(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111485320.7 (22)申请日 2021.12.07 (65)同一申请的已公布的文献号 申请公布号 CN 113887845 A (43)申请公布日 2022.01.04 (73)专利权人 中国南方电网有限责任公司超高 压输电公司广州局 地址 510700 广东省广州市黄埔区科 学大 道223号2号楼 (72)发明人 杨洋　石延辉　张海凤　袁海　 廖毅　洪乐洲　杨阳　吴梦凡　 吴桐　张朝斌　张博　黄家豪　 李凯协　赖皓　黄锴　廖名洋　 张卓杰　姚言超　夏杰　李金安　 秦金锋　许浩强　王蒙　叶志良　 袁振峰　黄兆　严伟　蔡斌　关就　 廖聪　李莉　赵晓杰　孔玮琦　 王越章　(74)专利代理 机构 华进联合专利商标代理有限 公司 44224 代理人 左帮胜 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 111065915 A,2020.04.24 WO 20190 09664 A1,2019.01.10 WO 2013006804 A1,2013.01.10 CN 113689020 A,2021.1 1.23 Lifeng Chen等.On limiting behavi or of stationary measures for stoc hastic evolution system s with small noise intensity. 《Science C hina(Mathematics)》 .2020,(第08 期), 审查员 罗湘 (54)发明名称 极端事件预测方法、 装置、 设备和存 储介质 (57)摘要 本申请涉及一种极端事件预测方法、 装置、 计算机设备、 存储介质和计算机程序产品。 所述 方法包括： 获取电力系统在第一历史 时段内的历 史电气参数； 获取历史电气参数的吉布斯测度； 将吉布斯测度输入至预先训练的事件预测模型 中， 得到事件预测模型输出的预测信息， 预测信 息用于指示第一历史时段之后的目标未来时刻 电力系统是否会发生极端事件； 其中， 事件预测 模型包括基于XGBoo st算法构造的多个神经网络 层以及用于链接神经网络层的扩展卷积网络。 采 用本方法能够实现对极端 事件的预测。 权利要求书2页 说明书15页 附图6页 CN 113887845 B 2022.04.08 CN 113887845 B 1.一种极端事 件预测方法， 其特 征在于， 所述方法包括： 获取电力系统在第一历史时段内的历史电气参数； 基于吉布斯测度公式， 获取所述历史电气参数的吉布斯测度， 所述吉布斯测度公式的 表达式如下： ， 其中， x表示历史电气参数， t表示历史电气参数的采样时刻， α 表示非线性参数， α ≥ ‑1； β表示散度参数， β≤1； c是相位速度， 可根据电力系统的相位信息计算得到； θ为无量纲参 数， 用以调整吉布斯测度随时间的倾斜度水平； px表示p(x,t)的几何范数的偏微分； α、 β、 θ 可人工设置； 将所述吉布斯测度输入至预先训练 的事件预测模型中， 得到所述事件预测模型输出的 预测信息， 所述预测信息用于指示所述第一历史时段之后的目标未来时刻所述电力系统是 否会发生极端事 件； 其中， 所述事件预测模型包括基于XGBoost算法构造的多个神经网络层以及用于链接 所述神经网络层的扩展卷积网络， 所述多个神经网络层中的第n个神经网络层的输入为将 前n‑1个神经网络层中各个神经网络层的输出结果通过所述扩展 卷积网络进 行卷积运算后 得到的运算结果， 其中， 所述卷积运算的卷积核的尺寸是根据所述前n ‑1个神经网络层中各 个神经网络层的输出 结果的总数量确定的。 2.根据权利要求1所述的方法， 其特征在于， 所述获取电力系统在第 一历史时段内的历 史电气参数， 包括： 获取所述电力系统在所述第一历史时段包括的各个历史采样时刻下的历史电气参数； 对应的， 所述获取 所述历史电气参数的吉布斯测度， 包括： 获取各所述历史采样时刻下的历史电气参数的吉布斯测度。 3.根据权利要求1所述的方法， 其特 征在于， 所述事 件预测模型的训练过程包括： 获取训练样本集； 构造初始事件预测模型， 所述初始事件预测模型包括基于XGBoost算法构造的单个神 经网络层； 针对所述初始事件预测模型执行多次目标训练过程， 并在每次执行目标训练过程之后 得到不同的候选事件预测模型， 直至某次执行目标训练过程得到的候选事件预测模型满足 目标条件为止； 其中， 第i次目标训练过程包括： 获取执行第i ‑1次目标训练过程得到的候选事件预测模型， 并在获取到的候选事件预 测模型中添加新的神经网络层， 得到第i次目标训练过程对应的候选事 件预测模型； 基于所述训练样本集对第i次目标训练过程对应的候选事 件预测模型进行训练。 4.根据权利要求3所述的方法， 其特 征在于， 所述目标 条件， 包括： 所述某次执行目标训练过程得到的候选事件预测模型输出的候选预测信息与所述候 选预测信息对应的实际信息之间的KL距离值小于预设值， 其中， 所述候选预测信息与所述 实际信息具有相同的时间属性。 5.根据权利要求 4所述的方法， 其特 征在于， 所述获取训练样本集， 包括：权　利　要　求　书 1/2 页 2 CN 113887845 B 2获取历史训练样本， 所述历史训练样本包括所述电力系统在第 二历史时段内的历史电 气参数样本； 对历史电气参数样本进行异常值过 滤处理， 得到过 滤后的历史电气参数样本； 获取所述过滤后的历史电气参数样本的吉布斯测度以生成训练样本集。 6.根据权利要求5所述的方法， 其特征在于， 所述对历史电气参数样本进行异常值过滤 处理， 包括： 利用3σ 原则对历史电气参数样本进行异常值过 滤处理。 7.根据权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 获取验证样本集， 并基于softmax函数对所述验证样本集的验证样本数据进行归一化 处理， 得到归一 化的验证样本数据集； 基于所述归一化的验证样本数据集， 采用归一化均 方误差度量方法对所述事件预测模 型进行验证， 判断所述事 件预测模型 是否合格； 若所述事 件预测模型不 合格， 重新执 行所述事件预测模型的训练过程。 8.一种极端事 件预测装置， 其特 征在于， 所述装置包括： 第一获取模块， 获取电力系统在第一历史时段内的历史电气参数； 第二获取模块， 基于吉布斯测度公式， 获取所述历史电气参数的吉布斯测度， 所述吉布 斯测度公式的表达式如下： ， 其中， x表示历史电气参数， t表示历史电气参数的采样时刻， α 表示非线性参数， α ≥ ‑1； β表示散度参数， β≤1； c是相位速度， 可根据电力系统的相位信息计算得到； θ为无量纲参 数， 用以调整吉布斯测度随时间的倾斜度水平； px表示p(x,t)的几何范数的偏微分； α、 β、 θ 可人工设置； 预测模块， 将所述吉布斯测度输入至预先训练的事件预测模型中， 得到所述事件预测 模型输出的预测信息， 所述预测信息用于指示所述第一历史时段之后的目标未来时刻所述 电力系统是否会发生极端事件； 其中， 所述事件 预测模型包括基于XGBoost算法构造的多个 神经网络层以及用于链接所述神经网络层的扩展卷积网络， 所述多个神经网络层中的第n 个神经网络层的输入为将前n ‑1个神经网络层中各个神经网络层的输出结果通过所述扩展 卷积网络进行卷积运算后得到的运算结果， 其中， 所述卷积运算的卷积核的尺寸是根据所 述前n‑1个神经网络层中各个神经网络层的输出 结果的总数量确定的。 9.一种计算机设备， 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7中任一项所述的方法的步骤。 10.一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7中任一项所述的方法的步骤。权　利　要　求　书 2/2 页 3 CN 113887845 B 3