[發明專利]極端事件預測方法、裝置、設備和存儲介質

有效

• 申請號: 202111485320.7
• 申請日: 2021-12-07
• 公開（公告）號: CN113887845B
• 公開（公告）日: 2022-04-08
• 發明（設計）人: 楊洋;石延輝;張海鳳;袁海;廖毅;洪樂洲;楊陽;吳夢凡;吳桐;張朝斌;張博;黃家豪;李凱協;賴皓;黃鍇;廖名洋;張卓杰;姚言超;夏杰;李金安;秦金鋒;許浩強;王蒙;葉志良;袁振峰;黃兆;嚴偉;蔡斌;關就;廖聰;李莉;趙曉杰;孔瑋琦;王越章
• 申請（專利權）人: 中國南方電網有限責任公司超高壓輸電公司廣州局
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 華進聯合專利商標代理有限公司 44224
• 代理人: 左幫勝

1.一種極端事件預測方法，其特征在于，所述方法包括：

獲取電力系統在第一歷史時段內的歷史電氣參數；

基于吉布斯測度公式，獲取所述歷史電氣參數的吉布斯測度，所述吉布斯測度公式的表達式如下：

，

其中，x表示歷史電氣參數，t表示歷史電氣參數的采樣時刻，α表示非線性參數，α≥-1；β表示散度參數，β≤1；c是相位速度，可根據電力系統的相位信息計算得到；θ為無量綱參數，用以調整吉布斯測度隨時間的傾斜度水平；p_x表示p(x,t)的幾何范數的偏微分；α、β、θ可人工設置；

將所述吉布斯測度輸入至預先訓練的事件預測模型中，得到所述事件預測模型輸出的預測信息，所述預測信息用于指示所述第一歷史時段之后的目標未來時刻所述電力系統是否會發生極端事件；

其中，所述事件預測模型包括基于XGBoost算法構造的多個神經網絡層以及用于鏈接所述神經網絡層的擴展卷積網絡，所述多個神經網絡層中的第n個神經網絡層的輸入為將前n-1個神經網絡層中各個神經網絡層的輸出結果通過所述擴展卷積網絡進行卷積運算后得到的運算結果，其中，所述卷積運算的卷積核的尺寸是根據所述前n-1個神經網絡層中各個神經網絡層的輸出結果的總數量確定的。

2.根據權利要求1所述的方法，其特征在于，所述獲取電力系統在第一歷史時段內的歷史電氣參數，包括：

獲取所述電力系統在所述第一歷史時段包括的各個歷史采樣時刻下的歷史電氣參數；

對應的，所述獲取所述歷史電氣參數的吉布斯測度，包括：

獲取各所述歷史采樣時刻下的歷史電氣參數的吉布斯測度。

3.根據權利要求1所述的方法，其特征在于，所述事件預測模型的訓練過程包括：

獲取訓練樣本集；

構造初始事件預測模型，所述初始事件預測模型包括基于XGBoost算法構造的單個神經網絡層；

針對所述初始事件預測模型執行多次目標訓練過程，并在每次執行目標訓練過程之后得到不同的候選事件預測模型，直至某次執行目標訓練過程得到的候選事件預測模型滿足目標條件為止；

其中，第i次目標訓練過程包括：

獲取執行第i-1次目標訓練過程得到的候選事件預測模型，并在獲取到的候選事件預測模型中添加新的神經網絡層，得到第i次目標訓練過程對應的候選事件預測模型；

基于所述訓練樣本集對第i次目標訓練過程對應的候選事件預測模型進行訓練。

4.根據權利要求3所述的方法，其特征在于，所述目標條件，包括：

所述某次執行目標訓練過程得到的候選事件預測模型輸出的候選預測信息與所述候選預測信息對應的實際信息之間的KL距離值小于預設值，其中，所述候選預測信息與所述實際信息具有相同的時間屬性。

5.根據權利要求4所述的方法，其特征在于，所述獲取訓練樣本集，包括：

獲取歷史訓練樣本，所述歷史訓練樣本包括所述電力系統在第二歷史時段內的歷史電氣參數樣本；

對歷史電氣參數樣本進行異常值過濾處理，得到過濾后的歷史電氣參數樣本；

獲取所述過濾后的歷史電氣參數樣本的吉布斯測度以生成訓練樣本集。

6.根據權利要求5所述的方法，其特征在于，所述對歷史電氣參數樣本進行異常值過濾處理，包括：

利用3σ原則對歷史電氣參數樣本進行異常值過濾處理。

7.根據權利要求3所述的方法，其特征在于，所述方法還包括：

獲取驗證樣本集，并基于softmax函數對所述驗證樣本集的驗證樣本數據進行歸一化處理，得到歸一化的驗證樣本數據集；

基于所述歸一化的驗證樣本數據集，采用歸一化均方誤差度量方法對所述事件預測模型進行驗證，判斷所述事件預測模型是否合格；

若所述事件預測模型不合格，重新執行所述事件預測模型的訓練過程。