数据处理方法、装置、设备、存储介质和计算机产品与流程

1.本技术涉及计算机处理技术领域，特别是涉及一种数据处理方法、装置、设备、存储介质和计算机产品。


背景技术：

2.随着电动汽车的大规模普及，用于电动汽车充电的充电场站也越来越多，充电场站在能源控制调度方面发挥着重要的作用。在实际应用的过程中，电动汽车的充电行为具有随机性，因此，可以通过充电代价值对上述充电行为进行引导，例如将电动汽车引导至利用率较低的充电场站进行充电，从而提高该充电场站的利用率。
3.现有技术在确定充电代价值时，需要结合多指标维度的数据，在进行数据处理时，需要处理的数据量大，数据处理效率低。如何提高数据处理效率，可以实时的对充电代价值进行调整，是亟待解决的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高数据处理效率的数据处理方法、装置、设备、存储介质和计算机产品。
5.第一方面，本技术提供了一种数据处理方法。该方法包括：
6.根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；
7.对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；
8.根据目标充电代价模型，确定充电场站对应的充电代价值。
9.在其中一个实施例中，对初始充电代价模型进行线性化处理，得到目标充电代价模型，包括：
10.对初始充电代价模型中输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，并对初始充电代价模型中激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子；
11.根据处理后的输出电量因子、处理后的激励电量因子和初始充电代价模型中输入电量数据对应的输入电量因子，获取目标充电代价模型。
12.在其中一个实施例中，输出电量因子包括充电选择参数、单位输出功率参数和充电代价值参数；对初始充电代价模型中输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，包括：
13.将单位输出功率参数变换为比值参数，比值参数用于表征整体输出功率与输出功率时长的比值；
14.将充电选择参数和充电代价值参数合并为充电参数；
15.对比值参数和充电参数进行线性化，得到处理后的输出电量因子。
16.在其中一个实施例中，处理后的输出电量因子包括第一约束条件，第一约束条件是根据充电选择参数和充电代价值参数配置的，第一约束条件用于对充电参数的数据范围进行约束。
17.在其中一个实施例中，激励电量因子包括激励代价值参数和激励功率参数；对初始充电代价模型中激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子，包括：
18.将激励代价值参数和激励功率参数合并为激励参数；
19.对激励参数进行线性化，得到处理后的激励电量因子。
20.在其中一个实施例中，处理后的激励电量因子包括第二约束条件，第二约束条件是根据激励代价值参数和激励功率参数配置的，第二约束条件用于对激励参数的范围进行约束。
21.第二方面，本技术还提供了一种数据处理装置。该装置包括：
22.初始模型获取模块，用于根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；
23.模型优化模块，用于对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；
24.确定模块，用于根据目标充电代价模型，确定充电场站对应的充电代价值。
25.第三方面，本技术还提供了一种计算机设备。该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
26.根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；
27.对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；
28.根据目标充电代价模型，确定充电场站对应的充电代价值。
29.第四方面，本技术还提供了一种计算机可读存储介质。该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
30.根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；
31.对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；
32.根据目标充电代价模型，确定充电场站对应的充电代价值。
33.第五方面，本技术还提供了一种计算机程序产品。该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
34.根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；
35.对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；
36.根据目标充电代价模型，确定充电场站对应的充电代价值。
37.上述数据处理方法、装置、设备、存储介质和计算机产品，根据充电场站的输入电
量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；根据目标充电代价模型，确定充电场站对应的充电代价值。本技术提供的方法在确定充电代价值时构建充电代价模型，通过充电代价模型可以综合考虑到输入电量数据、输出电量数据额和激励电量数据对充电代价的影响，数据处理的准确度高。同时，本技术对于充电代价模型进行线性化处理，以使线性化处理后的目标充电代价模型的数据指标维度小于初始充电代价模型，降低数据处理时的数据维度，可以对充电代价值进行实时调整，大大提高了数据处理的效率。
附图说明
38.图1为一个实施例中数据处理方法的应用环境图；
39.图2为一个实施例中数据处理方法的流程图；
40.图3为一个实施例中获取目标充电代价模型的流程图；
41.图4为另一个实施例中数据处理方法的流程图；
42.图5为一个实施例中数据处理装置的结构框图；
43.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
44.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
45.本技术实施例提供的数据处理方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；服务器104对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；服务器104根据目标充电代价模型，确定充电场站对应的充电代价值。其中，终端102可以是各充电场站的控制设备，也可以是与各充电场站连接的物联网设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
46.在一个实施例中，如图2所示，提供了一种数据处理方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
47.步骤202，根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型。
48.其中，输入电量数据是输入充电场站的电量数据，例如充电场站从电网、能源管理系统、其他充电场站获取的电量数据，输入电量数据包括输入电量的功率、代价等信息，输入电量数据与充电场站的负荷数据有关。
49.输出电量数据是充电场站输出的电量数据，例如充电场站输出至充电车辆的数据，或者是当前充电场站传输至其他充电场站的数据，输出电量数据包括输出电量的功率、
代价、输出效率等信息，输出电量数据与充电车辆的充电意愿相关。
50.激励电量数据是通过响应于激励产生的电量数据，例如充电车辆根据激励操作从充电场站获取的电量数据，或者充电场站根据激励操作从电网、能源管理系统获取的电量数据，激励电量数据包括激励电量的功率、代价等信息。
51.示例性的，可以根据输入电量数据、输出电量数据和激励电量数据得到充电场站的初始充电代价模型，例如，可以分别基于输入电量数据、输出电量数据和激励电量数据构建充电场站初始充电代价模型的变量项，获取初始充电代价模型。
52.步骤204，对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度。
53.其中，线性化处理可以将复杂的模型简化，降低数据指标的维度，极大的减少数据处理量。以本实施例的充电场站为例，由于充电行为的随机性，以及电量代价的波动性，不同的充电车辆有不同的充电需求，充电场站的输入电量数据、输出电量数据和激励电量数据包括大量的数据，在对初始充电代价模型进行求解十分复杂，计算量很高。将初始充电代价模型线性化处理，可以降低数据指标维度，以使得到的目标充电代价模型的数据指标维度小于初始充电代价模型的数据指标维度，提高数据处理效率。
54.步骤206，根据目标充电代价模型，确定充电场站对应的充电代价值。
55.示例性的，通过对线性化处理后的目标充电代价模型进行求解，得到充电场站对应的充电代价值。进一步的，可以根据得到的充电代价值实时的调整充电场站的代价值，以实现通过充电代价值对充电车辆的充电行为进行引导，例如将充电车辆引导至利用率较低的充电场站进行充电，从而提高充电场站的能源利用率。
56.上述数据处理方法中，根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；根据目标充电代价模型，确定充电场站对应的充电代价值。本技术提供的方法在确定充电代价值时构建充电代价模型，通过充电代价模型可以综合考虑到输入电量数据、输出电量数据额和激励电量数据对充电代价的影响，数据处理的准确度高。同时，本技术对于充电代价模型进行线性化处理，以使线性化处理后的目标充电代价模型的数据指标维度小于初始充电代价模型，降低数据处理时的数据维度，可以对充电代价值进行实时调整，大大提高了数据处理的效率。
57.在一个实施例中，如图3所示，对初始充电代价模型进行线性化处理，得到目标充电代价模型，包括：
58.步骤302，对初始充电代价模型中输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，并对初始充电代价模型中激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子。
59.其中，初始充电代价模型包括多组电量因子，由于输入电量数据对应的输入电量因子与需要确定的充电代价值没有直接的对应关系，因此，本实施例分别对初始充电代价模型中的输出电量数据对应的输出电量因子和激励电量数据对应的激励电量因子进行线性化处理，得到线性化处理后的输出电量因子和线性化处理后的激励电量因子。
60.示例性的，线性化处理方式可以通过构造辅助变量和利用一个很大的数，将等式
约束转换为不等式约束，例如，可以引入一个变量参数对确定输出电量因子中的某个参数的范围，通过线性不等式约束非线性等式。此外，线性化处理还可以通过凸松弛方式来解决混合整数的非线性问题，例如通过mccormick envelopes(mccormick包络)方法提供了一个包络，该包络在保持凸性的同事最小化了新的可行域的大小，使得使用该包络得到的下限解更接近真实解，同时还减少了解决复杂计算问题所需要的时间。
61.步骤304，根据处理后的输出电量因子、处理后的激励电量因子和初始充电代价模型中输入电量数据对应的输入电量因子，获取目标充电代价模型。
62.结合线性化处理后的输出电量因子、线性化处理后的激励电量因子和初始充电代价模型中输入电量数据对应的输入电量因子，得到目标充电代价模型。以便于进一步通过目标充电代价模型得到充电场站的充电代价值。
63.本实施例中，通过将初始充电代价模型中的多个变量进行线性化处理，以减少初始充电代价模型的数据指标维度，得到目标充电代价模型。本实施例在通过目标充电代价模型求解得到充电代价值，由于降低了需要处理的数据指标维度，大大提高数据处理效率。
64.在一个实施例中，输出电量因子包括充电选择参数、单位输出功率参数和充电代价值参数；对初始充电代价模型中输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，包括：将单位输出功率参数变换为比值参数，比值参数用于表征整体输出功率与输出功率时长的比值；将充电选择参数和充电代价值参数合并为充电参数；对比值参数和充电参数进行线性化，得到处理后的输出电量因子。
65.示例性的，输出电量因子包括充电选择参数、单位输出功率参数和充电代价值参数，输出电量因子可以表示为：
[0066][0067]
公式(1)中，cr表示充电场站目标充电代价模型中的输出电量因子；yi表示第i辆充电车辆的充电选择参数，充电选择参数表示用户的充电意愿，当yi＝0时表示第i辆充电车辆的用户不充电，反之当yi＝1时表示第i辆充电车辆的用户充电；λc为充电场站所定的充电代价值参数，pi(t)为单位输出功率参数，单位输出功率参数表示第i辆充电车辆在t时刻的充电功率。
[0068]
由于输出电量因子公式yi·
pi(t)
·
λc中含有二元变量yi和两个连续变量pi(t)和λc。对于输出电量因子中的三线性项，先将输出电量因子中含有二元变量和连续变量的三线性项转化为一个双线性项pi(t)
·
λc和一个二元变量yi，然后将其线性化。包括以下步骤：
[0069]
(a)将单位输出功率参数变换为比值参数
[0070]
根据下述公式将双线性项中的变量进行替换：
[0071]
∑
t
pi(t)＝diꢀꢀ
(2)
[0072]
公式(2)中，di表示第i辆充电车辆的总能量需求。
[0073]
因此，三线性项yi·
pi(t)
·
λc表示为：
[0074][0075]
公式(3)中，τi表示第i辆充电车辆在充电场站的总停留时间。
[0076]
(b)将充电选择参数和充电代价值参数合并为充电参数
[0077]
经过转化之后，三线性项的输出电量因子成为由一个常数di、一个二元变量yi和一个有限连续变量λc所构成项。可以根据大m法将所述替换新项线性化，如下述公式表示。
[0078]
yi·di
·
λc＝θi·di
ꢀꢀ
(4)
[0079]
公式(4)中，m是一个足够大的常数，双线性yi·
λc被充电参数θi所替代。
[0080]
在一个实施例中，处理后的输出电量因子包括第一约束条件，第一约束条件是根据充电选择参数和充电代价值参数配置的，第一约束条件用于对充电参数的数据范围进行约束。
[0081]
示例性的，对于前述示例变换的输出电量因子，根据大m法设置约束条件，对合并后的充电参数θi进行约束，约束条件表示为：
[0082]
yi·di
·
λc＝θi·di
[0083]
λ
c-(1-yi)m≤θi≤λ
c-(1+yi)m
ꢀꢀ
(5)
[0084]-yim≤θi≤yim
[0085]
本实施例使用大m法将输出电量因子中的二元变量和连续变量的三线性项进行线性化重构，得到线性化处理后的输出电量因子，降低数据指标维度，可以极大的提高数据的处理效率。
[0086]
在一个实施例中，激励电量因子包括激励代价值参数和激励功率参数；对初始充电代价模型中激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子，包括：将激励代价值参数和激励功率参数合并为激励参数；对激励参数进行线性化，得到处理后的激励电量因子。
[0087]
示例性的，激励电量因子包括激励代价值参数和激励功率参数，激励电量因子可以表示为：
[0088][0089]
公式(6)中，c
inc
表示充电场站目标充电代价模型中的激励电量因子；λ
inc
(t)表示在t时刻充电场站的激励代价值参数；δpi(t)为激励功率参数，激励功率参数表示第i辆充电车辆在t时刻的充电功率的调节量，当δpi(t)》0时表示功率向上调，反之当δpi(t)《0时表示功率向下调。
[0090]
本实施例根据mccormick envelope-based线性化方法将目标充电代价模型中含有两个连续变量的双线性项激励电量因子进行重构。激励电量因子λ
inc
(t)
·
δpi(t)部分中存在由两个有限连续变量λ
inc
(t)和δpi(t)所组成。根据mccormick envelope-based线性化方法加入辅助的激励参数ρi(t)，根据激励参数将目标充电代价模型中含有两个连续变量的双线性项激励电量因子进行重构，如公式(7)所示。
[0091]
λ
inc
(t)
·
δpi(t)＝ρi(t)
ꢀꢀ
(7)
[0092]
本实施例将激励代价值参数和激励功率参数合并为激励参数，对合并后的激励参数进行线性化，得到降低数据指标维度的处理后的激励电量因子，提高数据处理的效率。
[0093]
在一个实施例中，处理后的激励电量因子包括第二约束条件，第二约束条件是根据激励代价值参数和激励功率参数配置的，第二约束条件用于对激励参数的范围进行约束。
[0094]
示例性的，对于前述示例变换的激励电量因子，在根据mccormick envelope-based线性化方法优化时，对合并后的激励参数ρi(t)进行约束，第二约束条件表示为：
[0095][0096]
根据激励代价值参数和激励功率参数对合并后的激励参数ρi(t)进行约束，得到线性化处理后的激励电量因子，降低数据指标维度，可以极大的提高数据的处理效率。
[0097]
在一个实施例中，如图4所示，一种确定充电代价值的数据处理方法包括：
[0098]
步骤402，构建充电场站的初始充电代价模型。
[0099]
根据充电场站的输入电量数据、输出电量数据和激励电量数据构建充电场站的初始充电代价模型。其中，分别通过输入电量数据、输出电量数据和激励电量数据构建初始充电代价模型中的输入电量因子、输出电量因子和激励电量因子。
[0100]
示例性的，输入电量因子表示为：
[0101][0102][0103]
其中，t表示时间；c
p
表示充电场站输入电量代价；p
cs
(t)表示在t时刻充电车辆的充电负荷；λ
m,t
表示在t时刻输入充电场站的单位输入电量代价值；pi(t)表示第i辆充电车辆在t时刻的充电功率。
[0104]
输出电量因子表示为：
[0105][0106]
其中，cr表示充电场站目标充电代价模型中的输出电量因子；yi表示第i辆充电车辆的充电选择参数，充电选择参数表示用户的充电意愿，当yi＝0时表示第i辆充电车辆的用户不充电，反之当yi＝1时表示第i辆充电车辆的用户充电；λc为充电场站所定的充电代价值参数，pi(t)为单位输出功率参数，单位输出功率参数表示第i辆充电车辆在t时刻的充电功率。
[0107]
激励电量因子表示为：
[0108][0109]
其中，c
inc
表示充电场站目标充电代价模型中的激励电量因子；λ
inc
(t)表示在t时刻充电场站的激励代价值参数；δpi(t)为激励功率参数，激励功率参数表示第i辆充电车辆在t时刻的充电功率的调节量，当δpi(t)》0时表示功率向上调，反之当δpi(t)《0时表示功率向下调。
[0110]
步骤404，对初始充电代价模型中的输出电量因子进行线性化处理，得到处理后的输出电量因子。
[0111]
可以根据前述示例的方法，通过大m法对对初始充电代价模型中的输出电量因子进行线性化处理，得到处理后的输出电量因子。
[0112]
步骤406，对初始充电代价模型中的激励电量因子进行线性化处理，得到处理后的激励电量因子。
[0113]
可以根据前述示例的方法，通过根据mccormick envelope-based线性化方法对初始充电代价模型中的激励电量因子进行线性化处理，得到处理后的激励电量因子。
[0114]
步骤408，获取目标充电代价模型。
[0115]
根据处理后的输出电量因子、处理后的激励电量因子和初始充电代价模型中输入电量数据对应的输入电量因子，获取目标充电代价模型。
[0116]
步骤410，根据目标充电代价模型，确定充电场站对应的充电代价值。
[0117]
本实施例在确定充电代价值时，对于初始充电代价模型进行线性化处理，以使线性化处理后的目标充电代价模型的数据指标维度小于初始充电代价模型，降低数据处理时的数据维度，可以对充电代价值进行实时调整，大大提高了数据处理的效率。
[0118]
应该理解的是，虽然如上所述的各实施例所涉及的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，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0119]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的数据处理方法的数据处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个数据处理装置实施例中的具体限定可以参见上文中对于数据处理方法的限定，在此不再赘述。
[0120]
在一个实施例中，如图5所示，提供了一种数据处理装置，包括：初始模型获取模块502、模型优化模块504和确定模块506，其中：
[0121]
初始模型获取模块502，用于根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；
[0122]
模型优化模块504，用于对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；
[0123]
确定模块506，用于根据目标充电代价模型，确定充电场站对应的充电代价值。
[0124]
在其中一个实施例中，模型优化模块504还用于：对初始充电代价模型中输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，并对初始充电代价模型中激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子；根据处理后的输出电量因子、处理后的激励电量因子和初始充电代价模型中输入电量数据对应的输入电量因子，获取目标充电代价模型。
[0125]
在其中一个实施例中，输出电量因子包括充电选择参数、单位输出功率参数和充电代价值参数；模型优化模块504还用于：将单位输出功率参数变换为比值参数，比值参数
用于表征整体输出功率与输出功率时长的比值；将充电选择参数和充电代价值参数合并为充电参数；对比值参数和充电参数进行线性化，得到处理后的输出电量因子。
[0126]
在其中一个实施例中，模型优化模块504还用于：对处理后的输出电量因子设置第一约束条件，第一约束条件是根据充电选择参数和充电代价值参数配置的，第一约束条件用于对充电参数的数据范围进行约束。
[0127]
在其中一个实施例中，激励电量因子包括激励代价值参数和激励功率参数；模型优化模块504还用于：将激励代价值参数和激励功率参数合并为激励参数；对激励参数进行线性化，得到处理后的激励电量因子。
[0128]
在其中一个实施例中，模型优化模块504还用于：对处理后的激励电量因子设置第二约束条件，第二约束条件是根据激励代价值参数和激励功率参数配置的，第二约束条件用于对激励参数的范围进行约束。
[0129]
上述数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0130]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储充电场站的充电数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据处理方法。
[0131]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0132]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
[0133]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0134]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
[0135]
需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和充电数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
[0136]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器
(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0137]
以上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。
[0138]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种数据处理方法，其特征在于，所述方法包括：根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取所述充电场站的初始充电代价模型；对所述初始充电代价模型进行线性化处理，得到目标充电代价模型，所述目标充电代价模型对应的数据指标维度小于所述初始充电代价模型对应的数据指标维度；根据所述目标充电代价模型，确定所述充电场站对应的充电代价值。2.根据权利要求1所述的方法，其特征在于，所述对所述初始充电代价模型进行线性化处理，得到目标充电代价模型，包括：对所述初始充电代价模型中所述输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，并对所述初始充电代价模型中所述激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子；根据所述处理后的输出电量因子、所述处理后的激励电量因子和所述初始充电代价模型中所述输入电量数据对应的输入电量因子，获取所述目标充电代价模型。3.根据权利要求2所述的方法，其特征在于，所述输出电量因子包括充电选择参数、单位输出功率参数和充电代价值参数；所述对所述初始充电代价模型中所述输出电量数据对应的输出电量因子进行线性化处理，得到处理后的输出电量因子，包括：将所述单位输出功率参数变换为比值参数，所述比值参数用于表征整体输出功率与输出功率时长的比值；将所述充电选择参数和所述充电代价值参数合并为充电参数；对所述比值参数和所述充电参数进行线性化，得到处理后的输出电量因子。4.根据权利要求3所述的方法，其特征在于，所述处理后的输出电量因子包括第一约束条件，所述第一约束条件是根据所述充电选择参数和所述充电代价值参数配置的，所述第一约束条件用于对所述充电参数的数据范围进行约束。5.根据权利要求2所述的方法，其特征在于，所述激励电量因子包括激励代价值参数和激励功率参数；所述对所述初始充电代价模型中所述激励电量数据对应的激励电量因子进行线性化处理，得到处理后的激励电量因子，包括：将所述激励代价值参数和所述激励功率参数合并为激励参数；对所述激励参数进行线性化，得到处理后的激励电量因子。6.根据权利要求5所述的方法，其特征在于，所述处理后的激励电量因子包括第二约束条件，所述第二约束条件是根据所述激励代价值参数和所述激励功率参数配置的，所述第二约束条件用于对所述激励参数的范围进行约束。7.一种数据处理装置，其特征在于，所述装置包括：初始模型获取模块，用于根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取所述充电场站的初始充电代价模型；模型优化模块，用于对所述初始充电代价模型进行线性化处理，得到目标充电代价模型，所述目标充电代价模型对应的数据指标维度小于所述初始充电代价模型对应的数据指标维度；确定模块，用于根据所述目标充电代价模型，确定所述充电场站对应的充电代价值。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在
于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种数据处理方法、装置、设备、存储介质和计算机产品。该方法包括：根据充电场站的输入电量数据、输出电量数据和激励电量数据，获取充电场站的初始充电代价模型；对初始充电代价模型进行线性化处理，得到目标充电代价模型，目标充电代价模型对应的数据指标维度小于初始充电代价模型对应的数据指标维度；根据目标充电代价模型，确定充电场站对应的充电代价值。本方法对于充电代价模型进行线性化处理，以使线性化处理后的目标充电代价模型的数据指标维度小于初始充电代价模型，降低数据处理时的数据维度，可以对充电代价值进行实时调整，大大提高了数据处理的效率。大大提高了数据处理的效率。大大提高了数据处理的效率。


技术研发人员：高岩峰 李勋 黄鹏 嘉有为 史梦鸽 王涵
受保护的技术使用者：南方电网电动汽车服务有限公司
技术研发日：2023.04.24
技术公布日：2023/8/13