买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉天生桥二级水力发电有限公司申请的专利一种基于人工智能的RPA业务处理方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118887044B 。

龙图腾网通过国家知识产权局官网在2026-02-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411097047.4，技术领域涉及：G06Q50/06；该发明授权一种基于人工智能的RPA业务处理方法及系统是由江锡旦;王园园;屈炳钊;万双民;李侃;谢波;袁玉林;彭伟军;钟波;卢晓强设计研发完成，并于2024-08-12向国家知识产权局提交的专利申请。

本一种基于人工智能的RPA业务处理方法及系统在说明书摘要公布了：本发明提出一种基于人工智能的RPA业务处理方法及系统，方法包括：使用RPA系统对水电厂设备进行文本数据采集和控制相机采集图像数据，使用基于传感器的数据采集模块采集传感器数据，通过RPA系统将预处理后数据写入数据库；特征提取和特征融合；构建设备关系图和对水电厂设备状态的监控和异常检测，对状态进行预测；构建跨站点数据协同分析模型对不同站点数据进行整合，生成全局优化建议和操作指令；构建检测模型，覆盖异常情况，并通过RPA系统实现全天候自动监控和异常处理。本发明提出了一种基于人工智能和RPA的水电厂业务处理方法及系统，通过多模态信息融合、图神经网络、联邦学习和自监督学习技术，全面提升水电厂的业务处理效率和智能化水平。

本发明授权一种基于人工智能的RPA业务处理方法及系统在权利要求书中公布了：1.一种基于人工智能的RPA业务处理方法，其特征在于，所述方法包括： S1、使用RPA系统对水电厂设备进行文本数据采集和控制相机采集图像数据，使用基于传感器的数据采集模块采集传感器数据，并对文本数据、图像数据和传感器数据进行预处理，通过RPA系统将预处理后的文本数据、图像数据和传感器数据写入数据库； S2、分别对预处理后的文本数据、图像数据和传感器数据进行特征提取并进行特征融合，得到多模态特征向量； S3、根据多模态特征向量构建设备关系图和基于多层自适应时序模型的分析方法对监控水电厂设备状态进行监控和异常检测，同时对水电厂设备的状态进行预测； S4、构建基于联邦学习的跨站点数据协同分析模型对不同站点数据进行整合，通过自动处理分析结果，生成全局优化建议和操作指令；其中，所述跨站点数据协同分析模型的目标优化函数表示如下： ， 其中，表示总优化目标函数，表示站点的运行成本函数，表示站点的运行约束条件，表示站点的运行参数，表示站点总数，和分别为成本和排放的权重系数，表示站点的排放控制函数，表示时间上的动态约束条件，表示不确定性因素的取值范围； S5、利用自监督学习技术构建检测模型，覆盖异常情况，并通过RPA系统实现全天候自动监控和异常处理； 其中，所述检测模型包括生成对比学习子模型、异常检测子模型、多模态自监督子模型、时序自监督学习子模型和频域自监督学习子模型； 所述对比学习子模型通过构建正样本和负样本对进行训练，接收S4优化后的特征向量为，正样本为，负样本为，对比学习模型的生成公式为： ， 其中，表示数据增强操作，表示随机打乱操作； 定义对比损失函数，用于训练生成对比学习模型，损失函数公式表示如下： ， 其中，表示边界值，表示特征向量与正样本间的欧氏距离度量，表示特征向量与负样本间的欧氏距离度量； 所述异常检测子模型，设异常检测子模型为，检测结果为，表示如下： ， 其中，表示异常检测子模型，表示检测结果，异常检测子模型基于自监督特征学习的表示进行训练，结合支持向量机进行分类，表示如下： ， 其中，表示权重向量，表示偏置，sign表示符号函数，用于返回输入的符号，如果输入大于0，返回1；如果输入小于0，返回-1；如果输入等于0，返回0； 所述多模态自监督子模型结合多模态数据，利用自监督学习进行异常检测，设多模态特征向量为，多模态自监督子模型为，所述多模态自监督子模型的检测结果为，表示如下： ， 其中，表示多模态特征向量，为归一化后的融合特征向量；表示多模态自监督子模型； 所述时序自监督学习子模型采用时序自监督学习方法，通过预测下一个时间步的特征向量实现异常检测，设当前时间步的特征向量为，下一个时间步的预测特征向量为，预测模型为，所述时序自监督学习模型的损失函数为，表示如下： ， 其中，，表示实际的下一个时间步的特征向量，预测模型基于LSTM实现，表示如下： ， 其中，表示当前隐藏状态； 所述频域自监督学习子模型通过傅里叶变换提取频域特征进行异常检测，设当前时间步的特征向量为，频域自监督学习子模型为，所述频域自监督学习子模型的检测结果为，表示如下： ， 其中，表示傅里叶变换操作，表示当前时间步的频域特征向量，频域自监督学习子模型结合频域特征进行异常检测； 所述根据多模态特征向量构建设备关系图，表示如下： 根据水电厂设备之间的物理连接和依赖关系，构建设备关系图；设备集合为，其中表示第个设备； 定义设备间的边集，其中，每条边表示设备和之间存在直接关系； 构建设备关系图； 其中，所述设备关系图使用多模态特征向量作为每个设备的初始特征向量，使用新的加权动态特征传播算法对设备关系图进行特征传播，更新每个设备的特征表示；其中，所述新的加权动态特征传播算法定义第层的特征传播公式为： ， 其中，表示第个设备在第层的特征向量，表示设备的邻居集合，和分别表示设备之间的连接权重和历史状态权重，表示第层的权重矩阵，表示激活函数，表示第个设备在第-1层的特征向量； 所述基于多层自适应时序模型的分析方法，具体包括： 将特征向量输入到变分自编码器的编码器部分，得到隐变量： ， 其中，表示均值，表示标准差，表示随机噪声变量，和分别表示神经网络函数； 将编码后的隐变量输入到LSTM网络中进行时序建模，所述LSTM网络的更新公式表示如下： ， 其中，，，分别表示遗忘门、输入门和输出门的激活向量，表示细胞状态向量，，，，表示权重矩阵，，，，表示偏置向量，表示Sigmoid激活函数，表示元素乘积，表示时间步的时序特征向量； 使用LSTM网络的输出进行状态预测，定义预测函数，计算如下： ， 其中，表示时间步的预测状态，表示全连接层； 所述S4，具体包括： S41、对不同站点的数据进行标准化处理和数据对齐处理； S42、使用皮尔逊相关系数计算两个站点数据的线性相关性，同时计算各站点间的互信息，衡量两个站点数据的非线性相关性； S43、构建物理模型；所述物理模型包括水电厂能量平衡模型和水流量平衡模型； S44、对跨站点的数据进行加权平均融合，然后使用主成分分析方法对融合后的数据进行降维； S45、利用跨站点融合数据进行协同故障诊断，检测设备的潜在故障，同时基于协同分析结果进行优化调度决策，调整各站点的运行参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人天生桥二级水力发电有限公司，其通讯地址为：510000 广东省广州市番禺区东环街东星路100号208室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。