一種光纖線路狀態預警系統的設計與實現

何建強，劉 皎

（商洛學院 電子信息與電氣工程學院，商洛726000）

在電力系統中，光纖通信系統的可靠性與電力系統能否安全穩定運行密切相關。如果光纖線路發生故障，將導致巨大的經濟損失[1]。光纖線路狀態預測作為智能電網的重要組成部分，接受來自各種監測與診斷系統或現場運行人員的狀態報告，預測光纖線路未來的發展趨勢，并根據預測結果確定是否調整線路的運行方式，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。隨著電力系統向智能化方向發展，運營商需要及時了解光纖線路的運行狀態，從而為調整運行方式和提高光纖線路可用率做好決策，實現線路的智能化管理。因此，對光纖線路預測預警技術的研究顯得尤為重要。本文根據光功率在時間序列上的數學特征，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的軟件和硬件設計，實現了光纖線路狀態預警系統。

1 光纖線路狀態預警系統的組成結構

本系統分為兩個部分： 前端光功率監測模塊（硬件系統）和后端光纖線路監測數據預測模塊（軟件系統），二者聯合起來組成整個系統，整個系統結構如圖1 所示。

圖1 光纖線路狀態預警系統組成結構Fig.1 Composition of fiber optic line state early warning system

2 硬件監測系統設計

光功率監測模塊內置于光纖通信室，主要完成光纖線路實時數據的采集。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，主要負責系統的光路切換[4]。系統監測模塊的硬件組成如圖2 所示。

圖2 系統監測模塊Fig.2 System monitoring module

本系統為了不影響工作光纖的數據傳輸，僅提取3%的光用于光功率值監測，RS232-USB 串行電纜用于將硬件監控模塊連接到PC 主機。將采集到的實時數據傳送至上位機，通過預警系統軟件進行數據分析。圖3 顯示了監控模塊內部模塊的連接圖。

圖3 監測模塊內部連接實物圖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據[2，4]，其變化直接影響光纖通信系統的可靠性。為了獲得光功率數據的變化序列項，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據的重構后，采用ARMA+RBF 組合模型進行預測，獲得最終預測結果。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 基于小波變換的數據預處理

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 表示原始數據信號，分解算法如式（1）所示，最終z 分解為X1，X2，…，XJ和YJ。

步驟2為了避免數據的減少而降低預測結果的精度，采用二插值重構算法對其進行重構，得到與原始數據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，得到x1，x2，…，xJ和yJ。

3.2 構建時間序列神經網絡組合預測模型

對小波分解和重構后的數據序列｛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判斷數據平穩性：采用游程檢驗法，判斷序列平穩性。

步驟2平穩化處理： 為獲得平穩時間序列，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的截斷來判斷數據序列的模型類型[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網絡模型[4，7]的建模步驟如下：

步驟1根據輸入向量，采用高斯核函數來確定隱層每個單元的中心值和寬度參數。高斯核函數表達式為

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

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

每次訓練處函數最小中心值為

步驟2根據確定的中心和寬度，利用線性變換求出輸出層權值wis，本文選取最小均方法來學習輸出層權值。

步驟3對神經網絡進行訓練，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據，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 神經網絡，達到最佳效果時的神經元數量為12。將高頻和低頻部分進行合成即可獲得最終預測結果，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趨勢，并且在波動比較大時，對于光功率細節信息也能有較好的把握。使用均方根誤差（RMSE）作為評價指標，該模型預測結果的RMSE 值僅為0.0857。

4 軟件系統平臺設計

4.1 軟件設計流程

根據系統業務流程進行軟件概要設計，光纖線路狀態在線監測專家預警系統軟件平臺包括設備控制模塊、在線監測模塊、數據預處理模塊、預測建模模塊和狀態預警模塊[5]。軟件功能結構如圖6 所示。

圖6 軟件功能結構圖Fig.6 Software functional structure diagram

為了提高該系統數據監測與光功率預測的準確性，利用COM 組件實現Matlab 與C#的混合編程，使用Matlab 引擎技術調用神經網絡工具箱[6]。C#.NET 下利用Matlab 引擎技術實現神經網絡過程如圖7 所示。

圖7 C#.NET 引擎技術實現神經網絡工具箱過程Fig.7 C#.NET engine technology implementing neural network toolbox process

4.2 軟件界面

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

自動監測模式下首先在光路監控參數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測的線路，同時在工作波長區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]。光纖監控參數設置界面如圖8 所示。

在建模之前，需要對數據進行預處理。在數據預處理界面提供了小波的選擇。目前系統提供了DB1，DB2，…，DB4 波的選取功能如圖9 所示。

圖8 系統監測界面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參數信息進行光功率的預測，預測結果見圖10。

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

5 結語

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監測系統。首先，構建了硬件采集平臺，實時采集監測數據，建立了SQL SERVER 數據庫用于監測數據的存儲。為了便于運行人員的使用，應用C# 語言開發友好圖形化操作界面，利用Matlab 強大的數值計算能力，實現數據預測。此監測系統包含了數據監測模塊、數據預處理模塊、數據預測模塊以及圖形顯示模塊等，使用吉林某電業局機關一變真實數據進行了軟件驗證測試，通過測試驗證了本系統的所有功能。該系統的設計和實現為電力系統提前做出維護決策提供了理論依據和技術支持。