基于BP神经网络的变电站光纤断点检测研究

刘 邦，贺开放，王亚坤，冯 豆，李 强，赵子玮，曲鸿春

（1.国网安徽省电力有限公司亳州供电公司，安徽 亳州 236800；2.三峡大学，湖北 宜昌 443002）

0 引言

随着基于光纤和通信技术的智能变电站迅速发展，对站用光纤网络及通信技术的安全可靠性提出了更高要求。维护大型光纤通信网络对智能变电站安全稳定运行有重要的作用，准确定位断点，并进行修复或排除成为目前研究的重点之一。当光纤网络出现断点，严重时会导致通信中断，并可能造成电能传输中断以及带来经济损失等后果［1-2］。

由于大型光纤网络设备量大，传输的数据量大、距离长，传统的检测方法平均计算次数多、耗时长、精度低。目前已有较多研究成果关注光纤运行和维护方法的研究［3-6］。文献［3］设计了针对断点故障数据高频信号和低频信号的去噪函数，从而建立最优移动学习数据识别模型。文献［4］通过计算断点故障在进行光信号传输过程中能量分布特征，采用基于小波变换的阈值消除检测过程中的断点故障信号特征噪声干扰，实现光纤通信局域网断点故障大区间动态检测。文献［5］通过前期采集光纤网络告警信息进行分析，提高光纤故障预警系统的可靠性。文献［6］通过在FPGA内嵌入软核处理器，来提高光纤网络测量准确度。对智能变电站光纤网络运维技术研究较少。

为了解决上述问题，本文提出建立一种基于BP神经网络的光纤通信网络断点模型。首先训练储存智能变电站内各种类型的光纤断点故障信息，形成专家检测系统；然后使用基于BP神经网络的专家检测系统对光纤链路进行高效检测。

1 大型光纤网络断点检测原理

大规模光纤网络中存在多种干扰因素，产生的断点具有随机性的特点，传统的方法需逐个检测每个节点，存在耗时长、效率低等问题［7］。大型的光纤网络中节点故障信息主要包括故障数据、反馈数据和历史记录3类。在智能变电站正常运行的情况下，光纤网络前端电参量和其中的光参量处于稳定状态，不会有剧烈波动，具有较高的稳定性。随着运行时间的增长，光纤网络中的某些节点参数损伤，造成网络断点，就会影响网络中的正常通信。一般采用自感应主元算法来建立前馈和反馈网络模型，对网络节点的干扰因素进行处理，获取有效的节点特征。大型光纤通信网络结构示意图如图1所示［8-9］。

图1 大型光纤通信网络结构示意图

设第t-1个节点断点的特性信息已知，自感应主元算法可以通过前馈和反馈的加权系数计算出第t个节点断点的特征信息，清除其他干扰因素，完成节点断点的检测。设：

式中：W(k)为输入到光纤网络节点的断点信号；St(k)为第t个光纤网络断点信号的前馈值；Ct(k)为第t个光纤网络断点信号的反馈值；Zt-1(k)为第t个光纤网络断点信号的反馈信号；zt(k)为第t个光纤网络断点信号的输出信号；E为单位矩阵。

若W(k)比较稳定，根据断点信号特征对矩阵L=W(k) WE(k)进行升序排列：

表征光纤网络中的断点信号稳定的前馈值为：

式中：dj为矩阵第j个特征向量。

由式（4）可得第t个故障信号的反馈信号为：

式（5）中D为由矩阵L的t-1个最大特征向量组成的(t-1)×h阶矩阵，则：

第t个光纤网络的断点信号的前馈权值st(k)和反馈权值ct(k)的改进值为：

式中：ζ1和ζ2为学习率。

经上述计算处理去除光纤网络节点断点的干扰，获得有效信息，从而完成对光纤网络一定区域内的故障检测。由于光纤网络节点多，因此系统断点检测方法主要注重于提升检测的快速性和准确性。

2 BP神经网络算法及其在光纤网络故障检测中的应用

2.1 BP神经网络算法原理

BP神经网络是一种采用误差逆传播算法训练的多层前馈网络，具有较强的适应性。其拓扑结构由输入层、一个或多个中间层和输出层组成，同层神经元之间互不相连，邻层的神经元之间通过权值连接。单个中间层的感知器能够解决简单的问题，因此具有较普遍的应用，其拓扑结构如图2所示。

图2 BP神经网络拓扑结构图

对于单个中间层的BP神经网络，输入向量为 X=（X1，X2，…Xn）T，设置的理想输出向量为 Y=（Y1，Y2，…Yn）T，实际输出向量为 O=（O1，O2，…On）T。输入层有n个神经元，中间层有h个神经元，Wij为输出层和中间层的连接权重，Wjk为中间层和输出层的连接权重。在输入层，神经元i的输出为输入量的分量Xi，中间层和输出层的关系可表示为：

BP网络神经算法步骤分两步。

1）向前传播阶段。随机给Wij和Wjk的初始权值取为互不相等且较小的非零数，取值范围为（-1.0，1.0）。对于光纤网络中的断点样本（Xp，Yp），确定实际输出值Op。

2）向后传播阶段。计算实际输出Op对应的理想输出Yp的误差，权值根据极小误差进一步调整。判断算法运算迭代次数是否大于初始给定值或满足误差要求，如果满足则结束算法运算程序，反之重新进入向前传播的后一阶段。

BP神经网络用样本精度来保证算法的精准度。对于第p个取样样本有：

光纤网络的整个误差测度为：

式中：Oi为输入层第i个神经元的输出值；Oj为中间层第 j个神经元的输出值；Oj+1，k2为输出层第k2个神经元的理想输出值。

中间层和输出层之间连接权值调整为：

式中：α为BP神经网络的学习率，取值范围(0，1)；Oj为中间层第j个神经元的输出值；Ok为输出层第k个神经元的输出值；Yk为输出层第k个神经元的理想输出值。

2.2 智能变电站中光纤网络断点检测应用

基于BP神经网络的光纤网络断点检测主要分为训练模式和检测模式，两种模式构建成完整的专家检测系统的检测流程，其断点检测流程如图3所示。专家检测系统的建立是通过训练模式采集大量的光纤网络系统中正常工作和故障时的节点特征，对采集到的特征信号通过奇异谱降噪技术进行优化，提取出信号有效的特征信息，采用加窗处理将时间序列信号分为长度相同且互不重叠的时间段，对检测器进行训练，最终获取S个断点检测器［10-12］。在检测模式中，用经过训练的检测器对光纤网络中异常的特征信号进行检测，如果E＜0，检测器被激活。基于检测器检测到的信息，得到整个智能变电站光纤网络的断点情况。在光纤网络检测过程中，若有效激活的检测器为M个，无效激活的检测器为N个，则断点检测率η为：

图3 基于BP神经网络的光纤网络断点检测流程

3 实验结果及分析

验证本文所提出的BP神经网络算法检测光纤网络断点的有效性，分别在不同环境下对光纤网络采集样本，包括正常工作和故障状态下的样本点1 000个作为正常样本集和断点样本集，对神经检测器进行训练。随机选取大型光纤网络区域中2 000个样本点作为待检测信号，分别采用传统的自感应主元算法和BP神经网络算法进行网络断点检测，得到的收敛速度效果如图4所示，准确率效果如图5所示。

图4 不同算法收敛速度比较

图5 不同算法准确率比较

由图4可见，本文算法的收敛速度明显高于传统算法的收敛速度，提高了检测的速度，以便工作人员迅速对故障断点进行定位处理。由图5可见，本文算法准确率明显高于传统算法，提升了检测的精度。

4 结语

针对智能变电站中光纤网络工程验收、运维中快速定位故障并修复的需要，本文提出了一种基于BP神经网络的光纤网络断点检测方法。仿真实验结果表明，该方法提升了智能变电站光纤网络验收和运维中的检测效率，并具有较高的精度，确保了智能变电站的安全运行。