CN104331635A - 电力光纤通信光功率预测的方法 - Google Patents

Abstract

电力光纤通信光功率预测的方法，涉及光纤通信状态预测技术领域，解决现有方法无法实现对线路状态趋势进行分析与预测，进而无法规避即将发生的故障等问题，提出一种改进的粒子群优化算法对预测模型中的参数进行优化，实现一种基于混合预测的电力光纤通信光功率预测方法，准确预测出线路未来状态趋势，预知线路未来可能发生的故障，提前制定维护策略，避免故障的发生，满足光纤通信不间断传输的要求。本发明采用改进的粒子群优化算法对SVM模型参数进行优化，使得模型不仅有较快的运算收敛速度，并具有良好的预测精度和稳定性。同时采用混合预测模型，能够有效地综合各单一预测模型各自的优势，弥补彼此的不足，有利于提高整体预测模型性能。

Description

电力光纤通信光功率预测的方法

技术领域

本发明涉及光纤通信状态预测技术领域，具体涉及一种电力光纤通信光功率预测的方法。

背景技术

为满足电力系统中信息能够高效、快速、可靠地传输需求，光纤通信网络作为骨干网络已得到广泛地应用。因此，一旦光纤线路发生故障，造成的通信中断将会给企业和用户带来巨大的经济损失。由于光纤线路上故障的不可避免，那么如何根据已有的光纤线路状态来预测出可能发生的光纤故障，提前做好维护和管理工作，进而避免故障的发生，保障通信正常进行具有重大意义。

光功率数据能够较全面地表征光纤线路的工作状态，是一种具有非线性、时变性和复杂性特性的时间序列数据。现有的电力光纤线路维护方法通常是通过实时在线监测光纤线路的光功率信息，当其变化超过所设的阈值时，则立即启动OTDR的测试，通过对OTDR测试曲线分析，完成故障诊断及定位，并由现场人员对故障点进行抢修，恢复通信。但该方法仅能对光纤线路中已发生的故障进行作出处理，并不能对线路状态趋势进行分析与预测，规避即将发生的故障。

发明内容

本发明为解决现有无法实现对线路状态趋势进行分析与预测，进而无法规避即将发生的故障等问题，提供了一种电力光纤通信光功率预测的方法。

电力光纤通信光功率预测的方法，该方法由以下步骤实现：

步骤一、采用二进正交小波对原始光功率数据进行预处理，获得低频光功率数据{x_t}和高频光功率数据{z_t}；

步骤二、对步骤一中预处理后获得的低频光功率数据{x_t}进行差分处理，获得平稳的低频光功率数据{x'_t}，对所述平稳的低频光功率数据{x'_t}构建ARIMA模型；

步骤三、选择高斯径向基函数，作为预测高频光功率数据{z_t}的SVM模型的核函数，确定参数组合(C,σ)，其中，C为惩罚系数，σ为高斯径向基函数的核参数；

步骤四、采用改进的粒子群优化算法对步骤三所述的参数组合(C,σ)进行优化，将优化后的参数组合(C,σ)代入SVM模型，对高频光功率数据{z_t}构建基于改进粒子群优化的SVM光功率预测模型；

步骤五、输入数据集，根据步骤二中的ARIMA模型和步骤五的中基于改进粒子群优化的SVM光功率预测模型，对步骤一中的低频光功率数据{x_t}和高频光功率数据{z_t}分别预测，并将预测结果组合叠加，实现光功率预测。

本发明的有益效果：本发明通过对电力光纤线路状态衡量指标的光功率数据进行研究，分析数据特征，构建混合预测模型，并提出一种改进的粒子群优化算法对预测模型中的参数进行优化，实现一种基于混合预测的电力光纤通信光功率预测方法，准确预测出线路未来状态趋势，预知线路未来可能发生的故障，提前制定维护策略，避免故障的发生，满足光纤通信不间断传输的要求。本发明采用改进的粒子群优化算法对SVM模型参数进行优化，克服了传统SVM参数选择的盲目性与局限性，使得模型不仅有较快的运算收敛速度，并具有良好的预测精度和稳定性。同时采用混合预测模型，能够有效地综合各单一预测模型各自的优势，弥补彼此的不足，有利于提高整体预测模型性能。

附图说明

图1为本发明所述的电力光纤通信光功率预测的方法的流程图。

图2为本发明所述的电力光纤通信光功率预测的方法中差分自回归移动平均模型建模流程图。

图3为本发明所述的电力光纤通信光功率预测的方法中改进的粒子群算法寻优流程图。

图4为本发明所述的电力光纤通信光功率预测的方法中改进的粒子群优化支持向量机参数的流程图。

具体实施方式

具体实施方式一，结合图1至图4说明本实施方式，电力光纤通信光功率预测的方法，该方法由以下步骤实现：

步骤一：采用二进正交小波对原始光功率数据进行预处理；

由于光功率数据是一种具有非线性、时变性和复杂性的时间序列数据，为提高预测精度，本实施方式采取混合预测的方法，通过小波变换技术对监测得到的原始光功率数据中低频线性分量部分和高频非线性部分分解，并分别对其重构，得到重构后的低频光功率数据{x_t}和高频光功率数据{z_t}；具体为：

(1)采用小波变换Mallat算法进行信号分解，得到长度为原始光功率数据信号长度的二分之一的分解数据信号。分解算法如式(1)所示。

X_j+1＝HX_j,Z_j+1＝GZ_j,j＝0,1,...,J                 (1)

其中，H为高通滤波器，G为低通滤波器，j为分解层数。原信号在分辨率2^-(j+1)下的高频信号为X_j+1，低频信号为Z_j+1。

(2)通过Mallat算法对分解后的数据信号进行重构，得到与原始光功率数据长度一致的信号。

x_j＝H^*x_j+1+G^*z_j+1,j＝J-1,J-2,...,0          (2)

其中，H^*和G^*分别是H和G的对偶算子。

步骤二：对预处理后表征原始序列趋势项的低频光功率数据{x_t}构建差分自回归移动平均(ARIMA)预测模型；

结合图2，采用趋势项预测，其具体步骤为：

(1)差分处理。为保证建模所需序列是平稳时间序列，故需对非平稳的低频光功率数据{x_t}平稳化，即进行d阶差分处理，处理后的平稳低频光功率数据{x'_t}。

(2)模型识别。通过计算样本的自相关和偏自相关函数初步判断序列的模型类型，处理后的平稳光功率数据{x'_t}可用式(3)所示的ARIMA模型描述。

$x_t^{\′}=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j{x}_{t-j}^{\′}+\underset{k=0}{\overset{q}{\mathrm{\Σ}}}{b}_k{e}_{t-k}---\left(3\right)$

其中，p，q分别为自回归阶数和滑动平均阶数，a_j，b_k为模型待估计系数；

(3)模型定阶。使用赤池信息准则(AIC)确定模型中的p，q值。

(4)参数估计。使用矩估计法分别对参数a_j，b_k进行估计，最终得到ARIMA模型。

步骤三：选择高斯径向基函数，作为预测高频光功率数据{z_t}的支持向量机(SVM)模型的核函数；确定参数组合；

高斯径向基函数在支持向量机中应用最广，因而采用高斯径向基函数作为SVM的核函数：

$K(z_i,z)=\exp (-\frac{\left|\right|z_i-z\left|\right|}{2{\mathrm{\σ}}^2})---\left(4\right)$

其中，σ为高斯径向基函数的核参数。

步骤四：采用改进的粒子群优化算法对支持向量机的参数组合(C,σ)进行优化，在全局范围内得到最优值；具体过程为：

1.自适应惯性权重ω：

粒子群优化(PSO)算法是从生物种群行为特征中得到启发并用于求解优化问题的，算法中每个粒子都代表问题的一个潜在解，用位置、速度和适应度值三项指标表示粒子特征。每个粒子对应一个由适应度函数决定的适应度值。粒子的速度决定了粒子移动的方向和距离，速度随自身及其他粒子的移动经验进行动态调整，从而实现个体在可解空间中的寻优。在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置。传统的PSO速度和位置更新公式如式(5)、式(6)所示：

$V_{\mathrm{id}}^{t+1}=\mathrm{\ω}{V}_{\mathrm{id}}^t+c_1{r}_1(P_{\mathrm{id}}^t-X_{\mathrm{id}}^t)+c_2{r}_2(P_{\mathrm{gd}}^t-X_{\mathrm{id}}^t)---\left(\text{5}\right)$

$X_{\mathrm{id}}^{t+1}=X_{\mathrm{id}}^t+V_{\mathrm{id}}^{t+1}---\left(6\right)$

其中，d＝1,2,...,D为空间维数；i＝1,2,...,M为粒子数；t为当前迭代次数；表示第i个粒子的飞行速度，表示第i个粒子的位置；和分别表示第i个粒子的个体最优解和全局最优解；ω为惯性权重，其大小决定了粒子对当前速度继承的多少；c₁和c₂为学习因子，取c₁＝c₂＝2；r₁和r₂为分布于(0,1)之间的随机数；群体规模即种群数量大小的选择，一般采用经验法取20～40，对较难的或特定类别的问题可以取到100～200，最大迭代次数为寻优终止条件。

惯性权重ω对整个PSO寻优过程起到重要作用，当ω较大时，全局搜索能力较强，收敛速度快，但局部搜索能力较弱；当ω较小时，局部搜索能力较强，有利于得到更为精确的最优解，但全局搜索能力较弱，收敛速度慢且有时会陷入局部极值。因此，本发明中采用改进的粒子群优化算法对SVM模型参数进行优化，改进的粒子群优化算法在于提出了一种新型的自适应惯性权重ω。针对不同的粒子，ω能根据其与全局最优粒子之间的距离大小而自适应变化，当粒子靠近全局最优粒子时，使ω尽量小，保证靠近最优点的粒子在最优点附近进行搜索；当粒子远离全局最优粒子时，使ω增大，保证能够较快速的搜索可能更优的点。考虑不同粒子与全局最优粒子之间的距离同时，ω也满足随着迭代次数的增加而非线性递减。通过引入该新型自适应惯性权重ω，能够实现全局搜索和局部搜索之间的平衡，对PSO优化算法收敛速度有了一定提升。具体实施如下：

首先，定义评估粒子优劣的适应度函数：

$f\left(y_j\right)=\sqrt{\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(y_j-{\hat{y}}_j)}^2}{n}}---\left(7\right)$

其中，n为训练样本数，y_j和分别为实际光功率值和将参数(C,σ)带入得到SVM模型预测出的光功率值。当函数f(y_j)取得最小值时所对应的SVM模型参数(C,σ)即为所求的最优解，即全局最优值P_gd。

然后，定义自适应距离d_i(t)：

$d_i\left(t\right)=\frac{f\left(y_i\right)-f\left(P_{\mathrm{gd}}^{t-1}\right)}{f_{\max }^{t-1}-f\left(P_{\mathrm{gd}}^{t-1}\right)}---\left(8\right)$

其中，f(y_i)为第i个粒子的适应度函数值，为第i个粒子在第t-1次迭代后所得的全局最优值，为在第t-1次迭代时最大的适应值。

因此，第i个粒子在第t次迭代的惯性权重ω_i(t)表示为：

${\mathrm{\ω}}_i\left(t\right)={\mathrm{\ω}}_{\max }-d_i\left(t\right)\·\frac{t}{T_{\max }}\·({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })---\left(9\right)$

其中，ω_max为ω的初值，取ω_max＝0.9；ω_min为迭代结束时的ω值，取ω_min＝0.4。

将ω_i(t)代入式(5)计算粒子速度，通过式(6)更新粒子位置，能够使迭代过程中粒子可以以更加适合的飞行速度去寻找自己下一次的位置，避免局部最优值的产生。

本实施方式中通过自适应距离d_i(t)调整惯性权重ω_i(t)，使其不仅随迭代次数增加而递减，并且随着粒子距全局最优点距离大小而变化,即权重ω_i(t)随粒子的不同而自适应变化，使得PSO优化算法的收敛速度和迭代次数都有了一定程度的改进。

2.改进的粒子群算法优化过程：

利用训练集数据，随机项预测，采用改进的粒子群优化算法，对支持向量机(SVM)模型参数(C,σ)进行优化，结合图3，具体步骤如下：

a)初始化：随机给定一组粒子的位置和速度，用改进的粒子群算法对支持向量机的惩罚系数C和高斯径向基函数的核参数σ进行优化。设粒子群种群大小M＝20，学习因子c₁＝c₂＝2，最大迭代次数T_max＝500，惯性权重ω_max＝0.9，ω_min＝0.4，将支持向量机的惩罚系数C和核参数σ构成一个微粒，即(C,σ)，并设最大速度限制V_max和最大位置限制X_max，使得V_max＝X_max，每个粒子的初始位置用P_i表示，所有粒子中最好的初始位置用P_g表示；

b)适应度评估：根据适应度函数式(9)计算每个微粒的适应度值，评价每个粒子的优劣；

c)计算个体和全局最优值：对优化中的每个粒子，将其适应值与该粒子当前的个体最优解P_i进行比较，若优于P_i，则将P_i设置为该粒子当前的最好位置，并更新个体极值P_i；对优化中的每个粒子，将其个体最优解中最好的与当前的全局最优解P_g进行比较，若优于P_g，则将P_g设置为该粒子的位置，并更新全局最优解P_g；

d)更新位置和速度：根据式(8)更新自适应距离d_i(t)，由公式(9)更新惯性权重ω_i(t)，并由式(5)、(6)分别更新每一个粒子的速度和位置；

e)终止条件的满足：如果当前的迭代次数达到了预先设定的最大次数T_max，或适应值满足最小误差要求，则停止迭代，输出优化最佳的SVM参数(C,σ)；否则返回步骤b)。

步骤五：代入经过优化的参数(C,σ)，对高频光功率数据{z_t}构建基于改进粒子群优化的SVM光功率预测模型，重新训练SVM模型，最终输出高频光功率数据的预测结果。如图4所示；

SVM的基本思想是将向量映射到一个更高维的特征空间，在这个空间里建立一个使不同类型数据点间隔最大的面，即最大间隔超平面。通过设定适当的核函数K(z,z_i)进行非线性变换将输入空间变换到一个高维空间，然后在这个新空间中求取最优线性分类面。因此，SVM的最优决策函数为：

$f\left(z\right)=\underset{\mathrm{SVS}}{\mathrm{\Σ}}{\mathrm{\α}}_i^{*}{y}_{i}K(z,z_i)+b_0^{*},0\≤{\mathrm{\α}}_i\≤C---\left(10\right)$

其中，为每个训练样本所对应的拉格朗日系数；K(z,z_i)为核函数，取高斯径向基函数如式(4)所示；C为惩罚系数，是SVM待优化参数；SVS为支持向量的个数；y_i∈{-1,1}；为偏置量，可由拉格朗日系数和核函数求出。

将采用改进的粒子群算法优化的参数(C,σ)带入式(10)，构建支持向量机预测模型。

步骤六：输入数据集，通过ARIMA模型和基于改进粒子群优化的SVM模型，对重构后的低频光功率数据{x_t}和高频光功率数据{z_t}分别预测，并将两部分预测结果组合叠加完成光功率预测。

Claims (4)

1.电力光纤通信光功率预测的方法，其特征是，该方法由以下步骤实现：

步骤一、采用二进制正交小波对原始光功率数据进行预处理，获得低频光功率数据{x_t}和高频光功率数据{z_t}；

步骤二、对步骤一中预处理后获得的低频光功率数据{x_t}进行差分处理，获得平稳的低频光功率数据{x′_t}，对所述平稳的低频光功率数据{x′_t}构建ARIMA模型；

步骤三、选择高斯径向基函数，作为预测高频光功率数据{z_t}的SVM模型的核函数，确定参数组合(C,σ)，其中，C为惩罚系数，σ为高斯径向基函数的核参数；

步骤四、采用改进的粒子群优化算法对步骤三所述的参数组合(C,σ)进行优化，将优化后的参数组合(C_,σ)代入SVM模型，对高频光功率数据{z_t}构建基于改进粒子群优化的SVM光功率预测模型；

步骤五、输入数据集，根据步骤二中的ARIMA模型和步骤五的中基于改进粒子群优化的SVM光功率预测模型，对步骤一中的低频光功率数据{x_t}和高频光功率数据{z_t}分别预测，并将预测结果组合叠加，实现光功率预测。

2.根据权利要求1所述的电力光纤通信光功率预测的方法，其特征在于，步骤一的具体过程为：通过具有多分辨率分析特性的Mallat算法对原始光功率数据中低频线性分量部分和高频非线性部分进行小波分解，并对分解后的中低频线性分量部分和高频非线性部分进行重构，获得重构后的低频光功率数据{x_t}和高频光功率数据{z_t}。

3.根据权利要求1所述的电力光纤通信光功率预测的方法，其特征在于，步骤二的具体过程为：

步骤二一、差分处理，对步骤一中低频光功率数据{x_t}平稳化，即进行d阶差分处理，处理后获得平稳低频光功率数据为{x′_t}，

步骤二二、模型识别，通过计算样本的自相关和偏自相关函数初步判断序列的模型类型，处理后的平稳光功率数据{x′_t}用ARIMA模型表示为：

$x_t^{\′}=\underset{j=1}{\overset{p}{\mathrm{\Σ}}}{a}_j{x}_{t-j}^{\′}+\underset{k=0}{\overset{q}{\mathrm{\Σ}}}{b}_k{e}_{t-k}$

其中，p，q分别为自回归阶数和滑动平均阶数，a_j，b_k为模型待估计系数，e_t-k为误差序列；

步骤二三、模型定阶，采用赤池信息量准则，确定ARIMA模型中的p，q值；

步骤二四、参数估计，采用矩估计法分别对参数a_j，b_k进行估计，最终获得ARIMA模型。

4.根据权利要求1所述的电力光纤通信光功率预测的方法，其特征在于，步骤四中采用改进的粒子群优化算法对步骤三所述的参数组合(C,σ)进行优化的具体过程为：

步骤四一、初始化，随机给定一组粒子的位置和速度，用改进的粒子群算法对SVM的惩罚系数C和高斯径向基函数的核参数σ进行优化，设定粒子群种群大小M，学习因子c₁＝c₂，最大迭代次数T_max，惯性权重ω的初值ω_max及迭代结束的值ω_min，将SVM的惩罚系数C和核参数σ构成一个粒子，即(C,σ)，并设定最大速度限制V_max和最大位置限制X_max，使V_max＝X_max，每个粒子的初始位置，即为个体最优解为P_i，P_g为全局最优解；

步骤四二、适应度评估，根据下式的适应度函数式计算每个粒子的适应度值，评价每个粒子的优劣；

$f\left(y_j\right)=\sqrt{\frac{\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(y_j-{\hat{y}}_j)}^2}{n}}$

其中，n为训练样本数，y_j和分别为实际光功率值和将参数(C,σ)带入得到SVM模型预测出的光功率值。

步骤四三、计算个体最优解和全局最优解，对优化中的每个粒子，将其适应值与该粒子当前的个体最优解P_i进行比较，若优于个体最优解P_i，则将个体最优解P_i设置为该粒子当前的最佳位置，并更新个体最优解P_i；对优化中的每个粒子，将个体最优解中最佳好的与当前的全局最优解P_g进行比较，若优于全局最优解P_g，则将全局最优解P_g设置为该粒子的位置，并更新全局最优解P_g；

步骤四四、更新位置和速度，采用下式更新每一个粒子的速度和位置，以及更新自适应距离d_i(t)和第i个粒子t次迭代的惯性权重ω_i(t)；

$V_{\mathrm{id}}^{t+1}=\mathrm{\ω}{V}_{\mathrm{id}}^t+c_1{r}_1(P_{\mathrm{id}}^t-X_{\mathrm{id}}^t)+c_2{r}_2(P_{\mathrm{gd}}^t-X_{\mathrm{id}}^t)$

$X_{\mathrm{id}}^{t+1}=X_{\mathrm{id}}^t+V_{\mathrm{id}}^{t+1}$

$d_i\left(t\right)=\frac{f\left(y_i\right)-f\left(P_{\mathrm{gd}}^{t-1}\right)}{f_{\max }^{t-1}-f\left(P_{\mathrm{gd}}^{t-1}\right)}$

${\mathrm{\ω}}_i\left(t\right)={\mathrm{\ω}}_{\max }-d_i\left(t\right)\·\frac{t}{T_{\max }}\·({\mathrm{\ω}}_{\max }-{\mathrm{\ω}}_{\min })$

式中，d为空间维数，i为粒子数，t为当前迭代次数；表示第i个粒子的飞行速度，表示第i个粒子的位置；和分别表示第i个粒子第t次迭代的个体最优解和全局最优解；r₁和r₂为分布于(0,1)之间的随机数；f(y_i)为第i个粒子的适应度函数值，为第i个粒子在第t-1次迭代后所得的全局最优值，为在第t-1次迭代时最大的适应值；

步骤四五、终止条件的满足，如果当前的迭代次数达到了预先设定的最大次数T_max或适应值满足最小误差要求，则停止迭代，输出优化最佳的SVM参数(C,σ)；否则返回步骤四二。