CN110929952A - 基于线路周边环境和敷设类型的光缆故障概率预测方法 - Google Patents
基于线路周边环境和敷设类型的光缆故障概率预测方法 Download PDFInfo
- Publication number
- CN110929952A CN110929952A CN201911216744.6A CN201911216744A CN110929952A CN 110929952 A CN110929952 A CN 110929952A CN 201911216744 A CN201911216744 A CN 201911216744A CN 110929952 A CN110929952 A CN 110929952A
- Authority
- CN
- China
- Prior art keywords
- optical cable
- fault
- env
- sample
- line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 97
- 230000002093 peripheral effect Effects 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 31
- 238000010276 construction Methods 0.000 claims description 29
- 238000011161 development Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 16
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000007689 inspection Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G06Q50/40—
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供一种基于线路周边环境和敷设类型的光缆故障概率预测方法，包括光缆敷设类型和线路周边环境的描述和量化方法，包括根据光缆敷设类型和线路周边环境确定光缆段落；基于敷设类型、线路周边环境和光缆故障的历史数据，采用机器学习算法预测未来一定周期光缆发生故障的类型及发生概率。通过本发明提供的方法可对未来一定周期内的被测光缆发生故障的类型及发生概率进行预测，可提高光缆巡检维护的针对性，有助于提高光缆线路维护人员的工作效率。
Description
技术领域
本发明属于光纤通信技术领域，具体涉及一种光缆网运维中光缆线路故障的预测方法。
背景技术
随着信息技术的不断发展，光纤通信技术在万物互联的信息时代应用越来越广泛。光缆网作为互联网的基础物理网络，对各种业务网络起着不可替代的支撑作用。确保光缆网的可靠运行，对各类信息的畅通传输重要保障。随着光缆网的不断建设和社会发展，光缆网的规模日益庞大；光缆敷设对应的周边环境也越来越复杂，同时由于基数庞大，光缆被损毁中断的情况也日益增加。
针对上述情况，目前，对于光缆线路通常是，当出现光缆故障后采用OTDR仪表定位故障的具体位置，然后派人过去进行快速抢修的方式。这种方式属于被动的故障驱动型。而对于光缆故障的预防通常采用巡线方式清除故障隐患，由于光缆网现状是人少线多，导致难以发现所有光缆巡线隐患，因此诞生了一些用于辅助光缆维护的预测方法。
通过检索，本专利申请的发明人，发现已经公开的辅助方法包括有公开号为CN107977727A(专利名称为“一种基于社会发展和气候因素预测光缆网阻断概率的方法”)和公开号为CN107917734A(专利名称为“基于温度和电阻的光缆故障预测方法”)的发明专利分别公开了相应的预测方法。其中，专利名称为“一种基于社会发展和气候因素预测光缆网阻断概率的方法”的发明专利，公开了一种基于社会发展和气候因素预测某个城市在一个月内光缆网阻断概率的方法，该方法主要是以巡线线路上故障数量较多的台站所在城市的社会发展和气候因素作为预测数据的统计来源基础，而在野外长途光缆干线上，光缆以一定的距离进行分段段落标识，每段光缆段落通常具有不同的线路周边环境和敷设类型，该方法难以适用。专利名称为“基于温度和电阻的光缆故障预测方法”的发明专利，则公开了一种通过预测电阻值和温度对光缆保护套的状态进行评估，从而实现光缆故障的预测，但该方法仅适用于预测光缆保护套对地绝缘电阻值变化导致的光缆故障预测。
综上可知，以上方法都只针对一到两个特定的参数以预测某一种特定的故障，难以全面的预测某一光缆段落可能遇到的不同的故障类型以及各种故障将会发生的概率；针对于此，现有技术中缺少一种考虑因素更加全面，预测故障类型更多，同时还能对不同的故障类型发生的概率进行预测的光缆线路故障预测方法。
发明内容
本发明要解决的技术问题是，提供一种考虑因素更加全面，预测故障类型更多，同时还能对不同的故障类型发生的概率进行预测的基于线路周边环境和敷设类型的光缆故障概率预测方法。
为解决上述技术问题，本发明提供的技术方案为：一种基于线路周边环境和敷设类型的光缆故障概率预测方法，它包括如下步骤：
第一步，选定需要进行故障预警的光缆线路；
第二步，对选定的线路进行巡线，通过巡线确定光缆线路的敷设类型变量和线路周边的地理环境变量；
第三步，根据巡线结果，对光缆进行段落划分；
第四步，分别定义光缆线路对应的周边天气环境变量、周边施工或开发隐患变量、周边季节变量以及光缆故障类型变量四个参数，并采集各段光缆线路对应的周边天气环境变量、周边施工或开发隐患变量数据、周边季节变量参数以及光缆故障类型变量的历史数据；形成光缆线路历史状态样本数据集；
第五步，建立基于机器学习的光缆线路故障概率预测模型；
第六步，对预测模型参数进行优化；
第七步，采集光缆线路当前状态下的各项参数，并输入到预测模型中；
第八步，使用预测模型输出每个段落对应的故障类型与概率的预测结果。
作为优选项，在第二步中定义光缆敷设类型变量的方法如下：设敷设类型数为NLay_tpye；采用One-Hot编码敷设类型变量如下：Lay_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中各元素(1,0,0,…,0)、(0,1,0,…,0)、(0,0,1,…,0)、…、(0,0,0,…,1)分别表示敷设类型为直埋、管道、架空、侧挂等；
在第二步中定义光缆线路周边地理环境变量的方法如下：以公路平行、公路交越、铁路平行、铁路交越、河流平行、河流交越、桥梁、山地山脚沿线、山地跨越等被测光缆线路周边地理环境类型为参考，将被测光缆线路周边地理环境进行整理与分类；同时设定光缆线路周边地理环境变量的种类数量为Ngeo；定义光缆线路周边地理环境变量为：Env_geo i，i＝1,2,…,Ngeo；该变量取值为1时，表示线路周边满足对应地理环境情况，否则取值为0。
作为优选项，第三步中对光缆进行段落划分的方法包括如下子步骤：
步骤3.1，依光缆标石、人孔、手孔和线杆等特征点的位置粗分光缆段落；通常敷设的光缆在几十米到一百米不等的距离会设立一个一个标石、人孔、手孔和线杆等特征点或线杆，每两个特征点标石或线杆之间分为一个光缆段落；
步骤3.2，依光缆敷设类型和线路周边地理环境变化进一步划分光缆段落；在依标石、人孔、手孔和线杆等特征点的位置粗分光缆段落后，若两个特征点之间存在光缆敷设类型和线路周边地理环境变化时，以变化点为界，继续划分光缆段落；若粗分光缆段落之间不存在光缆敷设类型和线路周边地理环境变化，则不再进行下一步划分；设经过步骤3.1和步骤3.2划分光缆段落后，共划分的光缆段落数量为Nseg。
作为优选项，第四步中周边天气环境变量的设定方法如下：定义光缆线路周边天气环境变量Env_weatherj，j＝1,2,…,Nweather；设定光缆线路周边天气环境包括一个预测周期内的降水量、最大降水量(按一个小时或多个小时计算)、最大风速、最高气温、最低气温、最大湿度等；设共涉及的周边天气环境变量数为Nweather，每种天气环境参数值经归一化后赋值给周边环境环境变量Env_weatherj；天气环境参数值归一化计算方法如下式所示：
其中，Env_weatherj Max、Env_weatherj Min和Env_weatherj Real分别为第j类天气环境参数的最大值、最小值和当前实际值；取每个光缆段落中间点的坐标，连接国家气象数据网站获取对应位置的天气参数值，经过上式归一化计算后获得每个光缆段落周边环境环境变量值Env_weatherj。
作为优选项，第四步中光缆线路周边施工或开发隐患变量的设定方法如下：
定义光缆线路周边施工或开发隐患变量Env_develop为：
其中，变量Dev_distance表示施工或开发位置至光缆线路的距离，单位为“米”；当距离大于100米时，隐患基本可以忽略，变量Dev_distance统一取值为100；变量Dev_scale表示光缆线路周边施工或开发的规模，参考的取值集合为{0,1,2,3}，分别表示为无施工(Dev_scale＝0)、小规模(Dev_scale＝1)、中等规模(Dev_scale＝2)和较大规模(Dev_scale＝3)；参数θ为隐患调整系数，增大θ可使同等距离、同等规模的施工隐患变大，反之变小，在此设置θ＝0.127，作为优选；参数ε为一接近0的正整数，例如取ε＝10-6。
作为优选项，第四步中季节变量的设定方法如下：定义季节变量Env_season；并采用One-Hot编码季节变量Env_season，设Env_season∈{(1,0,0,0)，(0,1,0,0)，(0,0,1,0)，(0,0,0,1)}，该集合中元素(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)分别表示春季、夏季、秋季和冬季；第四步中光缆故障类型变量的设定方法如下：定义光缆故障类型变量Fault_tpye；采用One-Hot编码光缆故障类型变量Fault_tpye，设Fault_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中元素对应分别表示：无故障、挖断、大水冲断、雷击、挂断、泥石流滑坡等冲断等，设故障类型共Nfault种。
作为优选项，第四步中采集并处理被测光缆线路历史状态样本数据集的具体方法如下：
步骤4.1，构建光缆线路历史状态样本总体数据集Set_sample；基于第三步中划分的光缆段落，采集每个段落在过去的各个周期内的光缆线路状态样本，构成状态样本总体数据集Set_sample；定义光缆线路状态样本为(x,y)；其中，x＝(Lay_tpye,Env_geoi,Env_weatherj,Env_develop,Env_season)，i＝1,2,…,Ngeo，j＝1,2,…,Nweather；y＝Fault_tpye；
步骤4.2，划分具有相同敷设类型和周边地理环境的样本子集Set_subk，k＝1,2,…,NSet_sub；在样本数据中，通常各段落光缆线路的敷设类型和周边地理环境短期不会发生变化，即变量Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)取值在光缆线路敷设完成后基本保持不变；同时，每一段光缆线路的敷设类型和周边地理环境也决定了其可能发生故障的类型；将样本总数据集Set_sample中具有相同敷设类型和周边地理环境(即具有相同Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)取值)的样本取出，构建样本子集Set_subk(k＝1,2,…,NSet_sub)，其中NSet_sub为样本子集数，其大小由变量Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)的取值组合确定；对于预测光缆线路某段落的故障类型，只需参考对应其具有相同敷设类型和周边地理环境的样本子集进行计算。
作为优选项，第七步中采集光缆线路当前状态下的各项参数的具体方法如下：基于第三步中划分光缆段落，基于第四步中采集的下一周期内每个光缆段落的周边环境变量Env_weatherj new(j＝1,2,…,Nweather)、Env_developnew和Env_seasonnew，构建每个光缆段落的状态变量xnew＝(Lay_tpye,Env_geoi,Env_weatherj new,Env_developnew,Env_seasonnew)，本发明的目标是根据xnew确定对应产生不同故障类型的概率，即确定ynew；ynew＝(P1,P2,P3,…,Pl,…,PN_fault)，其中，Pl为取对应产生不同故障类型的概率，N_fault＝Nfault。
作为优选项，第六步中的基于机器学习的光缆线路故障概率预测模型的具体方法如下：
步骤9.1：计算不同故障类型的状态中心x* k,l；计算不同故障类型中可变化环境变量的均值，形成故障状态中心样本(x* k,l,y* l)，k＝1,2,…,NSet_sub，l＝1,2,…,Nfault；变量Env_weatherj(j＝1,2,…,Nweather)、Env_develop和Env_season随着天气、人类行为和时间等方面发生不断变化，不同取值将影响其发生故障的概率；对于每一个样本子集Set_subk(k＝1,2,…,NSet_sub)，分别基于不同故障类型对变量Env_weatherj(j＝1,2,…,Nweather)、Env_develop和Env_season求均值，形成不同故障类型的变化环境变量均值
(j＝1,2,…,Nweather)、Env_develop*和Env_season*；则故障状态中心样本中，故障状态中心
对应y* l＝Fault_tpye*(即对应第l种故障类型)；其中，k＝1,2,…,NSet_sub；l＝1,2,…,Nfault；i＝1,2,…,Ngeo；j＝1,2,…,Nweather；
步骤9.2：计算当前状态变量xnew与不同故障状态中心x* k,l的欧式距离；
设与当前状态变量xnew具有相同敷设类型和周边地理环境的样本子集第k个子集Set_subk，计算xnew与子集Set_subk中不同故障状态中心x* k,l的欧式距离Dl，即：
其中，l＝1,2,…,Nfault；设向量xnew和向量x* k,l均有M个元素，
和
分别为向量xnew和向量x* k,l的第m个元素；
步骤9.3：故障类型与概率预测；
对距离Dl取倒数，再采用Softmax函数计算发生第l种类型故障对应的概率Pl：
其中α为调整系数(一个待优化的参数，优化过程见步骤10.4)，ε为一个接近0的正整数，例如取值10-6；Pl *为在一定的光缆线路敷设类型和周边地理环境中较长周期内(通常大于一年以上)第l种类型故障统计的平均发生概率；通过以上计算，可以获得每个光缆段落发生各类故障对应的概率Pl，对应最大概率的故障类型为最可能发生的故障，对每种概率进行求和即可获得总的故障概率；
步骤9.4，对调整系数α的优化；在依据公式计算故障对应的概率Pl时，涉及参数α，通过对历史样本数据进行训练优化获得；采用一段时间内的历史样本数据作为测试样本集Set_test，设测试集中样本量为NSet_test；设测试集中样本为(xt,yt)，t＝1,2,…,NSet_test；采用以上步骤分别估计xt m的故障概率
则对应参数α为：
到此得到的为典型的单目标单变量连续函数优化算式，采用梯度下降法及其它一维搜索迭代优化方法、粒子群优化算法或其他类型的群智能优化算法均可进行求解。
作为优选项，第六步中的基于机器学习的光缆线路故障概率预测模型的具体方法如下：
步骤10.1：整理样本子集Set_subk；
对具有相同敷设类型和周边地理环境的样本子集Set_subk(k＝1,2,…,NSet_sub)进行整理；首先对整个样本空间网格化，每一维度分为n格(为一个待优化的参数，优化过程见如下的第四步)；将所有样本按其位置放入所对应的网格中，并统计各网格中各类型样本数量，记录在数据库中，以备在步骤中检索查询；
步骤10.2：根据当前样本在网格中的位置，选取其相邻网格；根据相邻网格各类型故障样本的占比计算待预测样本出现故障的类型与概率，可通过查询在上一步中建立的各类故障样本量数据库迅速计算得出占比值；
步骤10.3：对参数n进行训练优化；采用过去一段时间内的历史样本数据作为测试样本集Set_test，设测试集中样本量为NSet_test；设测试集中样本为(xt,yt)，t＝1,2,…,NSet_test；采用以上步骤分别估计xt m的故障概率
则对应参数n为：
其中，N+表示正整数集；到此得到的为典型的单目标单变量连续函数优化算式，采用梯度下降法及其它一维搜索迭代优化方法、粒子群优化算法或其他类型的群智能优化算法均可求得其最小值。
采用上述方法后，本发明具有如下有益效果：本发明通过描述和量化光缆敷设类型和线路周边环境，并根据光缆敷设类型和线路周边环境确定光缆段落；通过采集光缆故障及对应光缆敷设类型和线路周边环境的历史数据，基于历史数据训练机器学习算法，以预测未来一定周期光缆发生故障的类型及发生概率。本发明的优点在于可基于目前光缆线路周边环境和敷设类型对可能发生故障的类型和发生概率进行预测，从而提高光缆巡检维护的针对性，有助于提高光缆线路运维人员的工作效率。
附图说明
图1是本发明中基于线路周边环境和敷设类型的光缆故障概率预测方法的流程示意图。
图2是本发明基于线路周边环境和敷设类型的光缆故障概率预测方法中变量采集的方框示意图。
图3是本发明中基于改进的KNN(K Nearest Neighbor)算法下采集的样本数据图表化后的示意图。
图4是在图3中结合预测线缆当前实际数据进行预测后并将结果图表化后的示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
一种基于线路周边环境和敷设类型的光缆故障概率预测方法，它包括如下步骤：
第一步，选定需要进行故障预警的光缆线路；
第二步，对选定的线路进行巡线，通过巡线确定光缆线路的敷设类型变量和线路周边的地理环境变量；
第三步，根据巡线结果，对光缆进行段落划分；
第四步，分别定义光缆线路对应的周边天气环境变量、周边施工或开发隐患变量、周边季节变量以及光缆故障类型变量四个参数，并采集各段光缆线路对应的周边天气环境变量历史数据、周边施工或开发隐患变量数据、周边季节变量参数以及光缆故障类型变量；形成光缆线路历史状态样本数据集；
第五步，建立基于机器学习的光缆线路故障概率预测模型；
第六步，对预测模型参数进行优化；
第七步，采集光缆线路当前状态下的各项参数，并输入到预测模型中；
第八步，使用预测模型输出每个段落对应的故障类型与概率的预测结果。
进一步，结合附图1到附图4，对上述方法对应的具体实施方式进行如下说明：
关于上述步骤中涉及的各变更的定义，可以按如下方法进行：
定义光缆敷设类型变量Lay_tpye。
通常光缆的敷设有直埋、管道、架空、侧挂等类型，设敷设类型数为NLay_tpye；采用One-Hot编码敷设类型变量如下：Lay_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中各元素(1,0,0,…,0)、(0,1,0,…,0)、(0,0,1,…,0)、…、(0,0,0,…,1)分别表示敷设类型为直埋、管道、架空、侧挂等。
定义光缆线路周边地理环境变量Env_geoi，i＝1,2,…,Ngeo。
本发明中涉及的光缆线路周边地理环境包括公路(平行)、公路(交越)、铁路(平行)、铁路(交越)、河流(平行)、河流(交越)、桥梁、山地(山脚沿线)、山地(跨越)、其他特殊地理环境等。设共涉及的周边地理环境变量数为Ngeo，每一种情况定义一个周边地理环境变量Env_geoi，变量取值为1时，表示线路周边满足对应地理环境情况，否则取值为0。
定义光缆线路周边天气环境变量Env_weatherj，j＝1,2,…,Nweather。
本发明中涉及的光缆线路周边天气环境包括一个预测周期内的降水量、最大降水量(按一个小时或多个小时计算)、最大风速、最高气温、最低气温、最大湿度等。设共涉及的周边天气环境变量数为Nweather，每种天气环境参数值经归一化后赋值给周边环境环境变量Env_weatherj。天气环境参数值归一化计算方法如下式所示：
其中，Env_weatherj Max、Env_weatherj Min和Env_weatherj Real分别为第j类天气环境参数的最大值、最小值和当前实际值。取每个光缆段落中间点的坐标，连接国家气象数据网站获取对应位置的天气参数值，经过上式归一化计算后获得每个光缆段落周边环境环境变量值Env_weatherj。
定义光缆线路周边施工或开发隐患变量Env_develop。
在光缆线路周边施工或开发，存在对光缆破坏的隐患。本发明定义光缆线路周边施工或开发隐患变量Env_develop为：
其中，变量Dev_distance表示施工或开发位置至光缆线路的距离，单位为“米”；当距离大于100米时，隐患基本可以忽略，变量Dev_distance统一取值为100；变量Dev_scale表示光缆线路周边施工或开发的规模，参考的取值集合为{0,1,2,3}，分别表示为无施工(Dev_scale＝0)、小规模(Dev_scale＝1)、中等规模(Dev_scale＝2)和较大规模(Dev_scale＝3)；参数θ为隐患调整系数，增大θ可使同等距离、同等规模的施工隐患变大，反之变小，在此设置θ＝0.127，作为优选；参数ε为一接近0的正整数，例如取ε＝10-6。
定义季节变量Env_season。
由于不同季节出现的自然环境和人类活动存在较大差异，从而对造成不同光缆障碍。本发明采用One-Hot编码季节变量Env_season，设Env_season∈{(1,0,0,0)，(0,1,0,0)，(0,0,1,0)，(0,0,0,1)}，该集合中元素(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)分别表示春季、夏季、秋季和冬季。
定义光缆故障类型变量Fault_tpye。
通常光缆线路障碍均由不同原因引发。本发明采用One-Hot编码光缆故障类型变量Fault_tpye，设Fault_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中元素对应分别表示：无故障(为便于计算，将无故障也作为一种故障类型)、挖断、大水冲断、雷击、挂断、泥石流滑坡等冲断等，设故障类型共Nfault种。
需要说明的是上述的定义方法只是一种实施方式举例，并不是唯一的定义方法，参数即变量均可以根据用户的实际情况进行调整与替换。
具体实施时，关于划分光缆段落可以按如下方式进行：一条光缆线路通常长达十几公里或几十公里，不同的光缆段落出现故障的概率各不相同，因此本发明根据光缆敷设类型、线路周边地理环境、标石、人孔、手孔和线杆等特征点的位置划分光缆段落。划分段落时首先依标石、人孔、手孔和线杆等特征点的位置粗分光缆段落。通常敷设的光缆在几十米到一百米不等的距离设立一个一个标石、人孔、手孔和线杆等特征点或线杆，每两个特征点标石或线杆之间分为一个光缆段落。然后依光缆敷设类型和线路周边地理环境变化进一步划分光缆段落。在依标石、人孔、手孔和线杆等特征点的位置粗分光缆段落后，若两个特征点之间存在光缆敷设类型和线路周边地理环境变化时，以变化点为界，继续划分光缆段落；当然如果粗分后的段落中不涉及其他变量的变化，则不需要进一步细分了。完成段落划分后，设定经粗分与细分后共划分的光缆段落数量为Nseg。
关于采集并处理光缆线路历史状态样本数据集的具体操作可按如下方式进行：
首先，构建光缆线路历史状态样本总体数据集Set_sample。基于划分光缆段落的情况，采集每个段落在过去的各个周期内的光缆线路状态样本，构成状态样本总体数据集Set_sample。定义光缆线路状态样本为(x,y)。其中，x＝(Lay_tpye,Env_geoi,Env_weatherj,Env_develop,Env_season)，i＝1,2,…,Ngeo，j＝1,2,…,Nweather；y＝Fault_tpye。
其次，划分具有相同敷设类型和周边地理环境的样本子集Set_subk，k＝1,2,…,NSet_sub。在样本数据中，通常各段落光缆线路的敷设类型和周边地理环境短期不会发生变化，即变量Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)取值在光缆线路敷设完成后基本保持不变；同时，每一段光缆线路的敷设类型和周边地理环境也决定了其可能发生故障的类型。将样本总数据集Set_sample中具有相同敷设类型和周边地理环境(即具有相同Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)取值)的样本取出，构建样本子集Set_subk(k＝1,2,…,NSet_sub)，其中NSet_sub为样本子集数，其大小由变量Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)的取值组合确定。对于预测光缆线路某段落的故障类型，只需参考对应其具有相同敷设类型和周边地理环境的样本子集进行计算。
关于采集光缆线路当前状态的具体操作可按如下方式进行：
基于前面划分光缆段落与采集历史数据的方法，采集下一周期内每个光缆段落的周边环境变量Env_weatherj new(j＝1,2,…,Nweather)、Env_developnew和Env_seasonnew，构建每个光缆段落的状态变量xnew＝(Lay_tpye,Env_geoi,Env_weatherj new,Env_developnew,Env_seasonnew)，本发明的目标是根据xnew确定对应产生不同故障类型的概率，即确定ynew。ynew＝(P1,P2,P3,…,Pl,…,PN_fault)，其中，Pl为取对应产生不同故障类型的概率，N_fault＝Nfault。
关于建立基于机器学习的光缆线路故障概率预测模型的方法如下：
基于机器学习的方法预测光缆线路可能发生故障的类型和发生概率。可以通过各类机器学习的方法对采集的历史数据样本进行学习训练，从而确定可能发生故障的类型和发生概率。考虑到数据采集技术水平和人员数量不同，实际各光缆线路运维单位在巡检过程中采集的样本数量往往具有一定的差别，本发明提出了两种预测方法，其中方法一主要适用于样本量较小情形下的预测，方法二主要适用于样本量较大情形下的预测。下面分别对该两种方法进行说明：
方法一：基于故障概率统计和欧式距离的计算方法估计发生故障的类型和发生概率。
由于样本存在一些难以采集的特征(例如：施工人员的操作细心程度，暴雨后山体是否滑坡，道路上是否出现超高的车辆挂断光缆等)，并且不同故障类型可采集样本量差别较大，因此当样本量较小时，可采用方法一(基于故障概率统计和欧式距离的概率计算方法)估计发生故障的类型和发生概率。
步骤1(方法一)，计算不同故障类型的状态中心x* k,l。
计算不同故障类型中可变化环境变量的均值，形成故障状态中心样本(x* k,l,y* l)，k＝1,2,…,NSet_sub，l＝1,2,…,Nfault。变量Env_weatherj(j＝1,2,…,Nweather)、Env_develop和Env_season随着天气、人类行为和时间等方面发生不断变化，不同取值将影响其发生故障的概率。对于每一个样本子集Set_subk(k＝1,2,…,NSet_sub)，分别基于不同故障类型对变量Env_weatherj(j＝1,2,…,Nweather)、Env_develop和Env_season求均值，形成不同故障类型的变化环境变量均值
(j＝1,2,…,Nweather)、Env_develop*和Env_season*。则故障状态中心样本中，故障状态中心
对应y* l＝Fault_tpye*(即对应第l种故障类型)；其中，k＝1,2,…,NSet_sub；l＝1,2,…,Nfault；i＝1,2,…,Ngeo；j＝1,2,…,Nweather。
步骤2(方法一)，计算当前状态变量xnew与不同故障状态中心x* k,l的欧式距离。
设与当前状态变量xnew具有相同敷设类型和周边地理环境的样本子集第k个子集Set_subk，计算xnew与子集Set_subk中不同故障状态中心x* k,l的欧式距离Dl，即：
其中，l＝1,2,…,Nfault；设向量xnew和向量x* k,l均有M个元素，
和
分别为向量xnew和向量x* k,l的第m个元素。
步骤3(方法一)，故障类型与概率预测。
对距离Dl取倒数，再采用Softmax函数计算发生第l种类型故障对应的概率Pl：
其中α为调整系数(一个待优化的参数，优化过程见下一步，即步骤4)，ε为一个接近0的正整数，例如取值10-6；Pl *为在一定的光缆线路敷设类型和周边地理环境中较长周期内(通常大于一年以上)第l种类型故障统计的平均发生概率。通过以上计算，可以获得每个光缆段落发生各类故障对应的概率Pl，对应最大概率的故障类型为最可能发生的故障，对每种概率进行求和即可获得总的故障概率。
步骤4(方法一)，参数优化设置。
在依据公式计算故障对应的概率Pl时，涉及参数α，通过对历史样本数据进行训练优化获得。采用一段时间内的历史样本数据作为测试样本集Set_test，设测试集中样本量为NSet_test；设测试集中样本为(xt,yt)，t＝1,2,…,NSet_test。采用以上步骤分别估计xt m的故障概率
则对应参数α为：
以上问题为典型的单目标单变量连续函数优化问题，采用现有的常用的梯度下降法及其它一维搜索迭代优化方法均可求得其最小值，另外也可采用粒子群优化算法或其他类型的群智能优化算法对其求解。
方法二：基于改进的KNN(K Nearest Neighbor)算法估计发生故障的类型和发生概率。
方法一较适应于样本量较小的情形，当样本量增大后，可采用方法二(基于改进的KNN算法)估计发生故障的类型和发生概率。直接采用KNN算法需要计算光缆每个段落与样本集中各样本的距离，将消耗庞大的计算资源，影响预测时效和增加硬件成本。本发明方法二基于改进的KNN算法估计发生故障的类型和发生概率。
步骤1(方法二)，整理样本子集Set_subk。
对具有相同敷设类型和周边地理环境的样本子集Set_subk(k＝1,2,…,NSet_sub)进行整理。首先对整个样本空间网格化，每一维度分为n格(为一个待优化的参数，优化过程见下方的步骤3)。如附图3中所示，假设样本空间为二维空间，设n＝8，则可将二维空间分为64个(每一维度分为8格，8×8个)网格，将所有样本按其位置放入所对应的网格中，并统计各网格中各类型样本数量，记录在数据库中，以备在步骤中检索查询。
步骤2(方法二)，基于相邻网格。
如附图4中所示，根据当前样本(图中“五角星”表示)在网格中的位置，选取其相邻网格，如图中黑色实线范围。根据相邻网格各类型故障样本的占比计算待预测样本出现故障的类型与概率，可通过查询在步骤10.1中建立的各类故障样本量数据库迅速计算得出占比值。例如图4中所示，无故障(图4中“圆点”表示)占比64.71％，第一类型故障(图4中“四角星”表示)占比23.53％。，第二类型故障(图4中“三角形”表示)11.76％。因此，此例中新样本有64.71％可能性为不出现故障，若出现故障，最大可能出现第一类型故障，估计出现此故障的概率为23.53％。
步骤3(方法二)，参数优化设置。
在步骤1(方法二)中，涉及将整个样本空间网格化的参数n，其为正整数。当n取最小值1时，算法退化为通过简单求整个样本空间各类故障的平均概率估计新样本故障类型；当n取值过大时(即网格过小)，容易使新样本故障类型估计过分依赖于个别历史样本，因此对参数n进行训练优化，搜索出n的其最优值。
寻优过程如下：
采用过去一段时间内的历史样本数据作为测试样本集Set_test，设测试集中样本量为NSet_test；设测试集中样本为(xt,yt)，t＝1,2,…,NSet_test。采用以上步骤分别估计xt m的故障概率
则对应参数n为：
其中，N+表示正整数集。以上问题为典型的单目标单变量连续函数优化问题，采用现有的常用的梯度下降法及其它一维搜索迭代优化方法均可求得loss最小值对应的最优值n，另外也可采用粒子群优化算法或其他类型的群智能优化算法对其求解。
以上对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的方法并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (10)
1.一种基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：它包括如下步骤：
第一步，选定需要进行故障预警的光缆线路；
第二步，对选定的线路进行巡线，通过巡线确定光缆线路的敷设类型变量和线路周边的地理环境变量；
第三步，根据巡线结果，对光缆进行段落划分；
第四步，分别定义光缆线路对应的周边天气环境变量、周边施工或开发隐患变量、周边季节变量以及光缆故障类型变量四个参数，并采集各段光缆线路对应的周边天气环境变量、周边施工或开发隐患变量数据、周边季节变量参数以及光缆故障类型变量的历史数据；形成光缆线路历史状态样本数据集；
第五步，建立基于机器学习的光缆线路故障概率预测模型；
第六步，对预测模型参数进行优化；
第七步，采集光缆线路当前状态下的各项参数，并输入到预测模型中；
第八步，使用预测模型输出每个段落对应的故障类型与概率的预测结果。
2.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：在第二步中定义光缆敷设类型变量的方法如下：设敷设类型数为NLay_tpye；采用One-Hot编码敷设类型变量如下：Lay_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中各元素(1,0,0,…,0)、(0,1,0,…,0)、(0,0,1,…,0)、…、(0,0,0,…,1)分别表示敷设类型为直埋、管道、架空、侧挂等；
在第二步中定义光缆线路周边地理环境变量的方法如下：以公路平行、公路交越、铁路平行、铁路交越、河流平行、河流交越、桥梁、山地山脚沿线、山地跨越等被测光缆线路周边地理环境类型为参考，将被测光缆线路周边地理环境进行整理与分类；同时设定光缆线路周边地理环境变量的种类数量为Ngeo；定义光缆线路周边地理环境变量为：Env_geoi，i＝1,2,…,Ngeo；该变量取值为1时，表示线路周边满足对应地理环境情况，否则取值为0。
3.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第三步中对光缆进行段落划分的方法包括如下子步骤：
步骤3.1，依光缆标石、人孔、手孔和线杆等特征点的位置粗分光缆段落；通常敷设的光缆在几十米到一百米不等的距离会设立一个一个标石、人孔、手孔和线杆等特征点或线杆，每两个特征点标石或线杆之间分为一个光缆段落；
步骤3.2，依光缆敷设类型和线路周边地理环境变化进一步划分光缆段落；在依标石、人孔、手孔和线杆等特征点的位置粗分光缆段落后，若两个特征点之间存在光缆敷设类型和线路周边地理环境变化时，以变化点为界，继续划分光缆段落；若粗分光缆段落之间不存在光缆敷设类型和线路周边地理环境变化，则不再进行下一步划分；设经过步骤3.1和步骤3.2划分光缆段落后，共划分的光缆段落数量为Nseg。
4.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第四步中周边天气环境变量的设定方法如下：定义光缆线路周边天气环境变量Env_weatherj，j＝1,2,…,Nweather；设定光缆线路周边天气环境包括一个预测周期内的降水量、最大降水量(按一个小时或多个小时计算)、最大风速、最高气温、最低气温、最大湿度等；设共涉及的周边天气环境变量数为Nweather，每种天气环境参数值经归一化后赋值给周边环境环境变量Env_weatherj；天气环境参数值归一化计算方法如下式所示：
其中，Env_weatherj Max、Env_weatherj Min和Env_weatherj Real分别为第j类天气环境参数的最大值、最小值和当前实际值；取每个光缆段落中间点的坐标，连接国家气象数据网站获取对应位置的天气参数值，经过上式归一化计算后获得每个光缆段落周边环境环境变量值Env_weatherj。
5.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第四步中光缆线路周边施工或开发隐患变量的设定方法如下：
定义光缆线路周边施工或开发隐患变量Env_develop为：
其中，变量Dev_distance表示施工或开发位置至光缆线路的距离，单位为“米”；当距离大于100米时，隐患基本可以忽略，变量Dev_distance统一取值为100；变量Dev_scale表示光缆线路周边施工或开发的规模，参考的取值集合为{0,1,2,3}，分别表示为无施工(Dev_scale＝0)、小规模(Dev_scale＝1)、中等规模(Dev_scale＝2)和较大规模(Dev_scale＝3)；参数θ为隐患调整系数，增大θ可使同等距离、同等规模的施工隐患变大，反之变小，在此设置θ＝0.127，作为优选；参数ε为一接近0的正整数，例如取ε＝10-6。
6.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第四步中季节变量的设定方法如下：定义季节变量Env_season；并采用One-Hot编码季节变量Env_season，设Env_season∈{(1,0,0,0)，(0,1,0,0)，(0,0,1,0)，(0,0,0,1)}，该集合中元素(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)分别表示春季、夏季、秋季和冬季；第四步中光缆故障类型变量的设定方法如下：定义光缆故障类型变量Fault_tpye；采用One-Hot编码光缆故障类型变量Fault_tpye，设Fault_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中元素对应分别表示：无故障、挖断、大水冲断、雷击、挂断、泥石流滑坡等冲断等，设故障类型共Nfault种。
7.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第四步中采集并处理被测光缆线路历史状态样本数据集的具体方法如下：
步骤4.1，构建光缆线路历史状态样本总体数据集Set_sample；基于第三步中划分的光缆段落，采集每个段落在过去的各个周期内的光缆线路状态样本，构成状态样本总体数据集Set_sample；定义光缆线路状态样本为(x,y)；其中，x＝(Lay_tpye,Env_geoi,Env_weatherj,Env_develop,Env_season)，i＝1,2,…,Ngeo，j＝1,2,…,Nweather；y＝Fault_tpye；
步骤4.2，划分具有相同敷设类型和周边地理环境的样本子集Set_subk，k＝1,2,…,NSet_sub；在样本数据中，通常各段落光缆线路的敷设类型和周边地理环境短期不会发生变化，即变量Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)取值在光缆线路敷设完成后基本保持不变；同时，每一段光缆线路的敷设类型和周边地理环境也决定了其可能发生故障的类型；将样本总数据集Set_sample中具有相同敷设类型和周边地理环境(即具有相同Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)取值)的样本取出，构建样本子集Set_subk(k＝1,2,…,NSet_sub)，其中NSet_sub为样本子集数，其大小由变量Lay_tpye和Env_geoi(i＝1,2,…,Ngeo)的取值组合确定；对于预测光缆线路某段落的故障类型，只需参考对应其具有相同敷设类型和周边地理环境的样本子集进行计算。
8.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第七步中采集光缆线路当前状态下的各项参数的具体方法如下：基于第三步中划分光缆段落，基于第四步中采集的下一周期内每个光缆段落的周边环境变量Env_weatherj new(j＝1,2,…,Nweather)、Env_developnew和Env_seasonnew，构建每个光缆段落的状态变量xnew＝(Lay_tpye,Env_geoi,Env_weatherj new,Env_developnew,Env_seasonnew)，本发明的目标是根据xnew确定对应产生不同故障类型的概率，即确定ynew；ynew＝(P1,P2,P3,…,Pl,…,PN_fault)，其中，Pl为取对应产生不同故障类型的概率，N_fault＝Nfault。
9.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第六步中的基于机器学习的光缆线路故障概率预测模型的具体方法如下：
步骤9.1：计算不同故障类型的状态中心x* k,l；计算不同故障类型中可变化环境变量的均值，形成故障状态中心样本(x* k,l,y* l)，k＝1,2,…,NSet_sub，l＝1,2,…,Nfault；变量Env_weatherj(j＝1,2,…,Nweather)、Env_develop和Env_season随着天气、人类行为和时间等方面发生不断变化，不同取值将影响其发生故障的概率；对于每一个样本子集Set_subk(k＝1,2,…,NSet_sub)，分别基于不同故障类型对变量Env_weatherj(j＝1,2,…,Nweather)、Env_develop和Env_season求均值，形成不同故障类型的变化环境变量均值
Env_develop*和Env_season*；则故障状态中心样本中，故障状态中心
对应y* l＝Fault_tpye*(即对应第l种故障类型)；其中，k＝1,2,…,NSet_sub；l＝1,2,…,Nfault；i＝1,2,…,Ngeo；j＝1,2,…,Nweather；
步骤9.2：计算当前状态变量xnew与不同故障状态中心x* k,l的欧式距离；
设与当前状态变量xnew具有相同敷设类型和周边地理环境的样本子集第k个子集Set_subk，计算xnew与子集Set_subk中不同故障状态中心x* k,l的欧式距离Dl，即：
其中，l＝1,2,…,Nfault；设向量xnew和向量x* k,l均有M个元素，
和
分别为向量xnew和向量x* k,l的第m个元素；
步骤9.3：故障类型与概率预测；
对距离Dl取倒数，再采用Softmax函数计算发生第l种类型故障对应的概率Pl：
其中α为调整系数(一个待优化的参数，优化过程见步骤10.4)，ε为一个接近0的正整数，例如取值10-6；Pl *为在一定的光缆线路敷设类型和周边地理环境中较长周期内(通常大于一年以上)第l种类型故障统计的平均发生概率；通过以上计算，可以获得每个光缆段落发生各类故障对应的概率Pl，对应最大概率的故障类型为最可能发生的故障，对每种概率进行求和即可获得总的故障概率；
步骤9.4，对调整系数α的优化；在依据公式计算故障对应的概率Pl时，涉及参数α，通过对历史样本数据进行训练优化获得；采用一段时间内的历史样本数据作为测试样本集Set_test，设测试集中样本量为NSet_test；设测试集中样本为(xt,yt)，t＝1,2,…,NSet_test；采用以上步骤分别估计xt m的故障概率
则对应参数α为：
到此得到的为典型的单目标单变量连续函数优化算式，采用梯度下降法及其它一维搜索迭代优化方法、粒子群优化算法或其他类型的群智能优化算法均可进行求解。
10.根据权利要求1所述的基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：第六步中的基于机器学习的光缆线路故障概率预测模型的具体方法如下：
步骤10.1：整理样本子集Set_subk；
对具有相同敷设类型和周边地理环境的样本子集Set_subk(k＝1,2,…,NSet_sub)进行整理；首先对整个样本空间网格化，每一维度分为n格(为一个待优化的参数，优化过程见如下的第10.3步)；将所有样本按其位置放入所对应的网格中，并统计各网格中各类型样本数量，记录在数据库中，以备在步骤中检索查询；
步骤10.2：根据当前样本在网格中的位置，选取其相邻网格；根据相邻网格各类型故障样本的占比计算待预测样本出现故障的类型与概率，可通过查询在上一步中建立的各类故障样本量数据库迅速计算得出占比值；
步骤10.3：对参数n进行训练优化；采用过去一段时间内的历史样本数据作为测试样本集Set_test，设测试集中样本量为NSet_test；设测试集中样本为(xt,yt)，t＝1,2,…,NSet_test；采用以上步骤分别估计xt m的故障概率
则对应参数n为：
其中，N+表示正整数集；到此得到的为典型的单目标单变量连续函数优化算式，采用梯度下降法及其它一维搜索迭代优化方法、粒子群优化算法或其他类型的群智能优化算法均可求得其最小值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911216744.6A CN110929952B (zh) | 2019-12-02 | 2019-12-02 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911216744.6A CN110929952B (zh) | 2019-12-02 | 2019-12-02 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110929952A true CN110929952A (zh) | 2020-03-27 |
| CN110929952B CN110929952B (zh) | 2022-05-03 |
Family
ID=69848252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911216744.6A Active CN110929952B (zh) | 2019-12-02 | 2019-12-02 | 基于线路周边环境和敷设类型的光缆故障概率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929952B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111542086A (zh) * | 2020-05-13 | 2020-08-14 | 苏州逸纪杰电子科技有限公司 | 一种介于各基站之间调度信号传输质量值的系统及方法 |
| CN113960408A (zh) * | 2021-09-14 | 2022-01-21 | 广州番禺电缆集团有限公司 | 光纤测温的电缆故障预测方法、装置、设备及存储介质 |
| CN117459406A (zh) * | 2023-12-26 | 2024-01-26 | 国网浙江省电力有限公司宁波供电公司 | 一种光缆资源运维管理方法、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
| KR20160076646A (ko) * | 2014-12-23 | 2016-07-01 | (주)해인씨앤에스 | 제조 공정 라인의 공정 및 품질 관리 방법 및 장치 |
| CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
| CN108062603A (zh) * | 2017-12-29 | 2018-05-22 | 国网福建省电力有限公司 | 基于配电自动化终端设备全生命周期寿命预测方法及系统 |
| CN108596252A (zh) * | 2018-04-25 | 2018-09-28 | 河南工程学院 | 基于复杂气象大数据的户外通信设施故障预测分析方法 |
-
2019
- 2019-12-02 CN CN201911216744.6A patent/CN110929952B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160076646A (ko) * | 2014-12-23 | 2016-07-01 | (주)해인씨앤에스 | 제조 공정 라인의 공정 및 품질 관리 방법 및 장치 |
| CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
| CN106651188A (zh) * | 2016-12-27 | 2017-05-10 | 贵州电网有限责任公司贵阳供电局 | 一种输变电设备多源状态评估数据处理方法及其应用 |
| CN108062603A (zh) * | 2017-12-29 | 2018-05-22 | 国网福建省电力有限公司 | 基于配电自动化终端设备全生命周期寿命预测方法及系统 |
| CN108596252A (zh) * | 2018-04-25 | 2018-09-28 | 河南工程学院 | 基于复杂气象大数据的户外通信设施故障预测分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 苏林柏等: "光缆线路故障精确定位分析", 《电子测试》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111542086A (zh) * | 2020-05-13 | 2020-08-14 | 苏州逸纪杰电子科技有限公司 | 一种介于各基站之间调度信号传输质量值的系统及方法 |
| CN113960408A (zh) * | 2021-09-14 | 2022-01-21 | 广州番禺电缆集团有限公司 | 光纤测温的电缆故障预测方法、装置、设备及存储介质 |
| CN117459406A (zh) * | 2023-12-26 | 2024-01-26 | 国网浙江省电力有限公司宁波供电公司 | 一种光缆资源运维管理方法、设备及存储介质 |
| CN117459406B (zh) * | 2023-12-26 | 2024-02-23 | 国网浙江省电力有限公司宁波供电公司 | 一种光缆资源运维管理方法、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110929952B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929952B (zh) | 基于线路周边环境和敷设类型的光缆故障概率预测方法 | |
| CN108960599B (zh) | 基于反演算法的输电线路暴雨灾害精细化预测方法及系统 | |
| CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
| KR101856490B1 (ko) | 폭우에 대한 재해취약성 정보 자동처리방법 | |
| CN108831115B (zh) | 一种基于Adaboost的输电线路暴雨灾害风险预警方法 | |
| CN112182234B (zh) | 流域防洪规划数据知识图谱构建方法 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| Esch et al. | Urban remote sensing–how can earth observation support the sustainable development of urban environments? | |
| Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
| US20210342502A1 (en) | Multiple Objective Optimization Route Selection Method Based on Step Ring Grid Network for Power Transmission Line | |
| CN111859779B (zh) | 一种燃气管网防第三方施工破坏风险预警的方法及装置 | |
| CN113987813A (zh) | 一种基于多参数决策和层次分析法的滑坡敏感性制图模型 | |
| CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| CN105184306A (zh) | 评价指标反映评价结果的输电杆塔塔材实际强度计算方法 | |
| JP2023535438A (ja) | 最適な合成電力ネットワークを活用した自然災害に対する空間的な電力供給停止時間の推定 | |
| CN116202575B (zh) | 一种水土保持土壤流失率监测系统及方法 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| JP7224133B2 (ja) | インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム | |
| Li et al. | Remote sensing monitoring and integrated assessment for the eco-environment along China-Pakistan economic corridor | |
| CN115456463A (zh) | 一种山洪灾害危险区风险等级划分方法及系统 | |
| Zhao et al. | Prediction Method of Optical Cable Line Fault Probability Based on Improved KNN Algorithm | |
| Ewadh et al. | Development of Pavement Condition Index Model Using PAVER 6.5. 7 for Flexible Pavement Urban Roads in Kerbala City | |
| CN113408867A (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 | |
| CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |