何建強，劉 皎

（商洛學院 電子信息與電氣工程學院，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)定運行密切相關。如果光纖線路發(fā)生故障，將導致巨大的經(jīng)濟損失[1]。光纖線路狀態(tài)預測作為智能電網(wǎng)的重要組成部分，接受來自各種監(jiān)測與診斷系統(tǒng)或現(xiàn)場運行人員的狀態(tài)報告，預測光纖線路未來的發(fā)展趨勢，并根據(jù)預測結(jié)果確定是否調(diào)整線路的運行方式，或確定設備的維修時間、維修類型及維修范圍，對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，運營商需要及時了解光纖線路的運行狀態(tài)，從而為調(diào)整運行方式和提高光纖線路可用率做好決策，實現(xiàn)線路的智能化管理。因此，對光纖線路預測預警技術(shù)的研究顯得尤為重要。本文根據(jù)光功率在時間序列上的數(shù)學特征，提出了一種基于小波變換的自回歸滑動平均模型ARMA+RBF 組合預測模型[2]。對光功率時間序列中的高頻隨機因子和低頻趨勢因子采用小波變換方法進行分析，并構(gòu)建了光功率時間序列的ARMA+RBF 組合預測模[3]。對光功率進行趨勢分析并進行預測，并基于光纖檢測平臺進行了系統(tǒng)的軟件和硬件設計，實現(xiàn)了光纖線路狀態(tài)預警系統(tǒng)。

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

本系統(tǒng)分為兩個部分： 前端光功率監(jiān)測模塊（硬件系統(tǒng)）和后端光纖線路監(jiān)測數(shù)據(jù)預測模塊（軟件系統(tǒng)），二者聯(lián)合起來組成整個系統(tǒng)，整個系統(tǒng)結(jié)構(gòu)如圖1 所示。

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

2 硬件監(jiān)測系統(tǒng)設計

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

圖2 系統(tǒng)監(jiān)測模塊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，RS232-USB 串行電纜用于將硬件監(jiān)控模塊連接到PC 主機。將采集到的實時數(shù)據(jù)傳送至上位機，通過預警系統(tǒng)軟件進行數(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)測模塊內(nèi)部連接實物圖Fig.3 Physical diagram of internal connection of monitoring module

3 ARMA+RBF 組合預測模型

光功率是具有非線性，復雜性隨時間變化的時間序列數(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，首先采用二進制小波變換對原始序列進行分解，得到原始序列中的高頻信息和低頻信息。其中低頻信息對應于光功率時間序列的趨勢項；高頻信息對應于光功率時間序列的隨機項[2-3]。在小波分解和預處理數(shù)據(jù)的重構(gòu)后，采用ARMA+RBF 組合模型進行預測，獲得最終預測結(jié)果。整個流程如圖4 所示。

圖4 ARMA-RBF 組合預測框圖Fig.4 ARMA-RBF combination prediction block diagram

3.1 基于小波變換的數(shù)據(jù)預處理

小波預處理的具體算法步驟如下：

步驟1使用二抽取進行信號分解。z 表示原始數(shù)據(jù)信號，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)的減少而降低預測結(jié)果的精度，采用二插值重構(gòu)算法對其進行重構(gòu)，得到與原始數(shù)據(jù)信號長度一致的分解信號。算法如式（2）所示，X1，X2，…，XJ和YJ分別進行重構(gòu)，得到x1，x2，…，xJ和yJ。

3.2 構(gòu)建時間序列神經(jīng)網(wǎng)絡組合預測模型

對小波分解和重構(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)時間序列，對｛xt｝進行d 階差分處理。

步驟3模型識別：通過觀察樣本的自相關和部分自相關函數(shù)的截斷來判斷數(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。將計算得到的平穩(wěn)光功率時間序列｛xt′｝應用于ARMA模型進行描述。

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

步驟5參數(shù)估計：使用矩估計法對aj，bk進行處理，得到ARMA 模型。

低頻部分｛yt｝的RBF網(wǎng)絡模型[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)來確定隱層每個單元的中心值和寬度參數(shù)。高斯核函數(shù)表達式為

‖y-ci‖為歐幾里德距離，通過計算歐氏范數(shù)來描述y 和ci之間的距離，找出最接近輸入樣本中心cmin。設計調(diào)整函數(shù)來學習并計算歐氏范數(shù)，調(diào)整函數(shù)為

對于t 組中的第j 組輸入向量，調(diào)整學習訓練頻率a 來逼近歐氏范數(shù)最小值。為了能夠自適應的選取中心以及隱層單元個數(shù)，在尋找樣本中心的過程中引入對數(shù)型訓練因子來調(diào)整網(wǎng)絡訓練頻率，訓練因子為

每次訓練處函數(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學習輸出層權(quán)值。

步驟3對神經(jīng)網(wǎng)絡進行訓練，得到RBF 預測模型建，如下所示：

最后進行低頻ARMA 模型和高頻RBF 模型的組合，得到ARMA-RBF 組合預測模型：

3.3 仿真分析

本文選擇吉林市某供電公司機關一變（2017 年9 月1 日～2018 年5 月8 日） 每日平均光功率值作為實驗數(shù)據(jù)，提取250 個樣本進行建模，選取前200個樣本作為測試，對未來50 d 的光功率值進行預測并進行比較。

由小波分解的高頻和低頻部分分別由ARMA和RBF 建模。高頻部分是固定時間序列，因此模型使用AIC 最小信息標準直接固定，并且采用時最小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，達到最佳效果時的神經(jīng)元數(shù)量為12。將高頻和低頻部分進行合成即可獲得最終預測結(jié)果，如圖5 所示。

圖5 ARMA+RBF 組合預測模型輸出預測曲線Fig.5 Output prediction curve of ARMA+RBF combination prediction model

從圖中可以看出，對于原始的光功率時間序列，預測曲線能夠很好地模擬出光纖狀態(tài)趨勢，并且在波動比較大時，對于光功率細節(jié)信息也能有較好的把握。使用均方根誤差（RMSE）作為評價指標，該模型預測結(jié)果的RMSE 值僅為0.0857。

4 軟件系統(tǒng)平臺設計

4.1 軟件設計流程

根據(jù)系統(tǒng)業(yè)務流程進行軟件概要設計，光纖線路狀態(tài)在線監(jiān)測專家預警系統(tǒng)軟件平臺包括設備控制模塊、在線監(jiān)測模塊、數(shù)據(jù)預處理模塊、預測建模模塊和狀態(tài)預警模塊[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)測與光功率預測的準確性，利用COM 組件實現(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)絡工具箱[6]。C#.NET 下利用Matlab 引擎技術(shù)實現(xiàn)神經(jīng)網(wǎng)絡過程如圖7 所示。

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

4.2 軟件界面

光纖監(jiān)測的模式分為兩部分：自動監(jiān)測模式和手動監(jiān)測模式。光纖監(jiān)測系統(tǒng)主要完成對通過AIU單元的光路在線功率的監(jiān)測。當光路中的光功率值低于告警閾值時，自動發(fā)出告警，OSU 單元自動切換到OTDR 專用光路[7-8]。系統(tǒng)的OTDR 測試模塊自動檢測光路。

自動監(jiān)測模式下首先在光路監(jiān)控參數(shù)設置中選擇自動模式，然后從已有的光纖線路中選取要被監(jiān)測的線路，同時在工作波長區(qū)域能夠自動顯示出每條線路的波長，最后設定每條線路的告警門限值[9]。光纖監(jiān)控參數(shù)設置界面如圖8 所示。

在建模之前，需要對數(shù)據(jù)進行預處理。在數(shù)據(jù)預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

在選擇完小波預處理算法后，進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擊預處理按鈕進行小波的預處理，然后再進行組合模型的建模步驟[10]。將建立完畢的組合模型存儲后，進入預測界面，選取剛才存儲的組合模型并輸入?yún)?shù)信息進行光功率的預測，預測結(jié)果見圖10。

圖10 組合模型預測界面Fig.10 Combination model prediction interface

5 結(jié)語

本文采用基于小波變換的ARMA+RBF 組合預測模型，建立了光纖線路狀態(tài)監(jiān)測系統(tǒng)。首先，構(gòu)建了硬件采集平臺，實時采集監(jiān)測數(shù)據(jù)，建立了SQL SERVER 數(shù)據(jù)庫用于監(jiān)測數(shù)據(jù)的存儲。為了便于運行人員的使用，應用C# 語言開發(fā)友好圖形化操作界面，利用Matlab 強大的數(shù)值計算能力，實現(xiàn)數(shù)據(jù)預測。此監(jiān)測系統(tǒng)包含了數(shù)據(jù)監(jiān)測模塊、數(shù)據(jù)預處理模塊、數(shù)據(jù)預測模塊以及圖形顯示模塊等，使用吉林某電業(yè)局機關一變真實數(shù)據(jù)進行了軟件驗證測試，通過測試驗證了本系統(tǒng)的所有功能。該系統(tǒng)的設計和實現(xiàn)為電力系統(tǒng)提前做出維護決策提供了理論依據(jù)和技術(shù)支持。