© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
浙江小桔绿色能源科技有限公司
企业浙江小桔绿色能源科技有限公司成立于2023年，位于浙江省。所属行业为研究和试验发展。主要业务包括技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广、计算机软硬件及辅助设备批发。
研究和试验发展
数据集列表
基于商户维度的电动汽车充电场站充电不可用影响经营金额预估数据
本数据集以商户为单位，提取各商户场站中状态为“挂起”（即不可用）的桩体数量及其挂起时长占比，结合商户等级因子，估算因资源挂起导致的经营金额损失。具体应用场景如下：
1.对平台（即申请人）而言：可对比不同商户因设备挂起造成的营收影响，建立基于服务连续性的绩效考核机制；
2.对场站商家而言：可识别站点级设施挂起对收益表现的具体影响，用于优化设备启用计划和检修节奏；
3.对政府而言：可作为支持设施效率审查的量化依据，推动构建以运营成效为导向的激励与惩戒机制。1.数据采集：原始数据经授权合法获取，采集统计日期、站点ID、商户ID、商户等级（根据商户历史经营规模排序进行赋级）、该日该站点不可用分钟数、该日该站点不可用分钟占比、该日该站点可用时段经营金额等字段。
2.设置影响因子-商户等级因子β：若商户等级为A级，则β赋值1.14，B级则β赋值1.07，C级则β赋值1，D级则β赋值0.93。
3.建立充电不可用影响经营金额的预估模型：（1）计算该日该站点可用分钟占比：该日该站点可用分钟占比=1-该日该站点不可用分钟占比；（2）计算该日该站点基准不可用经营金额预估值：该日该站点基准不可用经营金额预估值=该日该站点可用时段经营金额/该日该站点可用分钟占比-该日该站点可用时段经营金额；（3）修正计算：修正后的该日该站点不可用经营金额预估值=该日该站点不可用时段的基准经营金额预估值*商户等级因子β。
浙江省数据知识产权登记平台2025-10-28 更新80
不同城市充电桩基于网络连接稳定性因素的健康度评估数据
本数据集综合多时段离线行为与智能识别结论，评估充电桩在通信网络层的连接稳定性。构建了分时段（6h/24h/72h）评分体系与智能识别校正机制，系统性反映设备“在线可达能力”。具体应用场景如下：
1.对平台（即申请人）而言：可用于智能调度算法中，提前剔除网络不稳定设备，确保实时控制与数据回传链路畅通，支撑OTA升级和远程控制任务；
2.对场站商家而言：可识别站点内存在长期或高频离线的设备，优先排查弱覆盖、SIM卡故障、模块损坏等通信问题，减少用户投诉与计费异常；
3.对政府而言：作为充电网络基础设施可用性评估的重要补充指标，强化对城市公共能源基础设施数字化运维能力的监管。1.数据采集：原始数据经授权合法获取，按城市维度采集充电桩网络连接状态相关字段，包括：城市名称、设备编号、分析时间、近6小时离线总时长、近6小时离线次数、近6小时单次最大离线时长、近24小时离线总时长、近24小时离线次数、近24小时单次最大离线时长、近72小时离线总时长、近72小时离线次数、近72小时单次最大离线时长、充电桩网络异常识别模型识别结论。
2.指标得分计算：依据不同指标的数值在历史数据中的分布情况和业务经验，采用分段函数进行归一化得分计算，得到近6小时、近24小时及近72小时的离线总时长得分、离线次数得分及单次最大离线时长得分。
3.计算不同时限的网络连接健康度评分：（1）对近6小时、近24小时、近72小时的离线累计时长得分、单次最大离线时长得分和离线次数得分进行加权计算；（2）计算公式为：近6h网络连接健康度评分=0.466*近6小时离线总时长得分+0.068*近6小时离线次数得分+0.466*近6小时单次最大离线时长得分；近24h网络连接健康度评分=0.466*近24小时离线总时长得分+0.068*近24小时离线次数得分+0.466*近24小时单次最大离线时长得分；近72h网络连接健康度评分=0.466*近72小时离线总时长得分+0.068*近72小时离线次数得分+0.466*近72小时单次最大离线时长得分；具体权重系数通过层次分析法（AHP）评估确定。
4.计算网络连接健康度综合评分：（1）网络连接健康度初始综合评分=0.644*近6h网络连接健康度评分+0.283*近24h网络连接健康度评分+0.073*近72h网络连接健康度评分；具体权重系数通过层次分析法（AHP）评估确定；（2）结合充电桩网络异常识别模型识别结论对初始综合评分进行调整：若识别结论为异常，则最终综合评分=0.6*网络连接健康度初始综合评分，若识别结论为正常，则最终综合评分=0.4*网络连接健康度初始综合评分+60。
浙江省数据知识产权登记平台2025-10-02 更新100
不同城市充电桩基于充电异常因素的健康度评估数据
本数据集以城市为单位，结合充电异常行为指标，构建充电桩运行可靠性的健康度评分模型。具体应用场景如下：
1.对平台（即申请人）而言：可根据不同城市的异常健康度评分，对低健康度区域聚合预警，优先投放智能运维资源和客户告警提示机制，强化用户充电成功率保障；
2.对场站商家而言：可快速定位充电失败集中发生区域，识别站点潜在硬件老化或软故障趋势，作为售后维保服务规划的依据，提升运营稳定性；
3.对政府而言：可基于该评分方法开展城市级公共充电设施服务质量考核，作为评估政策补贴落地效果和优化布局方向的重要支撑数据。1.数据采集：原始数据经授权合法获取，按城市维度采集充电桩充电异常状态相关字段，包括：城市名称、设备编号、分析时间、近24小时失败用户数、近24小时绝对失败用户数、近24小时订单异常率、近7天挂起次数、近24小时失败用户占比、近24小时绝对失败用户占比、近30日挂起次数、用户在其他设备上的历史成功率（用户在其他设备上的历史成功率较高，则意味着本设备存在问题的概率越高）。
2.指标得分计算：依据不同指标的数值在历史数据中的分布情况和业务经验，采用分段函数进行归一化得分计算，得到近24小时失败用户数得分、近24小时绝对失败用户数得分、近24小时订单异常率得分、近7天挂起次数得分、近24小时失败用户占比得分、近24小时绝对失败用户占比得分、近30日挂起次数得分、用户历史满足率得分。
3.计算基于充电异常的健康度评分：（1）对近24小时失败用户数得分、近24小时绝对失败用户数得分、近24小时订单异常率得分、近7天挂起次数得分、近24小时失败用户占比得分、近24小时绝对失败用户占比得分、近30日挂起次数得分、用户历史满足率得分进行加权计算；（2）计算公式为：健康度评分=近24小时失败用户数得分*0.2+近24小时绝对失败用户数得分*0.37+近24小时订单异常率得分*0.08+近7天挂起次数得分*0.05+近24小时失败用户占比得分*0.1+近24小时绝对失败用户占比得分*0.1+近30日挂起次数得分*0.05+用户历史满足率得分*0.05；具体权重系数通过层次分析法（AHP）评估确定。
浙江省数据知识产权登记平台2025-10-02 更新220
充电桩充电故障动态远程恢复方案智能生成数据
本数据集基于充电桩运行状态与环境参数的实时采集，结合规则引擎与流式计算，实现充电设备故障时的动态挂起策略智能生成与自动恢复控制。通过环境因素与设备异常码的关联判定，保障设备运行安全与服务连续性。具体应用场景如下：
1.对平台（即申请人）而言：可基于智能生成的动态挂起策略，自动识别因环境变化（如高湿、高温）导致的故障风险，实时调整设备挂起状态，提升整体运维自动化水平，降低人工干预频率和响应时间；
2.对场站商家而言：通过动态挂起与自动恢复机制，避免设备因环境临时异常过度停机，减少非必要的服务中断，提高设备利用率和用户充电体验，同时降低现场维护压力和成本；
3.对政府而言：为公共充电基础设施安全运行提供数据支撑和智能化管理工具，有助于推动智慧能源管理标准化建设，提升城市充电网络的韧性和稳定性，促进绿色低碳出行保障。1.数据采集：原始数据经授权合法获取，实时采集充电桩运行及环境状态相关数据字段，包括：采集时间、桩企名称、设备型号、设备ID、设备所在城市、设备异常码、所在城市降水强度（单位：mm）、所在城市湿度（单位：%）、所在城市环境温度（单位：℃）、枪口正极温度（单位：℃）、枪口负极温度（单位：℃）。
2.动态挂起策略形成（基于实时采集的充电桩运行及环境状态数据）：
（1）当所在城市降水强度的数值＞0或所在城市湿度的数值＞85时，意味着设备异常码聚集在绝缘问题，则输出“1”，并启用动态挂起；当所在城市降水强度的数值=0且所在城市湿度的数值＜80且经追溯已维持3小时以上后，则输出“0”，并自动取消设备挂起；
（2）当所在城市环境温度的数值＞33或枪口正极温度的数值＞50或枪口负极温度的数值＞50时，意味着设备异常码聚集在高温问题，则输出“1”，并启用动态挂起；当枪口正极温度的数值≤50且枪口负极温度的数值≤50且所在城市环境温度的数值≤33度且经追溯已维持3小时以上后，则输出“0”，并自动取消设备挂起；
（3）以上策略通过规则引擎结合实时流式计算任务动态生成，确保在设备运行状态变化时自动评估挂起条件并实时调整。
浙江省数据知识产权登记平台2025-10-02 更新160
不同城市充电桩健康度综合评估数据
本数据集在四个关键维度（充电异常、配件故障、网络连接、充电速度）基础上，按等权重加权形成充电桩健康度综合评分，实现跨维度统一对比与等级划分。可支持面向多城市的运行态势全景监控。具体应用场景如下：
1.对平台（即申请人）而言：可直接用于城市维度的充电桩运行质量排名、战略性站点优化布局决策、资源调度优先级配置等工作；
2.对场站商家而言：可将综合健康评分作为站点绩效评价与运维服务质量核算依据，推动以数据驱动的精细化运营；
3.对政府而言：有助于构建城市级基础能源设施运营表现评价体系，用于区域充电网络质量指标考核、优质服务区试点遴选、年度基础设施奖补标准制定等场景。1.数据采集：原始数据经授权合法获取，按城市维度采集公司自行分析得到的充电桩不同维度的健康度评分数据字段，包括：城市名称、设备编号、分析时间、充电异常健康度评分、配件故障健康度评分、网络连接健康度评分、充电速度健康度评分。
2.计算充电桩健康度综合评分：（1）对充电异常健康度评分、配件故障健康度评分、网络连接健康度评分、充电速度健康度评分进行加权计算；（2）计算公式为：健康度综合评分=充电异常健康度评分*0.25+配件故障健康度评分*0.25+网络连接健康度评分*0.25+充电速度健康度评分*0.25；具体权重系数通过层次分析法（AHP）评估确定。
浙江省数据知识产权登记平台2025-10-02 更新160
不同城市充电桩基于充电速度因素的健康度评估数据
本数据集以功率偏差率与功率缺损率为核心变量，结合异常识别模型判定，评估不同城市充电桩在功率输出效率方面的服务健康度。该模型侧重用户体验层面的能效分析。具体应用场景如下：
1.对平台（即申请人）而言：可评估不同城市在设备充电效率上的稳定性表现，构建城市级充电效率档位体系，为商户提供选址性建议；
2.对场站商家而言：可快速识别功率输出效率偏低的桩体与枪口，指导运维人员调整模块设置、排查模块故障或电源异常，提升单桩功率利用率；
3.对政府而言：有助于识别当地充电设施在“非中断但低性能”状态下对用户效率的影响，助推政策支持方向从“能用”向“好用”过渡。1.数据采集：原始数据经授权合法获取，按城市维度采集充电桩功率状态（功率反映充电速度）相关字段，包括：城市名称、设备编号、分析时间、功率异常识别模型的识别结论、桩功率偏差率、枪功率偏差率、功率缺损率。
2.得分规则构建：依据功率异常识别模型的识别结论，对充电速度健康度进行分档打分（考虑到功率异常主要影响用户充电效率体验，且不属于完全不可用状态，故最低评分不低于60分）。具体计算方式如下：
（1）若识别结论为异常：健康度评分=80−2*枪功率偏差率−7.2*桩功率偏差率−10.8*功率缺损率；权重系数通过层次分析法（AHP）评估确定；
（2）若识别结论为未知：健康度评分=95−1.5*枪功率偏差率−13.5*桩功率偏差率；权重系数通过层次分析法（AHP）评估确定；
（3）若识别结论为正常：健康度评分=100−0.5*枪功率偏差率−4.5*桩功率偏差率；权重系数通过层次分析法（AHP）评估确定。
浙江省数据知识产权登记平台2025-10-02 更新80
不同城市充电桩基于配件故障因素的健康度评估数据
本数据集围绕充电桩核心配件的故障状态、频次和持续时长等指标，评估不同城市充电桩在物理硬件层面的健康度表现。具体应用场景如下：
1.对平台（即申请人）而言：可构建以配件故障评分为核心维度的设备稳定性地图，实施城市区域维度的故障风险分级与故障簇定位，提升平台大规模硬件风险管控能力；
2.对场站商家而言：可用于提前识别频发故障设备及模块，结合故障时长与发生时间，指导主动维保与部件更换，降低突发停运率；
3.对政府而言：有助于识别不同城市设备的硬件成熟度差异，为地方政策制定在充电桩招标、运行标准监管方面提供量化参考。1.数据采集：原始数据经授权合法获取，按城市维度采集充电桩配件故障状态相关字段，包括：城市名称、设备编号、分析时间、当前故障状态（是/否）、近24小时故障次数、近24小时故障时长、最近一次故障距当前时长、最近一次故障时长。
2.指标得分计算：依据不同指标的数值在历史数据中的分布情况和业务经验，采用分段函数进行归一化得分计算，得到当前故障状态得分、近24小时故障次数得分、近24小时故障时长得分、最近一次故障距当前时长得分、最近一次故障时长得分。
3.计算基于配件故障的健康度评分：（1）对当前故障状态得分、近24小时故障次数得分、近24小时故障时长得分、最近一次故障距当前时长得分、最近一次故障时长得分进行加权计算；（2）计算公式为：健康度评分=（当前故障状态得分*0.1+近24小时故障次数得分*a+近24小时故障时长得分*b+最近一次故障距当前时长得分*0.1+最近一次故障时长得分*0.2）/（0.4+a+b）；具体权重系数通过层次分析法（AHP）评估确定；其中权重系数a与b的数值按照故障次数和时长不同动态变化，取值为0.05至0.55之间。
浙江省数据知识产权登记平台2025-10-02 更新170
基于品牌维度的充电桩充电过程异常原因识别数据
本数据集基于充电桩设备品牌（生产厂家）维度，结合设备近期异常记录，识别充电过程中的典型故障场景与潜在根因。具体应用场景如下：
1.对平台（即申请人）而言：可基于不同厂家设备的故障归因特征，建立品牌级充电过程异常知识库，辅助智能运维模型训练与品牌性能评估，提升平台对接设备商的技术管理能力；
2.对场站商家而言：可借助品牌维度的异常原因归类结果，识别当前场站中高频故障品牌与对应问题模式，指导站点层面的设备替换决策和保修策略，降低维护成本与停机风险；
3.对政府而言：可用于监测市场主流品牌充电设备的运行稳定性，评估不同厂家设备在公共设施中的适配度和可靠性，为政府集中采购目录优化和产品准入制定提供数据依据。1.数据采集：原始数据经授权合法获取，实时采集充电过程异常信息，包括设备生产厂家名称、设备编号、订单编号、异常码、异常时间点、异常码得分、异常码对应故障场景等字段。
2.订单回溯取值：以异常时间点为基准，向前获取该充电设备的最近15笔订单（包含本单），提取每笔订单对应的异常码、该次异常码得分、该次异常码对应故障场景等信息（以[订单编号,异常码,异常码得分,故障场景]格式聚合形成待归类数据集）。
3.异常码归类：依据异常码与故障场景的映射规则，将15笔订单中的异常码分别归入不同的故障场景，并对每个场景下的异常码得分进行累加（以{"场景名称":["订单号_异常码_该次异常码得分",...,"总得分_分值"]}格式输出归类后的待诊断信息）；
4.故障诊断判定：若某一故障场景下累计异常码得分大于等于1，则输出该场景的故障结论。若无场景满足阈值，则不输出结论。
浙江省数据知识产权登记平台2025-10-02 更新190
基于网络运营商维度的充电桩网络故障根因识别数据
本数据集基于充电桩接入的网络运营商维度，结合设备状态报文序列，通过深度特征提取与聚类分析技术，实现对充电桩网络通信异常根因的自动识别与归因。具体应用场景如下：
1.对平台（即申请人）而言：可依据运营商维度的通信故障类型分布，精准定位网络故障瓶颈与重点影响区域，辅助制定针对性网络优化策略及跨运营商协调机制，提升整体网络稳定性和数据传输可靠性；
2.对场站商家而言：通过故障根因诊断标签，快速识别因网络运营商引发的异常问题，指导针对特定运营商环境优化设备配置和运维策略，减少因网络不畅导致的充电中断和客户投诉；
3.对政府而言：作为城市公共充电网络数字基础设施质量评估的重要指标，支持监测不同运营商在充电服务网络中的覆盖与稳定表现，助力政策制定与监管部门优化网络资源布局与服务保障措施。1.数据采集：原始数据经授权合法获取，按充电桩所接入的网络运营商维度采集充电桩网络通信异常相关字段，包括：分析时间、桩网络运营商、主桩ID、桩近50条状态报文信息。每条报文包含以下关键字段：桩状态（0表示离线，1表示正常）、上传时的IP地址（ip）、上传端口、上传时间。
2.特征提取：对状态报文信息进行解析，提取桩近50次报文中的通信状态序列、IP与端口变化、状态切换频次等，构建表征通信行为的数值特征。
3.特征建模：利用变分自编码器（VAE）对桩的通信特征进行建模，通过encoder提取每组样本的核心表示特征，用于描述其通信模式。
4.聚类分析：将VAE的输出特征与部分统计特征拼接后，使用k-means算法对设备进行聚类，初步划分不同的通信异常类型。
5.标签归因：对聚类结果进行线下验证确定故障原因，并作为诊断结论（类别标签）输出。
浙江省数据知识产权登记平台2025-10-02 更新370
基于场站维度的充电桩电源模块过温预测数据
本数据集以充电场站为分析单元，通过历史运行数据训练多点温度预测模型，结合当前输入参数判定模块温度是否异常，实现对充电桩电源模块过温风险的早期识别。具体应用场景如下：
1.对平台（即申请人）而言：可基于预测结果构建电源模块多点温度健康画像，识别存在热失控隐患的设备区域，支撑平台在大规模设备层面推进预警机制部署和远程动态风险管控；
2.对场站商家而言：可据此开展模块级精准诊断，提前干预可能出现热损伤的部件，延长电源模块使用寿命、减少高温引发的非计划停机，提高设备可用率和服务连续性；
3.对政府而言：可将该模型纳入对充电基础设施的安全运行监管工具箱，动态监测重点区域场站的电源模块运行温控状况，为制定设备技术标准与完善充电站安全管理政策提供数据支撑。1.数据采集：原始数据经授权合法获取，按场站维度实时采集电源模块运行过程中的关键参数字段，包括：场站编号、设备编号、分析时间、模块唯一标识、模块累计运行时间、模块输出电压、模块输出电流、模块PFC_U温度、模块PFC_V温度、模块PFC_W温度、模块环境温度、模块DCDC正MOS管温度、模块DCDC负MOS管温度、模块DCDC输出二极管温度、模块整流二极管温度。
2.模型训练：采用Scikit-learn多项式回归模型，分别建立模块PFC_U温度、PFC_V温度、PFC_W温度、DCDC正MOS管温度、DCDC负MOS管温度、DCDC输出二极管温度、整流二极管温度的预测模型，基于长期积累的历史数据拟合模块累计运行时间、输出电压、电流、环境温度等参数与各温度点位之间的变化关系，获得各点位的温度预测能力。
3.温度预测结果输出：对当前模块输入运行参数（即步骤1采集的数据），调用对应预测模型（即步骤2训练的模型），分别输出各点位的温度预测值，包括预测模块PFC_U温度、预测模块PFC_V温度、预测模块PFC_W温度、预测模块DCDC正MOS管温度、预测模块DCDC负MOS管温度、预测模块DCDC输出二极管温度、预测模块整流二极管温度。
4.异常判定与结论输出：对每个温度点，计算其预测温度与实际温度的差值。若某点位温差≥6℃，则判定该点位温度异常，并输出对应结论。若所有点位温差均＜6℃，则输出结论为“温度正常”。
浙江省数据知识产权登记平台2025-10-02 更新260