CN106529701A - 基于改进的萤火虫算法优化神经网络的光纤状态预测方法 - Google Patents

Abstract

基于改进的萤火虫算法优化神经网络的光纤状态预测方法，涉及光纤线路状态预测技术领域，解决现有技术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，采用本发明所述的预测方法采用改进的萤火虫算法对Elman神经网络预测模型中的参数进行优化，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。采用改进的萤火虫算法对Elman神经网络预测模型参数进行优化，使得模型具有良好的预测精度和稳定性，避免了传统Elman神经网络容易陷入局部最优和收敛速度慢等问题，更好的实现对光线状态的预测。

Description

基于改进的萤火虫算法优化神经网络的光纤状态预测方法

技术领域

本发明涉及光纤线路状态预测技术领域，具体涉及一种基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法。

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做出处理，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

本发明为解决现有技术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，提供了一种基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法。

基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法，该方法由以下步骤实现：

步骤一、构造样本数据：获取原始光功率样本数据，作为Elman神经网络的训练样本；

步骤二、确定网络拓扑结构：确定Elman神经网络的输入层、输出层和隐含层的节点数以及隐含层数；

步骤三、网络初始化：采用网络进行学习训练之前对所述Elman神经网络各层间的连接权值进行初始化；

步骤四、网络连接权值优化：采用改进的萤火虫算法优化Elman神经网络的各层间的连接权值；获得连接权值优化的Elman神经网络；

步骤四一、动态搜索因子：

定义自适应距离d_z(t)，用公式表示为：

式中，f(x_z)为第z个粒子的适应度函数值，为第z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。

定义动态搜索因子η，用公式表示为：

式中；t为迭代次数，L_uv为萤火虫u与萤火虫v之间的欧氏距离，改进的萤火虫算法位置更新公式为：

x_v(t+1)＝x_u(t)+βL_uv(x_v(t)-x_u(t))+η(w)d_z(t)(rand-1/2)；

步骤四二、采用训练样本，根据步骤四一的改进的萤火虫算法对Elman神经网络连接权值进行优化；

具体过程为：

A、初始化种群，获得随机生成初始化萤火虫种群位置；

B、计算相对亮度，计算每个萤火虫的个体适应度值f(y_j)；根据步骤三中获得的Elman神经网络的初始权值，采用训练样本训练Elman神经网络后输出，所述个体适应度值f(y_j)即为期望输出与预测输出之间的误差绝对值的和，用公式表示为：

式中：N为Elman神经网络的输出层节点数；y_j为Elman网络节点j的期望输出；为Elman网络节点j的预测输出；

C、计算相对距离与吸引度：采用萤火虫之间的欧式距离公式计算相对距离，采用萤火虫间的吸引度公式计算吸引度值；

D、计算种群最优值与自适应距离：

将个体适应度值与该种群当前粒子的全局最优值P_g的适应度值进行比较，若当前个体适应度值f(y_j)大于全局最优值P_g的适应度值，则将当前粒子的个体最优值P_G设置为该种群当前的最好位置，并将当前粒子的个体最优值P_G更新全局最优值P_g；采用步骤四一中的自适应距离公式计算萤火虫个体的自适应距离；

E、萤火虫位置更新：

根据步骤四一中的动态搜索因子公式选取的动态搜索因子η，并利用改进的萤火虫算法公式对萤火虫进行空间位置更新；

F、根据步骤E更新后的位置，重新计算相对亮度，判断更新后萤火虫的位置精度是否小于0.01或到达最大迭代次数，如果否，返回执行步骤C；如果是，输出优化后的Elman神经网络最佳连接权值；

步骤五，网络学习训练及测试；

对优化后的Elman神经网络进行训练，采用测试样本对Elman神经网络的预测性能进行测试；

步骤六、光功率趋势的预测；将实时采集光功率数据输入步骤五中训练及测试后的Elman神经网络，实现对下一时刻光功率趋势变化的预测。

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Elman神经网络模型，并提出一种基于改进的萤火虫算法对预测模型中的参数进行优化，实现一种基于优化后的Elman神经网络预测模型的光纤线路状态预测方法，准确预测出线路未来状态趋势，分析线路未来可能发生的故障，提前确立维护方法，避免故障的发生，满足光纤通信可靠性的要求。本发明采用改进的萤火虫优化算法对Elman神经网络模型参数进行优化，克服了传统Elman神经网络模型权值初始化的盲目性与局限性，避免了算法陷入局部极小的问题，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。

附图说明

图1为本发明所述的基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法流程图；电力光纤通信光功率预测的方法中改进的萤火虫算法寻优流程图。

图2为本发明所述的基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法中采用改进的萤火虫算法寻优流程图。

图3为本发明所述的基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法中Elman神经网络的算法流程图。

具体实施方式

具体实施方式一、结合图1至图3说明本实施方式，基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法，该方法由以下步骤实现：

步骤一、构造样本数据；

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Elman神经网络模型进行预测的方法，通过使用监测得到的原始光功率数据对Elman神经网络进行多次训练，并将一部分光功率数据作为Elman神经网络的测试样本，使得Elman神经网络预测模型最终可以输出理想的预测值，

具体为：

设定已知时间序列数据为x＝(x₁,x₂,…,x_r)，把它分为输入向量和目标向量。记n个输入向量集合为：

S＝{(x₁,x₂,…,x_s),(x₂,x₃,…,x_s+1),…,(x_n,x_n+1,…,x_n+s-1)

则对应的n个目标向量集合为：

T＝{x_s+1,x_s+2,…,x_s+n}

其中，s表示时间序列样本的周期。

获得n组样本数据(S_i,T_i),i＝1,2,…,n。取(S_a,T_a),a＝1,2,…,m作为训练样本，(S_b,T_b),b＝m,m+1,…,n作为测试样本。

步骤二、确定网络拓扑结构；

网络结构的初始化主要包括确定网络的输入层、输出层和隐含层的节点数以及隐含层数。特别地，由于隐含层的节点数对Elman网络的性能影响较大，因此在进行参数预测前，首先通过对比不同隐含层节点所对应的Elman网络的训练性能，选择收敛速度快、逼近精度高的网络所对应的隐含层节点数作为预测网络的隐含层节点数，具体为：

由于单隐含层Elman网络能够以任意精度逼近一个连续函数，故采用三层网络结构；其中输入层节点数M＝7，输出层节点数N＝1，根据公式

P＝2q+1 (1)

则理论上隐含层的节点数P＝15。由于隐含层节点数很大程度上影响着网络的预测性能，故依次取隐含层的节点数P为7、11、15、18，然后根据网络性能确定隐含层节点数的最优值,当P＝11时算法收敛速度最快，网络性能最佳，所以隐含层节点数为11。

步骤三、网络初始化；

在网络进行学习训练之前，需要将网络每层间的连接权值最初化，根据经验法可知，连接权值ω初始值通常取(-0.3,+0.3)内的随机数。

步骤四：采用改进的萤火虫算法对Elman神经网络的初始连接权值进行优化，使网络能够顺利进行学习并处于良好状态；具体步骤为：

一、动态搜索因子：

在传统的萤火虫算法中，每个萤火虫看作是搜索空间中的一个有位置没有体积的微粒，每个位置代表一个解，通过周围个体同伴所发荧光亮度和光强吸收系数决定移动的距离，不断在搜索空间进行搜索，最终找到最优解。其中亮度和吸引度是萤火虫优化算法中的两个主要因素，定义萤火虫的亮度I为

式中：I₀为最大亮度，即萤火虫自身的亮度，与目标函数值相关，γ为光强吸收系数，L_uv为萤火虫u与萤火虫v之间的欧氏距离如式(3)。

其中：D为空间维数；x_v,k为萤火虫v位置x_v在空间中第k个分量，x_u,k为萤火虫v位置x_u在空间中第k个分量定义萤火虫间的吸引度为

式中：β₀是初始位置吸引度，γ为光强吸收系数。

萤火虫u被萤火虫v吸引的位置更新公式为

x_v(t+1)＝x_u(t)+β(x_v(t)-x_u(t))+α(rand-1/2) (5)

式中：α为步长因子，一般取[0,1]上的常数，rand为[0,1]上服从均匀分布的随机数。

萤火虫算法寻优是通过萤火虫之间的相互吸引来实现的，随着迭代次数的增加，萤火虫群会在最优值附近聚集。此时萤火虫个体与最优值之间的距离已经非常小，在个体向最优值趋近的过程中，很可能会出现萤火虫移动的距离大于个体与最优值间距的情况，而导致个体在按照公式(5)更新自己的位置时跳过了最优值，移动到最优值的另一侧，若这种情况连续出现多次，即在最优值附近出现震荡，将会导致最优值发现率降低，影响算法的收敛精度和速度，因此我们提出一种引入动态搜索因子的方法，对标准萤火虫算法加以改进。首先需要定义自适应距离d_z(t)：

式中，f(x_z)为第z个粒子的适应度函数值，为第z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。

然后，定义动态搜索因子η：

式中；t为迭代次数，d_z(t)为自适应距离。

因此，改进的萤火虫算法位置更新公式为：

x_v(t+1)＝x_u(t)+βL_uv(x_v(t)-x_u(t))+η(t)d_z(t)(rand-1/2) (8)

即用动态搜索因子与自适应距离的乘积代替固定步长α，使得萤火虫的随机步长能够根据某个萤火虫个体与当前最优值之间的距离动态变化。在寻优过程初期，萤火虫间距离L_uv较大，适当扩大动态搜索因子可以加快在迭代前期算法的收敛速度，从而使萤火虫能够自主探索一个较大的范围；当萤火虫个体聚集在最优值附近时，则动态搜索因子的值将减小，防止萤火虫的自主探索能力过强，让吸引力成为影响萤火虫位置更新的主要因素。

二、改进的萤火虫算法优化过程：利用训练样本，采用改进的萤火虫优化算法，对Elman神经网络预测模型权值进行优化，结合图2，具体步骤如下：

(1)初始化种群：

具体过程为：个体编码方法为实数编码，每个个体由一个实数串表示，该实数串由以下四部分组成：Elman神经网络的输入层与隐层之间的连接权值ω₁，隐层与输出层之间的连接权值ω₂，承接层与隐层之间的连接权值ω₃，承接层与输出层之间的连接权值ω₄。

设置萤火虫种群数目M＝30，最大吸引度β＝1，光强吸收系数γ＝1，最大迭代次数为100，随机生成初始化萤火虫种群位置。

(2)计算相对亮度：计算每个萤火虫的个体适应度值f(y_j)作为自身亮度。根据最优个体编码得到的Elman网络的初始权值，用训练集训练Elman神经网络后系统预测输出，个体适应度f(y_j)即为期望输出与预测输出之间的误差绝对值的和，如下式所示：

式中：N为Elman神经网络的输出层节点数；y_j为Elman网络节点j的期望输出；为节点j的预测输出。

(3)计算相对距离与吸引度：根据相应实测数据利用公式(3)、(4)计算吸引度值。

(4)计算种群最优值与自适应距离：对优化中的每个萤火虫个体，将其适应度值与该种群当前的全局最优解P_g的适应度值进行比较，当前萤火虫个体P_G若优于P_g，则将P_G设置为该种群当前的最好位置，并更新全局最优解P_g，并根据公式(6)计算自适应距离。

(5)萤火虫位置更新：根据公式(7)判定条件选取合适的动态搜索因子η，并利用公式(8)对萤火虫进行空间位置更新，对处在最佳位置的萤火虫进行随机扰动。

(6)终止条件的满足：根据更新后的位置，重新计算相对亮度，判断更新后萤火虫的位置精度是否小于0.01或到达最大迭代次数，如果是，停止迭代，输出优化后的Elman神经网络最佳权值；如果否，则返回步骤(3)，继续寻优。

步骤五：网络学习训练及测试；

(1)数据的预处理：

由于激活函数的饱和特性，需要对样本数据进行归一化处理。利用公式(10)将输入样本转化为[0,1]区间的值。

式中，x_max,x_min分别代表样本的最大值和最小值，工程应用中一般取1.1x_max和0.9x_min。

(2)网络的训练：

根据图3，将样本数据对作为Elman网络训练样本，采用改进的萤火虫算法获取优化后的连接权值，运用连接权值优化后的Elman神经网络，计算各网络层输出及训练误差，直到网络达到预期输出目标；如未达到训练目标，则根据训练误差，根据步骤三中的权值学习方法重新调整连接权值。

(3)预测性能分析：选取样本数据中的测试样本作为Elman神经网络的测试样本，测试Elman神经网络的预测性能。为了更好地度量神经网络的预测效果，需要从不同的角度度量网络的预测性能。经综合考虑，采用相对误差(RE)和收敛到训练目标时的迭代次数(NIT)作为评判算法优劣的标准，其中RE的计算如公式(11)所示

式中，Y_q为期望值，y_q为预测值。

步骤六：光功率趋势的预测；将采集到的新的实时光功率数据输入到步骤五训练好的Elman神经网络，从而实现了对下一时刻光功率趋势变化的预测。

步骤七，光纤线路状态的分析：根据所得到的光功率趋势曲线，分析光纤线路可能出现的问题。

Claims (8)

1.基于改进的萤火虫算法优化神经网络的光纤状态预测方法，该方法由以下步骤实现：

步骤一、构造样本数据：获取原始光功率样本数据，作为Elman神经网络的训练样本；

步骤二、确定网络拓扑结构：确定Elman神经网络的输入层、输出层和隐含层的节点数以及隐含层数；

步骤三、网络初始化：采用网络进行学习训练之前对所述Elman神经网络各层间的连接权值进行初始化；

步骤四、网络连接权值优化：采用改进的萤火虫算法优化Elman神经网络的各层间的连接权值；获得连接权值优化的Elman神经网络；

步骤四一、动态搜索因子：

定义自适应距离d_z(t)，用公式表示为：

$d_z\left(t\right)=\frac{f\left(x_z\right)-f\left(P_g^{t-1}\right)}{f_{\max }^{t-1}-f\left(P_g^{t-1}\right)}$

式中，f(x_z)为第z个粒子的适应度函数值，为第z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。

定义动态搜索因子η，用公式表示为：

$\mathrm{\&eta;}(t+1)=\left\{\begin{array}{c}1.05\mathrm{\&eta;}\left(t\right),L_{uv}>d_z\left(t\right)\&times;1.04\\ 0.7\mathrm{\&eta;}\left(t\right),L_{uv}<d_z\left(t\right)\\ \mathrm{\&eta;}\left(t\right),\end{array}\right.$

式中；t为迭代次数，L_uv为萤火虫u与萤火虫v之间的欧氏距离，改进的萤火虫算法位置更新公式为：

x_v(t+1)＝x_u(t)+βL_uv(x_v(t)-x_u(t))+η(w)d_z(t)(rand-1/2)；

步骤四二、采用训练样本，根据步骤四一的改进的萤火虫算法对Elman神经网络连接权值进行优化；

具体过程为：

A、初始化种群，获得随机生成初始化萤火虫种群位置；

B、计算相对亮度，计算每个萤火虫的个体适应度值f(y_j)；根据步骤三中获得的Elman神经网络的初始权值，采用训练样本训练Elman神经网络后输出，所述个体适应度值f(y_j)即为期望输出与预测输出之间的误差绝对值的和，用公式表示为：

$f\left(y_j\right)=\sqrt{\frac{\underset{j=1}{\overset{N}{\&Sigma;}}{(y_j-\widehat{y_j})}^2}{n}}$

式中：N为Elman神经网络的输出层节点数；y_j为Elman网络节点j的期望输出；为Elman网络节点j的预测输出；

C、计算相对距离与吸引度：采用萤火虫之间的欧式距离公式计算相对距离，采用萤火虫间的吸引度公式计算吸引度值；

D、计算种群最优值与自适应距离：

将个体适应度值与该种群当前粒子的全局最优值P_g的适应度值进行比较，若当前个体适应度值f_(yj)大于全局最优值P_g的适应度值，则将当前粒子的个体最优值P_G设置为该种群当前的最好位置，并将当前粒子的个体最优值P_G更新全局最优值P_g；采用步骤四一中的自适应距离公式计算萤火虫个体的自适应距离；

E、萤火虫位置更新：

根据步骤四一中的动态搜索因子公式选取的动态搜索因子η，并利用改进的萤火虫算法公式对萤火虫进行空间位置更新；

F、根据步骤E更新后的位置，重新计算相对亮度，判断更新后萤火虫的位置精度是否小于0.01或到达最大迭代次数，如果否，返回执行步骤C；如果是，输出优化后的Elman神经网络最佳连接权值；

步骤五，网络学习训练及测试；对优化后的Elman神经网络进行训练，采用测试样本对Elman神经网络的预测性能进行测试；

步骤六、光功率趋势的预测；将实时采集光功率数据输入步骤五中训练及测试后的Elman神经网络，实现对下一时刻光功率趋势变化的预测。

2.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，还包括步骤七，光纤线路状态的分析：根据步骤六获得的光功率预测信息，获得光功率预测趋势曲线，分析光纤线路进行检测。

3.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤一中，获取原始光功率样本数据，作为Elman神经网络的训练样本的具体过程为：设定已知的时间序列数据为x＝{x₁,x₂,…,x_m}，并将所述的时间序列数据分为n个输入向量和n个目标向量，获得n组样本数据，所述n组样本数据包括训练样本和测试样本；

所述n个输入向量集合为：

S＝{(x₁,x₂,…,x_s),(x₂,x₃,…,x_s+1),…,(x_n,x_n+1,…,x_n+s-1)

对应的n个目标向量集合为：

T＝{x_s+1,x_s+2,…,x_s+n}

式中，s为时间序列样本的周期。

4.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤三中，对所述Elman神经网络各层间的连接权值进行初始化具体指：对连接权值取-0.3至+0.3内的随机数。

5.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤C中，萤火虫之间的欧式距离公式：

$L_{UV}=\left|\right|x_u-x_v\left|\right|=\sqrt{\underset{k=1}{\overset{D}{\&Sigma;}}{(x_{u,k}-x_{v,k})}^2}$

式中，D为空间维数；x_v,k为萤火v位置x_v在空间中第k个分量；x_u,k是萤火u位置x_u在空间中第k个分量；

定义萤火虫间的吸引度为β，用公式表示为：

$\mathrm{\&beta;}={\mathrm{\&beta;}}_0{e}^{-{\mathrm{\&gamma;luv}}^2}$

式中，β₀为初始位置吸引度，γ为光强吸收系数。

6.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤A中初始化种群，获得随机生成初始化萤火虫种群位置的具体过程为：

定义Elman神经网络的输入层与隐层之间的连接权值ω₁，隐层与输出层之间的连接权值ω₂，承接层与隐层之间的连接权值ω₃，承接层与输出层之间的连接权值ω₄，设置萤火虫种群数目M，最大吸引度β，光强吸收系数γ以及最大迭代次数t_max，随机生成初始化萤火虫种群位置。

7.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤五中，训练与测试的具体过程为：

数据的预处理：对样本数据进行归一化处理，采用下述公式将所述样本数据转化为[0,1]区间的值；

$y=\frac{x-x_{\min }}{x_{max}-x_{\min }}$

式中，x_max,x_min分别代表样本的最大值和最小值；

网络的训练：将样本数据作为Elman神经网络训练样本，采用改进的萤火虫算法获取优化后的连接权值，运用连接权值优化后的Elman神经网络，计算网各各层输出及训练误差，直到优化后的Elman神经网络达到预期输出目标；

如未达到训练目标，则根据训练误差，对Elman神经网络各层间的连接权值进行初始化；

预测性能分析：选取样本数据中测试样本测试Elman神经网络的预测性能，采用相对误差RE和收敛到训练目标时的迭代次数作为评判的标准；所述相对误差RE的计算公式如下：

$RE=\frac{|Y_q-y_q|}{Y_q}\%$

式中，Y_q为期望值，y_q为预测值。

8.根据权利要求7所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，评判算法优劣的标准是指：相对误差小于0.01或最大迭代次数为100次。