CN111130634A - 一种opgw中损耗事件的识别方法及系统 - Google Patents

一种opgw中损耗事件的识别方法及系统 Download PDF

Info

Publication number
CN111130634A
CN111130634A CN201911284572.6A CN201911284572A CN111130634A CN 111130634 A CN111130634 A CN 111130634A CN 201911284572 A CN201911284572 A CN 201911284572A CN 111130634 A CN111130634 A CN 111130634A
Authority
CN
China
Prior art keywords
loss event
opgw
loss
machine learning
learning model
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.)
Pending
Application number
CN201911284572.6A
Other languages
English (en)
Inventor
张云峰
续晓光
王景田
黄华林
唐洲
任晓林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Tibet Electric Power Co ltd
Original Assignee
State Grid Tibet Electric Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Tibet Electric Power Co ltd filed Critical State Grid Tibet Electric Power Co ltd
Priority to CN201911284572.6A priority Critical patent/CN111130634A/zh
Publication of CN111130634A publication Critical patent/CN111130634A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

一种OPGW中损耗事件的识别方法及系统，涉及电力通信领域，包括步骤：S1.收集OPGW的光时域反射曲线，并标记损耗事件位置；S2.将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；S3.将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；S4.根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。本发明可通过机器学习模型，并结合OPGW的特性准确的识别损耗事件。

Description

一种OPGW中损耗事件的识别方法及系统
技术领域
本发明涉及电力通信领域，具体来讲涉及一种OPGW中损耗事件的识别方法及系统。
背景技术
目前，电力通信系统中大量采用OPGW(Optical Fiber Composite OverheadGround Wire，光纤复合架空地线)来进行基站与基站之间的通信以及电力线传输的地线使用。在OPGW缆中，中心是光纤，周围是6-8股电力铜或者铝合金的绞线，因此比普通光纤通信中的光缆要沉重许多，在实际厂家生产过程中，一般OPGW缆在出厂之前都是小于5公里一卷，在架设时再一段一段地熔接，这样会造成熔接损耗，而实际通信过程中，OPGW可能受到狂风、积雪等因素的影响也会造成弯曲损耗而出现故障。熔接损耗和弯曲损耗、连接头和接线盒的损耗，在OTDR(Optical Time Domain Reflectometer，光时域反射仪)曲线上反映是一样的，这样就会导致误判，无法正确区分事件。
为了定位OPGW的故障位置，人们提出OTDR采集OPGW中的光时域反射曲线，并筛选出其中的损耗事件，用于故障分析。
OTDR是一种可以对OPGW进行故障分析的仪器。OTDR主要包含一个脉冲激光发生器，一个光电探测器，以及一个定时电路。脉冲激光发生器用于周期性产生光脉冲，所产生的光脉冲会沿待测试的OPGW传播，并在传播过程中部分被反射回OTDR。被反射回来的部分经由光电探测器接收，转化为电信号。根据接收到的电信号的强度大小以及其反射回到OTDR的时间，可以得到OPGW中的损耗事件信息。
但是，由于OPGW在制造过程中，单次的制造长度只有3～5km，实际电力通信系统中采用的OPGW缆一般具有80～100km，甚至会更长，其实际是由多个制造长度范围内的小段熔接而成，而每个熔接点会引入额外的损耗。用OTDR进行测试的过程中，这些具有周期性的熔接点会在测得的光时域反射曲线上呈现出周期性的排列。
如图1所示，图例以制造长度5km为例，展示了周期性出现的损耗事件在OTDR获得的光时域反射曲线上的表现形式。实际OPGW中，需要区分这些周期性出现的正常损耗事件，因为其是由制作工艺造成的固有损耗事件，而非故障。除此之外，随着使用时间增加，OPGW中各小段的熔接点可能出现老化，当其老化到一定程度，将会对电力通信系统产生影响，此时应当将这些周期性出现的损耗事件识别为非正常损耗事件。这为传统的OTDR故障定位技术带来了挑战。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种OPGW中损耗事件的识别方法及系统，通过机器学习模型和预设判决阈值，实现OPGW中损耗事件的精确定位。
为达到以上目的，一方面，采取一种OPGW中损耗事件的识别方法，包括步骤：
S1.收集OPGW的光时域反射曲线，并标记损耗事件位置；
S2.将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；
S3.将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；
S4.根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。
优选的，所述损耗事件位置包括连接损耗事件位置和非连接损耗事件位置，在步骤S1中，标记连接损耗事件位置的方法为：获取OPGW的各段长度，并根据OPGW的各段长度确定连接损耗事件位置，或者，人工标记OPGW的连接损耗事件位置；
标记非连接损耗事件位置的方法为：计算得到非连接损耗事件位置，或者，人工标记非连接损耗事件位置。
优选的，在步骤S2中，所述将样本集分为训练集和测试集两部分，包括：
按设定比例，随机将部分样本集作为训练集，部分样本集作为测试集；或者，按设定比例，选定部分样本集作为训练集，部分样本集作为测试集。
优选的，在步骤S2中，所述采用测试集对训练完成的机器学习模型进行测试，包括：
若所述测试通过，则固化所述机器学习模型；
若所述测试未通过，则更换所述机器学习模型，或者，调整所述机器学习模型。
优选的，所述机器学习模型的输入参数为标记有损耗事件位置的光时域反射曲线，输出的参数为损耗事件的强度和位置。
优选的，在步骤S4中，根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件，包括：将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件。
优选的，在将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件之后，包括：筛选出损耗事件信息中周期性出现的损耗事件；判断各个周期性出现的损耗事件的强度是否超过所述强度阈值，若超过，则认定为非正常损耗事件，若未超过，则认定为正常损耗事件。
优选的，所述机器学习模型为卷积神经网络模型、人工神经网络模型或支持向量机模型。
另一方面，还提出一种OPGW中损耗事件的识别系统，所述系统包括：
收集标定模块，其用于收集OPGW的光时域反射曲线，并标记损耗事件位置；
机器学习模块，其用于将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；以及，将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；
判决模块，其用于根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。
优选的，所述判决模块还用于：
将损耗事件信息中的非周期性出现的损耗事件认定为非正常损耗事件；
筛选出损耗事件信息中的周期性出现的损耗事件；
判断各个周期性出现的损耗事件的强度是否超过所述强度阈值，若超过，则认定为非正常损耗事件，若未超过，则认定为正常损耗事件。
上述技术方案中具有如下有益效果：
本发明将收集到的OPGW的光时域反射曲线和周期性出现的正常损耗事件位置作为样本集，下分训练集和测试集两部分，利用训练集对所选机器学习模型进行训练，利用测试集对训练完成的机器学习模型进行测试。通过机器学习模型精确定位OPGW的损耗事件，然后根据损耗事件是否具有周期性和强度阈值则来分辨正常损耗事件和非正常损耗事件，从而精确定位出OPGW的非正常损耗事件。
附图说明
图1为OPGW各小段熔接点损耗事件图；
图2为本发明OPGW中损耗事件的识别方法流程图；
图3为图1中部分流程的具体示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示，本发明提供一种OPGW中损耗事件的识别方法，包括如下步骤：
S1.收集OPGW的光时域反射曲线，并标记损耗事件位置；
S2.将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；
S3.将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；
S4.根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。
本发明实施例通过机器学习模型精确定位OPGW的损耗事件，然后结合损耗事件位置的周期性和强度阈值分辨正常损耗事件和非正常损耗事件，从而精确定位出OPGW的非正常损耗事件。
应当理解的是，步骤S4中的周期性是指损耗事件的位置是否在OPGW的长度上周期出现。
作为可选的实施方式，在步骤S1中，所述损耗事件位置包括连接损耗事件位置和非连接损耗事件位置，在步骤S1中，
标记连接损耗事件位置的方法为：
获取OPGW的各段长度，并根据OPGW的各段长度确定连接损耗事件位置，或者，人工标记OPGW的连接损耗事件位置；
标记非连接损耗事件位置的方法为：
计算得到非连接损耗事件位置，或者，人工标记非连接损耗事件位置。
在实例中，可以使用计算机调用预存的OPGW的各段长度，并将各段的对接位置自动标记。人工标记则可以通过人工读图的方式进行标记，并将其存储成计算机可读的形式，以便后续机器学习模型使用。
应当理解的是，计算得到非连接损耗事件位置的方法可以通过多种公知的计算方式计算，具体如何计算在次不做赘述。
作为可选的实施方式，在步骤S2中，将样本集分为训练集和测试集两部分可以是随机分配，也可以是人工分配。
在随机分配时，按设定比例，随机将部分样本集作为训练集，部分样本集作为测试集；在人工分配时，按设定比例，人工选定部分样本集作为训练集，部分样本集作为测试集。应当理解的是，设定比例可以根据情况进行分配，比如根据样本集的总数量，测试的需求等都会影响设定的比例。
显然，为了后续机器学习模型的使用，无论是随机分配还是人工分配，最终的分类结果将会存储为计算机可读的形式。也就是说，上述随机分配和人工分配优选在计算机上实现。
进一步的，为了保证训练和测试的效果，在本发明实施例中，训练集和测试集之间相互不重叠，并且训练集占总样本集70％以上，90％以下。
作为一种可选的实施方式，在步骤S2中，所述采用测试集对训练完成的机器学习模型进行测试，包括：
若所述测试通过，则固化所述机器学习模型；
若所述测试未通过，则更换所述机器学习模型，或者，调整所述机器学习模型。
在采用测试集对训练完成的机器学习模型进行测试时，如果测试通过，则固化所述机器学习模型。具体的，在本实施例中，确定使用卷积神经网络模型，也不再更改卷积神经网络模型的结构和参数。但是，如果没有通过测试，则可以选择卷积神经网络模型以外的其他机器学习模型，或者调整卷积神经网络模型的结构和参数。
请参考图3，图3为图1中部分流程的具体示意图，具体来说，在使用卷积神经网络模型的实施例中，训练过程和测试过程为：
收集用于训练的OPGW的光时域反射曲线，并标记所有损耗事件位置；训练中的卷积神经网络则输出所有损耗事件的识别结果，将识别结果和标记了损耗事件位置的光时域反射曲线进行对比，并根据对比结果反馈回调卷积神经网络的参数。
在测试过程中，将测试集中的OPGW光时域反射曲线输入完成训练的卷积神经网络，并输出所有损耗事件的识别结果，将识别结果和测试集中相应光时域反射曲线已经标记的损耗事件做对比。如果不通过，则更换所述机器学习模型，或者，调整所述机器学习模型的结构或参数。
具体的，对于训练情况的判断，可选用适当的损失函数来进行评估。如果训练完成的卷积神经网络模型不能够通过测试，那么应当对卷积神经网络的卷积层、激活函数、池化层等结构进行调整，然后重新利用训练集进行训练，再经过测试集测试。如果仍不能通过测试，那么应当更换机器学习模型，可更换为人工神经网络等其他模型，再重复训练和测试环节。优选的，卷积神经网络对应的损失函数选择为均方误差损失函数。
机器学习模型可以为卷积神经网络模型、人工神经网络模型或支持向量机模型。具体在本实施例中，机器学习模型采用了卷积神经网络模型。
在步骤S3中，机器学习模型的输入参数为待分析的OPGW的光时域反射曲线，输出的参数为相应OPGW的损耗事件信息，损耗事件信息包括了OPGW中所有损耗事件的强度和位置。在这些损耗事件中，有周期性出现损耗事件，也有非周期性出现的损耗事件。
作为可选的实施方式，在步骤S4中，所述根据损耗事件的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件，包括：
将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件。明显的，为了提高判断的准确性，首先将明显属于非正常损耗事件的部分标记出有利于判断的准确性，并降低计算量。
在将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件之后，筛选出损耗事件信息中周期性出现的损耗事件；当出现周期性的损耗事件时，则认定其是由于光纤的熔接形成的损耗事件，即连接损耗事件。而连接损耗事件可能是正常损耗事件，也可能是非正常损耗事件。连接点可能由于老化等多种原因而是损耗增大，从而由正常损耗事件转变为非正常损耗事件。
为了准确的判断出连接损耗事件正常与否。则需要判断各个周期性出现的损耗事件的强度是否超过所述强度阈值，若超过，则认定为非正常损耗事件，若未超过，则认定为正常损耗事件。
强度阈值可以根据实际OPGW各小段熔接点的经验信息进行设定。例如，根据经验，OPGW各小段熔接点引起的损耗事件的强度大小为0.1dB左右，那么可以将强度阈值设定为0.15dB，如果待分析OPGW中周期性出现的损耗事件的强度高于0.15dB，那么将该事件识别为非正常损耗事件，否则识别为正常损耗事件。最终可以精确获取待分析OPGW中的损耗事件。
当然，不同的光纤类型，熔接设备的不同等影响因素都可能影响强度阈值的大小，其具体选择可根据情况不同适当的调整。
整体来说，先将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件。不需要进行强度阈值的判断即可完成认定。在完成非周期性的损耗事件的判断后，再对周期性出现的损耗事件进行判断。避免所有的损耗事件都经过强度阈值的过滤，使得判断变得复杂。
需要指出的是，前文中的连接损耗事件和这里的周期性出现的损耗事件是对应的，由于根据OPGW连接的特性，其连接点是按固定长度周期出现的。
本发明还提供一种OPGW中损耗事件的识别系统，所述系统包括：
收集标定模块，其用于收集OPGW的光时域反射曲线，并标记损耗事件位置；
机器学习模块，其用于将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；以及，将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；
判决模块，其用于根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。
所述判决模块还用于：将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件；
筛选出损耗事件信息中周期性出现的损耗事件；
判断各个周期性出现的损耗事件的强度是否超过所述强度阈值，若超过，则认定为非正常损耗事件，若未超过，则认定为正常损耗事件。
需要指出的是，上述方法中所记载的各个流程也适用于本系统，为了避免重复，再此不再赘述。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种OPGW中损耗事件的识别方法，其特征在于，包括步骤：
S1.收集OPGW的光时域反射曲线，并标记损耗事件位置；
S2.将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；
S3.将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；
S4.根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。
2.如权利要求1所述的OPGW中损耗事件的识别方法，其特征在于，所述损耗事件位置包括连接损耗事件位置和非连接损耗事件位置，在步骤S1中，
标记连接损耗事件位置的方法为：
获取OPGW的各段长度，并根据OPGW的各段长度确定连接损耗事件位置，或者，人工标记OPGW的连接损耗事件位置；
标记非连接损耗事件位置的方法为：
计算得到非连接损耗事件位置，或者，人工标记非连接损耗事件位置。
3.如权利要求1所述的OPGW中损耗事件的识别方法，其特征在于，在步骤S2中，所述将样本集分为训练集和测试集两部分，包括：
按设定比例，随机将部分样本集作为训练集，部分样本集作为测试集；或者，
按设定比例，选定部分样本集作为训练集，部分样本集作为测试集。
4.如权利要求1所述的OPGW中损耗事件的识别方法，其特征在于，在步骤S2中，所述采用测试集对训练完成的机器学习模型进行测试，包括：
若所述测试通过，则固化所述机器学习模型；
若所述测试未通过，则更换所述机器学习模型，或者，调整所述机器学习模型。
5.如权利要求1所述的OPGW中损耗事件的识别方法，其特征在于，
所述机器学习模型的输入参数为标记有损耗事件位置的光时域反射曲线，输出的参数为损耗事件的强度和位置。
6.如权利要求1所述的OPGW中损耗事件的识别方法，其特征在于，在步骤S4中，根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件，包括：
将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件。
7.如权利要求6所述的OPGW中损耗事件的识别方法，其特征在于，在将损耗事件信息中的非周期性的损耗事件认定为非正常损耗事件之后，包括：
筛选出损耗事件信息中周期性出现的损耗事件；
判断各个周期性出现的损耗事件的强度是否超过所述强度阈值，若超过，则认定为非正常损耗事件，若未超过，则认定为正常损耗事件。
8.如权利要求1所述的OPGW中损耗事件的识别方法，其特征在于，所述机器学习模型为卷积神经网络模型、人工神经网络模型或支持向量机模型。
9.一种OPGW中损耗事件的识别系统，其特征在于，所述系统包括：
收集标定模块，其用于收集OPGW的光时域反射曲线，并标记损耗事件位置；
机器学习模块，其用于将收集的标记有损耗事件位置的光时域反射曲线作为样本集，并将样本集分为训练集和测试集两部分，通过训练集训练机器学习模型，采用测试集对训练完成的机器学习模型进行测试；以及，将待分析的光时域反射曲线输入到测试通过的机器学习模型，输出该OPGW对应的损耗事件信息；
判决模块，其用于根据损耗事件位置的周期性和设定的强度阈值剔除所述损耗事件信息中的正常损耗事件信息，以确定该OPGW中的非正常损耗事件。
10.如权利要求9所述的OPGW中损耗事件的识别系统，其特征在于，所述判决模块还用于：
将损耗事件信息中的非周期性出现的损耗事件认定为非正常损耗事件；
筛选出损耗事件信息中的周期性出现的损耗事件；
判断各个周期性出现的损耗事件的强度是否超过所述强度阈值，若超过，则认定为非正常损耗事件，若未超过，则认定为正常损耗事件。
CN201911284572.6A 2019-12-13 2019-12-13 一种opgw中损耗事件的识别方法及系统 Pending CN111130634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911284572.6A CN111130634A (zh) 2019-12-13 2019-12-13 一种opgw中损耗事件的识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911284572.6A CN111130634A (zh) 2019-12-13 2019-12-13 一种opgw中损耗事件的识别方法及系统

Publications (1)

Publication Number Publication Date
CN111130634A true CN111130634A (zh) 2020-05-08

Family

ID=70498811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911284572.6A Pending CN111130634A (zh) 2019-12-13 2019-12-13 一种opgw中损耗事件的识别方法及系统

Country Status (1)

Country Link
CN (1) CN111130634A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814954A (zh) * 2020-06-19 2020-10-23 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN113258996A (zh) * 2021-07-05 2021-08-13 南京华脉科技股份有限公司 基于人工智能的海缆生产和铺设过程中的光缆监测方法
CN117571265A (zh) * 2023-11-27 2024-02-20 宁夏大学 基于长短期记忆算法的多芯光纤弯曲损耗预测系统与方法
CN117571265B (zh) * 2023-11-27 2024-09-03 宁夏大学 基于长短期记忆算法的多芯光纤弯曲损耗预测系统与方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103281122A (zh) * 2013-04-28 2013-09-04 国家电网公司 一种光缆在线监测装置及其提高告警准确率的方法
CN108229553A (zh) * 2017-12-29 2018-06-29 国网吉林省电力有限公司信息通信公司 一种otdr曲线数据分析方法
CN108593260A (zh) * 2018-04-24 2018-09-28 国家电网公司 光缆线路故障定位和检测方法及终端设备
CN109474333A (zh) * 2018-12-27 2019-03-15 国网山西省电力公司晋中供电公司 一种基于深度学习的电力光缆实时监测保护系统
CN109921847A (zh) * 2019-04-15 2019-06-21 中国电力科学研究院有限公司 一种无源光网络中故障支路的定位方法和系统
US20190260468A1 (en) * 2018-02-22 2019-08-22 Subcom, Llc Fault detection and reporting in line monitoring systems
CN110212975A (zh) * 2019-04-30 2019-09-06 国网河南省电力公司电力科学研究院 一种基于微分进化神经网络的otdr故障特征判断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103281122A (zh) * 2013-04-28 2013-09-04 国家电网公司 一种光缆在线监测装置及其提高告警准确率的方法
CN108229553A (zh) * 2017-12-29 2018-06-29 国网吉林省电力有限公司信息通信公司 一种otdr曲线数据分析方法
US20190260468A1 (en) * 2018-02-22 2019-08-22 Subcom, Llc Fault detection and reporting in line monitoring systems
CN108593260A (zh) * 2018-04-24 2018-09-28 国家电网公司 光缆线路故障定位和检测方法及终端设备
CN109474333A (zh) * 2018-12-27 2019-03-15 国网山西省电力公司晋中供电公司 一种基于深度学习的电力光缆实时监测保护系统
CN109921847A (zh) * 2019-04-15 2019-06-21 中国电力科学研究院有限公司 一种无源光网络中故障支路的定位方法和系统
CN110212975A (zh) * 2019-04-30 2019-09-06 国网河南省电力公司电力科学研究院 一种基于微分进化神经网络的otdr故障特征判断方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814954A (zh) * 2020-06-19 2020-10-23 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN111814954B (zh) * 2020-06-19 2023-09-08 武汉光迅科技股份有限公司 一种光纤质量分析方法、装置、电子设备及存储介质
CN113258996A (zh) * 2021-07-05 2021-08-13 南京华脉科技股份有限公司 基于人工智能的海缆生产和铺设过程中的光缆监测方法
CN113258996B (zh) * 2021-07-05 2021-09-17 南京华脉科技股份有限公司 基于人工智能的海缆生产和铺设过程中的光缆监测方法
CN117571265A (zh) * 2023-11-27 2024-02-20 宁夏大学 基于长短期记忆算法的多芯光纤弯曲损耗预测系统与方法
CN117571265B (zh) * 2023-11-27 2024-09-03 宁夏大学 基于长短期记忆算法的多芯光纤弯曲损耗预测系统与方法

Similar Documents

Publication Publication Date Title
CN109474333B (zh) 一种基于深度学习的电力光缆实时监测保护系统
CA2737897C (en) System and method for testing ropes
CN112887017B (zh) 一种光缆接续杆塔的定位方法及定位系统
US20110153544A1 (en) Fiber Identification Using Mode Field Diameter Profile
CN111510205B (zh) 一种基于深度学习的光缆故障定位方法、装置及设备
CN111130634A (zh) 一种opgw中损耗事件的识别方法及系统
CN110927524B (zh) 一种基于botdr技术的opgw光缆断芯原因分析与精确定位方法
CN102386974A (zh) Pon网络故障检测方法和装置
CN101895339A (zh) 电力光缆网故障预警和定位的实现方法
CN103281122A (zh) 一种光缆在线监测装置及其提高告警准确率的方法
CN106160846A (zh) 用于检测pon网络线路故障的方法和装置
CN115882938B (zh) 一种光网故障监测系统
CN117233541B (zh) 一种配电网电力线路运行状态测量方法及测量系统
CN115021804B (zh) 一种长距离通信光缆故障定位方法及相关装置
CN107228753A (zh) 一种光纤质量数据的分析方法及系统
CN105547644A (zh) 一种基于光时域反射仪的光缆测试系统及测试方法
CN109347546B (zh) 一种用于光缆故障诊断的方法
CN117955558A (zh) 一种光缆故障定位方法、装置、电子设备和存储介质
DE112022002097T5 (de) Lokalisierung gefährlicher ereignisse an versorgungsmasten
CN105425105A (zh) 电网故障线段综合定位方法及系统
CN116647272A (zh) 一种基于自主学习确定告警位置的方法
CN108153627B (zh) 一种机载1394b总线信号传输完整性测试与评估方法
CN115833928A (zh) 光纤数据分析方法、装置、设备及存储介质
CN115913349A (zh) 光缆设备异常定位方法及装置、存储介质、终端
CN115347570A (zh) 一种基于主配协同的区域停电范围分析方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508