一種光纖線路狀態(tài)預(yù)警系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

何建強(qiáng)，劉 皎

（商洛學(xué)院 電子信息與電氣工程學(xué)院，商洛726000）

在電力系統(tǒng)中，光纖通信系統(tǒng)的可靠性與電力系統(tǒng)能否安全穩(wěn)定運(yùn)行密切相關(guān)。如果光纖線路發(fā)生故障，將導(dǎo)致巨大的經(jīng)濟(jì)損失[1]。光纖線路狀態(tài)預(yù)測(cè)作為智能電網(wǎng)的重要組成部分，接受來(lái)自各種監(jiān)測(cè)與診斷系統(tǒng)或現(xiàn)場(chǎng)運(yùn)行人員的狀態(tài)報(bào)告，預(yù)測(cè)光纖線路未來(lái)的發(fā)展趨勢(shì)，并根據(jù)預(yù)測(cè)結(jié)果確定是否調(diào)整線路的運(yùn)行方式，或確定設(shè)備的維修時(shí)間、維修類型及維修范圍，對(duì)于線路的維修決策具有重大的意義。隨著電力系統(tǒng)向智能化方向發(fā)展，運(yùn)營(yíng)商需要及時(shí)了解光纖線路的運(yùn)行狀態(tài)，從而為調(diào)整運(yùn)行方式和提高光纖線路可用率做好決策，實(shí)現(xiàn)線路的智能化管理。因此，對(duì)光纖線路預(yù)測(cè)預(yù)警技術(shù)的研究顯得尤為重要。本文根據(jù)光功率在時(shí)間序列上的數(shù)學(xué)特征，提出了一種基于小波變換的自回歸滑動(dòng)平均模型ARMA+RBF 組合預(yù)測(cè)模型[2]。對(duì)光功率時(shí)間序列中的高頻隨機(jī)因子和低頻趨勢(shì)因子采用小波變換方法進(jìn)行分析，并構(gòu)建了光功率時(shí)間序列的ARMA+RBF 組合預(yù)測(cè)模[3]。對(duì)光功率進(jìn)行趨勢(shì)分析并進(jìn)行預(yù)測(cè)，并基于光纖檢測(cè)平臺(tái)進(jìn)行了系統(tǒng)的軟件和硬件設(shè)計(jì)，實(shí)現(xiàn)了光纖線路狀態(tài)預(yù)警系統(tǒng)。

1 光纖線路狀態(tài)預(yù)警系統(tǒng)的組成結(jié)構(gòu)

本系統(tǒng)分為兩個(gè)部分： 前端光功率監(jiān)測(cè)模塊（硬件系統(tǒng)）和后端光纖線路監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)模塊（軟件系統(tǒng)），二者聯(lián)合起來(lái)組成整個(gè)系統(tǒng)，整個(gè)系統(tǒng)結(jié)構(gòu)如圖1 所示。

圖1 光纖線路狀態(tài)預(yù)警系統(tǒng)組成結(jié)構(gòu)Fig.1 Composition of fiber optic line state early warning system

2 硬件監(jiān)測(cè)系統(tǒng)設(shè)計(jì)

光功率監(jiān)測(cè)模塊內(nèi)置于光纖通信室，主要完成光纖線路實(shí)時(shí)數(shù)據(jù)的采集。它由兩個(gè)單元組成：OSU（光交換單元）和AIU（光功率采集單元）。AIU 單元負(fù)責(zé)監(jiān)控光路的在線功率，OSU 單元由光學(xué)輔模塊和光路主交換交換模塊組成，主要負(fù)責(zé)系統(tǒng)的光路切換[4]。系統(tǒng)監(jiān)測(cè)模塊的硬件組成如圖2 所示。

圖2 系統(tǒng)監(jiān)測(cè)模塊Fig.2 System monitoring module

本系統(tǒng)為了不影響工作光纖的數(shù)據(jù)傳輸，僅提取3%的光用于光功率值監(jiān)測(cè)，RS232-USB 串行電纜用于將硬件監(jiān)控模塊連接到PC 主機(jī)。將采集到的實(shí)時(shí)數(shù)據(jù)傳送至上位機(jī)，通過預(yù)警系統(tǒng)軟件進(jìn)行數(shù)據(jù)分析。圖3 顯示了監(jiān)控模塊內(nèi)部模塊的連接圖。

圖3 監(jiān)測(cè)模塊內(nèi)部連接實(shí)物圖Fig.3 Physical diagram of internal connection of monitoring module

3 ARMA+RBF 組合預(yù)測(cè)模型

光功率是具有非線性，復(fù)雜性隨時(shí)間變化的時(shí)間序列數(shù)據(jù)[2，4]，其變化直接影響光纖通信系統(tǒng)的可靠性。為了獲得光功率數(shù)據(jù)的變化序列項(xiàng)，首先采用二進(jìn)制小波變換對(duì)原始序列進(jìn)行分解，得到原始序列中的高頻信息和低頻信息。其中低頻信息對(duì)應(yīng)于光功率時(shí)間序列的趨勢(shì)項(xiàng)；高頻信息對(duì)應(yīng)于光功率時(shí)間序列的隨機(jī)項(xiàng)[2-3]。在小波分解和預(yù)處理數(shù)據(jù)的重構(gòu)后，采用ARMA+RBF 組合模型進(jìn)行預(yù)測(cè)，獲得最終預(yù)測(cè)結(jié)果。整個(gè)流程如圖4 所示。

圖4 ARMA-RBF 組合預(yù)測(cè)框圖Fig.4 ARMA-RBF combination prediction block diagram

3.1 基于小波變換的數(shù)據(jù)預(yù)處理

小波預(yù)處理的具體算法步驟如下：

步驟1使用二抽取進(jìn)行信號(hào)分解。z 表示原始數(shù)據(jù)信號(hào)，分解算法如式（1）所示，最終z 分解為X1，X2，…，XJ和YJ。

步驟2為了避免數(shù)據(jù)的減少而降低預(yù)測(cè)結(jié)果的精度，采用二插值重構(gòu)算法對(duì)其進(jìn)行重構(gòu)，得到與原始數(shù)據(jù)信號(hào)長(zhǎng)度一致的分解信號(hào)。算法如式（2）所示，X1，X2，…，XJ和YJ分別進(jìn)行重構(gòu)，得到x1，x2，…，xJ和yJ。

3.2 構(gòu)建時(shí)間序列神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)模型

對(duì)小波分解和重構(gòu)后的數(shù)據(jù)序列｛xt｝和｛yt｝分別建模，高頻部分｛xt｝的時(shí)間序列建模步驟如下：

步驟1判斷數(shù)據(jù)平穩(wěn)性：采用游程檢驗(yàn)法，判斷序列平穩(wěn)性。

步驟2平穩(wěn)化處理： 為獲得平穩(wěn)時(shí)間序列，對(duì)｛xt｝進(jìn)行d 階差分處理。

步驟3模型識(shí)別：通過觀察樣本的自相關(guān)和部分自相關(guān)函數(shù)的截?cái)鄟?lái)判斷數(shù)據(jù)序列的模型類型[4-5]。若兩序列不具有截尾性，則適合ARMA 模型。將計(jì)算得到的平穩(wěn)光功率時(shí)間序列｛xt′｝應(yīng)用于ARMA模型進(jìn)行描述。

步驟4模型定階：使用信息定階（AIC）準(zhǔn)則來(lái)確定ARMA 模型中的p，q 值。

步驟5參數(shù)估計(jì)：使用矩估計(jì)法對(duì)aj，bk進(jìn)行處理，得到ARMA 模型。

低頻部分｛yt｝的RBF網(wǎng)絡(luò)模型[4，7]的建模步驟如下：

步驟1根據(jù)輸入向量，采用高斯核函數(shù)來(lái)確定隱層每個(gè)單元的中心值和寬度參數(shù)。高斯核函數(shù)表達(dá)式為

‖y-ci‖為歐幾里德距離，通過計(jì)算歐氏范數(shù)來(lái)描述y 和ci之間的距離，找出最接近輸入樣本中心cmin。設(shè)計(jì)調(diào)整函數(shù)來(lái)學(xué)習(xí)并計(jì)算歐氏范數(shù)，調(diào)整函數(shù)為

對(duì)于t 組中的第j 組輸入向量，調(diào)整學(xué)習(xí)訓(xùn)練頻率a 來(lái)逼近歐氏范數(shù)最小值。為了能夠自適應(yīng)的選取中心以及隱層單元個(gè)數(shù)，在尋找樣本中心的過程中引入對(duì)數(shù)型訓(xùn)練因子來(lái)調(diào)整網(wǎng)絡(luò)訓(xùn)練頻率，訓(xùn)練因子為

每次訓(xùn)練處函數(shù)最小中心值為

步驟2根據(jù)確定的中心和寬度，利用線性變換求出輸出層權(quán)值wis，本文選取最小均方法來(lái)學(xué)習(xí)輸出層權(quán)值。

步驟3對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到RBF 預(yù)測(cè)模型建，如下所示：

最后進(jìn)行低頻ARMA 模型和高頻RBF 模型的組合，得到ARMA-RBF 組合預(yù)測(cè)模型：

3.3 仿真分析

本文選擇吉林市某供電公司機(jī)關(guān)一變（2017 年9 月1 日～2018 年5 月8 日） 每日平均光功率值作為實(shí)驗(yàn)數(shù)據(jù)，提取250 個(gè)樣本進(jìn)行建模，選取前200個(gè)樣本作為測(cè)試，對(duì)未來(lái)50 d 的光功率值進(jìn)行預(yù)測(cè)并進(jìn)行比較。

由小波分解的高頻和低頻部分分別由ARMA和RBF 建模。高頻部分是固定時(shí)間序列，因此模型使用AIC 最小信息標(biāo)準(zhǔn)直接固定，并且采用時(shí)最小AIC 值為-7.2114。確定模型為ARMA（11，8）。低頻部分使用RBF 神經(jīng)網(wǎng)絡(luò)，達(dá)到最佳效果時(shí)的神經(jīng)元數(shù)量為12。將高頻和低頻部分進(jìn)行合成即可獲得最終預(yù)測(cè)結(jié)果，如圖5 所示。

圖5 ARMA+RBF 組合預(yù)測(cè)模型輸出預(yù)測(cè)曲線Fig.5 Output prediction curve of ARMA+RBF combination prediction model

從圖中可以看出，對(duì)于原始的光功率時(shí)間序列，預(yù)測(cè)曲線能夠很好地模擬出光纖狀態(tài)趨勢(shì)，并且在波動(dòng)比較大時(shí)，對(duì)于光功率細(xì)節(jié)信息也能有較好的把握。使用均方根誤差（RMSE）作為評(píng)價(jià)指標(biāo)，該模型預(yù)測(cè)結(jié)果的RMSE 值僅為0.0857。

4 軟件系統(tǒng)平臺(tái)設(shè)計(jì)

4.1 軟件設(shè)計(jì)流程

根據(jù)系統(tǒng)業(yè)務(wù)流程進(jìn)行軟件概要設(shè)計(jì)，光纖線路狀態(tài)在線監(jiān)測(cè)專家預(yù)警系統(tǒng)軟件平臺(tái)包括設(shè)備控制模塊、在線監(jiān)測(cè)模塊、數(shù)據(jù)預(yù)處理模塊、預(yù)測(cè)建模模塊和狀態(tài)預(yù)警模塊[5]。軟件功能結(jié)構(gòu)如圖6 所示。

圖6 軟件功能結(jié)構(gòu)圖Fig.6 Software functional structure diagram

為了提高該系統(tǒng)數(shù)據(jù)監(jiān)測(cè)與光功率預(yù)測(cè)的準(zhǔn)確性，利用COM 組件實(shí)現(xiàn)Matlab 與C#的混合編程，使用Matlab 引擎技術(shù)調(diào)用神經(jīng)網(wǎng)絡(luò)工具箱[6]。C#.NET 下利用Matlab 引擎技術(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)過程如圖7 所示。

圖7 C#.NET 引擎技術(shù)實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)工具箱過程Fig.7 C#.NET engine technology implementing neural network toolbox process

4.2 軟件界面

光纖監(jiān)測(cè)的模式分為兩部分：自動(dòng)監(jiān)測(cè)模式和手動(dòng)監(jiān)測(cè)模式。光纖監(jiān)測(cè)系統(tǒng)主要完成對(duì)通過AIU單元的光路在線功率的監(jiān)測(cè)。當(dāng)光路中的光功率值低于告警閾值時(shí)，自動(dòng)發(fā)出告警，OSU 單元自動(dòng)切換到OTDR 專用光路[7-8]。系統(tǒng)的OTDR 測(cè)試模塊自動(dòng)檢測(cè)光路。

自動(dòng)監(jiān)測(cè)模式下首先在光路監(jiān)控參數(shù)設(shè)置中選擇自動(dòng)模式，然后從已有的光纖線路中選取要被監(jiān)測(cè)的線路，同時(shí)在工作波長(zhǎng)區(qū)域能夠自動(dòng)顯示出每條線路的波長(zhǎng)，最后設(shè)定每條線路的告警門限值[9]。光纖監(jiān)控參數(shù)設(shè)置界面如圖8 所示。

在建模之前，需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。在數(shù)據(jù)預(yù)處理界面提供了小波的選擇。目前系統(tǒng)提供了DB1，DB2，…，DB4 波的選取功能如圖9 所示。

圖8 系統(tǒng)監(jiān)測(cè)界面Fig.8 System monitoring interface

圖9 小波選取界面Fig.9 Wavelet selection interface

在選擇完小波預(yù)處理算法后，進(jìn)入組合模型建模界面，將線路名稱及參數(shù)輸入完畢后首先需要用戶點(diǎn)擊預(yù)處理按鈕進(jìn)行小波的預(yù)處理，然后再進(jìn)行組合模型的建模步驟[10]。將建立完畢的組合模型存儲(chǔ)后，進(jìn)入預(yù)測(cè)界面，選取剛才存儲(chǔ)的組合模型并輸入?yún)?shù)信息進(jìn)行光功率的預(yù)測(cè)，預(yù)測(cè)結(jié)果見圖10。

圖10 組合模型預(yù)測(cè)界面Fig.10 Combination model prediction interface

5 結(jié)語(yǔ)

本文采用基于小波變換的ARMA+RBF 組合預(yù)測(cè)模型，建立了光纖線路狀態(tài)監(jiān)測(cè)系統(tǒng)。首先，構(gòu)建了硬件采集平臺(tái)，實(shí)時(shí)采集監(jiān)測(cè)數(shù)據(jù)，建立了SQL SERVER 數(shù)據(jù)庫(kù)用于監(jiān)測(cè)數(shù)據(jù)的存儲(chǔ)。為了便于運(yùn)行人員的使用，應(yīng)用C# 語(yǔ)言開發(fā)友好圖形化操作界面，利用Matlab 強(qiáng)大的數(shù)值計(jì)算能力，實(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè)。此監(jiān)測(cè)系統(tǒng)包含了數(shù)據(jù)監(jiān)測(cè)模塊、數(shù)據(jù)預(yù)處理模塊、數(shù)據(jù)預(yù)測(cè)模塊以及圖形顯示模塊等，使用吉林某電業(yè)局機(jī)關(guān)一變真實(shí)數(shù)據(jù)進(jìn)行了軟件驗(yàn)證測(cè)試，通過測(cè)試驗(yàn)證了本系統(tǒng)的所有功能。該系統(tǒng)的設(shè)計(jì)和實(shí)現(xiàn)為電力系統(tǒng)提前做出維護(hù)決策提供了理論依據(jù)和技術(shù)支持。