极端事件预测方法、装置、设备、介质和计算机程序产品与流程

1.本技术涉及电力系统技术领域，特别是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。


背景技术：

2.在电力系统运行过程中，会发生诸如电力系统短路、电力系统中振荡幅度异常等极端事件。上述极端事件一旦发生，就会对电力系统的运行造成影响。
3.因此，亟需一种方法能够对极端事件的发生进行预测。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够预测极端事件发生的极端事件预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
5.第一方面，本技术提供了一种极端事件预测方法。该方法包括：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xgboost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。
6.在其中一个实施例中，该获取电力系统在第一历史时段内的历史电气参数，包括：获取电力系统在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，获取历史电气参数的吉布斯测度，包括：获取各历史采样时刻下的历史电气参数的吉布斯测度。
7.在其中一个实施例中，该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扩展卷积网络进行卷积运算后得到的运算结果，卷积运算的卷积核的尺寸是根据前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。
8.在其中一个实施例中，该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，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。
9.在其中一个实施例中，该目标条件，包括：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，候选预测信息与实际信息具有相同的时间属性。
10.在其中一个实施例中，该获取训练样本集，包括：获取历史训练样本，历史训练样本包括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。
11.在其中一个实施例中，该方法还包括：获取验证样本集，并基于softmax函数对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事件预测模型进行验证，判断事件预测模型是否合格；若事件预测模型不合格，重新执行事件预测模型的训练过程。
12.第二方面，本技术还提供了一种极端事件预测装置。该装置包括：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，获取所述历史电气参数的吉布斯测度；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。
13.第三方面，本技术还提供了一种计算机设备。所述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，所述处理器执行所述计算机程序时实现如上述第一方面任一所述的极端事件预测方法。
14.第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面任一所述的极端事件预测方法。
15.第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上述第一方面任一所述的极端事件预测方法。
16.上述极端事件预测方法、装置、计算机设备、存储介质和计算机程序产品，获取电力系统在第一历史时段内的历史电气参数以及历史电气参数的吉布斯测度，并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，通过引入吉布斯测度表示电力系统的运行状态以及借助事件预测模型，实现了电力系统中极端事件的预测。同时由于该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
神经网络层的扩展卷积网络，采用xgboost算法来构造神经网络层，决策树作为基学习器，以监督学习模式引入损失函数作为正则项便于控制事件预测模型的准确度，而且，采用扩展卷积前馈链接，构成密集连接的网络模型能够很好地捕捉到出现在电力系统中的极端事件，进一步提高了事件预测模型的准确度。
附图说明
17.图1为一个实施例中极端事件预测方法的流程示意图；图2为一个实施例中步骤101和步骤102的流程示意图；图3为一个实施例中事件预测模型的结构示意图；图4为一个实施例中事件预测模型训练过程的流程示意图；图5为一个实施例中步骤301的流程示意图；图6为另一个实施例中极端事件预测方法的流程示意图；图7为又一个实施例中极端事件预测方法的流程示意图；图8为一个实施例中一个实验验证图；图9为一个实施例中另一个实验验证图；图10为一个实施例中极端事件预测装置的结构框图；图11为一个实施例中计算机设备的内部结构图。
具体实施方式
18.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
19.在电力系统运行过程中，会发生诸如电力系统短路、在电力系统运行过程中，会发生诸如电力系统短路、电力系统中振荡幅度异常等极端事件。极端事件会影响电力系统的稳定运行，造成大量损失，对极端事件的预测显得尤为重要。
20.因此，亟需一种方法能够对极端事件的发生进行预测，以便提前做出预防措施。
21.有鉴于此，本技术实施例提供了一种极端事件预测方法，能够实现电力系统中极端事件的预测。
22.需要说明的是，本技术实施例提供的极端事件预测方法，其执行主体可以是极端事件预测装置，该极端事件预测装置可以通过软件、硬件或者软硬件结合的方式实现成为终端的部分或者全部。
23.下述方法实施例中，均以执行主体是终端为例来进行说明，其中，终端可以是个人计算机、笔记本电脑、媒体播放器、智能电视、智能手机、平板电脑和便携式可穿戴设备等，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。
24.请参考图1，其示出了本技术实施例提供的一种极端事件预测方法的流程图。如图1所示，该极端事件预测方法可以包括以下步骤：步骤101，获取电力系统在第一历史时段内的历史电气参数。
25.其中，该第一历史时间段为在时序上以当前时刻为结束时刻的时段。该历史电气
参数至少包括电力系统中各节点的电压、电流、相位、平衡点信息以及负荷中的一种。
26.可选的，确定待预测的极端事件类型，确定极端事件的所需的历史电气参数，借助采集装置采集对应的历史电气参数，其中，若极端事件类型为电力系统的运行轨迹异常，则对应采集的历史电气参数可以为电压，若极端事件类型为电力系统负荷的极端情况，则对应采集的历史电气参数可以为负荷信息。
27.步骤102，获取历史电气参数的吉布斯测度。
28.可选的，利用以下吉布斯测度公式，计算历史电气参数的吉布斯测度，公式的表达式如下：，其中，x表示历史电气参数，t表示时间，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；p
x
表示p(x,t)的对几何范数；α、β、θ可人工设置。
29.借助吉布斯测度将历史电气参数对应的电气系统状态以概率统计的形式进行表示。根据吉布斯测度，表征对应时刻发生极端事件的概率情况。可选的，针对不同的场景，相同的历史电气参数可能对应的极端程度等级不同，可结合使用场景，通过改变θ值，来调整对应的极端事件的极端程度等级。
30.步骤103，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。
31.其中，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。该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神经网络层的扩展卷积网络。
32.可选的，通过将预测信息与预设阈值比较，根据比较结果，来判断该电力系统是否会发生极端事件。
33.可选的，xgboost算法作为有监督的集成学习算法，可理解为多棵决策树的求和模型，其公式为：，其中，表示xgboost算法的输出结果；m表示决策分支总数；f
n
表示该决策分支的独立函数，f则表示决策分支函数总空间，输入参数的数量以及特征决定其决策树的搭建形式：，其中，q(x)表示将输入参数x分配至叶节点，ω为叶节点权重。
34.上述极端事件预测方法中，获取电力系统在第一历史时段内的历史电气参数以及历史电气参数的吉布斯测度，并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，通过引入吉布斯测度表示电力系统的运行状态以及借助事件预测模型，实现了电力系统中极端事件的预测。同时由于该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神经网络层的扩展卷积网络，采用xgboost算法
来构造神经网络层，决策树作为基学习器，以监督学习模式引入损失函数作为正则项便于控制事件预测模型的准确度，而且，采用扩展卷积前馈链接，构成密集连接的网络模型能够很好地捕捉到出现在电力系统中的极端事件，进一步提高了事件预测模型的准确度。
35.在本技术实施例中，基于图1所示的实施例，参见图2，本实施例涉及的是步骤101和步骤102的实现过程，该实现过程包括步骤201和步骤202：步骤201，获取电力系统在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。
36.可选的，利用采集装置按照预设的采样周期采集第一历史时段的历史电力参数，得到各个历史采样时刻下的历史电气参数。
37.步骤202，获取各历史采样时刻下的历史电气参数的吉布斯测度。
38.可选的，针对各历史采样时刻，采用步骤102中的吉布斯测度公式计算各历史采样时刻对应的吉布斯测度。
39.本实施例中，通过获取电力系统在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以及各历史采样时刻下的历史电气参数的吉布斯测度以用于极端事件的预测，由于输入至事件预测模型的数据是历史时间段内多个时刻点的吉布斯测度，关联了上下文信息，进一步提高了事件预测模型预测结果的准确性。
40.在本技术实施例中，基于图1所示的实施例，该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扩展卷积网络进行卷积运算后得到的运算结果。
41.其中，卷积运算的卷积核的尺寸是根据前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。
42.不同层的卷积核通过在原始卷积核d2的值之间添加零点而被不同地扩展。扩展卷积能够很好的学习电力系统轨迹运行的多尺度结构。可以根据历史时间段内的包括的历史电气参数的数量调节卷积核的尺度信息，将不同的空间和时间尺度被适应性地包括在不同的卷积长度尺度中。
43.如图3所示，该事件预测模型中，在利用扩展卷积网络链接各神经网络层时，将前面所有神经网络层的所有输出被堆在一起作为下一层的输入通道。与不同层中使用的多尺度卷积核一起，下一层中的输出组合不同尺度的信息，并在下一步中产生平衡的更新。采用padding方法进行边界填充，即在空间维度上应用周期性边界条件，对于第一历史时段为[t
0,
t
n
‑1]，在t0之前和t
n
‑1之后及时添加复制边界用于边界填充，以避免边界信息的学习不充分。
[0044]
本实施例中，该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扩展卷积网络进行卷积运算后得到的运算结果，提高了事件预测模型的可靠性。
[0045]
在本技术实施例中，基于图1或图2所示的实施例，如图4所示，该实施例涉及的是事件预测模型的训练过程，该训练过程包括以下步骤：步骤301，获取训练样本集。
[0046]
其中，训练样本集包括第一历史时间段之前的历史电气参数的吉布斯测度样本数据。
[0047]
步骤302，构造初始事件预测模型。
[0048]
其中，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。
[0049]
步骤303，针对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。
[0050]
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。
[0051]
可选的，利用基于xgboost算法构造单个神经网络层，将训练样本集中的各历史样本时刻点t对应的吉布斯测度样本数据输入至单个神经网络层进行训练，不断调整神经网络层中权重值，直至该单个神经网络层的输出的第t t（其中，t为正整数）时刻点的预测信息与该第t t时刻点对应的训练样本集中实际信息之间的差值小于设定的误差值e，则该单个神经网络层训练完成。然后针对训练完成的神经网络层生成的候选事件预测模型是否满足目标条件，若不满足，则添加新的神经网络层，并采用扩张卷积的方式与之前的神经网络层链接起来，得到新的网络结构模型。
[0052]
将训练样本集中的各历史样本时刻点t对应的吉布斯测度样本数据输入至单个神经网络层进行训练，不断调整神经网络层中权重值，直至该各个神经网络层的输出的第t t时刻点的预测信息与该第t t时刻点对应的训练样本集中实际信息之间的差值小于设定的误差值e，则该单个神经网络层训练完成，其中各神经网络层对应的误差值e可以不同。然后针对针对训练完成的新的网络结构生成的候选事件预测模型是否满足目标条件，若不满足，则添加新的神经网络层，并采用扩张卷积的方式与之前的神经网络层链接起来，得到新的网络结构模型，直至满足目标条件。
[0053]
可选的，该目标条件，包括：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，该候选预测信息与实际信息具有相同的时间属性。
[0054]
其中，该kl距离值的计算公式如下：，其中，kl(y
predict
,y
real
)表示候选预测信息与候选预测信息对应的实际信息之间的距离值，表示候选预测信息的概率分布，表示实际信息的概率分布，jn表示训练样本集的数量。
[0055]
本实施例中，基于训练样本集实现了事件预测模型的训练，通过不断添加神经网络层然后再训练，提高了事件预测模型的准确性，同时基于kl距离进行修改，对极端事件具有有效的修正力度，同时配合扩展卷积网络可以对数据集整体进行有效把控。
[0056]
在本技术实施例中，基于图4的实施例，如图5所示，该实施例涉及的是步骤301中获取训练样本集，包括以下步骤：
步骤401，获取历史训练样本；其中，历史训练样本包括电力系统在第二历史时段内的历史电气参数样本。该历史电气参数样本至少包括电压、电流、相位、平衡点以及负荷信息中的一种或多种。
[0057]
可选的，该第二历史时段第一历史时间段之前的多个时间段，该多个时间段的长度可以相同，也可以不同。该第二历史时刻包括多个采样时刻，则历史训练样本包括电力系统在第二历史时段内各采样时刻的历史电气参数样本。
[0058]
步骤402，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。
[0059]
可选地，利用3σ原则对历史电气参数样本进行异常值过滤处理。具体方法方法如下：针对历史电气参数样本中的各类型数据，进行统计，获取该类型数据的最大值和最小值。根据最大值和最小值获取第一个四分位数n1和第三个四分位数n3，其中，该第一个四分位数n1=最小值 25%（最大值
‑
最小值），该第三个四分位数n3=最小值 75%（最大值
‑
最小值）。将未落入[n1‑
q(n3‑
n1),n3 q(n3‑
n1)]区间的数据作为异常值过滤，其中q的值可人工调节，例如，可将q设置为3。
[0060]
若检测某个采样时刻对应的历史电气参数样本存在异常值，则将历史训练样本中该时刻对应所有的数据过滤掉。
[0061]
步骤403，获取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。
[0062]
可选的，将过滤后的历史电气参数样本的吉布斯测度按照一定比例进行划分得到训练样本集以及验证样本集，例如，该比例可设置为8:2。
[0063]
本实施例中，通过获取历史训练样本并对历史电气参数样本进行异常值过滤处理以生成用于训练事件预测模型历史电气参数样本，避免了异常值对事件预测模型的干扰，提高模型的准确性。
[0064]
在本技术实施例中，基于图4的实施例，如图6所示，该实施例提供的一种极端事件预测方法，还包括以下步骤：步骤501，获取验证样本集，并基于softmax函数对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。
[0065]
其中，验证样本集包括第一历史时间段之前的历史电气参数的吉布斯测度样本数据。
[0066]
具体的，该softmax函数的表达式如下：，其中，f(y
j
)表示将吉布斯测度样本数据y
j
归一化得到的归一化验证样本数据，θ
j
表示吉布斯测度值y
j
对应的权重值。
[0067]
步骤502，基于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事件预测模型进行验证，判断事件预测模型是否合格。
[0068]
可选的，利用归一化均方误差公式计算归一化均方误差度量结果，当该归一化均方误差度量结果未落入预设区间范围时，则说明该事件预测模型不合格。其中，该归一化均
方误差公式表示如下：，其中，err表示归一化均方误差度量结果，表示将验证数据集输入至事件预测模型后输出的第i个预测信息，表示第i个预测信息对应的实际信息，其中预测信息与实际信息对应的时刻点相同。
[0069]
步骤503，若事件预测模型不合格，重新执行事件预测模型的训练过程。
[0070]
本实施例中，通过获取验证样本集，并基于softmax函数对验证样本集的验证样本数据进行归一化处理以得到归一化的验证样本数据集，并基于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事件预测模型进行验证，判断事件预测模型是否合格，实现了对事件预测模型的评价，进一步提高了事件预测模型的准确性。
[0071]
在本技术实施例中，如图7所示，该实施例提供的一种极端事件预测方法，包括以下步骤：步骤601，获取历史训练样本。
[0072]
其中，历史训练样本包括电力系统在第二历史时段内的历史电气参数样本。
[0073]
步骤602，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。
[0074]
步骤603，获取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。
[0075]
步骤604，构造初始事件预测模型，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。
[0076]
步骤605，针对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。
[0077]
其中，该目标条件，包括：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，候选预测信息与实际信息具有相同的时间属性；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。
[0078]
步骤606，获取验证样本集，并基于softmax函数对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。
[0079]
步骤607，基于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事件预测模型进行验证，判断事件预测模型是否合格；步骤608，若事件预测模型不合格，重新执行事件预测模型的训练过程，直至最终构建的事件预测模型合格。
[0080]
步骤609，获取电力系统在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。
[0081]
步骤610，获取各历史采样时刻下的历史电气参数的吉布斯测度。
[0082]
步骤611，将吉布斯测度输入至预先训练的合格的事件预测模型中，得到事件预测模型输出的预测信息。
[0083]
其中，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；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神经网络层的扩展卷积网络，该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扩展卷积网络进行卷积运算后得到的运算结果，卷积运算的卷积核的尺寸是根据前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。
[0084]
通过引入吉布斯测度表示电力系统的运行状态以及借助事件预测模型，实现了电力系统中极端事件的预测。同时由于该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神经网络层的扩展卷积网络，采用xgboost算法来构造神经网络层，决策树作为基学习器，以监督学习模式引入损失函数作为正则项便于控制事件预测模型的准确度，而且，采用扩展卷积前馈链接，构成密集连接的网络模型能够很好地捕捉到出现在电力系统中的极端事件，进一步提高了事件预测模型的准确度。此外，基于kl距离进行修改，对极端事件具有有效的修正力度，同时配合扩展卷积网络可以对数据集整体进行有效把控，并采用归一化均方误差度量方法对事件预测模型进行验证，判断事件预测模型是否合格，实现了对事件预测模型的评价，进一步提高了事件预测模型的准确性。
[0085]
以下为本技术实施例涉及到极端事件预测方法的验证结果：首先使用两种损失函数loss1、loss2来训练性能。其中损失函数loss1通过测算预测值与实际值间的几何范数来构成，计算公式如下：，其中，jn表示训练样本集的数量，y
predict
表示候选预测信息，即预测值，y
real
表示实际信息即实际值。
[0086]
损失函数loss2是通过均方范数来测量输出候选预测信息y
predict
与实际信息y
real
中每个元素之间的均方误差，计算公式如下，。
[0087]
图8中的（a）示出了采用损失函数loss1、损失函数loss2作为模型训练的目标条件时训练损失函数和平均相对平方误差的演变。如图中所示，根据loss1、loss2距离下的损失函数，训练似乎是有效的，并且误差在最初的几个步骤中迅速下降到较小的值。然而，两种情况都会在1附近出现高误差水平。在这两种度量下，该模型在遭遇极端事件时失去了拟合作用。
[0088]
相反，通过kl距离函数来作为目标条件，如图8中的（b）所示，实现了显著的改进。在训练迭代的最后步骤中，相对损失函数和相对误差都下降到非常小的值（由于使用对数坐标，所以小值是重点），这意味着网络在预测时间范围内产生精确预测的高技能。
[0089]
此外，图8中的（b）还比较了在kl距离函数下不同层数的网络模型的训练效果。更深层次的网络显然可以以更大的计算需求为代价，进一步提高预测技巧，将最终优化误差推向更低的值。从比较中，它显示了中等数量的层(例如l=80)足以以相对低的成本产生精确的结果。通过将网络推向更深的层，l=120，误差的改善变得很小，但需要额外的计算成本。
[0090]
对于不同的验证方法对该事件预测模型进行验证。表1列出了状态u的样本之间的相对平方误差的均值和方差以及指数函数exp(u)下的误差。该事件预测模型在具有不同验证制度中，对于极端事件的预测的准确性都有很高的准确性。
[0091]
表1 不同验证方法下事件预测模型的误差在图9中，训练的事件预测模型在所有测试样本中表现出一致的技能。通过使用指数函数查看缩放数据中的误差，误差幅度甚至变得更小。
[0092]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0093]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的极端事件预测方法的极端事件预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个极端事件预测装置实施例中的具体限定可以参见上文中对于极端事件预测方法的限定，在此不再赘述。
[0094]
在一个实施例中，如图10所示，提供了一种极端事件预测装置，包括：第一获取模块、第二获取模块和预测模块，其中：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，获取所述历史电气参数的吉布斯测度；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。
[0095]
在一个实施例中，该第一获取模块，具体用于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；该第二获取模块，具体用于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。
[0096]
在其中一个实施例中，该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扩展卷积网络进行卷积运算后得到的运算结果，其中，卷积运算的卷积核的尺寸是根据前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。
[0097]
在其中一个实施例中，该装置还包括训练模块，该训练模块用于：获取训练样本集；构造初始事件预测模型，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。
[0098]
在其中一个实施例中，该目标条件，包括：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，该候选预测信息与实际信息具有相同的时间属性。
[0099]
在其中一个实施例中，该训练模块还具体用于：获取历史训练样本，历史训练样本包括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。
[0100]
在其中一个实施例中，该装置还用于：获取验证样本集，并基于softmax函数对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事件预测模型进行验证，判断事件预测模型是否合格；若事件预测模型不合格，重新执行事件预测模型的训练过程。
[0101]
上述极端事件预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0102]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的
存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、移动蜂窝网络、nfc（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种极端事件预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0103]
本领域技术人员可以理解，图11中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0104]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：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xgboost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。
[0105]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取电力系统在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；获取各历史采样时刻下的历史电气参数的吉布斯测度。
[0106]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：该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扩展卷积网络进行卷积运算后得到的运算结果，卷积运算的卷积核的尺寸是根据前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。
[0107]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取训练样本集；构造初始事件预测模型，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。
[0108]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将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候选预测信息对应的实际信息之间的kl距离值与预设值作比较，若kl距离值与预设值，则满足目标条件，其中，候选预测信息与实际信息具有相同的时间属性。
[0109]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史训练样本，历史训练样本包括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。
[0110]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取验证样本集，并基于softmax函数对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事件预测模型进行验证，判断事件预测模型是否合格；若事件预测模型不合格，重新执行事件预测模型的训练过程。
[0111]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：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xgboost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。
[0112]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取电力系统在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；获取各历史采样时刻下的历史电气参数的吉布斯测度。
[0113]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该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扩展卷积网络进行卷积运算后得到的运算结果，卷积运算的卷积核的尺寸是根据前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。
[0114]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练样本集；构造初始事件预测模型，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。
[0115]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将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候选预测信息对应的实际信息之间的kl距离值与预设值作比较，若kl距离值与预设值，则满足目标条件，其中，候选预测信息与实际信息具有相同的时间属性。
[0116]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取历史训练样本，历史训练样本包括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。
[0117]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取验证样本集，并基于softmax函数对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事件预测模型进行验证，判断事件预测模型是否合格；若事件预测模型不合格，重新执行事件预测模型的训练过程。
[0118]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：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xgboost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。
[0119]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取电力系统在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；获取各历史采样时刻下的历史电气参数的吉布斯测度。
[0120]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：该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扩展卷积网络进行卷积运算后得到的运算结果，卷积运算的卷积核的尺寸是根据前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。
[0121]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取训练样本集；构造初始事件预测模型，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。
[0122]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将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候选预测信息对应的实际信息之间的kl距离值与预设值作比较，若kl距离值与预设值，则满足目标条件，其中，候选预测信息与实际信息具有相同的时间属性。
[0123]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史训练样本，历史训练样本包括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。
[0124]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取验证样本集，并基于softmax函数对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事件预测模型进行验证，判断事件预测模型是否合格；若事件预测模型不合格，重新执行事件预测模型的训练过程。
[0125]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read
‑
only memory，rom）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（reram）、磁变存储器（magnetoresistive random access memory，mram）、铁电存储器（ferroelectric random access memory，fram）、相变存储器（phase change memory，pcm）、石墨烯存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器（static random access memory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0126]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0127]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。