基于BP神經(jīng)網(wǎng)絡(luò)的變電站光纖斷點檢測研究

劉 邦，賀開放，王亞坤，馮 豆，李 強，趙子瑋，曲鴻春

（1.國網(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。維護大型光纖通信網(wǎng)絡(luò)對智能變電站安全穩(wěn)定運行有重要的作用，準確定位斷點，并進行修復(fù)或排除成為目前研究的重點之一。當光纖網(wǎng)絡(luò)出現(xiàn)斷點，嚴重時會導(dǎo)致通信中斷，并可能造成電能傳輸中斷以及帶來經(jīng)濟損失等后果［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，傳統(tǒng)的檢測方法平均計算次數(shù)多、耗時長、精度低。目前已有較多研究成果關(guān)注光纖運行和維護方法的研究［3-6］。文獻［3］設(shè)計了針對斷點故障數(shù)據(jù)高頻信號和低頻信號的去噪函數(shù)，從而建立最優(yōu)移動學(xué)習(xí)數(shù)據(jù)識別模型。文獻［4］通過計算斷點故障在進行光信號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過程中的斷點故障信號特征噪聲干擾，實現(xiàn)光纖通信局域網(wǎng)斷點故障大區(qū)間動態(tài)檢測。文獻［5］通過前期采集光纖網(wǎng)絡(luò)告警信息進行分析，提高光纖故障預(yù)警系統(tǒng)的可靠性。文獻［6］通過在FPGA內(nèi)嵌入軟核處理器，來提高光纖網(wǎng)絡(luò)測量準確度。對智能變電站光纖網(wǎng)絡(luò)運維技術(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)斷點模型。首先訓(xùn)練儲存智能變電站內(nèi)各種類型的光纖斷點故障信息，形成專家檢測系統(tǒng)；然后使用基于BP神經(jīng)網(wǎng)絡(luò)的專家檢測系統(tǒng)對光纖鏈路進行高效檢測。

1 大型光纖網(wǎng)絡(luò)斷點檢測原理

大規(guī)模光纖網(wǎng)絡(luò)中存在多種干擾因素，產(chǎn)生的斷點具有隨機性的特點，傳統(tǒng)的方法需逐個檢測每個節(jié)點，存在耗時長、效率低等問題［7］。大型的光纖網(wǎng)絡(luò)中節(jié)點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)，不會有劇烈波動，具有較高的穩(wěn)定性。隨著運行時間的增長，光纖網(wǎng)絡(luò)中的某些節(jié)點參數(shù)損傷，造成網(wǎng)絡(luò)斷點，就會影響網(wǎng)絡(luò)中的正常通信。一般采用自感應(yīng)主元算法來建立前饋和反饋網(wǎng)絡(luò)模型，對網(wǎng)絡(luò)節(jié)點的干擾因素進行處理，獲取有效的節(jié)點特征。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個節(jié)點斷點的特性信息已知，自感應(yīng)主元算法可以通過前饋和反饋的加權(quán)系數(shù)計算出第t個節(jié)點斷點的特征信息，清除其他干擾因素，完成節(jié)點斷點的檢測。設(shè)：

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

若W(k)比較穩(wěn)定，根據(jù)斷點信號特征對矩陣L=W(k) WE(k)進行升序排列：

表征光纖網(wǎng)絡(luò)中的斷點信號穩(wěn)定的前饋值為：

式中：dj為矩陣第j個特征向量。

由式（4）可得第t個故障信號的反饋信號為：

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

第t個光纖網(wǎng)絡(luò)的斷點信號的前饋權(quán)值st(k)和反饋權(quán)值ct(k)的改進值為：

式中：ζ1和ζ2為學(xué)習(xí)率。

經(jīng)上述計算處理去除光纖網(wǎng)絡(luò)節(jié)點斷點的干擾，獲得有效信息，從而完成對光纖網(wǎng)絡(luò)一定區(qū)域內(nèi)的故障檢測。由于光纖網(wǎng)絡(luò)節(jié)點多，因此系統(tǒng)斷點檢測方法主要注重于提升檢測的快速性和準確性。

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)，具有較強的適應(yīng)性。其拓撲結(jié)構(gòu)由輸入層、一個或多個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。單個中間層的感知器能夠解決簡單的問題，因此具有較普遍的應(yīng)用，其拓撲結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)圖

對于單個中間層的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，實際輸出向量為 O=（O1，O2，…On）T。輸入層有n個神經(jīng)元，中間層有h個神經(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）。對于光纖網(wǎng)絡(luò)中的斷點樣本（Xp，Yp），確定實際輸出值Op。

2）向后傳播階段。計算實際輸出Op對應(yīng)的理想輸出Yp的誤差，權(quán)值根據(jù)極小誤差進一步調(diào)整。判斷算法運算迭代次數(shù)是否大于初始給定值或滿足誤差要求，如果滿足則結(jié)束算法運算程序，反之重新進入向前傳播的后一階段。

BP神經(jīng)網(wǎng)絡(luò)用樣本精度來保證算法的精準度。對于第p個取樣樣本有：

光纖網(wǎng)絡(luò)的整個誤差測度為：

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

2.2 智能變電站中光纖網(wǎng)絡(luò)斷點檢測應(yīng)用

基于BP神經(jīng)網(wǎng)絡(luò)的光纖網(wǎng)絡(luò)斷點檢測主要分為訓(xùn)練模式和檢測模式，兩種模式構(gòu)建成完整的專家檢測系統(tǒng)的檢測流程，其斷點檢測流程如圖3所示。專家檢測系統(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的節(jié)點特征，對采集到的特征信號通過奇異譜降噪技術(shù)進行優(yōu)化，提取出信號有效的特征信息，采用加窗處理將時間序列信號分為長度相同且互不重疊的時間段，對檢測器進行訓(xùn)練，最終獲取S個斷點檢測器［10-12］。在檢測模式中，用經(jīng)過訓(xùn)練的檢測器對光纖網(wǎng)絡(luò)中異常的特征信號進行檢測，如果E＜0，檢測器被激活。基于檢測器檢測到的信息，得到整個智能變電站光纖網(wǎng)絡(luò)的斷點情況。在光纖網(wǎng)絡(luò)檢測過程中，若有效激活的檢測器為M個，無效激活的檢測器為N個，則斷點檢測率η為：

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

3 實驗結(jié)果及分析

驗證本文所提出的BP神經(jīng)網(wǎng)絡(luò)算法檢測光纖網(wǎng)絡(luò)斷點的有效性，分別在不同環(huán)境下對光纖網(wǎng)絡(luò)采集樣本，包括正常工作和故障狀態(tài)下的樣本點1 000個作為正常樣本集和斷點樣本集，對神經(jīng)檢測器進行訓(xùn)練。隨機選取大型光纖網(wǎng)絡(luò)區(qū)域中2 000個樣本點作為待檢測信號，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)算法進行網(wǎng)絡(luò)斷點檢測，得到的收斂速度效果如圖4所示，準確率效果如圖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，提高了檢測的速度，以便工作人員迅速對故障斷點進行定位處理。由圖5可見，本文算法準確率明顯高于傳統(tǒng)算法，提升了檢測的精度。

4 結(jié)語

針對智能變電站中光纖網(wǎng)絡(luò)工程驗收、運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)斷點檢測方法。仿真實驗結(jié)果表明，該方法提升了智能變電站光纖網(wǎng)絡(luò)驗收和運維中的檢測效率，并具有較高的精度，確保了智能變電站的安全運行。