CN107917734B - 基于温度和电阻的光缆故障预测方法 - Google Patents

Abstract

基于温度和电阻的光缆故障预测方法,涉及光缆通信状态预测技术领域，解决现有方法仅能对光缆线路中已发生的故障做出处理，并不能对光缆保护套对地绝缘电阻值进行分析等问题，本发明通过改进的狼群算法优化极限学习机(GWPA‑ELM)预测算法对光缆保护套对地绝缘电阻进行预测和差分自回归滑动平均模型(ARIMA)算法对光缆保护套的温度进行预测，通过预测的电阻值和温度对光缆保护套的状态进行评估。本发明能够预测光缆未来可能发生的故障，提前制定维护策略。

Description

基于温度和电阻的光缆故障预测方法

技术领域

本发明涉及光缆通信状态预测技术领域，具体涉及一种光缆保护套对地绝缘电阻值预测的方法。

背景技术

目前，光缆由缆心和护套组成，主要分为充油型和充气型两种。目前我国铺设的光缆绝大多数为充油型。所谓充油型光缆就是在光缆护套内填充专用油膏用来防止水或水汽的浸入，从而保护了光缆，防止光缆传输特性和机械强度劣化或损坏。而光缆护套则是直接防止水或水汽进入光缆的一道重要的屏障，以保护油膏、纤芯性能免遭水或水汽浸入变质、劣化。光缆埋入地下，光缆护套中的皱纹钢带与大地之间的电阻称为光缆护套对地绝缘电阻。护套对地绝缘电阻过小，说明光缆护套已经破损，其中皱纹钢带将会被腐蚀(杂散电流很容易从大地流入光缆护套或从护套中流出进入大地，根据电化学原理可知，电流从护套流入大地的地方，其护套中皱纹钢带必遭腐蚀)，导致水或水汽进入光缆。根据电阻原理可知，导通的电阻率和温度具有关系。这个护套对地绝缘电阻大小，可充分反映光缆护套的质量与其完整性，也就是直接反映光缆线路的可靠与安全程度，

为满足通信系统中信息能够高效、快速、可靠地传输需求，光缆通信网络作为骨干网络已得到广泛地应用。因此，一旦光缆线路发生故障，造成的通信中断将会给企业和用户带来巨大的经济损失。由于光缆线路上故障的不可避免，那么如何根据已有的光缆线路状态来预测出可能发生的光缆故障，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。

光缆保护套对地绝缘电阻能够较全面地表征光缆线路保护套的状态。通过监测光缆保护套的对地绝缘电阻值来反应光缆保护套的状态，当其变化超过所设的阈值时，光缆保护套腐蚀严重，并由现场人员对故障点进行抢修，恢复通信。但该方法仅能对光缆线路中已发生的故障做出处理，并不能对光缆保护套对地绝缘电阻值进行分析，预测未来可能发生的故障。

发明内容

本发明为解决现有方法仅能对光缆线路中已发生的故障做出处理，并不能对光缆保护套对地绝缘电阻值进行分析等问题，提供一种基于温度和电阻的光缆故障预测方法。

基于温度和电阻的光缆故障预测方法，该方法由以下步骤实现：

步骤一、采用欧姆表和温度传感器分别采集光缆保护套对地绝缘电阻和光缆保护套的温度，获得光缆保护套对地绝缘电阻数据和光缆保护套的温度数据；

步骤二、采用卡尔曼滤波算法对步骤一获得的光缆保护套对地绝缘电阻数据和光缆保护套的温度数据进行去噪处理，获得去噪后的光缆保护套对地绝缘电阻数据和光缆保护套的温度数据；

步骤三、采用步骤二获得的去噪后的光缆保护套温度的数据构建ARIMA预测模型，实现对温度数据值的预测；

采用去噪后的光缆保护套对地绝缘电阻数据构建改进的狼群算法优化极限学习机模型，对光缆保护套对地绝缘电阻进行预测；具体过程为：

步骤三一，WPA初始化；采用高斯一维映射表达式混沌初始化人工狼的数目，最大迭代次数k_max，最大游走次数T_max，距离判定因子ω，步长因子S，更新比例因子β，并按混沌更新策略初始化狼群的空间位置x_id，x_id所在的空间由ELM模型的输入节点到隐含层节点的输入权值w和隐含层节点的偏置b构成；

步骤三二、根据每匹狼所在的空间位置x_id，计算出ELM模型输出矩阵；利用电阻X_ol数据作为训练样本输入到ELM模型进行训练，预测的光缆保护套对地绝缘电阻值

并根据评估狼群优势的适应度函数公式计算出初始化狼群的单个狼的均方误差，选取适应度函数f(y_i)值最小的人工狼为头狼，记为Y_lead；

其余的人工狼均视为探狼，按公式

进行游走，直到某只探狼的适应度函数f(y_i)值小于头狼的目标函数值f(y)_lead或探狼的游走次数达到最大游走次数T_max，执行步骤三三；

其中：p＝1,2,...，h为探狼的运动方向，k为迭代次数，k＝1,2,…,k_max；μ∈[0,1]内的随机数，h∈[4,7]为整数；

步骤三三、头狼发出召唤，猛狼以下式向头狼奔袭；

在奔袭的途中，若某只猛狼的适应度函数f(y_i)＜f(y)_lead，将猛狼转化为头狼，重复执行步骤三三；若f(y_i)≥f(y)_lead，则猛狼继续奔袭直到进入围攻区域，即猛狼与头狼的距离L_i≤L_near，执行步骤三四；

人工狼的总数为N，每次更新人工狼的数量为R，设定围攻半径L_near用公式表示为：

其中，

xl为距离头狼最近的NL只人工狼的空间位置；

步骤三四、围攻行为；把头狼位置视为猎物的移动位置，参与围攻的猛狼)对猎物进行围攻，用公式表示为：

式中：

为第k代头狼在第d个维度的坐标位置；λ为(0,2)之间的随机数，

为第k次迭代猛狼在第d维空间中的位置；

步骤三五、狼群更新；判断本次迭代产生最优狼的目标函数值是否小于上次迭代头狼的目标函数值，如果是，则更新头狼位置；如果否，则记录头狼未更新次数t，依据更新比例因子β，确定淘汰目标函数值较大的人工狼的数量R,R∈(N/2·β,N/β)；

判断t小于最大游走次数T_max，如果是，则按照公式x_id＝g_d·[sin(γ)+1]结合反向学习更新狼群；如果否，将按照正弦迭代一维映射表达式混沌策略更新狼群：

所述γ∈(-0.1,0.1)；

步骤三六、判断终止；判断头狼的适应度函数f(y_i)值是否低于设定的阈值或是否达到最大迭代次数k_max，若达到，则输出(w,b)，否则转入步骤三二；若未达到，则执行步骤三七；

步骤三七、采用输出的(w,b)构建ELM模型，进行ELM训练，实现光缆保护套对地绝缘电阻的预测；

步骤四、根据步骤三预测到的光缆保护套温度值和光缆保护套对地绝缘电阻值对光缆的状态进行评估。

本发明的有益效果：本发明通过改进的狼群算法优化极限学习机(GWPA-ELM)预测算法对光缆保护套对地绝缘电阻进行预测和差分自回归滑动平均模型(ARIMA)算法对光缆保护套的温度进行预测，通过预测的电阻值和温度对光缆保护套的状态进行评估。本发明能够预测光缆未来可能发生的故障，提前制定维护策略。

附图说明

图1为本发明所述的光缆保护套故障预测的方法中整体预测流程图；

图2为本发明所述的光缆保护套故障预测的方法中ARIMA预测算法结构图；

图3为本发明所述的光缆保护套故障预测的方法中基于改进的狼群优化算法流程图。

具体实施方式

具体实施方式，结合图1至图3说明本实施方式，光缆保护套对地绝缘电阻预测方法，该方法有以下步骤实现：

步骤一、采用欧姆表和温度传感器分别采集光缆保护套对地绝缘电阻和光缆保护套的温度，获得光缆保护套对地绝缘电阻数据和光缆保护套的温度数据；

步骤二、采用卡尔曼滤波算法对步骤一获得的光缆保护套对地绝缘电阻数据和光缆保护套的温度数据进行去噪处理，获得去噪后的光缆保护套对地绝缘电阻数据和光缆保护套的温度数据；

步骤三、采用步骤二获得的去噪后的光缆保护套温度的数据构建ARIMA预测模型，实现对温度数据值的预测；

步骤一、采用欧姆表和温度传感器分别采集光缆保护套对地绝缘电阻和光缆保护套的温度。

步骤二、采用卡尔曼滤波算法对数据进行去噪处理，得到去噪后的光缆保护套对地绝缘电阻数据X_ol和光缆保护套温度数据T_or。

步骤三、对预处理后的光缆保护套温度数据T_or构建差分自回归移动平均(ARIMA)预测模型。结合图2，采用温度预测，其具体步骤为：

1)差分处理：ARIMA预测模型的数据是平稳时间序列,所以对非平稳的光缆保护套的温度数据T_or平稳化，即对其进行差分处理，处理后的平稳光缆保护套的温度数据为T′_or。

2)模型识别：通过计算样本的自相关和偏相关函数判断数据序列的模型类型，处理后的平稳光缆保护套的温度数据T′_or可用式(1)所示的ARIMA模型表示。

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为均值为零的温度白噪声序列。

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。

采用去噪后的光缆保护套对地绝缘电阻数据构建改进的狼群算法优化极限学习机模型(GWPA-ELM)，对光缆保护套对地绝缘电阻进行预测；具体过程为：

1)选择Sigmoid函数为ELM隐含层激励函数：

2)定义评估狼群优势的适应度函数：

其中，n为训练样本数，y_i和

分别为实际光缆保护套对地绝缘电阻值和将参数(w,b)代入到ELM模型预测出的光缆保护套对地绝缘电阻值。当函数f(y_i)取得最小值时所对应的ELM模型参数(w,b)为所求的最优解。

结合图3，对改进的狼群优化算法对极限学习机的参数组合(w,b)进行优化，在全局范围内得到最优值；改进的狼群算法优化极限学习机GWPA-ELM(Gauss Wolf PackAlgorithm-Extreme Learning Machine)具体过程为：

Step1，WPA初始化。采用高斯映射(Gauss map)一维映射表达式混沌初始化人工狼的数目为100个，最大迭代次数k_max＝2000，最大游走次数T_max＝1000，距离判定因子ω，步长因子S，更新比例因子β，并按混沌更新策略初始化狼群的空间位置x_id，x_id所在的空间由极限学习机的输入节点到隐含层节点的输入权值w和隐含层节点的偏置b构成。

step2：根据每匹狼所在的空间位置x_id，计算出极限学习机算法输出矩阵；利用电阻数据X_ol作为训练样本输入到极限学习机进行训练，预测未来的光缆保护套对地绝缘电阻值

并根据式(3)计算出初始化狼群的单个狼的均方误差，选取目标函数值f(y_i)最小的人工狼为头狼，记为Y_lead；探狼其余的人工狼均视为探狼并按式(4)进行游走(探狼i游走期间，若某探狼周围h个方向的函数值都小于自己的目标函数值，则游走步长step_a减半，若游走步长连续经过多次减半后，探狼仍无法前进，则认为这只探狼陷入局部最优，应以混沌更新策略更新这只探狼的空间位置)，直到其中某只探i的目标函数值f(y_i)小于头狼的目标函数值f(y)_lead或探狼的游走次数达到最大游走次数T_max，转入Step3。

其中：p(p＝1,2,…,h)为探狼的运动方向。k为迭代次数，k＝1,2,…,k_max；μ∈[0,1]内的随机数，h∈[4,7]为整数。

step3：头狼发出召唤，猛狼(除头狼外的所有人工狼)以下式(5)快速向头狼奔袭式。

在奔袭的途中，若某猛狼的目标函数值f(y_i)＜f(y)_lead，则转到step2的末尾；若f(y_i)≥f(y)_lead，则猛狼继续奔袭直到进入围攻区域，即猛狼与头狼的距离L_i≤L_near，转入step4。

人工狼的总数为N，每次更新人工狼的数量为R，那么在算法中至少会有(N-R-1)匹人工狼是不断向头狼靠近的。因此，设计如下公式计算围攻半径L_near：

其中：xl为距离头狼最近的NL只人工狼的空间位置，距离判定因子ω的大小影响算法的前期收敛速度，通常ω越大，算法前期收敛速度越快。需要注意的是，ω过大时，会导致起始的L_near过小，参与围捕的人工狼会很难进入围攻圈，反而降低算法的前期收敛速度。

Step4：围攻行为。把头狼位置视为猎物的移动位置，参与围攻的猛狼按式(8)对猎物进行围攻。

其中：

为第k代头狼在第d个维度的坐标位置；λ为(0,2)之间的随机数，

为第k次迭代猛狼在第d维空间中的位置。

step5：狼群更新。将本次迭代产生最优狼的目标函数与上次迭代头狼的目标函数值进行对比，若更小，则更新头狼位置；反之，则记录头狼未更新次数t。依据更新比例因子β，确定淘汰目标函数值较小的人工狼的数量R,R∈(N/2·β,N/β)。若t小于限值t_max，则按照下式并结合反向学习更新狼群；反之，将按照Sinusoidal iterator一维映射表达式混沌策略更新狼群：

x_id＝g_d·[sin(γ)+1] (9)

其中γ∈(-0.1,0.1)。

step6：判断终止。判断头狼的目标函数值f(y_i)是否低于设定的阈值，或算法是否达到最大迭代次数k_max，若达到，则输出(w,b)，否则转入step2。

Step7：用输出获得的(w,b)构建ELM模型，对光缆保护套对地绝缘电阻进行预测。

Claims (2)

1.基于温度和电阻的光缆故障预测方法，该方法由以下步骤实现：

步骤一、采用欧姆表和温度传感器分别采集光缆保护套对地绝缘电阻和光缆保护套的温度，获得光缆保护套对地绝缘电阻数据和光缆保护套的温度数据；

步骤二、采用卡尔曼滤波算法对步骤一获得的光缆保护套对地绝缘电阻数据和光缆保护套的温度数据进行去噪处理，获得去噪后的光缆保护套对地绝缘电阻数据和光缆保护套的温度数据；

步骤三、采用步骤二获得的去噪后的光缆保护套温度的数据构建ARIMA预测模型，实现对温度数据值的预测；

采用去噪后的光缆保护套对地绝缘电阻数据构建改进的狼群算法优化极限学习机模型，对光缆保护套对地绝缘电阻进行预测；具体过程为：

步骤三一，WPA初始化；采用高斯一维映射表达式混沌初始化人工狼的数目，最大迭代次数k_max，最大游走次数T_max，距离判定因子ω，步长因子S，更新比例因子β，并按混沌更新策略初始化狼群的空间位置x_id，x_id所在的空间由ELM模型的输入节点到隐含层节点的输入权值w和隐含层节点的偏置b构成；

步骤三二、根据每匹狼所在的空间位置x_id，计算出ELM模型输出矩阵；利用电阻X_ol数据作为训练样本输入到ELM模型进行训练，预测的光缆保护套对地绝缘电阻值

并根据评估狼群优势的适应度函数公式计算出初始化狼群的单个狼的均方误差，选取适应度函数f(y_i)值最小的人工狼为头狼，记为Y_lead；

其余的人工狼均视为探狼，按公式

进行游走，直到某只探狼的适应度函数f(y_i)值小于头狼的目标函数值f(y)_lead或探狼的游走次数达到最大游走次数T_max，执行步骤三三；

其中：p＝1,2,…,h为探狼的运动方向，k为迭代次数，k＝1,2,…,k_max；μ∈[0,1]内的随机数，h∈[4,7]为整数；

为探狼在第d个维度的游走步长；

步骤三三、头狼发出召唤，猛狼以下式向头狼奔袭；

在奔袭的途中，若某只猛狼的适应度函数f(y_i)＜f(y)_lead，将猛狼转化为头狼，重复执行步骤三三；若f(y_i)≥f(y)_lead，则猛狼继续奔袭直到进入围攻区域，即猛狼与头狼的距离L_i≤L_near，执行步骤三四；

人工狼的总数为N，每次更新人工狼的数量为R，设定围攻半径L_near用公式表示为：

其中，

xl为距离头狼最近的NL只人工狼的空间位置；

步骤三四、围攻行为；把头狼位置视为猎物的移动位置，参与围攻的猛狼对猎物进行围攻，用公式表示为：

式中：

为第k代头狼在第d个维度的坐标位置；λ为(0,2)之间的随机数，

为第k次迭代猛狼在第d维空间中的位置；

步骤三五、狼群更新；判断本次迭代产生最优狼的目标函数值是否小于上次迭代头狼的目标函数值，如果是，则更新头狼位置；如果否，则记录头狼未更新次数t，依据更新比例因子β，确定淘汰目标函数值较大的人工狼的数量R,R∈(N/2·β,N/β)；

判断t小于最大游走次数T_max，如果是，则按照公式x_id＝g_d·[sin(γ)+1]结合反向学习更新狼群；如果否，将按照正弦迭代一维映射表达式混沌策略更新狼群：

所述γ∈(-0.1,0.1)；

步骤三六、判断终止；判断头狼的适应度函数f(y_i)值是否低于设定的阈值或是否达到最大迭代次数k_max，若达到，则输出(w,b)，否则转入步骤三二；若未达到，则执行步骤三七；

步骤三七、采用输出的(w,b)构建ELM模型，进行ELM训练，实现光缆保护套对地绝缘电阻的预测；

步骤四、根据步骤三预测到的光缆保护套温度值和光缆保护套对地绝缘电阻值对光缆的状态进行评估。

2.根据权利要求1所述的基于温度和电阻的光缆故障预测方法，其特征在于；采用步骤三获得的去噪后的光缆保护套温度数据构建ARIMA预测模型，具体步骤为：

差分处理：对光缆保护套的温度数据T_or进行差分处理，获得处理后的平稳光缆保护套的温度数据为T′_or；

模型识别：处理后的平稳光缆保护套的温度数据T′_or用下式表示为：

式中p，q分别为自回归阶数和滑动平均阶数，a_j，b_k为ARIMA预测模型的待估计系数，e为均值为零的温度白噪声序列；

模型定阶：采用赤池信息准则确定ARIMA预测模型中的p，q值；

参数估计：采用矩估计法分别对待估计系统数a_j，b_k进行估计，最终得到ARIMA模型。

Images