一种光纤线路状态预警系统的设计与实现

何建强，刘 皎

（商洛学院 电子信息与电气工程学院，商洛726000）

在电力系统中，光纤通信系统的可靠性与电力系统能否安全稳定运行密切相关。如果光纤线路发生故障，将导致巨大的经济损失[1]。光纤线路状态预测作为智能电网的重要组成部分，接受来自各种监测与诊断系统或现场运行人员的状态报告，预测光纤线路未来的发展趋势，并根据预测结果确定是否调整线路的运行方式，或确定设备的维修时间、维修类型及维修范围，对于线路的维修决策具有重大的意义。随着电力系统向智能化方向发展，运营商需要及时了解光纤线路的运行状态，从而为调整运行方式和提高光纤线路可用率做好决策，实现线路的智能化管理。因此，对光纤线路预测预警技术的研究显得尤为重要。本文根据光功率在时间序列上的数学特征，提出了一种基于小波变换的自回归滑动平均模型ARMA+RBF 组合预测模型[2]。对光功率时间序列中的高频随机因子和低频趋势因子采用小波变换方法进行分析，并构建了光功率时间序列的ARMA+RBF 组合预测模[3]。对光功率进行趋势分析并进行预测，并基于光纤检测平台进行了系统的软件和硬件设计，实现了光纤线路状态预警系统。

1 光纤线路状态预警系统的组成结构

本系统分为两个部分： 前端光功率监测模块（硬件系统）和后端光纤线路监测数据预测模块（软件系统），二者联合起来组成整个系统，整个系统结构如图1 所示。

图1 光纤线路状态预警系统组成结构Fig.1 Composition of fiber optic line state early warning system

2 硬件监测系统设计

光功率监测模块内置于光纤通信室，主要完成光纤线路实时数据的采集。它由两个单元组成：OSU（光交换单元）和AIU（光功率采集单元）。AIU 单元负责监控光路的在线功率，OSU 单元由光学辅模块和光路主交换交换模块组成，主要负责系统的光路切换[4]。系统监测模块的硬件组成如图2 所示。

图2 系统监测模块Fig.2 System monitoring module

本系统为了不影响工作光纤的数据传输，仅提取3%的光用于光功率值监测，RS232-USB 串行电缆用于将硬件监控模块连接到PC 主机。将采集到的实时数据传送至上位机，通过预警系统软件进行数据分析。图3 显示了监控模块内部模块的连接图。

图3 监测模块内部连接实物图Fig.3 Physical diagram of internal connection of monitoring module

3 ARMA+RBF 组合预测模型

光功率是具有非线性，复杂性随时间变化的时间序列数据[2，4]，其变化直接影响光纤通信系统的可靠性。为了获得光功率数据的变化序列项，首先采用二进制小波变换对原始序列进行分解，得到原始序列中的高频信息和低频信息。其中低频信息对应于光功率时间序列的趋势项；高频信息对应于光功率时间序列的随机项[2-3]。在小波分解和预处理数据的重构后，采用ARMA+RBF 组合模型进行预测，获得最终预测结果。整个流程如图4 所示。

图4 ARMA-RBF 组合预测框图Fig.4 ARMA-RBF combination prediction block diagram

3.1 基于小波变换的数据预处理

小波预处理的具体算法步骤如下：

步骤1使用二抽取进行信号分解。z 表示原始数据信号，分解算法如式（1）所示，最终z 分解为X1，X2，…，XJ和YJ。

步骤2为了避免数据的减少而降低预测结果的精度，采用二插值重构算法对其进行重构，得到与原始数据信号长度一致的分解信号。算法如式（2）所示，X1，X2，…，XJ和YJ分别进行重构，得到x1，x2，…，xJ和yJ。

3.2 构建时间序列神经网络组合预测模型

对小波分解和重构后的数据序列｛xt｝和｛yt｝分别建模，高频部分｛xt｝的时间序列建模步骤如下：

步骤1判断数据平稳性：采用游程检验法，判断序列平稳性。

步骤2平稳化处理： 为获得平稳时间序列，对｛xt｝进行d 阶差分处理。

步骤3模型识别：通过观察样本的自相关和部分自相关函数的截断来判断数据序列的模型类型[4-5]。若两序列不具有截尾性，则适合ARMA 模型。将计算得到的平稳光功率时间序列｛xt′｝应用于ARMA模型进行描述。

步骤4模型定阶：使用信息定阶（AIC）准则来确定ARMA 模型中的p，q 值。

步骤5参数估计：使用矩估计法对aj，bk进行处理，得到ARMA 模型。

低频部分｛yt｝的RBF网络模型[4，7]的建模步骤如下：

步骤1根据输入向量，采用高斯核函数来确定隐层每个单元的中心值和宽度参数。高斯核函数表达式为

‖y-ci‖为欧几里德距离，通过计算欧氏范数来描述y 和ci之间的距离，找出最接近输入样本中心cmin。设计调整函数来学习并计算欧氏范数，调整函数为

对于t 组中的第j 组输入向量，调整学习训练频率a 来逼近欧氏范数最小值。为了能够自适应的选取中心以及隐层单元个数，在寻找样本中心的过程中引入对数型训练因子来调整网络训练频率，训练因子为

每次训练处函数最小中心值为

步骤2根据确定的中心和宽度，利用线性变换求出输出层权值wis，本文选取最小均方法来学习输出层权值。

步骤3对神经网络进行训练，得到RBF 预测模型建，如下所示：

最后进行低频ARMA 模型和高频RBF 模型的组合，得到ARMA-RBF 组合预测模型：

3.3 仿真分析

本文选择吉林市某供电公司机关一变（2017 年9 月1 日～2018 年5 月8 日） 每日平均光功率值作为实验数据，提取250 个样本进行建模，选取前200个样本作为测试，对未来50 d 的光功率值进行预测并进行比较。

由小波分解的高频和低频部分分别由ARMA和RBF 建模。高频部分是固定时间序列，因此模型使用AIC 最小信息标准直接固定，并且采用时最小AIC 值为-7.2114。确定模型为ARMA（11，8）。低频部分使用RBF 神经网络，达到最佳效果时的神经元数量为12。将高频和低频部分进行合成即可获得最终预测结果，如图5 所示。

图5 ARMA+RBF 组合预测模型输出预测曲线Fig.5 Output prediction curve of ARMA+RBF combination prediction model

从图中可以看出，对于原始的光功率时间序列，预测曲线能够很好地模拟出光纤状态趋势，并且在波动比较大时，对于光功率细节信息也能有较好的把握。使用均方根误差（RMSE）作为评价指标，该模型预测结果的RMSE 值仅为0.0857。

4 软件系统平台设计

4.1 软件设计流程

根据系统业务流程进行软件概要设计，光纤线路状态在线监测专家预警系统软件平台包括设备控制模块、在线监测模块、数据预处理模块、预测建模模块和状态预警模块[5]。软件功能结构如图6 所示。

图6 软件功能结构图Fig.6 Software functional structure diagram

为了提高该系统数据监测与光功率预测的准确性，利用COM 组件实现Matlab 与C#的混合编程，使用Matlab 引擎技术调用神经网络工具箱[6]。C#.NET 下利用Matlab 引擎技术实现神经网络过程如图7 所示。

图7 C#.NET 引擎技术实现神经网络工具箱过程Fig.7 C#.NET engine technology implementing neural network toolbox process

4.2 软件界面

光纤监测的模式分为两部分：自动监测模式和手动监测模式。光纤监测系统主要完成对通过AIU单元的光路在线功率的监测。当光路中的光功率值低于告警阈值时，自动发出告警，OSU 单元自动切换到OTDR 专用光路[7-8]。系统的OTDR 测试模块自动检测光路。

自动监测模式下首先在光路监控参数设置中选择自动模式，然后从已有的光纤线路中选取要被监测的线路，同时在工作波长区域能够自动显示出每条线路的波长，最后设定每条线路的告警门限值[9]。光纤监控参数设置界面如图8 所示。

在建模之前，需要对数据进行预处理。在数据预处理界面提供了小波的选择。目前系统提供了DB1，DB2，…，DB4 波的选取功能如图9 所示。

图8 系统监测界面Fig.8 System monitoring interface

图9 小波选取界面Fig.9 Wavelet selection interface

在选择完小波预处理算法后，进入组合模型建模界面，将线路名称及参数输入完毕后首先需要用户点击预处理按钮进行小波的预处理，然后再进行组合模型的建模步骤[10]。将建立完毕的组合模型存储后，进入预测界面，选取刚才存储的组合模型并输入参数信息进行光功率的预测，预测结果见图10。

图10 组合模型预测界面Fig.10 Combination model prediction interface

5 结语

本文采用基于小波变换的ARMA+RBF 组合预测模型，建立了光纤线路状态监测系统。首先，构建了硬件采集平台，实时采集监测数据，建立了SQL SERVER 数据库用于监测数据的存储。为了便于运行人员的使用，应用C# 语言开发友好图形化操作界面，利用Matlab 强大的数值计算能力，实现数据预测。此监测系统包含了数据监测模块、数据预处理模块、数据预测模块以及图形显示模块等，使用吉林某电业局机关一变真实数据进行了软件验证测试，通过测试验证了本系统的所有功能。该系统的设计和实现为电力系统提前做出维护决策提供了理论依据和技术支持。