基于BWO-ELM算法與VR-GIS技術的電力光纜故障診斷及定位研究

蔡海良，胡 凱，李 軍，邢小雷

(1.國網浙江省電力有限公司德清縣供電公司，浙江 德清 313200； 2.浙江華云信息科技有限公司，杭州 310008；3.德清欣電電力建設有限公司，浙江 德清 313200)

0 引言

電力配網通信系統伴隨著電網發展建設，也隨之發生深刻變化，配網通信系統整體規模迅速增長，體量龐大[1-3]。電力通信系統配網自動化通信接入網通信光纜呈現出網架覆蓋范圍廣、拓撲結構復雜、光纜及光纖數量多、距離長等特征，數量同比均有很大程度增長，整體規模“創新高”[4-6]。

但是因為傳統的配網通信系統“分散式維護”方法建立在完全依靠維護人員進行巡視的背景下，想要實現整年全天候不間斷巡視和進行故障排查具有很大的難度[7]，因而光纜故障精準定位逐漸進入國內外專家學者的視野，成為電力故障診斷與定位領域的研究熱點。電力光纜故障精準定位研究主要由兩方面構成，一方面是對光時域反射儀(OTDR，optical time-domain reflectometer)測試曲線的事件點信息進行分析研究，從而得到光纜故障點的直線距離與類型，為故障定位奠定基礎；另一方面是對光纜故障實際地理位置精準定位進行研究，將故障點直線距離與故障點實際地理位置匹配，并且將實際地理位置坐標通過圖像直觀展示出來。

國內外學者針對電力光纜故障精準定位開展了大量的研究，其中針對OTDR曲線分析方面，文獻[8]利用小波變換與閾值降噪的方法對OTDR測試信號的信噪比進行提升，之后通過比較小波變換與信號突變位置來達到OTDR曲線事件點定位的目的，但是OTDR曲線經過小波變換之后僅能獲取部分頻率的信息，從而會導致OTDR曲線降噪不佳。文獻[9]為解決OTDR曲線幻峰問題，引入波分析算法與徑向基函數神經網絡(RBF神經網絡，radial basis function neural network)，在一定程度上減少因幻峰而產生的故障誤判現象，但是該方法為能進一步解決OTDR事件點分類問題。文獻[10]構建了基于麻雀搜索算法(SSA，sparrow search algorithm)-極限學習機(ELM，extreme learning machine)的光纜故障識別的模型，并通過實驗驗證該模型的性能，但是SSA算法在實際全局尋優過程當中，不能精確找到最優解的位置。文獻[11]選取前饋神經網絡(BP網絡，back propagation networks)歸一化處理數據，結果表明BP網絡能夠應用于光纜故障診斷，但是該方法整體訓練速度慢，且容易出現局部盲優現象，最終致使分類效果不佳。

針對光纜故障實際地理位置精準定位，國內外學者同樣進行大量研究，文獻[12]基于搶修最優路徑提出一種電力光纜故障檢測方法，通過改進A*算法在GIS平臺上展示最佳搶修路徑，在一定程度上提升光纜故障的搜索效率。文獻[13]將小波變換與GIS系統相結合，實現光纜故障定位，并且利用線性參考系統實現OTDR檢測故障距離與實際地理位置的轉換，提升故障定位的精準度。文獻[14]將改進模極大值去噪方法應用于光纜監測系統當中，并在實際電網系統中應用，在提升故障定位精度的同時使整體成本得到控制。

止目前為止，在電力通信系統中已經實行了多種類型的網管告警系統，但是在應用的過程中，還存在著諸如監控數據分散、管理內容復雜多樣以及網絡監視方面的問題[15-18]。伴隨著時間的推進前，配網通信光纜的數量突增，前期所敷設的光纜損耗不斷提升，光纜的維護與故障處理問題也日漸突出，現有的故障分析和定位手段仍處于一個人工現場測試分析為主的低水平階段，這給通信專業的運維工作帶來巨大壓力[19-20]。

綜上所述，OTDR曲線分析的故障模式識別算法眾多研究當中，普遍存在運行事件長和識別精度低等問題；光纜故障實際地理位置定位存在相對位置誤差較大的現象。考慮到配網安全生產的重要保障，光纜安全性與健壯性是電網一次系統安全穩定運行的基礎[21-25]。本文提出基于白鯨優化算法(BWO，beluga whale optimization)-ELM與虛擬現實地理信息系統(VR-GIS，virtual reality-geographic information system)的電力光纜故障診斷及定位方法，能夠實時精準對電力故障進行檢測，分析故障所處的實際地理位置，并且將位置用直觀的方式進行展示，在一定程度上提升電力光纜故障在線監測能力與數字化水平。

1 基于BOW-ELM故障模式識別方法

基于BOW-ELM多分類OTDR曲線分析的故障模式識別的基本流程如圖1所示。

圖1 基于BOW-ELM多分類OTDR曲線分析的故障模式識別的基本流程

由圖1可以看出，首先對原始OTDR數據進行去噪；之后運用小波分析對OTDR信號進行分解，獲取高頻部分特征數據，并劃分訓練集與測試集；最后將獲得的特征數據輸入至BOW-ELM模式識別模型，最終實現OTDR曲線事件點信息的模式識別。

1.1 極限學習機

極限學習機是一種較為典型單隱層前饋神經網絡，主要由輸入、隱含及輸出三層構成，其隱含層偏差與輸入層權值均通過隨機的方式進行選取，并基于廣義矩陣理論來對輸出層的權值進行計算，利用該權值能夠最終獲取數據的預測值。

任意N個樣本(xi,ti)，xi=[xi1,…,xin]T，且xi∈Rn；ti=[ti1,…,tim]T，且ti∈Rm。對于由L個隱層節點構成的單隱層神經網絡可以由下式表示：

(1)

式中,bi表示第i個隱層單元的偏置；wi·xj表示兩者的內積；wi表示輸入權重；g(x)表示激活函數；βi表示輸出權重。輸出誤差最小是單隱層神經網絡訓練的目標，其可以表示為：

(2)

即存在wi、βi及bi使得：

(3)

用矩陣可以表示為：

Hβ=T

(4)

式中,H表示隱藏層的輸出；T表示期望輸出；β表示輸出權重。

那么式(4)可轉化為：

H(w1,…,wl,b1,…,bl,x1,…xl)=

(5)

其中：

(6)

(7)

式中,i=1,…,L，該式等價于如下最小化損失函數。

(8)

在ELM當中，訓練單隱含層神經網絡能夠轉換為對一個線性系統Hβ=T進行求解，則輸出權重β為：

(9)

(10)

由上述可知，ELM的初始偏置bi與輸入權重wi均是通過隨機得到，無法保證兩者為最佳值，容易使全局最優解陷入局部最優，從而得到不佳的分類結果。

1.2 白鯨優化算法

白鯨優化算法(BWO，beluga whale optimization)是2022年在白鯨游泳、捕鯨及跌倒等行為中得到啟發而提出的一種新型基于種群的元啟發式算法[26]。

BWO主要對白鯨游泳、捕食及跌倒(墜落)等行為進行模擬，其對應探索、開發及鯨魚墜落三個階段。BWO當中鯨落概率與平衡因子均為自適應的，對開發能力與控制搜索起到決定性作用。除此之外，在開發階段引入Levy飛行策略來進一步提升該階段的全局收斂性。

因BWO是基于種群機制的算法，將白鯨當作搜索代理，而種群中的所用白鯨個體均為候選解，在優化過程中更新各自的位置。在模擬實驗過程中，白鯨種群可以用下式進行描述：

(11)

式中,n表示白鯨種群數量；d表示問題變量的維數，則相應的種群適應度值為：

(12)

平衡因子決定探索與開發階段的轉換，其表達式為：

Bf=B0(1-T/(2Tmax))

(13)

式中,Bf表示平衡因子；Tmax表示最大迭代次數；T表示當前迭代次數；B0∈(0,1)，每次迭代在上述范圍內隨機變化。

探索階段發生于Bf>0.5的情況下，開發階段發生于Bf≤0.5的情況下。Bf的波動范圍隨著迭代次數的不斷增加而減小，由原來的(0,1)變為(0,0.5)。

搜索代理在探索階段的位置是通過白鯨配對游泳來決定的，白鯨位置更新公式為：

(14)

為了增強算法的收斂性，BOW在開發階段引入Levy飛行策略，假設白鯨在該階段使用上述策略，分享彼此的位置進行獵物捕捉，并且同時考慮其他和最佳候選者，此過程白鯨的位置更新公式為：

(15)

(16)

LF表示Levy飛行函數，其表達式為：

(17)

其中：

(18)

式中,μ、ν表示正態分布隨機數；β=1.5。

為了保證種群數量不變，使用鯨魚落體步長與白鯨位置來構建鯨落階段的位置更新模型，模型的數學表達式為：

(19)

式中,Xstep表示鯨魚墜落的步長r5、r6及r7表示(0,1)范圍內的隨機數；Xstep表示鯨魚墜落的步長，其表達式為：

(20)

式中,ub表示變量的上限；lb表示變量的下限；C2表示與種群規模和鯨魚下降概率相關的階躍因子，其計算式為：

C2=2Wf×n

(21)

式中,Wf表示鯨魚墜落概率，其表達式為：

(22)

1.3 BWO優化ELM

ELM在訓練之前能夠隨機產生初始偏置bi與輸入權重wi，僅需要對隱含層神經元激活函數與隱含層神經元進行確定，便能夠實現ELM模型的構建。由于ELM模型的構建過程中，僅需要對初始偏置bi與輸入權重wi進行確定，無需設置其他參數，故在學習效率與泛化能力方面具有一定的優勢。然而在OTDR曲線事件點信息的模式識別過程中，不同參數設置對模型的識別精度造成一定程度的影響，并且容易出現局部最優現象。此時，ELM依然采用簡單隨機方法來選取初始參數，會導致算法隱含層節點出現冗余現象，致使ELM識別精度低下。因此，在構建ELM模式識別模型的過程中，可以利用BWO算法尋優來獲取最佳參數，即最佳初始偏置bi與輸入權重wi，將BOW較強全局搜索能力和ELM局部快速搜索能力相結合，從而使模型具備更快求解能力和更高的識別精度。BWO-ELM算法流程如圖2所示。

圖2 BWO-ELM算法流程圖

如圖2所示，BWO-ELM算法具體流程為：

Step1：采集OTDR檢測信號，對信號進行小波分解，提取特征數據形成特征樣本，并劃分訓練集與測試集；

Step2：構建ELM模式識別模型，對隱含層激活函數和神經元個數等信息進行確定；

Step3：確定BOW最大迭代次數Tmax與種群數量n等初始參數確定；

Step4：初始化BOW種群，各白鯨初始位置在搜索范圍內隨機產生，并基于目標函數計算得到適應的值；

Step5：利用式(13)與(22)計算平衡因子Bf和鯨魚墜落概率Wf；

Step6：根據計算所得平衡因子Bf的大小判斷每條白鯨進入的階段，不同階段的更新機制不同，假如Bf>0.5，白鯨的更新機制處于探索階段，由式(14)更新白鯨的位置，假如Bf≤0.5白鯨的更新機制處于開發階段，由式(15)更新白鯨的位置，然后對新位置的適應度值進行計算排序，找到當前迭代的最優解，每次迭代均需計算鯨魚墜落概率Wf，并通過式(19)來更新鯨魚的位置；

Step7：判斷當前迭代次數與最大迭代次數的關系，如果當前迭代次數大于等于最大迭代次數，則尋優停止輸出最優參數，反之返回Step5繼續新一輪的尋優搜索。

基于BWO-ELM多分類OTDR曲線分析的故障模式識別方法得到光纖故障點的直線距離與類型，為故障定位奠定基礎。

2 基于VR-GIS的光纜故障精確定位方法

2.1 搭建虛擬光纜線路信息

借助虛擬現實地理信息系統(VR-GIS，virtual reality-geographic information system)強大的空間定位與數據分析優勢，本研究利用SuperMap與3DMax構建某實際區域配電自動化通信接入網虛擬光纜線路信息，并在該信息當中融合實際光纜線路的坐標位置與基本屬性信息，之后通過SuperMap iDesktop.Net來實現基于VR-GIS的光纜故障定位、三維場景漫游及數據管理等功能，從而為后續光纜故障精準定位提供展示平臺與精確位置。

2.2 光纜故障精確定位方法

當電力光纜發生故障時，選取多次OTCR測量取平均的方式來降低故障距離的測量誤差，故障距離的表達式為：

(23)

式中,n表示測量的次數；sn表示第n次測量的光纖故障距離。

則光纜故障距離為：

(24)

式中,CR表示光纜的彎曲程度；S表示電力光纖距離；ST表示電力光纜距離；Pr表示光纜膠縮率。

通過式(24)得到僅為故障點距離測量的距離，并未與實際光纜敷設的地理位置進行匹配。

實際電力光纜是由各段電力光纜通過光纜接頭盒(即熔接點)連接構成，并且敷設的過程中需要電線塔進行支撐，故將電力光纜線路上的機房、拐點、熔接點和塔桿等特殊位置作為參考位置，利用手持GPS導航儀上述特殊點的實際地理位置，并將去與OTCR測量的特殊位置信息進行匹配，最后將匹配后的數據通過表1的形式錄入數據庫。

表1 數據格式表

將電力光纜距離與表1當中的參考位置距離進行作差，可得：

O=ST-Cn

(25)

式中,Cn表示數據庫當中參考點的距離；O表示光纜距離與參考點距離的差值；n表示參考位置點的編號。

計算O的最小值，即min|O|獲取與電力光纜距離ST最近參考點，即得到該點編號n。

則電力光纜距離ST的經緯度為：

(26)

式中,(xQ,yQ)表示故障點坐標；δi表示第i個接線盒光纜所預留的長度值。

基于VR-GIS的光纜故障精確定位流程如圖3所示。

圖3 光纜故障精確定位流程圖

光纜故障精確定位具體流程為：

Step1：在線檢測系統檢測到故障發生時，啟用OTDR進行多次測量取平均值，利用基于BWO-ELM多分類OTDR曲線分析的故障模式識別模型對光纖數據進行分析，得到故障點的直線距離(光纖距離)與故障類型；

Step2：由式(24)將Step1中獲得光纖距離轉換為光纜距離；

Step3：利用式(25)與式(26)進行計算，將光纜故障距離與實際地理位置匹配，得到實際故障點的坐標；

Step4：通過VR-GIS虛擬光纜線路信息進行空間定位與數據分析將實際地理位置坐標通過圖像直觀展示出來。

3 基于BWO-SVM算法與VR-GIS技術的電力光纜故障診斷及定位

實際運行電力通信發生故障時，首先通過基于BWO-ELM算法多分類OTDR分析法得到測量點至故障點之間的光纖距離；其次，將上述光纖距離通過基于VR-GIS的光纜故障精確定位方法進行光纜距離轉化，并將光纜故障距離與實際地理位置匹配，得到實際故障點的坐標；最后，利用基于VR-GIS的虛擬光纜線路信息庫將上述定位的坐標在二維與三維圖像上進行展示，具體故障檢測和定位流程如圖4所示。

圖4 故障檢測和定位流程圖

4 仿真實驗分析

4.1 實驗數據采集與預處理

4.1.1 實驗數據采集

采集浙江某220 kV變電站電纜線路中某段OTDR數據，具體數據曲線如圖5所示，圖中標有A、B、C、D、E和F六個事件點。圖中A點有一個尖銳的凸起，為光纖的起始端；B、D及E均有一定程度的凸起，其主要是由于光纖斷裂造成；C點為平滑的臺階，該點為光纖熔接點；F點為最高凸起點，為光纖末端。本文主要對B、C、D與E兩類事件點進行分析研究，其中B、D和E為反射事件點，C為非反射事件點。

圖5 OTDR原始數據圖

4.1.2 數據預處理

小波包分析在實際應用中具有時頻分辨率高的優勢，通過對頻帶多層次分解，能夠使信號高頻部分得到精細化分解。小波包變換為線性變換，其滿足能量守恒定律，即：

(27)

式中,cj,k表示小波包分解系數；f(t)表示OTCR原始信號。

由式(27)可以看出小波包分解系數具有能量的量綱，能夠應用于能量分析，故各頻段的能量值可以利用信號的小波系數進行確定。

基于上述小波包原理，對OTDR信號進行預處理，步驟如下：

1)選取“rbio3.1”為基小波，分解尺度為J=3來對信號進行小波包分解，信號被分解為K=2J=23=8個頻帶，用X3j來表示各個節點的分解系數，從而與式(27)當中的cj,k相對應，其中(j=1,2,…,8)；

2)對第3層的全部節點進行重構，X3j重構后的信號用S3j進行表示，原始信號長度用N表示，信號S3j離散值得幅度用xjk來進行表示，其中(j=1,2,…,8；k=1,2…,N)，那么各段頻段的總小波能量表達式為：

(28)

3)對頻段能量E3,j進行歸一化，獲得一個E=[Enorm(1),…,Enorm(8)]的8維能量特征向量，其中：

(29)

兩類事件的特征能量及100倍放大如圖6與圖7所示。

圖6 反射事件點特征能量圖

圖7 非反射事件點特征能量圖

4.2 光纜故障模式識別結果分析

4.2.1 ELM識別算法結果分析

基于小波分析包得到能量特征向量，首先利用ELM模型對其進行分類識別。本次實驗選取500組數據構成數據集，其中測試樣本150組，訓練樣本350組。以分類精度作為算法的評判標準，選取不同的激活對數據進行分類識別，得到結果如表2所示。

表2 不同激活函數識別算精度對比表

由表2可知，ELM模型選用Sigmoid函數作為激活函數較其他激活函數，具有較高的分類識別精度和良好的分類結果，故選用Sigmoid函數作為ELM模型的激活函數。

為了驗證ELM分類識別結果的優越性，本文同時構建BP神經網絡和SVM兩種識別模型對相同的數據集進行訓練和測試，三種不同識別模型識別性能如表3所示。

表3 不同識別模型性能表

通過對比不同識別模型的識別精度與識別時間上，能夠看出ELM較BP神經網絡及SVM在識別精度及識別時間上具有一定的優勢，具有良好的識別效果。

4.2.2 BOW-ELM識別算法結果分析

為了驗證本文所提優化算法識別模型的優越性，本節將BOW-ELM、SSA-ELM和PSO-ELM模式識別算法對樣本進行訓練與測試，最終各算法的識別性能如表4所示。

表4 各模式識別算法性能表

由表4能夠看出，本文所構建的模式識別算法的準確率較其他識別模型，具有較高的識別性能。

4.3 光纜故障定位性能分析

人為的將距通信機房15 km的一處熔接點進行破壞，利用本文設計的故障定位方法與電網常用TMS系列光纜監測系統進行多次故障定位，故障定位的具體數據如圖8所示。由圖8可以看出本文故障定位較常規定位方法，具有更高的性能與準確率，故障定位誤差在±3 m上下浮動。

圖8 故障定位對比圖

本文通過光纖定位熔接點來對光纜故障定位精度進行驗證。利用最大誤差與真實值得百分比來對光纜故障定位的精度進行表征，具體為：

(30)

選取距離不等的5個故障熔斷點，并針對每個點重復進行50次故障定位，同時運用本文設計故障診斷算法與常規故障定位算法分別對故障精度進行計算取均值，結算結果如表5所示。

表5 故障定位精度性能表

由表5可知，本文故障定位方法誤差隨著故障點距離的提升逐步趨向平穩狀態，而現有系統故障誤差隨故障距離提升呈現增長趨勢，并且本文故障定位的平均誤差為1.481%，低于現有系統故障定位誤差2.511%。由此可知，本文提出的故障定位方法具有良好的的故障定位性能。

5 結束語

為進一步提升電力光纜故障模式識別精度及故障定位精確度，提出一種基于BWO-ELM算法與VR-GIS系統的電力光纜故障診斷及定位方法，通過研究得到以下結論：

1)提出一種基于BOW-ELM故障模式識別方法，通過BOW優化ELM初始偏置bi與輸入權重wi，得到最佳初始偏置bi與輸入權重wi，將BOW較強全局搜索能力和ELM局部快速搜索能力相結合，從而使模型具備更快求解能力和更高的識別精度，并得到光纖故障點的直線距離與類型，為故障定位奠定基礎；

2)提出一種基于VR-GIS的光纜故障精確定位方法，將光纖故障點的直線距離轉換為光纜距離，并與實際地理位置匹配，得到實際故障點的坐標，通過VR-GIS虛擬光纜線路信息進行空間定位與數據分析將實際地理位置坐標通過圖像直觀展示出來；

3)實驗仿真表明：BOW-ELM故障模式識別模型較其他識別模型，在識別精度及識別時間上具有一定的優勢，具有良好的識別效果；故障定位較常規定位方法，具有更高的性能與準確率，故障定位誤差在±3 m上下浮動，且誤差隨著故障點距離的提升逐步趨向平穩狀態。

隨著人工智能技術的不斷發展，后續的研究過程中選取更高效準確的識別算法是提升故障識別與定位精度的關鍵，才能使電力光纜故障檢測的數字化管理能力得到進一步的提升。