CN108038300B - 基于改进的隶属度函数结合神经网络的光纤状态评估方法 - Google Patents

Abstract

基于改进的隶属度函数结合神经网络的光纤状态评估方法，涉及光纤线路状态评估分析技术领域，解决现有技术无法实现对线路状态中的潜在故障进行分析与评估，进而无法规避即将发生的故障等问题，采用本发明所述的评估分析方法采用改进的欧式距离公式对隶光纤状态隶属度综合评价方法的隶属度权值进行优化组合，准确评估分析线路状态健康程度，分析线路是否存在潜在故障，提前制定维护策略，满足光纤通信不间断传输的要求。采用RBF神经网络评估分析模型，使得评估性能具有良好的拟合精度和收敛速度，更好的实现对光线状态的评估。

Description

基于改进的隶属度函数结合神经网络的光纤状态评估方法

技术领域

本发明涉及光纤线路状态评估分析技术领域，具体涉及一种基于改进的隶属度函数结合神经网络的光纤状态评估方法。

背景技术

光纤因具有大容量、低损耗、高速率等优点现已成为通信传输的主要媒介，在电力系统中光纤支撑网具有覆盖率高，网络密集、故障频繁、故障影响大的特点，且特殊环境下(如：覆冰、人为损坏等)易导致光纤线路老化等潜在故障，所以电力光纤传输网络运行的可靠性必将是电力系统安全生产、高效运行的重要保障，一旦线路发生故障，造成的通信中断将会给企业和用户带来巨大的经济损失。目前的光纤线路监测系统无法对光纤线路潜在故障进行实时诊断与告警，那么如何根据已有的光纤参数信息来评估分析光纤线路的状态，从而实现光纤线路状态主动管理和维护，保障通信稳定进行具有重大意义。

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告警，当光功率衰减未达到阈值且已发生潜在故障的情况不能及时分析处理，无法规避可能发生的故障。

发明内容

本发明为解决现有技术无法实现对光纤线路状态进行评估与分析，进而无法发现光纤线路中的潜在故障等问题，提供了一种基于改进的隶属度函数结合神经网络的光纤状态评估方法。

基于改进的隶属度函数结合神经网络的光纤状态评估方法，该方法由以下步骤实现：

步骤一、数据预处理：对原始光纤振动参数、温度参数信息数据进行预处理，作为光纤状态隶属度综合评价模型的参数样本；对原始光功率数据进行预处理，作为光纤状态神经网络评估分析模型的样本；

步骤二、构建基于改进隶属度函数的光纤状态隶属度综合评价模型；

步骤二一、获取光纤状态因素集U_i；建立对应评语集V_j；选取隶属度函数，进行单因素评价，建立隶属度关系矩阵R；

步骤二二、确定光纤状态因素权重系数：利用熵权法计算客观权重系数ω′；利用改进的层次分析法计算主观权重系数ω″；利用改进的欧式距离公式组合主观权重系数与客观权重系数构成综合评价权重系数ω；

步骤三、通过隶属度关系矩阵R与综合评价权重系数ω构建基于隶属度函数的光纤状态隶属度综合评价模型B；利用光纤状态隶属度综合评价模型B求取关于表征光纤线路状态的光纤振动参数、温度参数的综合评价隶属度值b；

步骤四、结合光纤状态隶属度综合评价模型建立神经网络评估分析模型：通过对光纤状态隶属度综合评价模型所获取光纤线路状态隶属度参数与相对应光功率数据进行神经网络建模；

步骤四一、构造样本数据：将光功率数据与光纤状态综合评价所得隶属度值构造为样本对，作为神经网络模型的训练输入样本；

步骤四二、确定网络拓扑结构：确定RBF神经网络的输入层、输出层和隐含层的节点数以及初始化学习速率η；

步骤四三、求解RBF神经网络核心参数：选取高斯核函数作为RBF神经网络核函数，利用K-means聚类方法确定核函数中心C_v、隐含层神经元半径

利用最小均方误差(LMS)学习法调节隐含层到输出层的连接权重γ；

步骤四四、神经网络模型学习训练及测试：结合步骤四二、步骤四三对神经网络进行训练，采用测试样本对神经网络的评估分析性能进行测试；

步骤五、光纤状态评估分析：将实时采集光功率数据输入步骤五中训练及测试后的神经网络，实现该时刻光纤线路状态的评估与分析。

本发明的有益效果：本发明通过对电力光纤线路状态评估影响程度较大的振动参数、温度参数数据进行研究，分析数据特征，构建基于隶属度函数的光纤状态隶属度综合评价模型，并结合模型对光纤线路状态进行隶属度综合评价，建立神经网络评估分析模型；对任意时刻的光纤线路状态进行评估分析，确定光纤的潜在故障程度，实现对光纤线路状态主动管理和维护，满足光纤通信可靠性的要求。本发明采用改进的欧式距离公式组合客观权重系数与主观权重系数，克服了加法组合法对主客观权重分配的因强调个人偏好影响过大的情况，同时避免了乘法组合法仅适用于指标个数较多、权重分配比较平均的情况；同时选用RBF神经网络模型对隶属度综合评价信息与光纤线路光功率数据进行拟合，可对任意时刻的光纤状态进行评估分析，且该模型具有良好的拟合精度及较快的收敛速度，为光纤状态实时管理维护奠定了良好的基础。

附图说明

图1为本发明所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法的流程图；

图2为本发明所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法中采用的改进的隶属度函数光纤状态隶属度综合评价方法的流程图。

图3为本发明所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法中采用的RBF神经网络评估分析方法的流程图。

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，基于改进的隶属度函数结合神经网络的光纤状态评估方法，该方法由以下步骤实现：

步骤一、数据预处理：

由于光纤振动参数、温度参数为每一定时间间隔所采集的时间序列数据，当光纤振动幅度、温度变化较剧烈时对光纤线路状态影响表征明显，所以选取振动参数S、温度参数T的所有极值作为影响光纤状态因素的原始样本，分别为S(m)＝(S₁,S₂,…,S_m)，T(m)＝(T₁,T₂,…,T_m)；通过更好观察其变化特征将极值序列进行一阶差分：S(m)′＝S(m+1)-S(m)、T(m)′＝T(m+1)-T(m)，其中m为极值的序数，可得一阶差分后的序列为S(m)′、T(m)′；最后进行归一化处理：

消除量纲对计算误差的影响，得到光纤状态隶属度综合评价模型所需的状态因素样本。

步骤二、构建基于隶属度函数的光纤状态隶属度综合评价模型：

其中步骤二一：建立光纤状态因素集U为U_i＝(U₁,U₂)，其中U₁采用步骤一中经过预处理后的振动参数样本S(m)_*，其中U₂采用步骤一中经过预处理后的温度参数样本T(m)_*；建立对应评语集V＝(V₁,V₂,V₃)，V₁集表示光纤状态健康，V₂集表示光纤状态亚健康，V₃集表示光纤状态不健康；建立隶属度关系矩阵B，首先要确定各个监测参数对于健康、亚健康、不健康评语集合的隶属度函数。因本方法中振动参数与温度参数经过预处理后的一阶差分序列是否服从正态分布，可表征其参数稳定性越接近最佳估计，同时，对于光纤状态的健康状况来说表征光纤健康状况越好。因此选用正态分布的概率密度函数作为单因素评价的隶属度函数：

式中：x_i为光纤状态因素参数U_i经过预处理后的测量值，i^*＝1,2分别代表光纤振动参数(S)，光纤温度参数(T)；

为测量参数i^*对于模糊集合j^*的最佳估计值，j^*＝1,2,3分别代表健康模糊集合、亚健康模糊集合和故障边缘模糊集合；

为测量参数i^*对于模糊集合j^*的估计标准偏差，

为测量参数i^*对于模糊集合j^*的隶属度；因此建立隶属度关系矩阵

其中步骤二二、确定光纤状态因素权重系数：熵权法是根据各项评价指标观测值所提供信息量的大小来计算指标权重的客观赋权方法，利用熵权法计算客观权重系数ω′的具体过程为：对于具有n个指标o组测量数据的矩阵D_n×o，对其数据作标幺化处理可得D＝(d_ij′)_n×o，式中d_ij′为第i项指标第j′个测量数据。对于正向指标

对于负向指标

则第i项指标的熵值

式中

j′＝1,2,…，o；p_ij′为第i项指标下第j′个测量数据占该指标的比重。设ω′_i为第i项指标的客观权重，则

传统的层次分析法(AHP)在确定指标主观权重时需要进行

次两两比较(n为指标个数)，而且还需繁琐的一致性检验.改进的AHP算法只进行(n-1)次比较，通过传递性即可得判断矩阵θ_n×n，该矩阵自动满足一致性，利用改进的层次分析法(AHP)计算主观权重系数ω″具体过程为：设ω″_i为第i项指标的主观权重，θ_ij表示第i项评价指标相对于第j项指标的重要性程度，则可使用下式计算主观权重:

i＝1,2,…n；j＝1,2,…n。

主客观组合赋权法的两种常用方法是：“乘法”组合法、“加法”组合法。其公式分别是

w_i＝αa_i+(1-α)b_i(0≤α≤1)，其中w_i表示第i个指标的组合权重；a_i、b_i分别为第i个属性的客观权重和主观权重。前者的组合实质上是乘法合成的归一化处理，该方法仅适用于指标个数较多、权重分配比较均匀的情况；后者实质上是线性加权，式中α过分强调了评价者对权重分配的个人偏好，评价结果具有主观随意性，因此提出了改进的欧式距离公式用来组合主观权重系数与客观权重系数，得到综合评价权重系数ω公式为：

式中λ为方差可调因子，

式中δ_ω′，δ_ω″分别为客观权重ω′和主观权重ω″的方差。当客观权重的方差小于主观权重时，利用方差可调因子λ调节欧式距离加权方差为1.1δ_ω′，反之同理。

步骤三、通过隶属度关系矩阵R与综合评价权重系数ω构建基于隶属度函数的光纤状态隶属度综合评价模型B_ij＝(ω)R_ij；利用光纤状态隶属度综合评价模型B对所采集光纤线路的振动参数、温度参数数据进行隶属度综合评价，得到各个因素参数对应不同评语集合的综合隶属度B_ij；

步骤四：结合光纤状态隶属度综合评价模型建立神经网络评估分析模型：通过对光纤状态隶属度综合评价模型所获取光纤线路状态综合隶属度参数与相对应光功率数据进行神经网络建模，具体步骤如下：

步骤四一：构造样本数据：将光功率数据与光纤状态综合评价所得隶属度值构造为样本对，作为神经网络模型的训练输入样本：

设定已知归一化处理后的光功率时间序列数据为

已知光纤线路状态综合隶属度参数数据为b＝(b₁,b₂,…,b_g)，令其分别为输入向量和目标向量。

获得n组样本数据

取

作为训练样本，

g作为测试样本。

步骤四二：确定网络拓扑结构：令RBF神经网络的输入层、输出层和隐含层层数为1层，即三层结构；由于拟合目标为一对一拟合，则输入层与输出层的节点数为1，随机给定隐含层层数l同时初始化学习速率η；

步骤四三：求解RBF神经网络核心参数：根据RBF神经网络拟合特性选取高斯核函数作为RBF神经网络核函数，

式中

称为基函数的扩展常数或宽度，

越小，径向基函数的宽度越小，基函数就越有选择性。

然后利用K-means聚类方法确定核函数中心C、隐含层神经元半径；具体过程为：

(1)初始化，选择I个互不相同的向量作为初始聚类中心t_i′(0)，i′＝1,2,……，I。

(2)计算输入空间各样本点与聚类中心点的欧式距离||X′_k-t_i(n)||，k＝1,2,…，N；

(3)相似匹配。令i^*代表竞争获胜隐节点的下标，对每一个输入样本X′_k根据其与聚类中心的最小欧式距离确定其归类i^*(X′_k)，即当

时，X′_k被归为第i^*类，从而将全部样本划分为I个子集I₁(n),I₂(n),…，I_I(n)，每个子集构成一个以聚类中心为典型代表的聚类域。

(4)更新各类的聚类中心。采用竞争学习规则进行调整

将n值加1，转到第(2)步。重复上述过程直到|t_i′(n+1)-t_i′(n)|＜ε，其中ε为设置迭代次数1000。

当各聚类中心确定后，可根据各中心之间的距离确定对应径向基函数的扩展常数

令

则神经元半径

可取为

式中β为重叠系数。

然后利用最小均方误差(LMS)学习法调节隐含层到输出层的连接权重γ。γ(n+1)＝γ(n)+ηX′(n)e(n)，式中，η为学习率，e为学习误差，其公式为

步骤四四：根据图3，结合以上步骤四二四三进行RBF神经网络学习训练，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；当误差满足精度要求时或迭代次数达到1000时停止训练，否则，返回步骤四二，重新给定RBF神经网络隐含层节点数L，更新训练；

(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，

分别代表样本的最大值和最小值，工程应用中一般取

和

(2)模型评估性能分析：选取样本数据中的测试样本作为RBF神经网络的测试样本，测试RBF神经网络的评估性能。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的计算如公式所示

式中，Y_q为期望值，Y_q′为实际输出值。

步骤五：光纤状态评估分析：将实时采集光功率数据输入步骤四最终训练及测试后的RBF神经网络，实现该时刻光纤线路状态的评估与分析。每有一个时刻的光功率数据值，则可通过该网络得到其对应的光纤状态综合隶属度值，进而可评价此时刻光纤状态属于健康、亚健康、不健康三种评语集中的其中一种状态，实现对光纤状态的实时评估。

Claims (3)

1.基于改进的隶属度函数结合神经网络的光纤状态评估方法，其特征是该方法由以下步骤实现：

步骤一、数据预处理：对原始光纤振动参数、温度参数信息数据进行预处理，作为光纤状态隶属度综合评价模型的参数样本；对原始光功率数据进行预处理，作为光纤状态神经网络评估分析模型的样本；

步骤二、构建基于改进隶属度函数的光纤状态隶属度综合评价模型；

步骤二一、获取光纤状态因素集；建立对应评语集；选取隶属度函数，进行单因素评价，建立隶属度关系矩阵R；

步骤二二、确定光纤状态因素权重系数：利用熵权法计算客观权重系数ω′；利用改进的层次分析法计算主观权重系数ω″；利用改进的欧式距离公式组合主观权重系数与客观权重系数构成综合评价权重系数ω；

步骤三、利用步骤二构建基于改进隶属度函数的光纤状态隶属度综合评价模型，求取关于表征光纤线路状态的光纤振动参数、温度参数的综合评价隶属度值b；

步骤四、结合光纤状态隶属度综合评价模型建立神经网络评估分析模型：根据步骤三获取的表征光纤线路状态的光纤振动参数、温度参数的综合评价隶属度值b与步骤一的光纤状态神经网络评估分析模型的样本进行神经网络建模；

步骤四一、构造样本数据：将光功率数据与光纤状态综合评价所得隶属度值构造为样本对，作为神经网络模型的训练输入样本；

步骤四二、确定网络拓扑结构：确定RBF神经网络的输入层、输出层和隐含层的节点数以及初始化学习速率η；

步骤四三、求解RBF神经网络核心参数：选取高斯核函数作为RBF神经网络核函数，利用K-means聚类方法确定核函数中心、隐含层神经元半径；利用最小均方误差学习法调节隐含层到输出层的连接权重；

步骤四四、神经网络模型学习训练及测试：结合步骤四二、步骤四三对神经网络进行训练，采用测试样本对神经网络的评估分析性能进行测试；

步骤五、光纤状态评估：将实时采集光功率数据输入步骤四四中训练及测试后的神经网络，实现对光纤线路状态的实时评估。

2.根据权利要求1所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法，其特征在于步骤一中，对原始光纤振动参数和温度参数信息数据的预处理方法为：设定原始光纤振动参数S、温度参数T的极值分别为S(m)＝(S₁,S₂,…,S_m)，T(m)＝(T₁,T₂,…,T_m)；将参数极值进行一阶差分，S(m)′＝S(m+1)-S(m)，T(m)′＝T(m+1)-T(m)；其中m为极值的序数；获得差分序列S(m)′和T(m)′；

对差分后的序列S(m)′、T(m)′进行归一化处理，获得光纤状态隶属度综合评价模型的参数样本。

3.根据权利要求1所述的基于改进的隶属度函数结合神经网络的光纤状态评估方法，其特征在于步骤二二中改进的层次分析法计算主观权重系数ω″的公式为：

其中θ_ij为第i个状态指标相对于第j个状态指标的重要性程度，i＝1,2,……n；j＝1,2,……n；

改进的欧式距离公式计算综合评价权重系数ω的公式为

式中λ为方差可调因子，

式中δ_ω′，δ_ω″分别为客观权重系数ω′和主观权重系数ω″的方差。

Images