本技術涉及光通信，更具體地，涉及一種非侵入式監(jiān)測的電力光纖異常識別與定位方法及系統(tǒng)。

背景技術：

1、相比于傳統(tǒng)的通信介質(zhì)，光纖具有容量大、傳輸距離遠、抗腐蝕能力強、不受電磁場干擾等優(yōu)點，因此被廣泛應用于電力系統(tǒng)中的通信傳輸系統(tǒng)。然而，隨著光纖網(wǎng)絡的不斷鋪設，光纖網(wǎng)絡的維護和管理問題也日益突出，因此電力光纖的狀態(tài)監(jiān)測十分重要。電力光纖狀態(tài)監(jiān)測對于提升電力系統(tǒng)的安全性、可靠性、經(jīng)濟性和智能化水平至關重要。通過實時監(jiān)測和分析光纖的運行狀態(tài)，能夠及時發(fā)現(xiàn)潛在問題并采取相應措施，確保電力通信系統(tǒng)的穩(wěn)定運行，保障電力設施的安全和可靠性，同時降低維護成本，提升應急響應能力。

2、傳統(tǒng)的電力光纖的狀態(tài)監(jiān)測方法存在維修歷時長、自動化程度低、實時性差等諸多問題，不利于異常的迅速排除，為此一種新型的電力光纖狀態(tài)監(jiān)測方法有廣闊的應用前景。為了減少光纖狀態(tài)監(jiān)測對光纖正常運行的干擾，可以利用非侵入式的方法來實現(xiàn)電力光纖的監(jiān)測。

3、現(xiàn)有技術如公開號為“cn117560074a”的中國專利申請公開了一種基于信號背景噪聲提取的otdr事件識別方法，包括：獲取預設脈沖信號經(jīng)過待測光纖傳輸后產(chǎn)生的背向散射信號的采樣曲線，并確定采樣分辨率和光學盲區(qū)；基于光學盲區(qū)計算采樣曲線中每個點的采樣波動信號；對采樣波動信號進行低通濾波得到背景噪聲信號；根據(jù)背景噪聲信號對采樣信號進行自適應閾值去噪和硬閾值去噪，得到事件波動信號；根據(jù)預設脈寬對應閾值對事件波動信號進行事件篩選，判斷待測光纖是否存在異常。

4、上述現(xiàn)有技術存在的問題是，依賴otdr主動發(fā)射脈沖信號，可能干擾光纖正常通信；用低通濾波和硬閾值去噪，對復雜噪聲(如周期性干擾)適應性差；僅通過“脈寬閾值”判斷異常類型(如熔接損耗)，無法區(qū)分法蘭、彎折等具體故障。

技術實現(xiàn)思路

1、為解決上述技術問題，本發(fā)明提出了一種非侵入式監(jiān)測的電力光纖異常識別與定位方法及系統(tǒng)。

2、本發(fā)明技術方案如下：

3、本發(fā)明提出一種非侵入式監(jiān)測的電力光纖異常識別與定位系統(tǒng)，包括：

4、非侵入式光功率監(jiān)測模塊、光開關切換模塊、光纖測量模塊、光纖異常識別模塊和異常記錄模塊，其中：

5、非侵入式光功率監(jiān)測模塊，用于實時監(jiān)測的光纖線路中的光功率值波動，并根據(jù)光功率波動識別異常光纖線路；

6、光開關切換模塊，用于將光纖測量模塊與異常光纖線路進行連通；

7、光纖測量模塊，用于采集異常光纖線路中的背向瑞利散射信號；

8、光纖異常識別模塊，用于根據(jù)采集的背向瑞利散射信號對異常點進行定位和分類；

9、異常記錄模塊，用于將異常點定位和分類信息合并，上傳至云端并發(fā)出預警。

10、作為優(yōu)選實施方式，所述光纖測量模塊包括：激光器、環(huán)形器、光電探測器和采集卡。

11、作為優(yōu)選實施方式，所述光纖異常識別模塊，用于根據(jù)采集的背向瑞利散射信號對異常點進行點位和分類，具體步驟為：

12、小波變換降噪：利用小波變換對采集的背向瑞利散射信號進行降噪處理；

13、異常定位：通過滑動窗口計算降噪處理后的背向瑞利散射信號數(shù)據(jù)的標準差，標準差大小代表信號的突變程度，計算所有窗口的標準差，通過預設閾值確定標準差異常窗口，在異常窗口附近擴展至100采樣點窗口，定位最大標準差位置為異常發(fā)生位置；

14、信號截取與歸一化：以異常發(fā)生位置為中心截取的101個采樣點窗口，并進行歸一化處理，歸一化公式為：

15、

16、式中：ii為截取出的第i個采樣點的幅值；ii-onr為ii歸一化后的值；imax、imin分別為截取出數(shù)據(jù)中幅值最大值和最小值；

17、異常分類：將101維歸一化處理后的窗口數(shù)據(jù)作為訓練好的灰狼算法優(yōu)化的支持向量機模型的輸入，得到異常類型。

18、作為優(yōu)選實施方式，所述灰狼算法優(yōu)化的支持向量機模型，通過灰狼算法優(yōu)化支持向量機模型中的懲罰參數(shù)c和核函數(shù)參數(shù)γ，具體步驟如下：

19、將支持向量機模型中懲罰參數(shù)c和核函數(shù)參數(shù)γ作為待優(yōu)化變量，構建參數(shù)空間：

20、c∈[cmin,cmax]；

21、γ∈[γmin,γmax]；

22、式中：c為支持向量機的懲罰參數(shù)；γ支持向量機的核函數(shù)參數(shù)；cmin,cmax分別為c的搜索空間下限和上限；γmin,γmax分為γ的搜索空間下限和上限。

23、適應度函數(shù)為最大化分類準確率，具體為：

24、fitness(x)＝1-accuracycross-valodation(x)；

25、x＝(c,γ)；

26、式中：fitness(x)為灰狼個體的適應度函數(shù)值，值越小表示參數(shù)組合x越優(yōu)；x為灰狼個體的位置向量，由c和γ組成的二維參數(shù)；accuracycross-valodation(x)為使用參數(shù)x時，支持向量機模型在交叉驗證集上的分類準確率；

27、隨機生成n個灰狼個體，每個灰狼個體位置xi在參數(shù)空間內(nèi)均與分布；

28、對每個灰狼個體位置xi，通過k-折交叉驗證計算支持向量機模型分類的準確率，得到適應度值：

29、

30、式中：fitnessi為第i個灰狼個體的適應度；k為交叉驗證的折數(shù)；textsetj為第j折驗證數(shù)據(jù)集；accuracy(xi,textsetj)為使用參數(shù)xi時，支持向量機模型在第j折測試集上的分類準確度；

31、按適應度值選取最優(yōu)三個個體作為領導者α、β和δ，其余個體為ω；每個個體ω根據(jù)α、β和δ的位置更新自身位置，具體步驟如下：

32、包圍階段：計算與領導者的距離向量d：

33、dμ＝|cμ·xμ(t)-x(t)|，μ∈{α,β,δ}；

34、式中：dμ為當前灰狼個體與領導者μ之間的距離向量；cμ為隨機系數(shù)向量，cμ＝2·rand(0,1)；xμ(t)為第t次迭代時領導者μ的位置向量；

35、狩獵階段：生成朝向領導者的位置偏移：

36、

37、其中：

38、aμ＝2a·rand(0,1)-a；

39、式中：為根據(jù)領導者μ引導生成的新位置向量；aμ為動態(tài)系數(shù)向量；a為收斂因子；

40、位置融合：綜合領導者引導更新位置：

41、

42、式中：x(t+1)為第t+1次迭代時灰狼個體更新后的位置向量；和分別為基于α、β和δ三個領導者計算的新位置；

43、當達到最大迭代次數(shù)或適應度值低于閾值時終止優(yōu)化，輸出全局最優(yōu)參數(shù)組合，構建灰狼算法優(yōu)化的支持向量機模型。

44、作為優(yōu)選實施方式，所述收斂因子隨著迭代次數(shù)增加，進行自適應調(diào)整以平衡全局探索與局部開發(fā)，收斂因子的自適應調(diào)整公式為：

45、

46、式中：a(t)為迭代次數(shù)為t時的收斂因子的值；tmax為最大迭代次數(shù)。

47、另一方面，本發(fā)明還提供一種非侵入式監(jiān)測的電力光纖異常識別與定位方法，包括以下步驟：

48、步驟s1，通過夾持耦合器使光纖產(chǎn)生泄露光，通過光電探測器將泄露光信號轉換成電信號，并通過模數(shù)轉換器將光電信號轉化為數(shù)字信號，當數(shù)字信號出現(xiàn)大于預設值的波動時，將光纖線路標記為異常線路；

49、步驟s2，通過光開關切換模塊將光纖測量模塊與異常光纖線路進行連通，光纖測量模塊測量異常線路中的背向瑞利散射信號；

50、步驟s3，利用小波變換對異常線路中的背向瑞利散射信號進行降噪；根據(jù)降噪后的背向瑞利散射信號上的突變點進行異常點定位，并通過灰狼算法優(yōu)化的支持向量機模型對異常類型進行識別；

51、步驟s4，將光纖線路中的異常點和異常類型進行合并，通過數(shù)據(jù)傳輸端口傳至云端并發(fā)出光纖線路異常預警。

52、作為優(yōu)選實施方式，所述光纖測量模塊包括：激光器、環(huán)形器、光電探測器和采集卡。

53、作為優(yōu)選實施方式，所述灰狼算法優(yōu)化的支持向量機模型，通過灰狼算法優(yōu)化支持向量機模型中的懲罰參數(shù)c和核函數(shù)參數(shù)γ，具體步驟如下：

54、將支持向量機模型中懲罰參數(shù)c和核函數(shù)參數(shù)γ作為待優(yōu)化變量，構建參數(shù)空間：

55、c∈[cmin,cmax]；

56、γ∈[γmin,γmax]；

57、式中：c為支持向量機的懲罰參數(shù)；γ支持向量機的核函數(shù)參數(shù)；cmin,cmax分別為c的搜索空間下限和上限；γmin,γmax分為γ的搜索空間下限和上限。

58、目標函數(shù)為最大化分類準確率，即最小化分類誤差，具體為：

59、fitness(x)＝1-accuracycross-valodation(x)；

60、x＝(c,γ)；

61、式中：fitness(x)為灰狼個體的適應度函數(shù)值，值越小表示參數(shù)組合x越優(yōu)；x為灰狼個體的位置向量，由c和γ組成的二維參數(shù)；accuracycross-valodation(x)為使用參數(shù)x時，支持向量機模型在交叉驗證集上的分類準確率；

62、隨機生成n個灰狼個體，每個灰狼個體位置xi在參數(shù)空間內(nèi)均與分布；

63、對每個灰狼個體位置xi，通過k-折交叉驗證計算支持向量機模型分類的準確率，得到適應度值：

64、

65、式中：fitnessi為第i個灰狼個體的適應度；k為交叉驗證的折數(shù)；textsetj為第j折驗證數(shù)據(jù)集；accuracy(xi,textsetj)為使用參數(shù)xi時，支持向量機模型在第j折測試集上的分類準確度；

66、按適應度值選取最優(yōu)三個個體作為領導者α、β和δ，其余個體為ω；每個個體ω根據(jù)α、β和δ的位置更新自身位置，具體步驟如下：

67、包圍階段：計算與領導者的距離向量d：

68、dμ＝|cμ·xμ(t)-x(t)|，μ∈{α,β,δ}；

69、式中：dμ為當前灰狼個體與領導者μ之間的距離向量；cμ為隨機系數(shù)向量，cμ＝2·rand(0,1)；xμ(t)為第t次迭代時領導者μ的位置向量；

70、狩獵階段：生成朝向領導者的位置偏移：

71、

72、其中：

73、aμ＝2a·rand(0,1)-a；

74、式中：為根據(jù)領導者μ引導生成的新位置向量；aμ為動態(tài)系數(shù)向量；a為收斂因子；

75、位置融合：綜合領導者引導更新位置：

76、

77、式中：x(t+1)為第t+1次迭代時灰狼個體的更新后位置向量；和分別為基于α、β和δ三個領導者計算的新位置。

78、當達到最大迭代次數(shù)或適應度值低于閾值時終止優(yōu)化，輸出全局最優(yōu)參數(shù)組合，構建灰狼算法優(yōu)化的支持向量機模型。

79、再一方面，本發(fā)明還提供一種電子設備，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明任一實施例所述的一種非侵入式監(jiān)測的電力光纖異常識別與定位方法。

80、再一方面，本發(fā)明還提供一種計算機可讀介質(zhì)，用于存儲一個或者多個程序，當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，使得所述一個或多個處理器實現(xiàn)如本發(fā)明任一實施例所述的一種非侵入式監(jiān)測的電力光纖異常識別與定位方法。

81、本發(fā)明具有如下有益效果：

82、1.非侵入式監(jiān)測：采用夾持耦合器檢測泄露光，避免破壞光纖結構，不影響光纖的正常通信，適用于高可靠性要求的電力通信系統(tǒng)；

83、2.高精度異常定位：小波變換降噪結合滑動窗口標準差分析，提升低信噪比條件下的定位精度；

84、3.智能分類與優(yōu)化：使用灰狼算法優(yōu)化svm參數(shù)，較傳統(tǒng)方法提升分類準確率；

85、4.實時預警與云端集成：異常信息實時上傳云端，支持遠程監(jiān)控與快速維護，降低運維成本。