CN115759454A - 一种基于rpa+ai的光伏补贴自动结算方法与系统 - Google Patents
一种基于rpa+ai的光伏补贴自动结算方法与系统 Download PDFInfo
- Publication number
- CN115759454A CN115759454A CN202211513206.5A CN202211513206A CN115759454A CN 115759454 A CN115759454 A CN 115759454A CN 202211513206 A CN202211513206 A CN 202211513206A CN 115759454 A CN115759454 A CN 115759454A
- Authority
- CN
- China
- Prior art keywords
- power generation
- generation amount
- photovoltaic power
- day
- photovoltaic
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002159 abnormal effect Effects 0.000 claims abstract description 127
- 238000010248 power generation Methods 0.000 claims abstract description 121
- 238000012937 correction Methods 0.000 claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000005286 illumination Methods 0.000 claims description 50
- 230000005855 radiation Effects 0.000 claims description 32
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003012 network analysis Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 7
- 238000012216 screening Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Landscapes
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种基于RPA+AI的光伏补贴自动结算方法与系统，属于新能源技术领域，具体包括：获取待进行结算的结算主体的每日的光伏发电量，并当每日的光伏发电量不存在缺失情况且不存在当日的光伏发电量与前日的光伏发电量的差值的绝对值大于第一阈值的日期，将光伏发电量与前日的光伏发电量的差值的绝对值大于第二阈值的日期作为潜在异常日，并采用基于AI算法的预测模型对潜在异常日的光伏发电量进行校正得到校正结果，并当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算，从而进一步降低了自动结算的错误概率，同时也提升了结算的效率和精确性。
Description
技术领域
本发明属于新能源技术领域，尤其涉及一种基于RPA+AI的光伏补贴自动结算方法与系统。
背景技术
为了实现将光伏的自动结算，在发明专利公告号CN102521078B《一种基于RPA财务机器人的分布式光伏结算的方法》通过根据采用RPA机器人，到业务系统内快速导出待结算数据，并运用copyfile技术进行备份；机器人通过宏对线上线下数据进行核对并筛选出不一致的项目信息，并生成摘要；机器人根据筛选出的项目差异对线上的待结算数据进行修改并生成凭证；机器人记录下凭证修改信息并生成报告。本发明在分布式光伏结算中，如果待处理的数据量较大时，利用机器人来处理数据，不仅降低了人力成本，还提高了数据处理准确性，但是却存在一下技术问题：
1、未考虑对光伏发电数据进行校验，由于天气的不确定性，因此光伏发电数据在不同的日期之间的数据变动量很大，因此仅仅依靠人力核对或者不核对，都会导致误差数据的存在，进而产生结算不够准确等问题的出现。
2、未考虑首先根据光伏发电数据的校验结果进行分类处理，对于光伏发电数据部分缺失或者异常的用户，若进行自动结算，不仅仅使得结算结果失真，结算结果并不具有参考价值，同时也拖慢了系统的运行效率，导致自动结算方法的运算速度过慢。
针对上述技术问题，本发明提供了一种基于RPA+AI的光伏补贴自动结算方法与系统。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于RPA+AI的光伏补贴自动结算方法与系统。
一种基于RPA+AI的光伏补贴自动结算方法，其特征在于，具体包括：
S11获取待进行结算的结算主体的每日的光伏发电量，并判断所述每日的光伏发电量是否存在缺失情况，若是，则输出原始数据有误，无法进行自动结算，若否，则进入S12；
S12基于所述每日的光伏发电量，判断是否存在当日的光伏发电量与前日的光伏发电量的差值的绝对值大于第一阈值的日期，若是，则将其作为异常日，并进入步骤S13，若否，则进入步骤S14；
S13判断异常日的光照辐射量与前日的光照辐射量的差值的绝对值是否小于第一光照阈值，若是，则将所述异常日作为确定异常日，输出原始数据有误，无法进行自动结算，若否，则进入S14；
S14基于所述每日的光伏发电量，将所述光伏发电量与前日的光伏发电量的差值的绝对值大于第二阈值的日期作为潜在异常日，并采用基于AI算法的预测模型对所述潜在异常日的光伏发电量进行校正得到校正结果，并当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算。
通过分别对缺失情况、第一阈值、第一光照阈值的设置，从而实现了从简单到复杂的实现对光伏发电量的异常情况的判定，从而可以实现将异常情况首先排除在外，防止由于光伏发电量的异常导致的结算结果不够准确的技术问题的出现。
通过首先采用第二阈值将潜在异常日的筛选，在此基础上通过采用基于AI算法的预测模型对所述潜在异常日的光伏发电量进行校正得到校正结果，从而不仅使得预测模型需要的处理的数据量进一步的降低，同时也实现了对光伏发电量的进一步的校正，从而进一步保证了最终的结算结果的准确性。
进一步的技术方案在于，所述第一阈值根据每日的光伏发电量、光伏组件的运行年限、光伏组件距离上次检修的运行时间进行确定，具体的每日的光伏发电量越大，光伏组件的运行年限越长，光伏组件距离上次检修的运行时间越长，则所述第一阈值越大。
通过考虑多种因素实现对第一阈值的构建，从而不仅使得第一阈值不仅更加全面，同时也实现了对第一阈值的动态调整，进一步提升了光伏发电量异常情况筛选的可靠性。
进一步的技术方案在于，所述第一阈值根据网络分析法或者人工神经网络算法的方式进行确定。
进一步的技术方案在于，进行确定异常日的判断的具体步骤为：
S21判断异常日的光照辐射量与前日的光照辐射量的差值的绝对值是否小于第一光照阈值，若是，则将所述异常日作为确定异常日，若否，则进入步骤S22；
S22判断是否异常日的光照辐射量与前日的光照辐射量的差值的绝对值小于第二光照阈值且所述异常日的温度与前日的温度的差值的绝对值大于第一温度阈值，若是，则将所述异常日作为确定异常日，若否，则进入步骤S23，其中第二光照阈值大于第一光照阈值；
S23基于所述异常日的温度与前日的温度的差值以及异常日的光照辐射量与前日的光照辐射量的差值，构建光伏发电量修正量，并基于所述光伏发电量修正量与异常日的光伏发电量得到异常日的修正发电量，并基于异常日的修正发电量与前日的光伏发电量的差值的绝对值进行确定异常日的判断。
通过进一步结合温度情况以及光伏发电量修正量的构建，从而实现了从多角度对确定异常日的判断，进一步保证了确定异常日筛选的可靠性，并进一步降低了由于筛选不够全面导致的最终的结算结果不够准确的技术问题的出现。
进一步的技术方案在于，所述修正发电量的计算公式为：
其中t为光伏发电量修正量，K1为常数，取值在0到1之间，P1为异常日的光伏发电量。
进一步的技术方案在于，所述第二阈值小于第一阈值，根据每日的光伏发电量、光伏组件的运行时间、光伏组件、光照辐射量进行确定。
进一步的技术方案在于，进行校正结果构建的具体步骤为：
S31获取潜在异常日的温度、光照辐射量，采用基于GBDT算法的预测模型，实现对所述潜在异常日的天气特征值的构建；
S32获取结算主体的光伏组件的倾斜角度、光伏组件的使用年限、光伏组件距离上次检修的运行时间，采用基于RNN算法的光伏组件预测模型，实现对所述光伏组件的组件特征值的构建；
S33将所述组件特征值、天气特征值、潜在异常日的光伏发电量作为输入量，输入至基于WOA-SVM算法的分类模型中，得到校正结果。
通过天气特征值以及组件特征值的构建，从而使得分类模型需要处理的数据量进一步的压缩，并且也进一步保证了能够实现从多角度对校正结果的构建，保证了最终的校正结果的准确性，并且采用基于WOA算法优化的SVM算法的分类模型，保证了校正结果的效率和准确性。
进一步的技术方案在于，所述校正结果包括不准确、准确、存在可疑三种情况。
进一步的技术方案在于，判断所述校正结果是否满足阈值要求的具体步骤为：
S41判断是否存在校正结果为不准确的潜在异常日，若是，则所述校正结果不能满足阈值要求，无法进行自动结算，若否，则进入步骤S42；
S42判断所述校正结果为存在可疑的潜在异常日的数量是否大于第一数量阈值，若是，则所述校正结果不能满足阈值要求，无法进行自动结算，若否，则进入步骤S43；
S43校正结果满足阈值要求。
通过第一数量阈值以及不准确的潜在异常日的判断，从而不仅仅依靠单一的不准确的潜在异常日，而且通过第一数量阈值的设置，同时也保证了存在可疑的潜在异常日的数量较多时也能够保证校验结果的准确性。
另一方面，本发明实施例提供了一种基于RPA+AI的光伏补贴自动结算系统，采用上述的一种基于RPA+AI的光伏补贴自动结算方法，包括光伏发电量确定模块，异常判定模块，自动结算模块；
其中所述光伏发电量确定模块负责获取待进行结算的结算主体的每日的光伏发电量；
所述异常判定模块负责进行缺失情况、异常日、确定异常日的判断，并根据潜在异常日的光伏发电量进行校正得到校正结果；
所述自动结算模块负责当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种烟草零售监管方法的流程图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于RPA+AI的光伏补贴自动结算方法，其特征在于，具体包括：
S11获取待进行结算的结算主体的每日的光伏发电量，并判断所述每日的光伏发电量是否存在缺失情况，若是，则输出原始数据有误，无法进行自动结算，若否，则进入S12；
需要另外说明的是，缺失情况通过结算系统的数据进行识别，当某天的数据不存在或者为0时，确定存在缺失情况。
需要另外说明的是，当存在缺失情况时还需要对当天的标记情况进行检查，判断是否处于检修或者停止发电等异常状态，若是，则继续进入步骤S12；
S12基于所述每日的光伏发电量，判断是否存在当日的光伏发电量与前日的光伏发电量的差值的绝对值大于第一阈值的日期，若是，则将其作为异常日，并进入步骤S13，若否，则进入步骤S14；
需要另外说明的是，当差值的绝对值较大时，说明存在处于异常状态的可能性，因此必须对两日的天气情况进行进一步的验证。
S13判断异常日的光照辐射量与前日的光照辐射量的差值的绝对值是否小于第一光照阈值，若是，则将所述异常日作为确定异常日，输出原始数据有误，无法进行自动结算，若否，则进入S14；
需要另外说明的是，小于第一光照阈值，说明两日的天气十分类似，但同时差值的绝对值也比较大，因此说明此时的异常日却是存在异常，因此将其设置为确定异常日。
S14基于所述每日的光伏发电量，将所述光伏发电量与前日的光伏发电量的差值的绝对值大于第二阈值的日期作为潜在异常日，并采用基于AI算法的预测模型对所述潜在异常日的光伏发电量进行校正得到校正结果，并当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算。
需要另外说明的是，第二阈值小于第一阈值，但是也反映了光伏发电量的变化比较大，因此可以进一步的对潜在异常日的光伏发电量进行校正，具体的可以采用基于AI算法的预测模型对所述潜在异常日的光伏发电量进行预测得到预测光伏发电量，当两者的区别较大时，则确定校正结果为存在异常，若较小时，则校正结果为正常。
需要另外说明的是，校正结果一般分为正常、非正常两种。
通过分别对缺失情况、第一阈值、第一光照阈值的设置，从而实现了从简单到复杂的实现对光伏发电量的异常情况的判定，从而可以实现将异常情况首先排除在外，防止由于光伏发电量的异常导致的结算结果不够准确的技术问题的出现。
通过首先采用第二阈值将潜在异常日的筛选，在此基础上通过采用基于AI算法的预测模型对所述潜在异常日的光伏发电量进行校正得到校正结果，从而不仅使得预测模型需要的处理的数据量进一步的降低，同时也实现了对光伏发电量的进一步的校正，从而进一步保证了最终的结算结果的准确性。
在另外一种可能的实施例中，所述第一阈值根据每日的光伏发电量、光伏组件的运行年限、光伏组件距离上次检修的运行时间进行确定，具体的每日的光伏发电量越大，光伏组件的运行年限越长，光伏组件距离上次检修的运行时间越长，则所述第一阈值越大。
通过考虑多种因素实现对第一阈值的构建，从而不仅使得第一阈值不仅更加全面，同时也实现了对第一阈值的动态调整，进一步提升了光伏发电量异常情况筛选的可靠性。
在另外一种可能的实施例中，所述第一阈值根据网络分析法或者人工神经网络算法的方式进行确定。
需要另外说明的是，将每日的光伏发电量、光伏组件的运行年限、光伏组件距离上次检修的运行时间作为输入量，实现对第一阈值的动态调整，从而进一步保证了筛选结果的准确性。
在另外一种可能的实施例中，进行确定异常日的判断的具体步骤为：
S21判断异常日的光照辐射量与前日的光照辐射量的差值的绝对值是否小于第一光照阈值，若是，则将所述异常日作为确定异常日，若否，则进入步骤S22；
S22判断是否异常日的光照辐射量与前日的光照辐射量的差值的绝对值小于第二光照阈值且所述异常日的温度与前日的温度的差值的绝对值大于第一温度阈值，若是，则将所述异常日作为确定异常日，若否，则进入步骤S23，其中第二光照阈值大于第一光照阈值；
需要另外说明的是，当温度变化时，也会对光伏组件的电能转化率产生影响，因此此时随着光照辐射量的差值的绝对值较小，但是温度却存在异常，因此也属于确定异常日。
S23基于所述异常日的温度与前日的温度的差值以及异常日的光照辐射量与前日的光照辐射量的差值，构建光伏发电量修正量，并基于所述光伏发电量修正量与异常日的光伏发电量得到异常日的修正发电量，并基于异常日的修正发电量与前日的光伏发电量的差值的绝对值进行确定异常日的判断。
需要另外说明的是，通过光伏发电量修正量的构建，从而避免了由于温度或者光照辐射量均处于较高的水平，但是均为达到阈值，从而导致最终的判断结果失准的技术问题的出现。
需要另外说明的是，当异常日的修正发电量与前日的光伏发电量的差值的绝对值大于一定的阈值之后，则确定存在异常情况，属于确定异常日，若否，则不属于确定异常日。
通过进一步结合温度情况以及光伏发电量修正量的构建，从而实现了从多角度对确定异常日的判断，进一步保证了确定异常日筛选的可靠性，并进一步降低了由于筛选不够全面导致的最终的结算结果不够准确的技术问题的出现。
在另外一种可能的实施例中，所述修正发电量的计算公式为：
其中t为光伏发电量修正量，K1为常数，取值在0到1之间，P1为异常日的光伏发电量。
需要另外说明的是，当所述异常日的温度与前日的温度的差值以及异常日的光照辐射量与前日的光照辐射量的差值导致的异常日的光伏发电量小于前日的光伏发电量，此时光伏发电量修正量小于零，相反，则大于零。
在另外一种可能的实施例中，所述第二阈值小于第一阈值，根据每日的光伏发电量、光伏组件的运行时间、光伏组件、光照辐射量进行确定。
在另外一种可能的实施例中，进行校正结果构建的具体步骤为：
S31获取潜在异常日的温度、光照辐射量，采用基于GBDT算法的预测模型，实现对所述潜在异常日的天气特征值的构建；
S32获取结算主体的光伏组件的倾斜角度、光伏组件的使用年限、光伏组件距离上次检修的运行时间，采用基于RNN算法的光伏组件预测模型，实现对所述光伏组件的组件特征值的构建；
S33将所述组件特征值、天气特征值、潜在异常日的光伏发电量作为输入量，输入至基于WOA-SVM算法的分类模型中，得到校正结果。
需要另外说明的是，所述WOA算法的收敛因子调整策略采用基于类余弦曲线变化的收敛因子调整策略，其具体的计算公式为：
其中amax和amin分别是收敛因子的最大值和最小值；t是迭代次数；tmax是最大迭代次数；a是调整后的非线性收敛因子，rand(0,1)为取值在0到1之间的随机数。
通过天气特征值以及组件特征值的构建，从而使得分类模型需要处理的数据量进一步的压缩，并且也进一步保证了能够实现从多角度对校正结果的构建，保证了最终的校正结果的准确性，并且采用基于WOA算法优化的SVM算法的分类模型，保证了校正结果的效率和准确性。
在另外一种可能的实施例中，所述校正结果包括不准确、准确、存在可疑三种情况。
在另外一种可能的实施例中，判断所述校正结果是否满足阈值要求的具体步骤为：
S41判断是否存在校正结果为不准确的潜在异常日，若是，则所述校正结果不能满足阈值要求，无法进行自动结算，若否，则进入步骤S42；
S42判断所述校正结果为存在可疑的潜在异常日的数量是否大于第一数量阈值，若是，则所述校正结果不能满足阈值要求，无法进行自动结算，若否，则进入步骤S43；
S43校正结果满足阈值要求。
通过第一数量阈值以及不准确的潜在异常日的判断，从而不仅仅依靠单一的不准确的潜在异常日，而且通过第一数量阈值的设置，同时也保证了存在可疑的潜在异常日的数量较多时也能够保证校验结果的准确性。
实施例2
本发明提供了一种基于RPA+AI的光伏补贴自动结算系统，采用上述的一种基于RPA+AI的光伏补贴自动结算方法，包括光伏发电量确定模块，异常判定模块，自动结算模块；
其中所述光伏发电量确定模块负责获取待进行结算的结算主体的每日的光伏发电量；
所述异常判定模块负责进行缺失情况、异常日、确定异常日的判断，并根据潜在异常日的光伏发电量进行校正得到校正结果；
所述自动结算模块负责当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能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介质中。基于这样的理解，本发明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介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (10)
1.一种基于RPA+AI的光伏补贴自动结算方法，其特征在于，具体包括：
S11获取待进行结算的结算主体的每日的光伏发电量，并判断所述每日的光伏发电量是否存在缺失情况，若是，则输出原始数据有误，无法进行自动结算，若否，则进入S12；
S12基于所述每日的光伏发电量，判断是否存在当日的光伏发电量与前日的光伏发电量的差值的绝对值大于第一阈值的日期，若是，则将其作为异常日，并进入步骤S13，若否，则进入步骤S14；
S13判断异常日的光照辐射量与前日的光照辐射量的差值的绝对值是否小于第一光照阈值，若是，则将所述异常日作为确定异常日，输出原始数据有误，无法进行自动结算，若否，则进入S14；
S14基于所述每日的光伏发电量，将所述光伏发电量与前日的光伏发电量的差值的绝对值大于第二阈值的日期作为潜在异常日，并采用基于AI算法的预测模型对所述潜在异常日的光伏发电量进行校正得到校正结果，并当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算。
2.如权利要求1所述的光伏补贴自动结算方法，其特征在于，所述第一阈值根据每日的光伏发电量、光伏组件的运行年限、光伏组件距离上次检修的运行时间进行确定，具体的每日的光伏发电量越大，光伏组件的运行年限越长，光伏组件距离上次检修的运行时间越长，则所述第一阈值越大。
3.如权利要求2所述的光伏补贴自动结算方法，其特征在于，，所述第一阈值根据网络分析法或者人工神经网络算法的方式进行确定。
4.如权利要求1所述的光伏补贴自动结算方法，其特征在于，进行确定异常日的判断的具体步骤为：
S21判断异常日的光照辐射量与前日的光照辐射量的差值的绝对值是否小于第一光照阈值，若是，则将所述异常日作为确定异常日，若否，则进入步骤S22；
S22判断是否异常日的光照辐射量与前日的光照辐射量的差值的绝对值小于第二光照阈值且所述异常日的温度与前日的温度的差值的绝对值大于第一温度阈值，若是，则将所述异常日作为确定异常日，若否，则进入步骤S23，其中第二光照阈值大于第一光照阈值；
S23基于所述异常日的温度与前日的温度的差值以及异常日的光照辐射量与前日的光照辐射量的差值，构建光伏发电量修正量，并基于所述光伏发电量修正量与异常日的光伏发电量得到异常日的修正发电量，并基于异常日的修正发电量与前日的光伏发电量的差值的绝对值进行确定异常日的判断。
5.如权利要求4所述的光伏补贴自动结算方法，其特征在于，所述修正发电量的计算公式为：
其中t为光伏发电量修正量，K1为常数，取值在0到1之间，P1为异常日的光伏发电量。
6.如权利要求1所述的光伏补贴自动结算方法，其特征在于，所述第二阈值小于第一阈值，根据每日的光伏发电量、光伏组件的运行时间、光伏组件、光照辐射量进行确定。
7.如权利要求1所述的光伏补贴自动结算方法，其特征在于，进行校正结果构建的具体步骤为：
S31获取潜在异常日的温度、光照辐射量，采用基于GBDT算法的预测模型，实现对所述潜在异常日的天气特征值的构建；
S32获取结算主体的光伏组件的倾斜角度、光伏组件的使用年限、光伏组件距离上次检修的运行时间，采用基于RNN算法的光伏组件预测模型，实现对所述光伏组件的组件特征值的构建；
S33将所述组件特征值、天气特征值、潜在异常日的光伏发电量作为输入量，输入至基于WOA-SVM算法的分类模型中，得到校正结果。
8.如权利要求1所述的光伏补贴自动结算方法，其特征在于，所述校正结果包括不准确、准确、存在可疑三种情况。
9.如权利要求8所述的光伏补贴自动结算方法，其特征在于，判断所述校正结果是否满足阈值要求的具体步骤为：
S41判断是否存在校正结果为不准确的潜在异常日，若是，则所述校正结果不能满足阈值要求，无法进行自动结算，若否，则进入步骤S42；
S42判断所述校正结果为存在可疑的潜在异常日的数量是否大于第一数量阈值，若是，则所述校正结果不能满足阈值要求，无法进行自动结算，若否，则进入步骤S43；
S43校正结果满足阈值要求。
10.一种基于RPA+AI的光伏补贴自动结算系统，采用权利要求1-9任意一项所述的一种基于RPA+AI的光伏补贴自动结算方法，包括光伏发电量确定模块，异常判定模块，自动结算模块；
其中所述光伏发电量确定模块负责获取待进行结算的结算主体的每日的光伏发电量；
所述异常判定模块负责进行缺失情况、异常日、确定异常日的判断，并根据潜在异常日的光伏发电量进行校正得到校正结果；
所述自动结算模块负责当校正结果满足阈值要求时，采用基于RPA机器人基于结算主体的光伏发电量生成结算结果，并根据结算结果进行自动结算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211513206.5A CN115759454A (zh) | 2022-11-29 | 2022-11-29 | 一种基于rpa+ai的光伏补贴自动结算方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211513206.5A CN115759454A (zh) | 2022-11-29 | 2022-11-29 | 一种基于rpa+ai的光伏补贴自动结算方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759454A true CN115759454A (zh) | 2023-03-07 |
Family
ID=85340475
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211513206.5A Withdrawn CN115759454A (zh) | 2022-11-29 | 2022-11-29 | 一种基于rpa+ai的光伏补贴自动结算方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759454A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078268A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司宁波供电公司 | 一种用于分布式光伏的结算方法以及财务机器人 |
| CN118232317A (zh) * | 2024-03-08 | 2024-06-21 | 国网信息通信产业集团有限公司 | 光伏发电功率的预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-11-29 CN CN202211513206.5A patent/CN115759454A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117078268A (zh) * | 2023-10-16 | 2023-11-17 | 国网浙江省电力有限公司宁波供电公司 | 一种用于分布式光伏的结算方法以及财务机器人 |
| CN118232317A (zh) * | 2024-03-08 | 2024-06-21 | 国网信息通信产业集团有限公司 | 光伏发电功率的预测方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115759454A (zh) | 一种基于rpa+ai的光伏补贴自动结算方法与系统 | |
| US10157105B2 (en) | Method for data protection for cloud-based service system | |
| CN112765560B (zh) | 设备健康状态评估方法、装置、终端设备和存储介质 | |
| CN107633030B (zh) | 基于数据模型的信用评估方法及装置 | |
| CN113723668B (zh) | 基于鲁棒优化的配煤方法、系统、设备及存储介质 | |
| US10289464B1 (en) | Robust event prediction | |
| CN110705598A (zh) | 智能模型管理方法、装置、计算机设备及存储介质 | |
| US20230070276A1 (en) | Prediction method and apparatus, readable medium and electronic device | |
| CN116611797B (zh) | 业务跟踪及监控方法、系统与存储介质 | |
| CN113098715B (zh) | 一种信息处理方法、装置、系统、介质和计算设备 | |
| CN116737597B (zh) | 测试用例处理方法、系统与存储介质 | |
| CN118132577B (zh) | 一种一致性校验方法及装置 | |
| CN117081965B (zh) | 一种内网应用负载在线监测系统 | |
| CN116151999B (zh) | 一种基于rpa的企业自动报税方法与系统 | |
| CN112734099A (zh) | 企业风险的预测方法、装置及服务器 | |
| CN116797226B (zh) | 一种基于大数据的咖啡现货交易的信息安全的评估方法 | |
| US20230376963A1 (en) | Systems and methods for reviewing payments using artificial intelligence | |
| CN110770753A (zh) | 高维数据实时分析的装置和方法 | |
| CN113535449B (zh) | 异常事件修复处理方法、装置、计算机设备及存储介质 | |
| CN115659826A (zh) | 一种服务器故障率检测方法、装置、电子设备及存储介质 | |
| CN115391360A (zh) | 一种数据管理方法、系统及电子设备 | |
| CN114004414A (zh) | 一种耦合Copula与LSTM的工企用能负荷预测方法 | |
| CN112559012A (zh) | 系统升级及测试方法、装置、计算机设备及可读存储介质 | |
| Jesus et al. | Systematic failure detection and correction in environmental monitoring systems | |
| CN108446882B (zh) | 投保单处理方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230307 |
|
| WW01 | Invention patent application withdrawn after publication |