基于Dijkstra算法的電力光通信網絡智能運維設備脫網故障區段定位方法

張海龍，李博，賈娜娟

研究與開發

基于Dijkstra算法的電力光通信網絡智能運維設備脫網故障區段定位方法

張海龍，李博，賈娜娟

（國網甘肅省電力公司平涼供電公司，甘肅 平涼 744000）

智能運維設備發生脫網故障后，往往難以定位，為實現脫網故障區段與故障電流分布間映射關系的確定、尋找脫網故障區段與故障電流分布間映射關系的最短路徑，設計一種基于Dijkstra算法的電力光通信網絡智能運維設備脫網故障區段定位方法。選擇數據驅動方法中的LightGBM算法，通過大量樣本確定離網故障區段與故障電流分布之間的映射關系。基于Dijkstra算法尋找映射關系的最短路徑，實施脫網故障區段搜索。設計電力光通信網絡智能運維設備脫網故障區段定位平臺，實現脫網故障點即智能運維設備信號丟失的定位與告警。對比實驗顯示，在SDH環網電路區域中的光纜中斷導致的脫網故障區段定位、多路由段的光纜故障下的脫網故障區段定位，以及在環狀電力區域中的多路由段的光纜故障下的脫網故障區段定位場景中，該方法的定位結果與實際位置最貼近，定位最準確。

Dijkstra算法；電力光通信網絡；數據驅動方法；智能運維設備；IBFA算法；脫網故障區段定位

0 引言

電力光通信網絡的運維管理對于智能電網的安全、經濟、高效、正常運行有重要意義。目前，電力光通信網絡的規模正在不斷擴大，目前的管理、維護、運行技術早已無法滿足實際生產需求[1]。具體來說，在目前的電力光通信網絡中，存在數據模型不統一、組網技術龐雜等問題，電力光通信網絡的信息數據無法實時獲取，同時網絡資源也無法動態更新，使運維情況無法被集中、全面地監控，無法對電力光通信設備進行有效管理與統計。這就造成運維效率的下降，同時也會造成電力通信資源的浪費與閑置。在該背景下，電力光通信網絡智能運維設備應運而生，能夠實現網絡的智能化自動運維，獲得了廣泛使用。但在電力光通信網絡智能運維設備的使用中經常發生脫網故障，使設備無法進行正常運維，也無法監測到該區域的故障，給電力光通信網絡的日常運維帶來很大壓力。因此，本文對電力光通信網絡智能運維設備脫網故障區段定位方法進行研究，以彌補智能運維設備的不足。

對于故障區段定位方法的研究，目前的研究成果已經十分豐富。其中，王鋼等[2]針對現有配電網故障區段定位方法存在對不同接地故障的適應性不強、靈敏度低等問題，分析諧振接地配電網在發生不同過渡電阻接地故障時，故障點上、下游的零序電流和零序電壓暫態分量的特征，提出一種能夠適用于諧振接地配電網接地故障區段定位的方法，在高阻接地故障、低阻接地故障和非線性弧光接地故障下都具有較好的可行性。王毅等[3]針對以往定位方法存在的問題，提出了一種基于孿生神經網絡的故障區段定位方法，主要使用孿生神經網絡進行故障點上下游信號的相似性匹配，從而實現故障區段的準確定位。葉雨晴等[4]著眼于柔性開關設備的發展趨勢，提出一種基于柔性開關設備的新的定位方法，通過消弧線圈對于低頻外加信號的一種過補償作用實現了故障區段定位，并通過仿真證明了該方法的可行性與正確性。

以上方法在光纜中斷與經過多路由段的光纜故障導致的脫網故障中實際定位效果不好，本文設計了一種基于Dijkstra算法的電力光通信網絡智能運維設備脫網故障區段定位方法。

1 設備脫網故障區段定位

1.1 確定映射關系

選擇數據驅動方法中的LightGBM算法，通過大量樣本確認脫網故障區段與故障電流分布間映射關系。具體步驟如下。

步驟1 特征選擇在應用數據驅動方法前，需要確定標簽集與特征集的組成。根據獲取的實際量測信息，選擇聯絡開關開斷情況與脫網故障前后有效穩態電流值變化量作為樣本特征。并將脫網故障線路編號作為標簽，構建標簽與樣本特征間的映射關系[5]。

步驟2 選擇分類模型

選擇多分類框架對脫網故障判斷模型進行設計，具體標簽為：

步驟3 構建選擇標簽與特征的弱學習器

通過LightGBM算法構建選擇標簽與特征的弱學習器即多棵決策樹。通過多個樣本對弱學習器進行訓練，對樹群的輸出結果進行綜合決策以決定最終的脫網故障區段與故障電流分布間的映射關系模型[6]。

脫網故障區段與故障電流分布間的映射關系模型的構建過程具體如下。

首先，以迭代方式實現決策樹的生長與增加。

步驟4 生成樣本

利用MATLAB/Simulink 搭建電力光通信網絡模型，對脫網故障進行仿真，獲得訓練樣本。為確保資源數據準確性，在生成樣本的過程中，需要充分考慮負荷波動、噪聲干擾、運行方式切換、過渡電阻設置、故障位置分布等因素[7]。

●在負荷波動因素模擬中，設定模型在1 s內負荷保持不變。并且在各組樣本仿真前，將各負荷設定為在0.8～1.2倍范圍中隨機選取，對不同負荷的波動進行模擬。

●在噪聲干擾的模擬中，針對實際數據與仿真數據之間存在一定隨機誤差的問題，在仿真數據中對白噪聲進行添加。將添加噪聲后的信噪比控制在50 dB以上，以模仿電力光通信網絡實際運行情況，并保留一定裕度。

●在運行方式切換的模擬中，設置每間隔一定數量的樣本，即重新對系統阻抗進行取值，取值的范圍為（3+4j）～（7+8j）?[8]。在各樣本的仿真開始之前，重新設定聯絡開關狀態，保證以全部線路不失電為前提，對一種運行方式進行隨機選取。

●在過渡電阻設置中，采用隨機方式進行取值，取值范圍為0～1 400 ?。

●在故障位置分布的模擬中，為確保各樣本故障位置的分布相對均勻，首先將故障設置為均勻分布在所有相，在線路中的任一位置隨機發生。接著測試訓練效果與訓練樣本數量之間的關系，選擇一個既能確保故障位置分布能夠覆蓋全部線路，又可以獲得良好訓練效果的數量，將其當作實際樣本訓練數量。

1.2 脫網故障區段搜索

基于Dijkstra算法尋找脫網故障區段與故障電流分布間映射關系的最短路徑，實施脫網故障區段搜索。對Dijkstra算法進行改進，設計一種基于二叉排序樹的Dijkstra算法實施搜索[9]。引入二叉排序樹前，先實施中間節點的排序，能夠解決Dijkstra算法計算量較大的問題。

二叉排序樹的構造流程如下。

步驟4 重復步驟（2）～步驟（3），直到全部元素都被插入二叉樹中。

基于二叉排序樹的Dijkstra算法的運行流程具體如下。

步驟3 將鄰接節點的權值直接導入構造的二叉排序樹，實施權值的排序操作。

步驟6 對二叉排序樹內的各元素進行更新，更新后的元素集合如式（5）。

步驟9 再次對二叉排序樹進行更新。

步驟10 重復步驟4～步驟9，直到Open頂點的集合變成空集。

步驟11 以記錄下的父節點為依據，依次向上追溯，獲得映射關系的最短路徑[10]。

1.3 脫網故障區段定位

本文設計了一種電力光通信網絡智能運維設備脫網故障區段定位平臺，實現脫網故障點即智能運維設備信號丟失的定位與告警[11]。平臺為5層架構，分別為物理層、采集層、數據層、能力層和應用層。

通過采集層的網管采集適配模塊，將數據層的下層網管的告警、配置數據和業務數據，存儲在數據庫中。通過信號采集卡采集智能運維設備信號丟失數據，梳理設備端口告警光路信息，獲取光路的光纜段信息，采用自頂向下的方法建立網絡端口到光路的關聯模型。

在數據層中，基于第1.1節實現的脫網故障區段與故障電流分布間映射關系，對各種數據進行配置，形成統一的網絡資源數據，結合第1.2節脫網故障區段搜索建立傳輸?數據跨專業關聯分析模型，實施脫網故障數據的關聯規則分析，挖掘脫網故障溯源數據。

在能力層中，資源管理及稽核模塊能夠實現相應的資源數據管理及稽核校準功能，并進行脫網設備告警。

在物理層中，通過路由分析可發現網絡潛在隱患，設置任務進行及時處理[12]。

在應用層中，通過改進細菌覓食算法（improved bacterial foraging algorithm，IBFA）實現脫網故障點定位[13]。同時拓撲管理以靜態圖形方式呈現所有網元與網元間的連接關系，通過相關的告警及業務數據對網絡運行狀態進行渲染呈現，使網絡運維人員能夠直觀地監控網絡、網元、業務的運行狀態以及脫網設備定位結果。其中脫網故障設備定位的具體步驟如下。

步驟2 對各開關節點的開關函數進行編寫。

步驟3 以開關函數為基礎對相關的評價函數進行確定。

步驟4 螢火蟲種群具體如式（6）。

對螢火蟲種群實際空間位置進行初始化處理，也就是將每只螢火蟲的位置直接隨機初始化為1或者0。

步驟6 根據式（8）對螢火蟲的飛行速度進行更新。

步驟7 對螢火蟲的空間位置向量進行更新。

步驟8 對吸引度與評價函數值進行計算。

步驟9 對記憶池中的個體進行更新。

步驟10 對個體之間的親和度進行計算。

步驟11 通過記憶池中的個體對每代螢火蟲中的較差個體進行替換。

步驟12 對每代螢火蟲中最亮個體實施變異操作，具體如式（9）所示。

步驟12判斷是否運行至最大迭代次數。如是，直接跳出循環，找到的螢火蟲最優位置向量即各脫網智能運維設備的定位結果；如否，則將迭代次數加一，轉至步驟6。

2 實例實驗與結果分析

2.1 實驗區段

對于設計的基于Dijkstra算法的電力光通信網絡智能運維設備脫網故障區段定位方法，在某地的電力光通信網絡中開展其性能測試。在該電力光通信網絡某段發生光纜中斷與經過多路由段的光纜故障時，對設計方法進行測試。

實驗電力光通信網絡由兩種區域構成：一種是 SDH環網電路區域，共有32個光通信網絡節點，節點序號為3-4～3-36，也就是有31個區段；另一種是環狀電力區域，共有28個光通信網絡節點，節點序號為18-2～18-30，也就是有27個區段。

在SDH環網電路區域中，共包含50臺智能運維設備，在外層環狀電力區域中，共包含30臺智能運維設備，分別對SDH環網電路區域、外層環狀電力區域進行脫網故障區段定位。

2.2 實驗方法設計

首先實施光纜中斷導致的脫網故障區段定位，接著實施經過多路由段的光纜故障下的脫網故障區段定位，分別測試設計方法的定位結果與定位性能。

在測試中，將文獻[2]與文獻[3]中提出的定位方法作為測試中的對比方法，分別進行測試。

在所提方法的脫網故障區段定位中，首先利用MATLAB/Simulink搭建實驗電力光通信網絡模型，獲得訓練樣本。通過大量樣本實現脫網故障區段與故障電流分布間映射關系的確定。接著基于Dijkstra算法尋找脫網故障區段與故障電流分布間映射關系的最短路徑，實施脫網故障區段搜索，確認脫網故障區段后，利用設計平臺進行故障點定位與告警。定位中的IBFA算法參數設置見表1。

表1 IBFA算法參數設置

2.3 測試結果

2.3.1 光纜中斷導致的脫網故障區段定位

在 SDH環網電路區域中，光纜中斷導致的脫網故障區段定位結果如圖1（a）所示。在外層環狀電力區域，光纜中斷導致的脫網故障區段定位結果如圖1（b）所示。

圖1 光纜中斷導致的脫網故障區段定位結果

由圖1（a）可知，在 SDH環網電路區域內電纜中斷導致的脫網故障區段定位中，本文方法的定位結果與實際位置最貼近，定位最準確，其次是文獻[2]中提出的方法、文獻[3]中提出的方法。

由圖1（b）可知，在 外層環狀電力區域內光纜中斷導致的脫網故障區段定位中，本文方法的定位結果與實際位置最貼近，但定位精度比SDH環網電路區域內的低。文獻[2]、文獻[3]中提出的方法的定位精度相似，低于本文方法。

2.3.2 多路由段的光纜故障下的脫網故障區段定位

在 SDH環網電路區域中，多路由段的光纜故障下的脫網故障區段定位結果如圖2（a）所示。在環狀電力區域，多路由段的光纜故障下的脫網故障區段定位結果如圖2（b）所示。

圖2 多路由段的光纜故障下的脫網故障區段定位結果

由圖2（a）可知，在 SDH環網電路區域中，多路由段的光纜故障下的脫網故障區段定位精度整體低于光纜中斷導致的脫網故障區段定位精度，其中本文方法的定位精度最高。

由圖2（b）可知，在 外層環狀電力區域中，多路由段的光纜故障下的脫網故障區段定位精度整體同樣低于光纜中斷導致的脫網故障區段定位精度，但本文方法的定位精度仍高于其他兩種方法。

3 結束語

在智能運維設備脫網故障的研究中，本文設計了一種基于Dijkstra算法的電力光通信網絡智能運維設備脫網故障區段定位方法，通過與文獻[2]、文獻[3]的對比實驗可知，在SDH環網電路區域中的光纜中斷導致的脫網故障區段定位、多路由段的光纜故障下的脫網故障區段定位，以及在環狀電力區域中的多路由段的光纜故障下的脫網故障區段定位，該方法的定位結果與實際位置最貼近，定位最準確。本文方法實現了精準的脫網故障設備定位，對于電力光通信網絡的發展有很大意義。

[1] 楊耿杰, 許曄, 高偉, 等. 基于能量譜相似度自適應聚類的配電網接地故障區段定位方法[J]. 電力自動化設備, 2021, 41(3): 25-32.

YANG G J, XU Y, GAO W, et al. Grounding fault section location method of distribution network based on adaptive clustering of similarities between energy spectra[J]. Electric Power Automation Equipment, 2021, 41 (3): 25-32.

[2] 王鋼, 曾德輝, 李松奕, 等. 一種基于零序特征量的配電網接地故障區段定位方法[J]. 電力自動化設備, 2021, 41(1): 34-40, 68.

WANG G, ZENG D H, LI S Y, et al. Fault section location method for grounding fault of distribution network based on zero-sequence characteristic[J]. Electric Power Automation Equipment, 2021, 41 (1): 34-40, 68.

[3] 王毅, 李曙, 李松濃, 等. 基于自校驗孿生神經網絡的故障區段定位方法[J]. 電子技術應用, 2022, 48(7): 60-66, 73.

WANG Y, LI S, LI S N, et al. Fault segment location method based on self-checking siamese convolutional neural network[J]. Application of Electronic Technique, 2022, 48 (7): 60-66, 73.

[4] 葉雨晴, 馬嘯, 林湘寧, 等. 基于SOP的主動式諧振接地配電網單相接地故障區段定位方法[J]. 中國電機工程學報, 2020, 40(5): 1453-1464.

YE Y Q, MA X, LIN X N, et al. Active fault locating method based on SOP for single phase grounding faults in the resonant grounding distribution network[J]. Proceedings of the CSEE, 2020, 40 (5): 1453-1464.

[5] 朱占春, 潘宗俊, 唐金銳, 等. 基于單端暫態能量譜相似性的配電網故障區段定位新方法[J]. 電力科學與技術學報, 2021, 36(2): 180-191.

ZHU Z C, PAN Z J, TANG J R, et al. A novel fault location method for power distribution systems using energy spectrum similarity analysis of single-terminal transient waveform[J]. Journal of Electric Power Science and Technology, 2021, 36 (2): 180-191.

[6] 李振興, 王朋飛, 王新, 等. 基于幅值特征和Hausdorff距離的配電網故障定位方法[J]. 電力系統自動化, 2020, 44(7): 169-177.

LI Z X, WANG P F, WANG X, et al. Fault location method of distribution network based on amplitude feature and hausdorff distance[J]. Automation of Electric Power Systems, 2020, 44 (7): 169-177.

[7] 王玲, 鄧志, 馬明, 等. 基于狀態估計殘差比較的配電網故障區段定位方法[J]. 電力系統保護與控制, 2021, 49(14): 132-139.

WANG L, DENG Z, MA M, et al. A method for locating fault sections in distribution networks based on the comparison of state estimation residual errors[J]. Power System Protection and Control, 2021, 49 (14): 132-139.

[8] 陶維青, 肖松慶, 李林, 等. 基于雙精英蟻群算法的配電網故障區段定位[J]. 合肥工業大學學報: 自然科學版, 2020, 43(12): 1626-1632.

TAO W Q, XIAO S Q, LI L, et al. Fault location of distribution network based on double elite ACO[J]. Journal of Hefei University of Technology(Natural Science), 2020, 43 (12): 1626-1632.

[9] 侯思祖, 郭威, 王子奇, 等. 基于小波AlexNet網絡的配電網故障區段定位方法[J]. 電測與儀表, 2022, 59(3): 46-57.

HOU S Z, GUO W, WANG Z Q, et al. Fault segment location method for distribution network based on wavelet AlexNet network[J]. Electrical Measurement & Instrumentation, 2022, 59 (3): 46-57.

[10] 徐艷春, 趙彩彩, 孫思涵, 等. 基于改進LMD和能量相對熵的主動配電網故障區段定位方法[J]. 中國電力, 2021, 54(11): 133-143.

XU Y C, ZHAO C C, SUN S H, et al. Fault location for active distribution network based on improved LMD and energy relative entropy[J]. Electric Power, 2021, 54 (11): 133-143.

[11] 王巍璋, 王淳, 尹發根. 基于可達矩陣和貝葉斯定理的含分布式電源的配電網故障區段定位[J]. 中國電力, 2021, 54(7): 93-99, 124.

WANG W Z, WANG C, YIN F G. Reachability matrix and Bayes’ theorem based fault section location of power distribution network with distributed generation[J]. Electric Power, 2021, 54 (7): 93-99, 124.

[12] 郭壯志, 陳濤, 徐其興, 等. 配電網故障區段定位的互補松弛約束新模型與算法[J]. 電力自動化設備, 2020, 40(5): 129-136.

GUO Z Z, CHEN T, XU Q X, et al. Novel fault section location model for distribution network with complementary relaxation constraints and its algorithm[J]. Electric Power Automation Equipment, 2020, 40 (5): 129-136.

[13] 朱昊宇, 賈振堂, 李強. 基于CNN的配電網故障區段定位[J]. 水電能源科學, 2021, 39(7): 188-191.

ZHU H Y, JIA Z T, LI Q. CNN-based fault location of distribution network[J]. Water Resources and Power, 2021, 39(7): 188-191.

A method for locating fault sections of power optical communication network intelligent operation and maintenance equipment off-grid based on Dijkstra algorithm

ZHANG Hailong, LI Bo, JIA Najuan

State Grid Gansu Electric Power Company Pingliang Power Supply Company, Pingliang 744000, China

In order to determine the mapping relationship between the off grid fault section and the fault current distribution, and find the shortest path between the off grid fault section and the fault current distribution, an off grid fault section location method based on Dijkstra algorithm was designed for the intelligent O&M equipment of the electro-optical communication network. The LightGBM algorithm in the data-driven method was selected to determine the mapping relationship between the off grid fault section and the fault current distribution through a large number of samples. Based on Dijkstra algorithm, the shortest path of mapping relationship was found, and the off network fault section was searched. The location platform for off grid fault section of intelligent operation and maintenance equipment of power optical communication network was designed to realize the location and alarm of off grid fault point, namely, signal loss of intelligent operation and maintenance equipment. The comparison experiment shows that the location result of this method was the closest to the actual location and the most accurate in the off network fault section location caused by the interruption of optical cable in the SDH ring network circuit area, the off network fault section location caused by the fault of optical cable in the multi way bus section, and the off network fault section location scenario caused by the fault of optical cable in the multi way bus section in the ring power area. It effectively improved the accuracy of fault location and has good applicability.

Dijkstra algorithm, power optical communication network, data-driven method, intelligent operation and maintenance equipment, IBFA algorithm, off-grid fault section location

TM77

A

10.11959/j.issn.1000?0801.2023012

2022-09-16；

2023-01-06

張海龍，yeqinfuc2@163.com

張海龍（1992-），男，國網甘肅省電力公司平涼供電公司工程師，主要研究方向為多域光網絡、自動化系統、有源器件光芯片等。

李博（1998-），男，國網甘肅省電力公司平涼供電公司助理工程師，主要研究方向為通信系統、通信設備等。

賈娜娟（1991-），女，國網甘肅省電力公司平涼供電公司工程師，主要研究方向為無線光通信網絡、機器學習和物聯網等。