基于RPA和AI的异常计量点识别方法和装置与流程

基于rpa和ai的异常计量点识别方法和装置
技术领域
1.本技术涉及电网技术领域，尤其涉及一种基于rpa和ai的异常计量点识别方法和装置。


背景技术：

2.机器人流程自动化(robotic process automation，rpa)是一种新型的人工智能的虚拟流程自动化机器人，用于模拟人在计算机上的操作，按规则自动执行流程任务，rpa可以广泛应用于各个需要流程自动化的领域，例如大数据平台数据汇聚。
3.人工智能(artificial intelligence，ai)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。
4.相关技术中，变电站下辖计量点较多，每日统计异常数据量非常大，通过系统导出数据由人工对比，作业量很大，费时费力，且人工处理容易造成数据遗漏和错误。


技术实现要素：

5.本技术提供一种基于rpa和ai的异常计量点识别方法和装置。
6.根据本技术一方面，提供了一种基于rpa和ai的异常计量点识别方法，包括：
7.控制rpa机器人登录计量系统，从所述计量系统获取多个异常台区列表；
8.根据所述多个异常台区列表，确定目标异常台区；
9.针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据；
10.根据所述各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。
11.在本技术一方面实施例一种可能的实现方式中，所述根据所述多个异常台区列表，确定目标异常台区，包括；
12.利用自然语言处理(natural language processing，nlp)，确定任意两个异常台区列表中各异常台区之间的第一匹配度；
13.根据各第一匹配度，确定候选异常台区；
14.确定每个候选异常台区与剩余每个异常台区列表中各异常台区之间的各第二匹配度；
15.在剩余的每个异常台区列表中均存在与任一候选异常台区间的第二匹配度大于第一阈值的异常台区的情况下，确定所述任一候选异常台区为目标异常台区。
16.在本技术一方面实施例一种可能的实现方式中，所述根据所述多个异常台区列表，确定目标异常台区，包括；
17.针对每个台区，确定每个台区与每个异常台区列表中各异常台区间的第三匹配度；
18.在任一台区与每个异常台区列表中异常台区间的第三匹配度均大于第二阈值的
情况下，确定所述台区为目标异常台区。
19.在本技术一方面实施例一种可能的实现方式中，所述根据所述各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点，包括：
20.针对每个计量点，确定所述多个测量时间点中相邻测量时间点的数据之间的差值；
21.在多个连续的差值的绝对值均大于第三阈值的情况下，确定所述计量点为异常计量点。
22.在本技术一方面实施例一种可能的实现方式中，所述根据所述各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点，包括：
23.在任一计量点的多个连续的测量时间点的数据存在缺失的情况下，确定所述任一计量点为异常计量点。
24.在本技术一方面实施例一种可能的实现方式中，在根据所述各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点之后，还包括：
25.根据每个目标异常台区对应的异常计量点，生成异常计量点列表；
26.将所述异常计量点列表推送给所述计量系统的关联用户。
27.根据本技术另一方面，提供了一种基于rpa和ai的异常计量点识别装置，包括：
28.第一获取模块，用于控制机器人流程自动化rpa机器人登录计量系统，从所述计量系统获取多个异常台区列表；
29.第一确定模块，用于根据所述多个异常台区列表，确定目标异常台区；
30.第二获取模块，用针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据；
31.第二确定模块，用于根据所述各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。
32.在本技术另一方面实施例一种可能的实现方式中，所述第一确定模块，用于：
33.利用nlp，确定任意两个异常台区列表中各异常台区之间的第一匹配度；
34.根据各第一匹配度，确定候选异常台区；
35.确定每个候选异常台区与剩余每个异常台区列表中各异常台区之间的各第二匹配度；
36.在剩余的每个异常台区列表中均存在与任一候选异常台区间的第二匹配度大于第一阈值的异常台区的情况下，确定所述任一候选异常台区为目标异常台区。
37.在本技术另一方面实施例一种可能的实现方式中，所述第一确定模块，用于：
38.针对每个台区，确定每个台区与每个异常台区列表中各异常台区间的第三匹配度；
39.在任一台区与每个异常台区列表中异常台区间的第三匹配度均大于第二阈值的情况下，确定所述台区为目标异常台区。
40.在本技术另一方面实施例一种可能的实现方式中，所述第二确定模块，用于：
41.针对每个计量点，确定所述多个测量时间点中相邻测量时间点的数据之间的差值；
42.在多个连续的差值的绝对值均大于第三阈值的情况下，确定所述计量点为异常计
量点。
43.在本技术另一方面实施例一种可能的实现方式中，所述第二确定模块，用于：
44.在任一计量点的多个连续的测量时间点的数据存在缺失的情况下，确定所述任一计量点为异常计量点。
45.在本技术另一方面实施例一种可能的实现方式中，该装置还可包括：
46.生成模块，用于根据每个目标异常台区对应的异常计量点，生成异常计量点列表；
47.推送模块，用于将所述异常计量点列表推送给所述计量系统的关联用户。
48.根据本技术另一方面，提供了一种计算机设备，所述计算机设备包括：
49.存储有可执行程序代码的存储器；
50.与存储器耦合的处理器；
51.其中，处理器调用存储器中存储的可执行程序代码，执行如上述一方面所述的基于rpa和ai的异常计量点识别方法。
52.根据本技术另一方面，提供了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，该程序被处理器执行时实现如上述一方面所述的基于rpa和ai的异常计量点识别方法。
53.本技术实施例的基于rpa和ai的异常计量点识别方法和装置，通过控制机器人流程自动化rpa机器人登录计量系统，从计量系统获取多个异常台区列表；根据多个异常台区列表，确定目标异常台区；针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据；根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。由此，通过利用rpa机器人从计量系统获取多个异常台区列表，根据多个异常台区列表确定目标异常台区，并识别出每个目标异常台区中的异常计量点，节省了人力物力，提高了识别效率和准确性。
54.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
55.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理，并不构成对本技术的不当限定。
56.图1为本技术实施例提供的一种基于rpa和ai的异常计量点识别方法的流程示意图；
57.图2为本技术实施例提供的另一种基于rpa和ai的异常计量点识别方法的流程示意图；
58.图3为本技术实施例提供的另一种基于rpa和ai的异常计量点识别方法的流程示意图；
59.图4为本技术实施例提供的一种基于rpa和ai的异常计量点识别装置的结构示意图；
60.图5为本技术实施例提供的一种计算机设备的结构示意图。
具体实施方式
61.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
62.需要说明的是，本技术实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
63.下面参考附图描述本技术实施例的基于rpa和ai的异常计量点识别方法和装置。
64.在本技术的描述中，术语“多个”是指两个或两个以上。
65.在本技术的描述中，术语“计量系统”可以是指电能量计量系统，电能量计量系统主要实现电厂上网、下网和联络线关口点电能量的计量，分时段存储、采集和处理，为结算和分析提供基本数据。
66.在本技术的描述中，术语“台区”是指一台或多台变压器的供电范围或区域，是电力经济运行管理的名词。
67.在本技术的描述中，术语“计量点”是应安装计量装置的位置，计量点可以分为电力客户计费点、关口计量点等。
68.本技术的描述中，术语“关联用户”可以是指负责管理计量点的业务人员。
69.机器人流程自动化(robotic process automation，rpa)是以软件机器人及人工智能(artificial intelligence，ai)为基础的业务过程自动化科技，通过特定的“机器人软件”，模拟人在计算机上的操作，按规则自动执行流程任务。
70.图1为本技术实施例提供的一种基于rpa和ai的异常计量点识别方法的流程示意图。
71.本技术实施例的基于rpa和ai的异常计量点识别方法，可以由本技术实施例提供的基于rpa和ai的异常计量点识别装置执行，该装置可配置于计算机设备中，以通过rpa机器人识别各台区中的异常计量点。
72.如图1所示，该基于rpa和ai的异常计量点识别方法包括：
73.步骤101，控制rpa机器人登录计量系统，从计量系统获取多个异常台区列表。
74.本技术中，可以控制pra机器人打开计量系统，输入用户名和密码进行登录。在登录成功后，控制pra机器人点击计量系统页面中异常台区的区域，在该区域查询获取多个异常台区列表。其中，多个异常台区列表可以是生成时间连续的多个异常台区列表，每个异常台区列表中可以包括计量系统确定的异常台区的信息，比如，异常台区的编号、名称、标识等。
75.比如，可以控制rpa机器人，选择当日时间搜索异常台区数据并下载，获取当日的异常台区列表，之后切换时间到前一日，搜索异常台区数据并下载，以获取前一日的异常台区列表，再切换到前两日，搜索一次台区数据并下载，以获取前天的异常台区列表，从而可以获取前天、昨天和今天的异常台区列表。
76.为了提高异常计量点识别自动化程度和实时性，本技术中，可以控制rpa机器人，
每隔预设时间执行一次。比如，可以控制rpa机器人采用定时任务，每日的上午八点自动登录计量系统，并获取多个异常台区列表。
77.步骤102，根据多个异常台区列表，确定目标异常台区。
78.本技术中，可以根据获取的多个异常台区列表，从多个异常台区列表中的异常台区中，确定出目标异常台区。
79.为了提高确定异常台区的准确性，可以将多个异常台区列表中公共的异常台区，作为目标异常台区。比如，分别获取了今天、昨天和前天的异常台区列表中，可以将三个异常台区列表中都存在的异常台区，作为目标异常台区，也就是说，可以将连续三天出现异常的台区作为目标异常台区。从而，可以避免因其他一些偶然因素出现异常的台区，作为计量点异常的台区。
80.步骤103，针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据。
81.在确定出目标异常台区后，可以通过查询计量系统获取每个目标异常台区中各计量点在多个测量时间点的数据。在实现时，可以控制rpa机器人由查询异常台区的页面切换到计量明细数据页面，输入目标异常台区的信息，比如台区名称，在搜索信息中填入搜索的起止时间，点击搜索数据，等待页面刷新数据后读取该目标异常台区在本时间段的所有计量点的数据。
82.比如，每天有一个测量时间点，可以查询今天及过去6天的数据，那么可以获取7个测量时间点测量的7个数据。又如，每天设置两个测量时间点，可以获取过去6天中各测量时间点计量点的数据。
83.需要说明的是，测量时间点可以根据需要进行设置，本技术对此不作限定。
84.步骤104，根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。
85.本技术中，可以根据每个计量点在多个测量时间点的数据，确定每个计量点是否为异常计量点。比如，按照测量时间点的早晚顺序，计量点的数据保持不变或逐渐增大，可以认为计量点正常，否则可以认为计量点为异常计量点。由此，可以确定每个目标异常台区中各计量点中的异常计量点。
86.本技术实施例的基于rpa和ai的异常计量点识别方法，通过控制机器人流程自动化rpa机器人登录计量系统，从计量系统获取多个异常台区列表；根据多个异常台区列表，确定目标异常台区；针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据；根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。由此，通过利用rpa机器人从计量系统获取多个异常台区列表，根据多个异常台区列表确定目标异常台区，并识别出每个目标异常台区中的异常计量点，节省了人力物力，提高了识别效率和准确性。
87.图2为本技术实施例提供的另一种基于rpa和ai的异常计量点识别方法的流程示意图。
88.如图2所示，该基于rpa和ai的异常计量点识别方法包括：
89.步骤201，控制rpa机器人登录计量系统，从计量系统获取多个异常台区列表。
90.本技术中，步骤201与上述步骤101类似，故在此不再赘述。
91.步骤202，利用nlp确定任意两个异常台区列表中各异常台区之间的第一匹配度。
92.在获取多个异常台区列表后，可以利用nlp技术，确定任意两个异常台区列表中各异常台区之间的匹配度，为便于区分称为第一匹配度。
93.比如，从计量系统获取了3个异常台区列表，分别为a、b和c，可以计算a中的各异常台区与b中的各异常台区之间的匹配度。
94.在计算两个异常台区列表中各异常台区之间的第一匹配度时，可以计算异常台区的台区信息之间的匹配度，比如台区名称之间的匹配度或者台区标识间的匹配度等。
95.步骤203，根据各第一匹配度，确定候选异常台区。
96.本技术中，在两个异常台区之间的第一匹配度大于预设阈值的情况下，可以认为这两个异常台区为同一异常台区。由此，根据每个第一匹配度，可以确定出两个异常台区列表中共有的异常台区，也即存在于两个异常台区列表中的台区，为了便于区分称为候选异常台区。
97.需要说明的是，预设阈值的大小可以根据需要设定，本技术对此不作限定。
98.步骤204，确定每个候选异常台区与剩余每个异常台区列表中各异常台区之间的各第二匹配度。
99.本技术中，候选异常台区是两个异常台区列表中共有的异常台区，为了提高确定的异常台区的准确性，可以进一步确定每个候选异常台区是否存在于剩余的异常台区列表中，那么可以针对每个候选异常台区，确定每个候选异常台区与剩余的每个异常台区列表中每个异常台区之间的第二匹配度。
100.其中，第二匹配度的计算方法与第一匹配度的计算方法类似，故在此不再赘述。
101.步骤205，在剩余的每个异常台区列表中均存在与任一候选异常台区间的第二匹配度大于第一阈值的异常台区的情况下，确定所述任一候选异常台区为目标异常台区。
102.本技术中，若在剩余的每个异常台区列表中都均在与某候选异常台区的第二匹配度大于第一阈值的异常台区，说明剩余的每个异常台区列表中都存在该候选异常台区，即该候选异常台区存在于所有异常台区列表中，从而确定该候选异常台区为目标异常台区。由此，可以从候选异常台区中确定出目标异常台区。
103.步骤206，针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据。
104.步骤207，根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。
105.本技术中，步骤206
‑
步骤207与上述步骤103
‑
步骤104类似，故在此不再赘述。
106.本技术实施例中，在根据多个异常台区列表，确定目标异常台区时，可以利用nlp确定任意两个异常台区列表中各异常台区之间的第一匹配度；根据各第一匹配度，确定候选异常台区；确定每个候选异常台区与剩余每个异常台区列表中各异常台区之间的各第二匹配度；在剩余的每个异常台区列表中均存在与任一候选异常台区间的第二匹配度大于第一阈值的异常台区的情况下，确定任一候选异常台区为目标异常台区。由此，通过可以确定出多个异常台区列表中共有的异常台区即目标异常台区，从而从多个异常台区列表中筛选出需要判断的异常台区，提高了准确性。
107.在本技术的一个实施例中，在确定根据多个异常台区列表，确定目标异常台区时，
也可以针对计量系统下的每个台区，确定每个台区是否存在于每个异常台区列表中，从而从多个台区中筛选出目标异常台区。
108.在实现时，可以利用nlp技术，确定每个台区与每个异常台区列表中各异常台区间的第三匹配度。在任一台区与每个异常台区列表中异常台区间的第三匹配度均大于阈值的情况下，说明该台区出现在了所有异常台区列表中，可以确定该台区为目标异常台区。
109.比如，分别获取了今天、昨天和前天的异常台区列表，若某台区与每个异常台区列表中的某异常台区间的第三匹配度均大于第二阈值，说明该台区出现在3个异常台区列表中，即该台区连续3天为异常台区，可以确定该台区为目标异常台区。
110.本技术实施例中，通过根据每个台区与每个异常台区列表中各异常台区间的第三匹配度，确定每个台区是否为目标异常台区，从而可以从多个台区中筛选出目标异常台区，提高了准确性。
111.图3为本技术实施例提供的另一种基于rpa和ai的异常计量点识别方法的流程示意图。
112.如图3所示，该基于rpa和ai的异常计量点识别方法包括：
113.步骤301，控制rpa机器人登录计量系统，从计量系统获取多个异常台区列表。
114.步骤302，根据多个异常台区列表，确定目标异常台区。
115.步骤303，针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据。
116.本技术中，步骤301
‑
步骤303与上述步骤101
‑
步骤103类似，故在此不再赘述。
117.步骤304，针对每个计量点，确定多个测量时间点中相邻测量时间点的数据之间的差值。
118.本技术中，可以控制rpa机器人针对每个目标异常台区，计算每个计量点在多个测量时间点中相邻测量时间点的数据之间的差值。
119.比如，获取了某计量点在7个连续测量时间点的数据，按照测量时间点的早晚顺序，计量点的数据分别为a1、a2、a3、a4、a5、a6、a7，那么可以计算a7与a6的差值、a6与a5的差值、a5与a4的差值、a4与a3的差值、a3与a2的差值、a2与a1的差值。
120.步骤305，在多个连续的差值的绝对值均大于阈值的情况下，确定计量点为异常计量点。
121.本技术中，若两个相邻测量时间点的数据之间的差值的绝对大于阈值，可能是计量点在后一个测量时间点的数据与在前一个测量时间点的数据间的差值大于阈值，即后一个测量时间点的数据远大于前一个测量时间点的数据，或者，前一个测量时间点的数据与后一个测量时间点的数据间的差值大于阈值，而正常情况下，后一个测量时间点的数据应当等于或大于前一个测量时间点的数据，这说明两个测量时间点时间段内的数据存在异常。
122.若多个连续的差值均大于阈值的情况下，可以认为该计量点为异常计量点。比如，上述示例中，a7与a6的差值、a6与a5的差值、a5与a4的差值均大于阈值，可以认为计量点为异常计量点。
123.本技术实施例中，在根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点时，可通过针对每个计量点，确定多个测量时间点中相邻测量时间点
的数据之间的差值；在多个连续的差值的绝对值均大于第三阈值的情况下，确定计量点为异常计量点。由此，可以控制rpa机器人根据每个计量点的在多个测量时间点中相邻测量时间点的数据之间的差值，确定计量点是否为异常计量点，提高了异常计量点识别效率和准确性。
124.在实际应用中，可能会存在计量点出现异常，导致不能成功将测量的数据上传给计量系统。基于此，在本技术的一个实施例中，在根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点时，若任一计量点的多个连续的测量时间点的数据存在缺失，这时可以认为任一计量点为异常计量点。
125.在实际应用中，某测量时间点的数据缺失，可能是偶然因素导致的，为了提高识别的准确性，本技术中，若某计量点的多个连续的测量时间点的数据存在缺失，可以认为该计量点存在异常，即该计量点为异常计量点。
126.比如，获取了某计量点在7个连续测量时间点的数据，如果有连续3个测量时间点的数据存在缺失，可以认为该计量点为异常计量点。
127.本技术实施例中，在根据所述各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点时，可以在任一计量点的多个连续的测量时间点的数据存在缺失的情况下，确定任一计量点为异常计量点。由此，可以根据测量时间点的数据缺失情况，确定计量点是否为异常计量点。
128.在本技术的一个实施例中，上述在根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点之后，还可以根据每个目标异常台区对应的异常计量点，即每个目标异常台区中的异常计量点，生成异常计量点列表，之后将异常计量点列表推送给计量系统的关联用户。
129.本技术中，可以根据各个目标异常台区中的异常计量点，生成一个异常计量点列表。也就是说，异常计量点列表中包括识别出的所有异常计量点。其中，异常计量点列表中可以包括每个异常计量点的信息，比如异常计量点的标识、异常计量点所属的台区等信息。
130.在生成异常计量点列表后，可以将异常计量点列表发送给计量系统的关联用户，比如发送给相关的业务人员。在发送时，可以通过邮件的形式，或者即时通讯软件等，将异常计量点列表发送给相关业务人员，以使相关业务人员去实地检查异常计量点列表中各异常计量点。
131.本技术实施例中，在根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点之后，可以根据每个目标异常台区对应的异常计量点，生成异常计量点列表，并将异常计量点列表推送给计量系统的关联用户。由此，使得关联用户可以根据异常计量点列表及时检查存在异常的计量点，减少了关联用户的工作量，提高了效率。
132.图4为本技术实施例提供的一种基于rpa和ai的异常计量点识别装置的结构示意图。
133.如图4所示，该基于rpa和ai的异常计量点识别装置400包括：
134.第一获取模块410，用于控制rpa机器人登录计量系统，从计量系统获取多个异常台区列表；
135.第一确定模块420，用于根据多个异常台区列表，确定目标异常台区；
136.第二获取模块430，用针对每个目标异常台区，获取每个目标异常台区中各计量点
在多个测量时间点的数据；
137.第二确定模块440，用于根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。
138.在本技术实施例一种可能的实现方式中，第一确定模块420，用于：
139.利用自然语言处理nlp，确定任意两个异常台区列表中各异常台区之间的第一匹配度；
140.根据各第一匹配度，确定候选异常台区；
141.确定每个候选异常台区与剩余每个异常台区列表中各异常台区之间的各第二匹配度；
142.在剩余的每个异常台区列表中均存在与任一候选异常台区间的第二匹配度大于第一阈值的异常台区的情况下，确定任一候选异常台区为目标异常台区。
143.在本技术实施例一种可能的实现方式中，第一确定模块420，用于：
144.针对每个台区，确定每个台区与每个异常台区列表中各异常台区间的第三匹配度；
145.在任一台区与每个异常台区列表中异常台区间的第三匹配度均大于第二阈值的情况下，确定台区为目标异常台区。
146.在本技术实施例一种可能的实现方式中，第二确定模块440，用于：
147.针对每个计量点，确定多个测量时间点中相邻测量时间点的数据之间的差值；
148.在多个连续的差值的绝对值均大于第三阈值的情况下，确定计量点为异常计量点。
149.在本技术实施例一种可能的实现方式中，第二确定模块440，用于：
150.在任一计量点的多个连续的测量时间点的数据存在缺失的情况下，确定任一计量点为异常计量点。
151.在本技术实施例一种可能的实现方式中，该装置还可包括：
152.生成模块，用于根据每个目标异常台区对应的异常计量点，生成异常计量点列表；
153.推送模块，用于将异常计量点列表推送给计量系统的关联用户。
154.上述装置实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。装置实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。
155.本技术实施例的基于rpa和ai的异常计量点识别装置，通过控制机器人流程自动化rpa机器人登录计量系统，从计量系统获取多个异常台区列表；根据多个异常台区列表，确定目标异常台区；针对每个目标异常台区，获取每个目标异常台区中各计量点在多个测量时间点的数据；根据各计量点在多个测量时间点的数据，确定每个目标异常台区中的异常计量点。由此，通过利用rpa机器人从计量系统获取多个异常台区列表，根据多个异常台区列表确定目标异常台区，并识别出每个目标异常台区中的异常计量点，节省了人力物力，提高了识别效率和准确性。
156.图5是本技术实施例提供的一种计算机设备的结构示意图。如图5所示，该计算机设备可以包括：
157.存储有可执行程序代码的存储器501；
158.与存储器501耦合的处理器502；
159.其中，处理器502调用存储器501中存储的可执行程序代码，执行本技术任意实施例所提供的基于rpa和ai的异常计量点识别方法。
160.该计算机设备实施例与上述方法实施例是基于同一发明构思得到的实施例，相关之处可以相互参照。上述计算机设备实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。
161.本技术实施例公开一种计算机可读存储介质，其存储计算机程序，其中，该计算机程序使得计算机执行本技术任意实施例所提供的基于rpa和ai的异常计量点识别方法。
162.在本技术的各种实施例中，应理解，上述各过程的序号的大小并不意味着执行顺序的必然先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
163.另外，在本技术各实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
164.上述集成的单元若以软件功能单元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获取的存储器中。基于这样的理解，本技术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者部分，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，包括若干请求用以使得一台计算机设备(可以为个人计算机、服务器或者网络设备等，具体可以是计算机设备中的处理器)执行本技术的各个实施例上述方法的部分或全部步骤。
165.该存储介质实施例与上述方法实施例是基于同一发明构思得到的实施例，相关之处可以相互参照。上述存储介质实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。
166.本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本技术所必须的。
167.本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
168.最后应说明的是：以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围。