。
步骤3033,根据各预设充电场站对应的当前时段的基准充电需求子模型及当前时段的量价子模型确定各预设充电场站当前时段充电需求与价格弹性之间的关联关系。
具体地,本实施例中,将当前时段t+1的基准充电需求子模型及当前时段t+1的量价子模型g(Pi,t+1,catei,θ)相加再减去历史1个月内,场站i在当前时段t+1的历史平均售价下的预设量价子模型/>便得到各预设充电场站当前时段充电需求与价格弹性之间的关联关系,可表示为式(5)所示:
其中,为场站i在当前时段t+1的历史平均售价下的预设量价子模型,为已知量。
本实施例提供的充电场站服务费定价方法,预设的反事实预测模型中包括预设基准充电需求子模型及预设量价子模型;预设量价子模型是定义充电需求与价格弹性之间的模型,相应地,在根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系时,根据各预设充电场站对应的第一观测样本确定基准充电需求子模型中当前时段的基准参数,以确定当前时段的基准充电需求子模型;根据各预设充电场站对应的第二观测样本确定量价子模型中当前时段的量价参数,以确定当前时段的量价子模型,当前时段的量价参数中包括:当前时段的价格弹性参数;根据各预设充电场站对应的当前时段的基准充电需求子模型及当前时段的量价子模型确定各预设充电场站当前时段充电需求与价格弹性之间的关联关系。通过不受价格干预下的预设基准充电需求子模型及与价格相关的量价子模型g(Pit,catei,θ)构建反事实预测模型,从而可以分别预测价格干预下的充电需求及不受价格干预下的充电需求,使得反事实预测模型对充电需求的预测更加全面,从而使反事实预测模型对充电需求的预测更加准确。
作为一种可选实施方式,本实施例中,步骤2032包括以下步骤:
步骤401,根据各预设充电场站当前时段充电需求与定价之间的关联关系对目标桩效子模型及目标收益子模型进行转换,以获得各预设充电场站当前时段的目标定价模型。
其中,目标桩效子模型fi E(Pit)可以表示为充电需求量与桩数的比值。
其中,目标收益子模型fi P(Pit)可以表示为定价与充电需求量的乘积与成本之间的差值。
其中,目标定价模型是一个综合的效用函数,通过对目标桩效子模型及目标收益子模型进行线性加权得到的,可表示为式(6)所示:
其中,α表示目标桩效子模型的权重,β表示目标收益子模型的权重,α+β=1。
具体地,本实施例中,由于目标桩效子模型及目标收益子模型均与充电需求相关,通过式(5)可以看出充电需求与定价相关,目标定价模型是目标桩效子模型与目标收益子模型的线性加权,所以目标定价模型与定价相关,便可用定价表示各预设充电场站当前时段的目标定价模型,如式(6)所示。
其中,目标桩效子模型的权重及目标收益子模型的权重是由用户通过用户终端自定义的。
步骤402,对各预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价。
其中,最优定价指的是最优的目标定价模型对应的解。
具体地,本实施例中,由于各预设充电场站当前时段的目标定价模型是用定价来表示的,所以通过数学方法对目标定价模型进行求解,便可得到各预设充电场站在当前时段定价的最优解。
本实施例提供的充电场站服务费定价方法,在根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价时,根据各预设充电场站当前时段充电需求与定价之间的关联关系对目标桩效子模型及目标收益子模型进行转换,以获得各预设充电场站当前时段的目标定价模型;对各预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价。由于根据各预设充电场站当前时段充电需求与定价之间的关联关系对目标桩效子模型及目标收益子模型进行转换,目标桩效子模型及目标收益子模型均与充电需求相关,通过式(5)可以看出充电需求与定价相关,目标定价模型是目标桩效子模型与目标收益子模型的线性加权,所以目标定价模型与定价相关,便可用定价表示各预设充电场站当前时段的目标定价模型,从而可以得到目标定价模型与定价之间的直接关系,使得对最优定价的求解更加简便。
图5为本申请又一实施例提供的充电场站服务费定价方法的流程图,如图5所示,目标定价模型为目标桩效子模型及目标收益子模型进行线性加权的方式表示的。
相应地,步骤402包括以下步骤:
步骤501,采用线性加权法将求解各预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题。
其中,多目标是指目标定价模型与目标桩效子模型及目标收益子模型相关,所以桩效及收益是影响定价的两个目标。
其中,单目标是指将桩效及收益转换为同一个相关的目标,从而使定价只受单目标的影响。
具体地,本实施例中,目标桩效子模型及目标收益子模型均与充电需求相关,而充电需求又与定价相关,目标定价模型是目标桩效子模型与目标收益子模型的线性加权,所以目标定价模型与定价相关,便可用定价表示各预设充电场站当前时段的目标定价模型,从而使得各预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题,采用线性加权法对单目标优化问题进行求解,便可得到目标定价模型与定价之间的函数关系。
步骤502,求取各预设充电场站单目标优化问题的最优解,并将各最优解确定为各预设充电场站在当前时段的最优定价。
具体地,本实施例中,首先对目标桩效子模型及目标收益子模型进行归一化处理,可以忽略不同目标模型有不同的单位和范围,归一化处理的公式可表示为式(7)所示:
对归一化处理之后的目标桩效子模型及目标收益子模型制定相应的权重,若想获得更高的桩效,便可相应的调大目标桩效子模型对应的权重α,若想获得更高的收益,便可相应的调大目标桩效子模型的权重β,之后对目标桩效子模型及目标收益子模型进行线性加权,得到式(6),式(6)表示定价与目标定价模型之间的函数关系,通过数学方法求解目标定价模型对应的单目标问题的最优解,便可得到各预设充电场站在当前时段的最优定价。
本实施例提供的充电场站服务费定价方法,目标定价模型为目标桩效子模型及目标收益子模型进行线性加权的方式表示的,相应地,在对各预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价时,采用线性加权法将求解各预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题;求取各预设充电场站单目标优化问题的最优解,并将各最优解确定为各预设充电场站在当前时段的最优定价。由于将多目标问题转换为单目标问题,使得最优定价的求解更加简便。同时采用线性加权法,可分别对目标桩效子模型及目标收益子模型制定相应的权重,若想获得更高的桩效,便可相应的调大目标桩效子模型对应的权重α,若想获得更高的收益,便可相应的调大目标桩效子模型的权重β,从而使最终的定价可根据用户需求变得更加灵活。
作为一种可选实施方式,本实施例中,在步骤2032之后,还包括以下步骤:
步骤601,将车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,以使用户终端对车主类型对应的最优定价以及非车主类型对应的最优定价进行显示。
其中,车主类型对应的最优定价以及非车主类型对应的最优定价是分开计算的,使用的模型相同,计算方法同理。
具体地,本实施例中,服务器将最终计算的车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,用户终端可以通过显示窗口对车主类型对应的最优定价以及非车主类型对应的最优定价分别进行显示。
本实施例提供的充电场站服务费定价方法,在根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价之后,通过将车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,以使用户终端对车主类型对应的最优定价以及非车主类型对应的最优定价进行显示。由于用户终端可以通过显示窗口对车主类型对应的最优定价以及非车主类型对应的最优定价分别进行显示,可使用户更直观的获得车主类型对应的最优定价以及非车主类型对应的最优定价。
图6为本申请实施例提供的对充电场站服务费进行定价的结构框架示意图,如图6所示,本申请提供的对充电场站服务费进行定价的结构框架位于服务器中,对充电场站服务费进行定价的结构框架包括数据加工处理层、多层级聚类处理层、反事实预测层、单目标价格寻优层。
本实施例中,数据加工处理层用于对充电流水数据、后台充电站信息管理系统信息等加工处理,通过运用统计分析方法、连续特征离散化处理、数据归一化方法等方法构造历史桩效特征数据、历史充电用户类型、历史功率类型、历史充电价格特征数据等。
其中,统计分析方法,用于统计历史过去一段时间的充电量。
其中,连续特征离散化处理,用于对桩效及车主占比进行离散化。
其中,数据归一化方法,用于对目标桩效子模型及目标收益子模型进行归一化处理。
本实施例中,多层级聚类处理层,用于对历史桩效特征数据、历史充电用户类型、历史功率类型进行多层级聚类处理。
本实施例中,反事实预测层,用于对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测。反事实预测层包括预设基准充电需求子模型及预设量价子模型。
其中,预设基准充电需求子模型是不受价格干预的在非价格特征下对充电需求进行预测的模型。
其中,预设量价子模型是定义充电需求与价格弹性之间的模型。
本实施例中,单目标价格寻优层,用于将多目标问题转换为单目标问题并对但目标问题进行求解,从而确定各预设充电场站在当前时段的最优定价。
其中,与图6对应的充电场站服务费定价方法包括以下步骤:
步骤701,获取至少一个预设充电场站对应的历史充电特征数据,历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据。
步骤702,采用各预设充电场站对应的历史功率类型对各预设充电场站进行第一层级的聚类处理,以获得各预设充电场站对应的功率类别。
步骤703,采用各预设充电场站对应的历史桩效特征数据对在各功率类别中的预设充电场站分别进行第二层级的聚类处理,以获得在各功率类别下各预设充电场站的桩效类别。
步骤704,根据各预设充电场站对应的历史充电用户类型计算各预设充电场站对应的历史车主占比。
步骤705,采用各预设充电场站对应的历史车主占比对各桩效类别中的预设充电场站分别进行第三层级的聚类处理,以获得桩效类别下各预设充电场站的车主占比类别。
步骤706,根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第一观测样本,第一观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站在历史时间段内前一时段的平均价格、预设充电场站在历史时间段内所属场站类别的平均充电量及预设充电场站在前一时段的非价格特征。
步骤707,根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,第二观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站对应的类别、在前一时段预设充电场站与周边竞对充电场站的价格变化率。
步骤708,根据各预设充电场站对应的第一观测样本确定基准充电需求子模型中当前时段的基准参数,以确定当前时段的基准充电需求子模型。
步骤709,根据各预设充电场站对应的第二观测样本确定量价子模型中当前时段的量价参数,以确定当前时段的量价子模型,当前时段的量价参数中包括:当前时段的价格弹性参数。
步骤710,根据各预设充电场站对应的当前时段的基准充电需求子模型及当前时段的量价子模型确定各预设充电场站当前时段充电需求与价格弹性之间的关联关系。
步骤711,根据各预设充电场站当前时段充电需求与定价之间的关联关系对目标桩效子模型及目标收益子模型进行转换,以获得各预设充电场站当前时段的目标定价模型。
步骤712,采用线性加权法将求解各预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题。
步骤713,求取各预设充电场站单目标优化问题的最优解,并将各最优解确定为各预设充电场站在当前时段的最优定价。
步骤714,将车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,以使用户终端对车主类型对应的最优定价以及非车主类型对应的最优定价进行显示。
本实施例提供的充电场站服务费定价方法的实现方式与上述实施例中对应步骤的实现方式类似,在此不再一一赘述。
图7为本申请一实施例提供的充电场站服务费定价装置的结构示意图,如图7所示,本实施例提供的充电场站服务费定价装置位于电子设备中,则本实施例提供的充电场站服务费定价装置80包括:获取模块81,聚类处理模块82,执行模块83,预测子模块831,确定子模块832。
其中,获取模块81,用于获取至少一个预设充电场站对应的历史充电特征数据,历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;聚类处理模块82,用于根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;执行模块83,用于针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,充电用户类型包括:车主类型及非车主类型,执行模块包括:预测子模块831,用于根据各预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各预设充电场站当前时段充电需求与定价之间的关联关系;确定子模块832,根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价,目标定价模型中包括目标桩效子模型及目标收益子模型。
本实施例提供的充电场站服务费定价装置可以执行图2所示的方法实施例,具体的实现原理和技术效果类似,此处不再赘述。
可选地,多种历史充电非价格特征数据包括:历史桩效特征数据、历史充电用户类型及历史功率类型。
相应地,聚类处理模块82,具体用于采用各预设充电场站对应的历史功率类型对各预设充电场站进行第一层级的聚类处理,以获得各预设充电场站对应的功率类别;采用各预设充电场站对应的历史桩效特征数据对在各功率类别中的预设充电场站分别进行第二层级的聚类处理,以获得在各功率类别下各预设充电场站的桩效类别;根据各预设充电场站对应的历史充电用户类型计算各预设充电场站对应的历史车主占比;采用各预设充电场站对应的历史车主占比对各桩效类别中的预设充电场站分别进行第三层级的聚类处理,以获得桩效类别下各预设充电场站的车主占比类别。
可选地,预测子模块831根据各预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各预设充电场站当前时段充电需求与定价之间的关联关系时,具体用于:根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第一观测样本,第一观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站在历史时间段内前一时段的平均价格、预设充电场站在历史时间段内所属场站类别的平均充电量及预设充电场站在前一时段的非价格特征;根据各预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,第二观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站对应的类别、在前一时段预设充电场站与周边竞对充电场站的价格变化率;根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系。
可选地,预设的反事实预测模型中包括预设基准充电需求子模型及预设量价子模型;预设量价子模型是定义充电需求与价格弹性之间的模型。
相应地,预测子模块831在根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系时,具体用于:根据各预设充电场站对应的第一观测样本确定基准充电需求子模型中当前时段的基准参数,以确定当前时段的基准充电需求子模型;根据各预设充电场站对应的第二观测样本确定量价子模型中当前时段的量价参数,以确定当前时段的量价子模型,当前时段的量价参数中包括:当前时段的价格弹性参数;根据各预设充电场站对应的当前时段的基准充电需求子模型及当前时段的量价子模型确定各预设充电场站当前时段充电需求与价格弹性之间的关联关系。
可选地,确定子模块832根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价时,具体用于:根据各预设充电场站当前时段充电需求与定价之间的关联关系对目标桩效子模型及目标收益子模型进行转换,以获得各预设充电场站当前时段的目标定价模型;对各预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价。
可选地,目标定价模型为目标桩效子模型及目标收益子模型进行线性加权的方式表示的。
相应地,确定子模块832对各预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价时,具体用于:采用线性加权法将求解各预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题;求取各预设充电场站单目标优化问题的最优解,并将各最优解确定为各预设充电场站在当前时段的最优定价。
可选地,本实施例提供的充电场站服务费定价装置,还包括:发送模块。
其中,发送模块,用于确定子模块832在根据各预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各预设充电场站在当前时段的最优定价之后,将车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,以使用户终端对车主类型对应的最优定价以及非车主类型对应的最优定价进行显示。
本实施例提供的充电场站服务费定价装置可以执行图4至图5所示的方法实施例,具体的实现原理和技术效果类似,此处不再赘述。
图8为本申请一实施例提供的电子设备的结构示意图,如图8所示,本实施例提供的电子设备90包括:处理器91以及与处理器通信连接的存储器92。
其中,存储器92存储计算机执行指令;处理器91,执行存储器92存储的计算机执行指令以实现上述任意一个实施例提供的充电场站服务费定价方法。相关说明可以对应参见附图中的步骤所对应的相关描述和效果进行理解,此处不做过多赘述。
其中,程序可以包括程序代码,程序代码包括计算机执行指令。存储器92可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,本实施例中,存储器92与处理器91通过总线连接。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent Interconnect,简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任意一个实施例提供的充电场站服务费定价方法。例如,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请实施例还提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述任意一个实施例提供的充电场站服务费定价方法。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本申请所必须的。
进一步需要说明的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
应该理解,上述的装置实施例仅是示意性的,本申请的装置还可通过其它的方式实现。例如,上述实施例中单元/模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如,多个单元、模块或组件可以结合,或者可以集成到另一个系统,或一些特征可以忽略或不执行。
另外,若无特别说明,在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中,也可以是各个单元/模块单独物理存在,也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件程序模块的形式实现。
集成的单元/模块如果以硬件的形式实现时,该硬件可以是数字电路,模拟电路等等。硬件结构的物理实现包括但不局限于晶体管,忆阻器等等。若无特别说明,人工智能处理器可以是任何适当的硬件处理器,比如CPU、GPU、FPGA、DSP和ASIC等等。若无特别说明,存储单元可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive Random Access Memory)、动态随机存取存储器DRAM(Dynamic Random AccessMemory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等。
集成的单元/模块如果以软件程序模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种充电场站服务费定价方法,其特征在于,包括:
获取至少一个预设充电场站对应的历史充电特征数据,所述历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;
根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;
针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,所述充电用户类型包括:车主类型及非车主类型,所述以下操作包括:
根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系;
根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,所述目标定价模型中包括目标桩效子模型及目标收益子模型。
2.根据权利要求1所述的方法,其特征在于,所述多种历史充电非价格特征数据包括:历史桩效特征数据、历史充电用户类型及历史功率类型;
所述根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别,包括:
采用各预设充电场站对应的历史功率类型对各预设充电场站进行第一层级的聚类处理,以获得各预设充电场站对应的功率类别;
采用各预设充电场站对应的历史桩效特征数据对在各功率类别中的预设充电场站分别进行第二层级的聚类处理,以获得在各功率类别下各预设充电场站的桩效类别;
根据各预设充电场站对应的历史充电用户类型计算各预设充电场站对应的历史车主占比;
采用各预设充电场站对应的历史车主占比对各桩效类别中的预设充电场站分别进行第三层级的聚类处理,以获得桩效类别下各预设充电场站的车主占比类别。
3.根据权利要求1所述的方法,其特征在于,所述根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系,包括:
根据各所述预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第一观测样本,所述第一观测样本中包括:预设充电场站在前一时段的充电量、预设充电场站在历史时间段内所述前一时段的平均价格、预设充电场站在历史时间段内所属场站类别的平均充电量及预设充电场站在前一时段的非价格特征;
根据各所述预设充电场站对应的类别构建各预设充电场站对应的历史时间段中前一时段充电用户类型第二观测样本,所述第二观测样本中包括:预设充电场站在历史时间段内所属场站类别的平均充电量、预设充电场站对应的类别、在前一时段预设充电场站与周边竞对充电场站的价格变化率;
根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系。
4.根据权利要求3所述的方法,其特征在于,所述预设的反事实预测模型中包括预设基准充电需求子模型及预设量价子模型;所述预设量价子模型是定义充电需求与价格弹性之间的模型;
所述根据各预设充电场站对应的第一观测样本和第二观测样本、以及预设的反事实预测模型确定各预设充电场站当前时段充电需求与定价之间的关联关系,包括:
根据各预设充电场站对应的第一观测样本确定所述基准充电需求子模型中当前时段的基准参数,以确定当前时段的基准充电需求子模型;
根据各预设充电场站对应的第二观测样本确定所述量价子模型中当前时段的量价参数,以确定当前时段的量价子模型,所述当前时段的量价参数中包括:当前时段的价格弹性参数;
根据各预设充电场站对应的当前时段的基准充电需求子模型及当前时段的量价子模型确定各所述预设充电场站当前时段充电需求与价格弹性之间的关联关系。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,包括:
根据各所述预设充电场站当前时段充电需求与定价之间的关联关系对所述目标桩效子模型及所述目标收益子模型进行转换,以获得各所述预设充电场站当前时段的目标定价模型;
对各所述预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价。
6.根据权利要求5所述的方法,其特征在于,所述目标定价模型为目标桩效子模型及目标收益子模型进行线性加权的方式表示的;
所述对各所述预设充电场站当前时段定价的目标定价模型进行求解,以获得各预设充电场站在当前时段的最优定价,包括:
采用线性加权法将求解各所述预设充电场站当前时段定价的目标定价模型对应的多目标优化问题转换为单目标优化问题;
求取各所述预设充电场站单目标优化问题的最优解,并将各所述最优解确定为各所述预设充电场站在当前时段的最优定价。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价之后,还包括:
将车主类型对应的最优定价以及非车主类型对应的最优定价发送至用户终端,以使用户终端对所述车主类型对应的最优定价以及所述非车主类型对应的最优定价进行显示。
8.一种充电场站服务费定价装置,其特征在于,包括:
获取模块,用于获取至少一个预设充电场站对应的历史充电特征数据,所述历史充电特征数据包括:多种历史充电非价格特征数据及历史充电价格特征数据;
聚类处理模块,用于根据各预设充电场站对应的多种历史充电特征数据对各预设充电场站进行多层级聚类处理,以获得各预设充电场站对应的类别;
执行模块,用于针对两种充电用户类型分别执行以下操作,以分别完成各充电用户类型对应的当前时段充电定价,所述充电用户类型包括:车主类型及非车主类型,执行模块包括:
预测子模块,用于根据各所述预设充电场站对应的类别、各预设充电场站对应的历史时间段中前一时段充电用户类型观测样本及预设的反事实预测模型对各所述预设充电场站当前时段充电需求与定价之间的关联关系进行反事实预测,以获得各所述预设充电场站当前时段充电需求与定价之间的关联关系;
确定子模块,根据各所述预设充电场站当前时段充电需求与定价之间的关联关系及预先构建的目标定价模型确定各所述预设充电场站在当前时段的最优定价,所述目标定价模型中包括目标桩效子模型及目标收益子模型。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766192.2A CN117745321A (zh) | 2023-12-20 | 2023-12-20 | 充电场站服务费定价方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311766192.2A CN117745321A (zh) | 2023-12-20 | 2023-12-20 | 充电场站服务费定价方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117745321A true CN117745321A (zh) | 2024-03-22 |
Family
ID=90257462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311766192.2A Pending CN117745321A (zh) | 2023-12-20 | 2023-12-20 | 充电场站服务费定价方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745321A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018190249A (ja) * | 2017-05-09 | 2018-11-29 | 三菱重工業株式会社 | 管理方法、サービス管理装置、サービス管理システム及びプログラム |
CN112862149A (zh) * | 2020-12-28 | 2021-05-28 | 南京华盾电力信息安全测评有限公司 | 一种新能源电价预测方法及系统 |
US20220036394A1 (en) * | 2020-10-16 | 2022-02-03 | Baidu International Technology (Shenzhen) Co., Ltd. | Method of determining suggestion model, method of determining price of item, device, and medium |
US20220188946A1 (en) * | 2020-12-04 | 2022-06-16 | Totalenergies Se | Customer-centric method and system for pricing options and pricing/charging co-optimization at multiple plug-in electric vehicle charging stations |
WO2023052685A1 (en) * | 2021-09-29 | 2023-04-06 | Kempower Oyj | Forecasting charging time of electric vehicles |
CN116934366A (zh) * | 2023-06-21 | 2023-10-24 | 浙江安吉智电控股有限公司 | 充电场站的充电定价方法及装置、存储介质、计算机设备 |
CN117132013A (zh) * | 2023-07-26 | 2023-11-28 | 浙江安吉智电控股有限公司 | 充电场站评分方法、装置、计算机设备和可读存储介质 |
CN117236601A (zh) * | 2023-09-11 | 2023-12-15 | 国网北京市电力公司 | 电动汽车充电数据的处理方法、装置及电子设备 |
-
2023
- 2023-12-20 CN CN202311766192.2A patent/CN117745321A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018190249A (ja) * | 2017-05-09 | 2018-11-29 | 三菱重工業株式会社 | 管理方法、サービス管理装置、サービス管理システム及びプログラム |
US20220036394A1 (en) * | 2020-10-16 | 2022-02-03 | Baidu International Technology (Shenzhen) Co., Ltd. | Method of determining suggestion model, method of determining price of item, device, and medium |
US20220188946A1 (en) * | 2020-12-04 | 2022-06-16 | Totalenergies Se | Customer-centric method and system for pricing options and pricing/charging co-optimization at multiple plug-in electric vehicle charging stations |
CN112862149A (zh) * | 2020-12-28 | 2021-05-28 | 南京华盾电力信息安全测评有限公司 | 一种新能源电价预测方法及系统 |
WO2023052685A1 (en) * | 2021-09-29 | 2023-04-06 | Kempower Oyj | Forecasting charging time of electric vehicles |
CN116934366A (zh) * | 2023-06-21 | 2023-10-24 | 浙江安吉智电控股有限公司 | 充电场站的充电定价方法及装置、存储介质、计算机设备 |
CN117132013A (zh) * | 2023-07-26 | 2023-11-28 | 浙江安吉智电控股有限公司 | 充电场站评分方法、装置、计算机设备和可读存储介质 |
CN117236601A (zh) * | 2023-09-11 | 2023-12-15 | 国网北京市电力公司 | 电动汽车充电数据的处理方法、装置及电子设备 |
Non-Patent Citations (3)
Title |
---|
朴龙健等: "计及客户满意度的电动汽车多代理充电定价策略", 《电力系统自动化》, 4 December 2015 (2015-12-04) * |
杨扬;秦桑;郑锋;邬秀玲;刘帅;: "电动汽车充电站的充电定价策略研究", 浙江电力, no. 06, 25 June 2018 (2018-06-25) * |
董厚琦等: "考虑用户价格需求响应的光-储充电站容量配置与定价方法研究", 《太阳能学报》, 9 April 2021 (2021-04-09) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Quantifying flexibility of residential electric vehicle charging loads using non-intrusive load extracting algorithm in demand response | |
CN111144468B (zh) | 电力用户信息标签化方法和装置、电子设备以及存储介质 | |
Gan et al. | A probabilistic evaluation method of household EVs dispatching potential considering users’ multiple travel needs | |
CN112633571A (zh) | 源网荷互动环境下基于lstm的超短期负荷预测方法 | |
CN114004450A (zh) | 一种电动汽车充电负荷交互式实时定价策略引导的有序充电模型 | |
CN113269372A (zh) | 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法 | |
CN114919433B (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
CN111181201A (zh) | 基于双层强化学习的多能园区调度方法及系统 | |
CN115860185A (zh) | 一种考虑极端高温天气下多类型电动汽车充电方式的电网负荷预测方法 | |
Harnischmacher et al. | Two-sided sustainability: Simulating battery degradation in vehicle to grid applications within autonomous electric port transportation | |
CN113435663A (zh) | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 | |
CN117674205A (zh) | 虚拟电厂低碳权益时空性可信评估与优化调度方法及装置 | |
CN117220281A (zh) | 一种电动汽车接入电网调节能力量化评估方法及系统 | |
CN117745321A (zh) | 充电场站服务费定价方法、装置、设备及存储介质 | |
CN107154625B (zh) | 基于模糊贝叶斯学习的电动汽车放电电价谈判方法 | |
CN112865235B (zh) | 电池控制方法、电子设备及存储介质 | |
CN112581313B (zh) | 一种光伏充电站资源的分配调节方法和系统 | |
CN114037161A (zh) | 一种社会福利最大化的零售电价套餐优化模型的建模方法 | |
CN113393035A (zh) | 一种电动汽车日充放电功率预测方法 | |
Zhong et al. | Electric Vehicle Charging Load Optimization Strategy Based on Dynamic Time-of-Use Tariff. | |
Bai et al. | A collaborative matching method for multi-energy supply systems in office buildings considering the random characteristics of electric vehicles | |
CN118144621B (zh) | 一种充电站充电任务调配方法 | |
CN116050677B (zh) | 一种电动汽车充电负荷可调容量预测方法 | |
Lian et al. | Real‐time energy management strategy for fuel cell plug‐in hybrid electric bus using short‐term power smoothing prediction and distance adaptive state‐of‐charge consumption | |
Yuan et al. | Reserve capacity prediction of electric vehicles for ancillary service market participation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |