基于光纤传感技术的综合智能化光缆线路故障诊断

方 明

(中国南方电网有限责任公司超高压输电公司贵阳局，贵州 贵阳 550081)

高密度、大容量和高速的光缆网络是现代化光缆通信的重要基础，因此光缆网络线路的安全性和可靠性极为重要，一旦光缆线路发生故障，将影响正常的光缆通信，造成巨大的经济损失和社会影响[1]。光缆属于地下隐蔽线路，常常因为市政建设需要，有大型机械在光缆附近进行高密度、频繁持续的施工，直接危及光缆的安全性和可靠性，时常有毁损光缆的情况发生。传统的光缆线路故障诊断主要通过人工方法进行逐段排查，费时、费力、效率低下，已经不能满足现有要求，影响正常的光缆通信和客户满意度[2]。因此进行综合智能化光缆线路故障诊断具有重要的实际意义和理论价值。光纤传感器具有质量小、误码率低、带宽大和抗干扰能力强的优点，目前被广泛应用于工业、军事以及民用等领域。为提高光缆线路故障诊断的准确率，便于光缆线路的检修，本文提出一种基于光纤传感技术的综合智能化光缆线路故障诊断方法。

1 监测系统结构

为实现光缆线路综合智能化故障诊断，本文建立了基于4G通信网络技术的光缆线路故障监测与诊断系统，系统结构如图1所示。该监测系统采用树形结构，主要包括监测装置、通信网络和监控中心3个部分。

图1 监测系统结构图

1)光缆线路故障监测装置采用在线监测方式，主要利用光纤传感器技术采集光缆线路故障数据。

2)4G通信网络负责光缆线路故障数据的传输，主要由4G通信网络和4G路由器组成[3]。4G通信网络负责建立专用的光缆线路故障监测网络。用户端可以通过移动终端或者个人电脑(personal computer，PC)端访问光缆线路故障监测网络，及时查看光缆线路故障监测数据。

3)监控中心由监测客户端和服务器组构成。监测客户端采用上位机监测形式，能够及时查看光缆线路故障监测的各种数据、图形和报表。服务器组有3种形式：数据库服务器、通信服务器以及Web服务器。

系统的硬件结构图如图2所示。

图2 硬件系统结构图

图2中，光缆线路故障监测与诊断系统由光纤传感器、信号预处理、4G网络通信、TMS320F2812 DSP核心处理器模块[4]、上位机模块和极限学习机(extreme learning machine，ELM)故障诊断模块等组成。实际使用时，首先采集光缆线路故障数据并做预处理，然后将其传输到TMS320F2812 DSP核心处理器的ADC转换接口进行数据转换和存储，最后通过监测现场的光缆线路故障显示器进行实时监控。

2 光缆线路故障诊断方法

2.1 小波包变换

与小波变换相比，小波包变换能够多层次划分信号频带，可以更加精细化地分析信号的时频特性，更深层次挖掘信号细分的高频部分的特征信息。本文综合多种因素并借鉴以往的经验，选择coif4小波进行三层小波包分解。Coif4三层小波包分解后所得8个子频带如图3所示，其排列次序为(3,0)(3,1)(3,2)(3,3)(3,4)(3,5)(3,6)(3,7)。

图3 三层小波包分解结构图

信号S经小波包分解i层后，可得到2i个子频带，因此信号S可表示为[5-6]：

(1)

式中：Si,j为第i分解层上节点(i,j)的重构信号。

S(3,j)表示第3分解层的第j个子频带，则S(3,j)对应的小波包能量为：

(2)

式中：E(3,j)为信号S第3分解层上节点(3,j)的频带能量；t为时间；n为信号采样点数；xj, k(j=0,1,2,…,7;k=1,2,…,n)为重构信号Si,j的离散点幅值。第3分解层的第j个子频带的小波包总能量值Eopj为：

(3)

因此，小波包能量特征为：

TT=[Eop0，Eop1，Eop2，Eop3，Eop4，

Eop5，Eop6，Eop7]

(4)

式中：TT为每个子频带的总能量值的特征向量。

小波包标准差特征为：

Std=[Stdop0，Stdop1，Stdop2，Stdop3，

Stdop4，Stdop5，Stdop6，Stdop7]

(5)

式中：Std为每个子频带的小波包标准差的特征向量；stdopi为第3分解层的第i个子频带的小波包标准差。

Shannon熵特征为：

En=[Enop0，Enop1，Enop2，Enop3，

Enop4，Enop5，Enop6，Enop7]

(6)

式中：En为每个子频带的Shannon熵的特征向量；Enopi为第3分解层的第i个子频带的Shannon熵。

2.2 ELM模型

假定ELM模型的隐含层节点数为L，有N个训练样本(yi,ti)，i=1, 2, … ,N，其中yi和ti分别为ELM模型的输入变量和目标输出变量，那么ELM模型可表示为[8]：

(7)

式中：βj为隐含层与输出层之间的连接权值；g(·)为激活函数；wj为输入层初始权值；bj为隐含层偏置；οi为ELM模型的输出。

如果存在βj，wj和bj使得所有训练样本(yi,ti)能够零误差逼近，则有[9]：

(8)

式(8)的矩阵形式为：

Hβ=T

(9)

式中:β=[β1,β2, … ,βM]T；T=[t1,t2, … ,tN]T；H为ELM模型的隐含层输出矩阵。

通常在实际训练过程中，L≪N且wj和bj是随机产生的，则ELM模型的输出权重β的最小二乘解β*为：

β*=H+T

(10)

式中：H+为矩阵H的Moore-Penrose广义逆阵。

3 综合智能化光缆线路故障诊断

一般的光缆线路故障主要分为机械故障和电气故障，机械故障分为钩挂故障和锚砸故障，电气故障分为短路故障和漏电故障。本文主要研究短路故障、漏电故障、钩挂故障以及锚砸故障等4类故障的光缆线路故障诊断。基于光纤传感器技术的综合智能化光缆线路故障诊断流程如图4所示。首先，通过光纤传感器监测、采集光缆线路故障信号数据；其次，先用小波包3层分解和重构光缆线路故障信号，之后提取小波包能量特征、小波包标准差特征和Shannon熵特征；再次，将提取的特征数据划分成训练样本和测试样本，针对训练样本将光缆线路故障特征数据和故障类型(短路故障、漏电故障、钩挂故障以及锚砸故障)作为ELM模型的输入和输出，建立光缆线路故障的ELM识别模型；最后运用测试样本测试、验证光缆线路故障的ELM识别模型的有效性。

图4 诊断流程图

4 实验与结果分析

为验证光缆线路故障诊断的效果，本文选择贵阳市某社区的3.5 km 110 kV 光纤复合电缆为研究对象，采用A、B、C三相铺设，每相光缆复合两个光单元。以正常信号、短路故障信号、漏电故障信号、钩挂故障以及锚砸故障信号等样本数据为研究对象，其中正常信号47组、短路故障信号49组、漏电故障信号42组、钩挂故障信号49组以及锚砸故障信号57组，光缆线路故障诊断样本数据分布情况见表1。

表1 光缆线路故障样本数据分布

针对训练样本将光缆线路故障特征数据(小波包能量特征、小波包标准差特征和Shannon熵特征)和故障类型(短路故障、漏电故障、钩挂故障以及锚砸故障)作为ELM模型的输入和输出，建立光缆线路故障的ELM识别模型，光缆线路不同故障编码见表2。为验证ELM模型进行光缆线路故障诊断的有效性，将ELM与支持向量机(support vector machine，SVM)、径向基神经网络(radius bias function network，RBFNN)和前馈神经网络(back propagation network，BPNN)进行对比，对比结果见表3。

表2 光缆线路故障编码

由表3可知，与SVM、RBFNN和BPNN相比，ELM进行光缆线路故障诊断时，各种故障信号的诊断正确率均是最高，而BPNN的光缆线路故障诊断正确率最低。由此可知，从光缆线路不同故障诊断的正确率来看，ELM具有更高的正确率，为光缆线路故障诊断提供了新的方法。

表3 光缆线路故障诊断结果 %

5 结束语

为实现光缆线路故障的在线监测和高精度诊断，融合光纤传感技术，本文提出了一种基于光纤传感技术的综合智能化光缆线路故障诊断方法。然而，本文只研究了5种典型信号的光缆线路故障监测与故障诊断，其他信号没有进行研究，后续将研究更多类型信号的光缆线路故障监测与故障诊断正确率，从而提高模型的适用性和可靠性。此外，本文只提取了光缆线路故障信号的小波包能量特征、小波包标准差特征和Shannon熵特征，可能未能完全表征光缆线路故障的特征，下一步将研究更多特征的光缆线路故障诊断。