劉 邦，賀開放，王亞坤，馮 豆，李 強(qiáng)，趙子瑋，曲鴻春

（1.國(guó)網(wǎng)安徽省電力有限公司亳州供電公司，安徽 亳州 236800；2.三峽大學(xué)，湖北 宜昌 443002）

0 引言

隨著基于光纖和通信技術(shù)的智能變電站迅速發(fā)展，對(duì)站用光纖網(wǎng)絡(luò)及通信技術(shù)的安全可靠性提出了更高要求。維護(hù)大型光纖通信網(wǎng)絡(luò)對(duì)智能變電站安全穩(wěn)定運(yùn)行有重要的作用，準(zhǔn)確定位斷點(diǎn)，并進(jìn)行修復(fù)或排除成為目前研究的重點(diǎn)之一。當(dāng)光纖網(wǎng)絡(luò)出現(xiàn)斷點(diǎn)，嚴(yán)重時(shí)會(huì)導(dǎo)致通信中斷，并可能造成電能傳輸中斷以及帶來(lái)經(jīng)濟(jì)損失等后果［1-2］。

由于大型光纖網(wǎng)絡(luò)設(shè)備量大，傳輸?shù)臄?shù)據(jù)量大、距離長(zhǎng)，傳統(tǒng)的檢測(cè)方法平均計(jì)算次數(shù)多、耗時(shí)長(zhǎng)、精度低。目前已有較多研究成果關(guān)注光纖運(yùn)行和維護(hù)方法的研究［3-6］。文獻(xiàn)［3］設(shè)計(jì)了針對(duì)斷點(diǎn)故障數(shù)據(jù)高頻信號(hào)和低頻信號(hào)的去噪函數(shù)，從而建立最優(yōu)移動(dòng)學(xué)習(xí)數(shù)據(jù)識(shí)別模型。文獻(xiàn)［4］通過計(jì)算斷點(diǎn)故障在進(jìn)行光信號(hào)傳輸過程中能量分布特征，采用基于小波變換的閾值消除檢測(cè)過程中的斷點(diǎn)故障信號(hào)特征噪聲干擾，實(shí)現(xiàn)光纖通信局域網(wǎng)斷點(diǎn)故障大區(qū)間動(dòng)態(tài)檢測(cè)。文獻(xiàn)［5］通過前期采集光纖網(wǎng)絡(luò)告警信息進(jìn)行分析，提高光纖故障預(yù)警系統(tǒng)的可靠性。文獻(xiàn)［6］通過在FPGA內(nèi)嵌入軟核處理器，來(lái)提高光纖網(wǎng)絡(luò)測(cè)量準(zhǔn)確度。對(duì)智能變電站光纖網(wǎng)絡(luò)運(yùn)維技術(shù)研究較少。

為了解決上述問題，本文提出建立一種基于BP神經(jīng)網(wǎng)絡(luò)的光纖通信網(wǎng)絡(luò)斷點(diǎn)模型。首先訓(xùn)練儲(chǔ)存智能變電站內(nèi)各種類型的光纖斷點(diǎn)故障信息，形成專家檢測(cè)系統(tǒng)；然后使用基于BP神經(jīng)網(wǎng)絡(luò)的專家檢測(cè)系統(tǒng)對(duì)光纖鏈路進(jìn)行高效檢測(cè)。

1 大型光纖網(wǎng)絡(luò)斷點(diǎn)檢測(cè)原理

大規(guī)模光纖網(wǎng)絡(luò)中存在多種干擾因素，產(chǎn)生的斷點(diǎn)具有隨機(jī)性的特點(diǎn)，傳統(tǒng)的方法需逐個(gè)檢測(cè)每個(gè)節(jié)點(diǎn)，存在耗時(shí)長(zhǎng)、效率低等問題［7］。大型的光纖網(wǎng)絡(luò)中節(jié)點(diǎn)故障信息主要包括故障數(shù)據(jù)、反饋數(shù)據(jù)和歷史記錄3類。在智能變電站正常運(yùn)行的情況下，光纖網(wǎng)絡(luò)前端電參量和其中的光參量處于穩(wěn)定狀態(tài)，不會(huì)有劇烈波動(dòng)，具有較高的穩(wěn)定性。隨著運(yùn)行時(shí)間的增長(zhǎng)，光纖網(wǎng)絡(luò)中的某些節(jié)點(diǎn)參數(shù)損傷，造成網(wǎng)絡(luò)斷點(diǎn)，就會(huì)影響網(wǎng)絡(luò)中的正常通信。一般采用自感應(yīng)主元算法來(lái)建立前饋和反饋網(wǎng)絡(luò)模型，對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)的干擾因素進(jìn)行處理，獲取有效的節(jié)點(diǎn)特征。大型光纖通信網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1所示［8-9］。

圖1 大型光纖通信網(wǎng)絡(luò)結(jié)構(gòu)示意圖

設(shè)第t-1個(gè)節(jié)點(diǎn)斷點(diǎn)的特性信息已知，自感應(yīng)主元算法可以通過前饋和反饋的加權(quán)系數(shù)計(jì)算出第t個(gè)節(jié)點(diǎn)斷點(diǎn)的特征信息，清除其他干擾因素，完成節(jié)點(diǎn)斷點(diǎn)的檢測(cè)。設(shè)：

式中：W(k)為輸入到光纖網(wǎng)絡(luò)節(jié)點(diǎn)的斷點(diǎn)信號(hào)；St(k)為第t個(gè)光纖網(wǎng)絡(luò)斷點(diǎn)信號(hào)的前饋值；Ct(k)為第t個(gè)光纖網(wǎng)絡(luò)斷點(diǎn)信號(hào)的反饋值；Zt-1(k)為第t個(gè)光纖網(wǎng)絡(luò)斷點(diǎn)信號(hào)的反饋信號(hào)；zt(k)為第t個(gè)光纖網(wǎng)絡(luò)斷點(diǎn)信號(hào)的輸出信號(hào)；E為單位矩陣。

若W(k)比較穩(wěn)定，根據(jù)斷點(diǎn)信號(hào)特征對(duì)矩陣L=W(k) WE(k)進(jìn)行升序排列：

表征光纖網(wǎng)絡(luò)中的斷點(diǎn)信號(hào)穩(wěn)定的前饋值為：

式中：dj為矩陣第j個(gè)特征向量。

由式（4）可得第t個(gè)故障信號(hào)的反饋信號(hào)為：

式（5）中D為由矩陣L的t-1個(gè)最大特征向量組成的(t-1)×h階矩陣，則：

第t個(gè)光纖網(wǎng)絡(luò)的斷點(diǎn)信號(hào)的前饋權(quán)值st(k)和反饋權(quán)值ct(k)的改進(jìn)值為：

式中：ζ1和ζ2為學(xué)習(xí)率。

經(jīng)上述計(jì)算處理去除光纖網(wǎng)絡(luò)節(jié)點(diǎn)斷點(diǎn)的干擾，獲得有效信息，從而完成對(duì)光纖網(wǎng)絡(luò)一定區(qū)域內(nèi)的故障檢測(cè)。由于光纖網(wǎng)絡(luò)節(jié)點(diǎn)多，因此系統(tǒng)斷點(diǎn)檢測(cè)方法主要注重于提升檢測(cè)的快速性和準(zhǔn)確性。

2 BP神經(jīng)網(wǎng)絡(luò)算法及其在光纖網(wǎng)絡(luò)故障檢測(cè)中的應(yīng)用

2.1 BP神經(jīng)網(wǎng)絡(luò)算法原理

BP神經(jīng)網(wǎng)絡(luò)是一種采用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，具有較強(qiáng)的適應(yīng)性。其拓?fù)浣Y(jié)構(gòu)由輸入層、一個(gè)或多個(gè)中間層和輸出層組成，同層神經(jīng)元之間互不相連，鄰層的神經(jīng)元之間通過權(quán)值連接。單個(gè)中間層的感知器能夠解決簡(jiǎn)單的問題，因此具有較普遍的應(yīng)用，其拓?fù)浣Y(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

對(duì)于單個(gè)中間層的BP神經(jīng)網(wǎng)絡(luò)，輸入向量為 X=（X1，X2，…Xn）T，設(shè)置的理想輸出向量為 Y=（Y1，Y2，…Yn）T，實(shí)際輸出向量為 O=（O1，O2，…On）T。輸入層有n個(gè)神經(jīng)元，中間層有h個(gè)神經(jīng)元，Wij為輸出層和中間層的連接權(quán)重，Wjk為中間層和輸出層的連接權(quán)重。在輸入層，神經(jīng)元i的輸出為輸入量的分量Xi，中間層和輸出層的關(guān)系可表示為：

BP網(wǎng)絡(luò)神經(jīng)算法步驟分兩步。

1）向前傳播階段。隨機(jī)給Wij和Wjk的初始權(quán)值取為互不相等且較小的非零數(shù)，取值范圍為（-1.0，1.0）。對(duì)于光纖網(wǎng)絡(luò)中的斷點(diǎn)樣本（Xp，Yp），確定實(shí)際輸出值Op。

2）向后傳播階段。計(jì)算實(shí)際輸出Op對(duì)應(yīng)的理想輸出Yp的誤差，權(quán)值根據(jù)極小誤差進(jìn)一步調(diào)整。判斷算法運(yùn)算迭代次數(shù)是否大于初始給定值或滿足誤差要求，如果滿足則結(jié)束算法運(yùn)算程序，反之重新進(jìn)入向前傳播的后一階段。

BP神經(jīng)網(wǎng)絡(luò)用樣本精度來(lái)保證算法的精準(zhǔn)度。對(duì)于第p個(gè)取樣樣本有：

光纖網(wǎng)絡(luò)的整個(gè)誤差測(cè)度為：

式中：Oi為輸入層第i個(gè)神經(jīng)元的輸出值；Oj為中間層第 j個(gè)神經(jīng)元的輸出值；Oj+1，k2為輸出層第k2個(gè)神經(jīng)元的理想輸出值。

中間層和輸出層之間連接權(quán)值調(diào)整為：

式中：α為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率，取值范圍(0，1)；Oj為中間層第j個(gè)神經(jīng)元的輸出值；Ok為輸出層第k個(gè)神經(jīng)元的輸出值；Yk為輸出層第k個(gè)神經(jīng)元的理想輸出值。

2.2 智能變電站中光纖網(wǎng)絡(luò)斷點(diǎn)檢測(cè)應(yīng)用

基于BP神經(jīng)網(wǎng)絡(luò)的光纖網(wǎng)絡(luò)斷點(diǎn)檢測(cè)主要分為訓(xùn)練模式和檢測(cè)模式，兩種模式構(gòu)建成完整的專家檢測(cè)系統(tǒng)的檢測(cè)流程，其斷點(diǎn)檢測(cè)流程如圖3所示。專家檢測(cè)系統(tǒng)的建立是通過訓(xùn)練模式采集大量的光纖網(wǎng)絡(luò)系統(tǒng)中正常工作和故障時(shí)的節(jié)點(diǎn)特征，對(duì)采集到的特征信號(hào)通過奇異譜降噪技術(shù)進(jìn)行優(yōu)化，提取出信號(hào)有效的特征信息，采用加窗處理將時(shí)間序列信號(hào)分為長(zhǎng)度相同且互不重疊的時(shí)間段，對(duì)檢測(cè)器進(jìn)行訓(xùn)練，最終獲取S個(gè)斷點(diǎn)檢測(cè)器［10-12］。在檢測(cè)模式中，用經(jīng)過訓(xùn)練的檢測(cè)器對(duì)光纖網(wǎng)絡(luò)中異常的特征信號(hào)進(jìn)行檢測(cè)，如果E＜0，檢測(cè)器被激活。基于檢測(cè)器檢測(cè)到的信息，得到整個(gè)智能變電站光纖網(wǎng)絡(luò)的斷點(diǎn)情況。在光纖網(wǎng)絡(luò)檢測(cè)過程中，若有效激活的檢測(cè)器為M個(gè)，無(wú)效激活的檢測(cè)器為N個(gè)，則斷點(diǎn)檢測(cè)率η為：

圖3 基于BP神經(jīng)網(wǎng)絡(luò)的光纖網(wǎng)絡(luò)斷點(diǎn)檢測(cè)流程

3 實(shí)驗(yàn)結(jié)果及分析

驗(yàn)證本文所提出的BP神經(jīng)網(wǎng)絡(luò)算法檢測(cè)光纖網(wǎng)絡(luò)斷點(diǎn)的有效性，分別在不同環(huán)境下對(duì)光纖網(wǎng)絡(luò)采集樣本，包括正常工作和故障狀態(tài)下的樣本點(diǎn)1 000個(gè)作為正常樣本集和斷點(diǎn)樣本集，對(duì)神經(jīng)檢測(cè)器進(jìn)行訓(xùn)練。隨機(jī)選取大型光纖網(wǎng)絡(luò)區(qū)域中2 000個(gè)樣本點(diǎn)作為待檢測(cè)信號(hào)，分別采用傳統(tǒng)的自感應(yīng)主元算法和BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)斷點(diǎn)檢測(cè)，得到的收斂速度效果如圖4所示，準(zhǔn)確率效果如圖5所示。

圖4 不同算法收斂速度比較

圖5 不同算法準(zhǔn)確率比較

由圖4可見，本文算法的收斂速度明顯高于傳統(tǒng)算法的收斂速度，提高了檢測(cè)的速度，以便工作人員迅速對(duì)故障斷點(diǎn)進(jìn)行定位處理。由圖5可見，本文算法準(zhǔn)確率明顯高于傳統(tǒng)算法，提升了檢測(cè)的精度。

4 結(jié)語(yǔ)

針對(duì)智能變電站中光纖網(wǎng)絡(luò)工程驗(yàn)收、運(yùn)維中快速定位故障并修復(fù)的需要，本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的光纖網(wǎng)絡(luò)斷點(diǎn)檢測(cè)方法。仿真實(shí)驗(yàn)結(jié)果表明，該方法提升了智能變電站光纖網(wǎng)絡(luò)驗(yàn)收和運(yùn)維中的檢測(cè)效率，并具有較高的精度，確保了智能變電站的安全運(yùn)行。