基于BWO-ELM算法与VR-GIS技术的电力光缆故障诊断及定位研究
2022-12-26蔡海良邢小雷
蔡海良,胡 凯,李 军,邢小雷
(1.国网浙江省电力有限公司德清县供电公司,浙江 德清 313200; 2.浙江华云信息科技有限公司,杭州 310008;3.德清欣电电力建设有限公司,浙江 德清 313200)
0 引言
电力配网通信系统伴随着电网发展建设,也随之发生深刻变化,配网通信系统整体规模迅速增长,体量庞大[1-3]。电力通信系统配网自动化通信接入网通信光缆呈现出网架覆盖范围广、拓扑结构复杂、光缆及光纤数量多、距离长等特征,数量同比均有很大程度增长,整体规模“创新高”[4-6]。
但是因为传统的配网通信系统“分散式维护”方法建立在完全依靠维护人员进行巡视的背景下,想要实现整年全天候不间断巡视和进行故障排查具有很大的难度[7],因而光缆故障精准定位逐渐进入国内外专家学者的视野,成为电力故障诊断与定位领域的研究热点。电力光缆故障精准定位研究主要由两方面构成,一方面是对光时域反射仪(OTDR,optical time-domain reflectometer)测试曲线的事件点信息进行分析研究,从而得到光缆故障点的直线距离与类型,为故障定位奠定基础;另一方面是对光缆故障实际地理位置精准定位进行研究,将故障点直线距离与故障点实际地理位置匹配,并且将实际地理位置坐标通过图像直观展示出来。
国内外学者针对电力光缆故障精准定位开展了大量的研究,其中针对OTDR曲线分析方面,文献[8]利用小波变换与阈值降噪的方法对OTDR测试信号的信噪比进行提升,之后通过比较小波变换与信号突变位置来达到OTDR曲线事件点定位的目的,但是OTDR曲线经过小波变换之后仅能获取部分频率的信息,从而会导致OTDR曲线降噪不佳。文献[9]为解决OTDR曲线幻峰问题,引入波分析算法与径向基函数神经网络(RBF神经网络,radial basis function neural network),在一定程度上减少因幻峰而产生的故障误判现象,但是该方法为能进一步解决OTDR事件点分类问题。文献[10]构建了基于麻雀搜索算法(SSA,sparrow search algorithm)-极限学习机(ELM,extreme learning machine)的光缆故障识别的模型,并通过实验验证该模型的性能,但是SSA算法在实际全局寻优过程当中,不能精确找到最优解的位置。文献[11]选取前馈神经网络(BP网络,back propagation networks)归一化处理数据,结果表明BP网络能够应用于光缆故障诊断,但是该方法整体训练速度慢,且容易出现局部盲优现象,最终致使分类效果不佳。
针对光缆故障实际地理位置精准定位,国内外学者同样进行大量研究,文献[12]基于抢修最优路径提出一种电力光缆故障检测方法,通过改进A*算法在GIS平台上展示最佳抢修路径,在一定程度上提升光缆故障的搜索效率。文献[13]将小波变换与GIS系统相结合,实现光缆故障定位,并且利用线性参考系统实现OTDR检测故障距离与实际地理位置的转换,提升故障定位的精准度。文献[14]将改进模极大值去噪方法应用于光缆监测系统当中,并在实际电网系统中应用,在提升故障定位精度的同时使整体成本得到控制。
止目前为止,在电力通信系统中已经实行了多种类型的网管告警系统,但是在应用的过程中,还存在着诸如监控数据分散、管理内容复杂多样以及网络监视方面的问题[15-18]。伴随着时间的推进前,配网通信光缆的数量突增,前期所敷设的光缆损耗不断提升,光缆的维护与故障处理问题也日渐突出,现有的故障分析和定位手段仍处于一个人工现场测试分析为主的低水平阶段,这给通信专业的运维工作带来巨大压力[19-20]。
综上所述,OTDR曲线分析的故障模式识别算法众多研究当中,普遍存在运行事件长和识别精度低等问题;光缆故障实际地理位置定位存在相对位置误差较大的现象。考虑到配网安全生产的重要保障,光缆安全性与健壮性是电网一次系统安全稳定运行的基础[21-25]。本文提出基于白鲸优化算法(BWO,beluga whale optimization)-ELM与虚拟现实地理信息系统(VR-GIS,virtual reality-geographic information system)的电力光缆故障诊断及定位方法,能够实时精准对电力故障进行检测,分析故障所处的实际地理位置,并且将位置用直观的方式进行展示,在一定程度上提升电力光缆故障在线监测能力与数字化水平。
1 基于BOW-ELM故障模式识别方法
基于BOW-ELM多分类OTDR曲线分析的故障模式识别的基本流程如图1所示。
图1 基于BOW-ELM多分类OTDR曲线分析的故障模式识别的基本流程
由图1可以看出,首先对原始OTDR数据进行去噪;之后运用小波分析对OTDR信号进行分解,获取高频部分特征数据,并划分训练集与测试集;最后将获得的特征数据输入至BOW-ELM模式识别模型,最终实现OTDR曲线事件点信息的模式识别。
1.1 极限学习机
极限学习机是一种较为典型单隐层前馈神经网络,主要由输入、隐含及输出三层构成,其隐含层偏差与输入层权值均通过随机的方式进行选取,并基于广义矩阵理论来对输出层的权值进行计算,利用该权值能够最终获取数据的预测值。
任意N个样本(xi,ti),xi=[xi1,…,xin]T,且xi∈Rn;ti=[ti1,…,tim]T,且ti∈Rm。对于由L个隐层节点构成的单隐层神经网络可以由下式表示:
(1)
式中,bi表示第i个隐层单元的偏置;wi·xj表示两者的内积;wi表示输入权重;g(x)表示激活函数;βi表示输出权重。输出误差最小是单隐层神经网络训练的目标,其可以表示为:
(2)
即存在wi、βi及bi使得:
(3)
用矩阵可以表示为:
Hβ=T
(4)
式中,H表示隐藏层的输出;T表示期望输出;β表示输出权重。
那么式(4)可转化为:
H(w1,…,wl,b1,…,bl,x1,…xl)=
(5)
其中:
(6)
(7)
式中,i=1,…,L,该式等价于如下最小化损失函数。
(8)
在ELM当中,训练单隐含层神经网络能够转换为对一个线性系统Hβ=T进行求解,则输出权重β为:
(9)
(10)
由上述可知,ELM的初始偏置bi与输入权重wi均是通过随机得到,无法保证两者为最佳值,容易使全局最优解陷入局部最优,从而得到不佳的分类结果。
1.2 白鲸优化算法
白鲸优化算法(BWO,beluga whale optimization)是2022年在白鲸游泳、捕鲸及跌倒等行为中得到启发而提出的一种新型基于种群的元启发式算法[26]。
BWO主要对白鲸游泳、捕食及跌倒(坠落)等行为进行模拟,其对应探索、开发及鲸鱼坠落三个阶段。BWO当中鲸落概率与平衡因子均为自适应的,对开发能力与控制搜索起到决定性作用。除此之外,在开发阶段引入Levy飞行策略来进一步提升该阶段的全局收敛性。
因BWO是基于种群机制的算法,将白鲸当作搜索代理,而种群中的所用白鲸个体均为候选解,在优化过程中更新各自的位置。在模拟实验过程中,白鲸种群可以用下式进行描述:
(11)
式中,n表示白鲸种群数量;d表示问题变量的维数,则相应的种群适应度值为:
(12)
平衡因子决定探索与开发阶段的转换,其表达式为:
Bf=B0(1-T/(2Tmax))
(13)
式中,Bf表示平衡因子;Tmax表示最大迭代次数;T表示当前迭代次数;B0∈(0,1),每次迭代在上述范围内随机变化。
探索阶段发生于Bf>0.5的情况下,开发阶段发生于Bf≤0.5的情况下。Bf的波动范围随着迭代次数的不断增加而减小,由原来的(0,1)变为(0,0.5)。
搜索代理在探索阶段的位置是通过白鲸配对游泳来决定的,白鲸位置更新公式为:
(14)
为了增强算法的收敛性,BOW在开发阶段引入Levy飞行策略,假设白鲸在该阶段使用上述策略,分享彼此的位置进行猎物捕捉,并且同时考虑其他和最佳候选者,此过程白鲸的位置更新公式为:
(15)
(16)
LF表示Levy飞行函数,其表达式为:
(17)
其中:
(18)
式中,μ、ν表示正态分布随机数;β=1.5。
为了保证种群数量不变,使用鲸鱼落体步长与白鲸位置来构建鲸落阶段的位置更新模型,模型的数学表达式为:
(19)
式中,Xstep表示鲸鱼坠落的步长r5、r6及r7表示(0,1)范围内的随机数;Xstep表示鲸鱼坠落的步长,其表达式为:
(20)
式中,ub表示变量的上限;lb表示变量的下限;C2表示与种群规模和鲸鱼下降概率相关的阶跃因子,其计算式为:
C2=2Wf×n
(21)
式中,Wf表示鲸鱼坠落概率,其表达式为:
(22)
1.3 BWO优化ELM
ELM在训练之前能够随机产生初始偏置bi与输入权重wi,仅需要对隐含层神经元激活函数与隐含层神经元进行确定,便能够实现ELM模型的构建。由于ELM模型的构建过程中,仅需要对初始偏置bi与输入权重wi进行确定,无需设置其他参数,故在学习效率与泛化能力方面具有一定的优势。然而在OTDR曲线事件点信息的模式识别过程中,不同参数设置对模型的识别精度造成一定程度的影响,并且容易出现局部最优现象。此时,ELM依然采用简单随机方法来选取初始参数,会导致算法隐含层节点出现冗余现象,致使ELM识别精度低下。因此,在构建ELM模式识别模型的过程中,可以利用BWO算法寻优来获取最佳参数,即最佳初始偏置bi与输入权重wi,将BOW较强全局搜索能力和ELM局部快速搜索能力相结合,从而使模型具备更快求解能力和更高的识别精度。BWO-ELM算法流程如图2所示。
图2 BWO-ELM算法流程图
如图2所示,BWO-ELM算法具体流程为:
Step1:采集OTDR检测信号,对信号进行小波分解,提取特征数据形成特征样本,并划分训练集与测试集;
Step2:构建ELM模式识别模型,对隐含层激活函数和神经元个数等信息进行确定;
Step3:确定BOW最大迭代次数Tmax与种群数量n等初始参数确定;
Step4:初始化BOW种群,各白鲸初始位置在搜索范围内随机产生,并基于目标函数计算得到适应的值;
Step5:利用式(13)与(22)计算平衡因子Bf和鲸鱼坠落概率Wf;
Step6:根据计算所得平衡因子Bf的大小判断每条白鲸进入的阶段,不同阶段的更新机制不同,假如Bf>0.5,白鲸的更新机制处于探索阶段,由式(14)更新白鲸的位置,假如Bf≤0.5白鲸的更新机制处于开发阶段,由式(15)更新白鲸的位置,然后对新位置的适应度值进行计算排序,找到当前迭代的最优解,每次迭代均需计算鲸鱼坠落概率Wf,并通过式(19)来更新鲸鱼的位置;
Step7:判断当前迭代次数与最大迭代次数的关系,如果当前迭代次数大于等于最大迭代次数,则寻优停止输出最优参数,反之返回Step5继续新一轮的寻优搜索。
基于BWO-ELM多分类OTDR曲线分析的故障模式识别方法得到光纤故障点的直线距离与类型,为故障定位奠定基础。
2 基于VR-GIS的光缆故障精确定位方法
2.1 搭建虚拟光缆线路信息
借助虚拟现实地理信息系统(VR-GIS,virtual reality-geographic information system)强大的空间定位与数据分析优势,本研究利用SuperMap与3DMax构建某实际区域配电自动化通信接入网虚拟光缆线路信息,并在该信息当中融合实际光缆线路的坐标位置与基本属性信息,之后通过SuperMap iDesktop.Net来实现基于VR-GIS的光缆故障定位、三维场景漫游及数据管理等功能,从而为后续光缆故障精准定位提供展示平台与精确位置。
2.2 光缆故障精确定位方法
当电力光缆发生故障时,选取多次OTCR测量取平均的方式来降低故障距离的测量误差,故障距离的表达式为:
(23)
式中,n表示测量的次数;sn表示第n次测量的光纤故障距离。
则光缆故障距离为:
(24)
式中,CR表示光缆的弯曲程度;S表示电力光纤距离;ST表示电力光缆距离;Pr表示光缆胶缩率。
通过式(24)得到仅为故障点距离测量的距离,并未与实际光缆敷设的地理位置进行匹配。
实际电力光缆是由各段电力光缆通过光缆接头盒(即熔接点)连接构成,并且敷设的过程中需要电线塔进行支撑,故将电力光缆线路上的机房、拐点、熔接点和塔杆等特殊位置作为参考位置,利用手持GPS导航仪上述特殊点的实际地理位置,并将去与OTCR测量的特殊位置信息进行匹配,最后将匹配后的数据通过表1的形式录入数据库。
表1 数据格式表
将电力光缆距离与表1当中的参考位置距离进行作差,可得:
O=ST-Cn
(25)
式中,Cn表示数据库当中参考点的距离;O表示光缆距离与参考点距离的差值;n表示参考位置点的编号。
计算O的最小值,即min|O|获取与电力光缆距离ST最近参考点,即得到该点编号n。
则电力光缆距离ST的经纬度为:
(26)
式中,(xQ,yQ)表示故障点坐标;δi表示第i个接线盒光缆所预留的长度值。
基于VR-GIS的光缆故障精确定位流程如图3所示。
图3 光缆故障精确定位流程图
光缆故障精确定位具体流程为:
Step1:在线检测系统检测到故障发生时,启用OTDR进行多次测量取平均值,利用基于BWO-ELM多分类OTDR曲线分析的故障模式识别模型对光纤数据进行分析,得到故障点的直线距离(光纤距离)与故障类型;
Step2:由式(24)将Step1中获得光纤距离转换为光缆距离;
Step3:利用式(25)与式(26)进行计算,将光缆故障距离与实际地理位置匹配,得到实际故障点的坐标;
Step4:通过VR-GIS虚拟光缆线路信息进行空间定位与数据分析将实际地理位置坐标通过图像直观展示出来。
3 基于BWO-SVM算法与VR-GIS技术的电力光缆故障诊断及定位
实际运行电力通信发生故障时,首先通过基于BWO-ELM算法多分类OTDR分析法得到测量点至故障点之间的光纤距离;其次,将上述光纤距离通过基于VR-GIS的光缆故障精确定位方法进行光缆距离转化,并将光缆故障距离与实际地理位置匹配,得到实际故障点的坐标;最后,利用基于VR-GIS的虚拟光缆线路信息库将上述定位的坐标在二维与三维图像上进行展示,具体故障检测和定位流程如图4所示。
图4 故障检测和定位流程图
4 仿真实验分析
4.1 实验数据采集与预处理
4.1.1 实验数据采集
采集浙江某220 kV变电站电缆线路中某段OTDR数据,具体数据曲线如图5所示,图中标有A、B、C、D、E和F六个事件点。图中A点有一个尖锐的凸起,为光纤的起始端;B、D及E均有一定程度的凸起,其主要是由于光纤断裂造成;C点为平滑的台阶,该点为光纤熔接点;F点为最高凸起点,为光纤末端。本文主要对B、C、D与E两类事件点进行分析研究,其中B、D和E为反射事件点,C为非反射事件点。
图5 OTDR原始数据图
4.1.2 数据预处理
小波包分析在实际应用中具有时频分辨率高的优势,通过对频带多层次分解,能够使信号高频部分得到精细化分解。小波包变换为线性变换,其满足能量守恒定律,即:
(27)
式中,cj,k表示小波包分解系数;f(t)表示OTCR原始信号。
由式(27)可以看出小波包分解系数具有能量的量纲,能够应用于能量分析,故各频段的能量值可以利用信号的小波系数进行确定。
基于上述小波包原理,对OTDR信号进行预处理,步骤如下:
1)选取“rbio3.1”为基小波,分解尺度为J=3来对信号进行小波包分解,信号被分解为K=2J=23=8个频带,用X3j来表示各个节点的分解系数,从而与式(27)当中的cj,k相对应,其中(j=1,2,…,8);
2)对第3层的全部节点进行重构,X3j重构后的信号用S3j进行表示,原始信号长度用N表示,信号S3j离散值得幅度用xjk来进行表示,其中(j=1,2,…,8;k=1,2…,N),那么各段频段的总小波能量表达式为:
(28)
3)对频段能量E3,j进行归一化,获得一个E=[Enorm(1),…,Enorm(8)]的8维能量特征向量,其中:
(29)
两类事件的特征能量及100倍放大如图6与图7所示。
图6 反射事件点特征能量图
图7 非反射事件点特征能量图
4.2 光缆故障模式识别结果分析
4.2.1 ELM识别算法结果分析
基于小波分析包得到能量特征向量,首先利用ELM模型对其进行分类识别。本次实验选取500组数据构成数据集,其中测试样本150组,训练样本350组。以分类精度作为算法的评判标准,选取不同的激活对数据进行分类识别,得到结果如表2所示。
表2 不同激活函数识别算精度对比表
由表2可知,ELM模型选用Sigmoid函数作为激活函数较其他激活函数,具有较高的分类识别精度和良好的分类结果,故选用Sigmoid函数作为ELM模型的激活函数。
为了验证ELM分类识别结果的优越性,本文同时构建BP神经网络和SVM两种识别模型对相同的数据集进行训练和测试,三种不同识别模型识别性能如表3所示。
表3 不同识别模型性能表
通过对比不同识别模型的识别精度与识别时间上,能够看出ELM较BP神经网络及SVM在识别精度及识别时间上具有一定的优势,具有良好的识别效果。
4.2.2 BOW-ELM识别算法结果分析
为了验证本文所提优化算法识别模型的优越性,本节将BOW-ELM、SSA-ELM和PSO-ELM模式识别算法对样本进行训练与测试,最终各算法的识别性能如表4所示。
表4 各模式识别算法性能表
由表4能够看出,本文所构建的模式识别算法的准确率较其他识别模型,具有较高的识别性能。
4.3 光缆故障定位性能分析
人为的将距通信机房15 km的一处熔接点进行破坏,利用本文设计的故障定位方法与电网常用TMS系列光缆监测系统进行多次故障定位,故障定位的具体数据如图8所示。由图8可以看出本文故障定位较常规定位方法,具有更高的性能与准确率,故障定位误差在±3 m上下浮动。
图8 故障定位对比图
本文通过光纤定位熔接点来对光缆故障定位精度进行验证。利用最大误差与真实值得百分比来对光缆故障定位的精度进行表征,具体为:
(30)
选取距离不等的5个故障熔断点,并针对每个点重复进行50次故障定位,同时运用本文设计故障诊断算法与常规故障定位算法分别对故障精度进行计算取均值,结算结果如表5所示。
表5 故障定位精度性能表
由表5可知,本文故障定位方法误差随着故障点距离的提升逐步趋向平稳状态,而现有系统故障误差随故障距离提升呈现增长趋势,并且本文故障定位的平均误差为1.481%,低于现有系统故障定位误差2.511%。由此可知,本文提出的故障定位方法具有良好的的故障定位性能。
5 结束语
为进一步提升电力光缆故障模式识别精度及故障定位精确度,提出一种基于BWO-ELM算法与VR-GIS系统的电力光缆故障诊断及定位方法,通过研究得到以下结论:
1)提出一种基于BOW-ELM故障模式识别方法,通过BOW优化ELM初始偏置bi与输入权重wi,得到最佳初始偏置bi与输入权重wi,将BOW较强全局搜索能力和ELM局部快速搜索能力相结合,从而使模型具备更快求解能力和更高的识别精度,并得到光纤故障点的直线距离与类型,为故障定位奠定基础;
2)提出一种基于VR-GIS的光缆故障精确定位方法,将光纤故障点的直线距离转换为光缆距离,并与实际地理位置匹配,得到实际故障点的坐标,通过VR-GIS虚拟光缆线路信息进行空间定位与数据分析将实际地理位置坐标通过图像直观展示出来;
3)实验仿真表明:BOW-ELM故障模式识别模型较其他识别模型,在识别精度及识别时间上具有一定的优势,具有良好的识别效果;故障定位较常规定位方法,具有更高的性能与准确率,故障定位误差在±3 m上下浮动,且误差随着故障点距离的提升逐步趋向平稳状态。
随着人工智能技术的不断发展,后续的研究过程中选取更高效准确的识别算法是提升故障识别与定位精度的关键,才能使电力光缆故障检测的数字化管理能力得到进一步的提升。