基于BWO-ELM算法與VR-GIS技術(shù)的電力光纜故障診斷及定位研究

蔡海良，胡 凱，李 軍，邢小雷

(1.國網(wǎng)浙江省電力有限公司德清縣供電公司，浙江 德清 313200； 2.浙江華云信息科技有限公司，杭州 310008；3.德清欣電電力建設(shè)有限公司，浙江 德清 313200)

0 引言

電力配網(wǎng)通信系統(tǒng)伴隨著電網(wǎng)發(fā)展建設(shè)，也隨之發(fā)生深刻變化，配網(wǎng)通信系統(tǒng)整體規(guī)模迅速增長，體量龐大[1-3]。電力通信系統(tǒng)配網(wǎng)自動(dòng)化通信接入網(wǎng)通信光纜呈現(xiàn)出網(wǎng)架覆蓋范圍廣、拓?fù)浣Y(jié)構(gòu)復(fù)雜、光纜及光纖數(shù)量多、距離長等特征，數(shù)量同比均有很大程度增長，整體規(guī)模“創(chuàng)新高”[4-6]。

但是因?yàn)閭鹘y(tǒng)的配網(wǎng)通信系統(tǒng)“分散式維護(hù)”方法建立在完全依靠維護(hù)人員進(jìn)行巡視的背景下，想要實(shí)現(xiàn)整年全天候不間斷巡視和進(jìn)行故障排查具有很大的難度[7]，因而光纜故障精準(zhǔn)定位逐漸進(jìn)入國內(nèi)外專家學(xué)者的視野，成為電力故障診斷與定位領(lǐng)域的研究熱點(diǎn)。電力光纜故障精準(zhǔn)定位研究主要由兩方面構(gòu)成，一方面是對光時(shí)域反射儀(OTDR，optical time-domain reflectometer)測試曲線的事件點(diǎn)信息進(jìn)行分析研究，從而得到光纜故障點(diǎn)的直線距離與類型，為故障定位奠定基礎(chǔ)；另一方面是對光纜故障實(shí)際地理位置精準(zhǔn)定位進(jìn)行研究，將故障點(diǎn)直線距離與故障點(diǎn)實(shí)際地理位置匹配，并且將實(shí)際地理位置坐標(biāo)通過圖像直觀展示出來。

國內(nèi)外學(xué)者針對電力光纜故障精準(zhǔn)定位開展了大量的研究，其中針對OTDR曲線分析方面，文獻(xiàn)[8]利用小波變換與閾值降噪的方法對OTDR測試信號的信噪比進(jìn)行提升，之后通過比較小波變換與信號突變位置來達(dá)到OTDR曲線事件點(diǎn)定位的目的，但是OTDR曲線經(jīng)過小波變換之后僅能獲取部分頻率的信息，從而會(huì)導(dǎo)致OTDR曲線降噪不佳。文獻(xiàn)[9]為解決OTDR曲線幻峰問題，引入波分析算法與徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF神經(jīng)網(wǎng)絡(luò)，radial basis function neural network)，在一定程度上減少因幻峰而產(chǎn)生的故障誤判現(xiàn)象，但是該方法為能進(jìn)一步解決OTDR事件點(diǎn)分類問題。文獻(xiàn)[10]構(gòu)建了基于麻雀搜索算法(SSA，sparrow search algorithm)-極限學(xué)習(xí)機(jī)(ELM，extreme learning machine)的光纜故障識別的模型，并通過實(shí)驗(yàn)驗(yàn)證該模型的性能，但是SSA算法在實(shí)際全局尋優(yōu)過程當(dāng)中，不能精確找到最優(yōu)解的位置。文獻(xiàn)[11]選取前饋神經(jīng)網(wǎng)絡(luò)(BP網(wǎng)絡(luò)，back propagation networks)歸一化處理數(shù)據(jù)，結(jié)果表明BP網(wǎng)絡(luò)能夠應(yīng)用于光纜故障診斷，但是該方法整體訓(xùn)練速度慢，且容易出現(xiàn)局部盲優(yōu)現(xiàn)象，最終致使分類效果不佳。

針對光纜故障實(shí)際地理位置精準(zhǔn)定位，國內(nèi)外學(xué)者同樣進(jìn)行大量研究，文獻(xiàn)[12]基于搶修最優(yōu)路徑提出一種電力光纜故障檢測方法，通過改進(jìn)A*算法在GIS平臺上展示最佳搶修路徑，在一定程度上提升光纜故障的搜索效率。文獻(xiàn)[13]將小波變換與GIS系統(tǒng)相結(jié)合，實(shí)現(xiàn)光纜故障定位，并且利用線性參考系統(tǒng)實(shí)現(xiàn)OTDR檢測故障距離與實(shí)際地理位置的轉(zhuǎn)換，提升故障定位的精準(zhǔn)度。文獻(xiàn)[14]將改進(jìn)模極大值去噪方法應(yīng)用于光纜監(jiān)測系統(tǒng)當(dāng)中，并在實(shí)際電網(wǎng)系統(tǒng)中應(yīng)用，在提升故障定位精度的同時(shí)使整體成本得到控制。

止目前為止，在電力通信系統(tǒng)中已經(jīng)實(shí)行了多種類型的網(wǎng)管告警系統(tǒng)，但是在應(yīng)用的過程中，還存在著諸如監(jiān)控?cái)?shù)據(jù)分散、管理內(nèi)容復(fù)雜多樣以及網(wǎng)絡(luò)監(jiān)視方面的問題[15-18]。伴隨著時(shí)間的推進(jìn)前，配網(wǎng)通信光纜的數(shù)量突增，前期所敷設(shè)的光纜損耗不斷提升，光纜的維護(hù)與故障處理問題也日漸突出，現(xiàn)有的故障分析和定位手段仍處于一個(gè)人工現(xiàn)場測試分析為主的低水平階段，這給通信專業(yè)的運(yùn)維工作帶來巨大壓力[19-20]。

綜上所述，OTDR曲線分析的故障模式識別算法眾多研究當(dāng)中，普遍存在運(yùn)行事件長和識別精度低等問題；光纜故障實(shí)際地理位置定位存在相對位置誤差較大的現(xiàn)象?？紤]到配網(wǎng)安全生產(chǎn)的重要保障，光纜安全性與健壯性是電網(wǎng)一次系統(tǒng)安全穩(wěn)定運(yùn)行的基礎(chǔ)[21-25]。本文提出基于白鯨優(yōu)化算法(BWO，beluga whale optimization)-ELM與虛擬現(xiàn)實(shí)地理信息系統(tǒng)(VR-GIS，virtual reality-geographic information system)的電力光纜故障診斷及定位方法，能夠?qū)崟r(shí)精準(zhǔn)對電力故障進(jìn)行檢測，分析故障所處的實(shí)際地理位置，并且將位置用直觀的方式進(jìn)行展示，在一定程度上提升電力光纜故障在線監(jiān)測能力與數(shù)字化水平。

1 基于BOW-ELM故障模式識別方法

基于BOW-ELM多分類OTDR曲線分析的故障模式識別的基本流程如圖1所示。

圖1 基于BOW-ELM多分類OTDR曲線分析的故障模式識別的基本流程

由圖1可以看出，首先對原始OTDR數(shù)據(jù)進(jìn)行去噪；之后運(yùn)用小波分析對OTDR信號進(jìn)行分解，獲取高頻部分特征數(shù)據(jù)，并劃分訓(xùn)練集與測試集；最后將獲得的特征數(shù)據(jù)輸入至BOW-ELM模式識別模型，最終實(shí)現(xiàn)OTDR曲線事件點(diǎn)信息的模式識別。

1.1 極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)是一種較為典型單隱層前饋神經(jīng)網(wǎng)絡(luò)，主要由輸入、隱含及輸出三層構(gòu)成，其隱含層偏差與輸入層權(quán)值均通過隨機(jī)的方式進(jìn)行選取，并基于廣義矩陣?yán)碚搧韺敵鰧拥臋?quán)值進(jìn)行計(jì)算，利用該權(quán)值能夠最終獲取數(shù)據(jù)的預(yù)測值。

任意N個(gè)樣本(xi,ti)，xi=[xi1,…,xin]T，且xi∈Rn；ti=[ti1,…,tim]T，且ti∈Rm。對于由L個(gè)隱層節(jié)點(diǎn)構(gòu)成的單隱層神經(jīng)網(wǎng)絡(luò)可以由下式表示：

(1)

式中,bi表示第i個(gè)隱層單元的偏置；wi·xj表示兩者的內(nèi)積；wi表示輸入權(quán)重；g(x)表示激活函數(shù)；βi表示輸出權(quán)重。輸出誤差最小是單隱層神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)，其可以表示為：

(2)

即存在wi、βi及bi使得：

(3)

用矩陣可以表示為：

Hβ=T

(4)

式中,H表示隱藏層的輸出；T表示期望輸出；β表示輸出權(quán)重。

那么式(4)可轉(zhuǎn)化為：

H(w1,…,wl,b1,…,bl,x1,…xl)=

(5)

其中：

(6)

(7)

式中,i=1,…,L，該式等價(jià)于如下最小化損失函數(shù)。

(8)

在ELM當(dāng)中，訓(xùn)練單隱含層神經(jīng)網(wǎng)絡(luò)能夠轉(zhuǎn)換為對一個(gè)線性系統(tǒng)Hβ=T進(jìn)行求解，則輸出權(quán)重β為：

(9)

(10)

由上述可知，ELM的初始偏置bi與輸入權(quán)重wi均是通過隨機(jī)得到，無法保證兩者為最佳值，容易使全局最優(yōu)解陷入局部最優(yōu)，從而得到不佳的分類結(jié)果。

1.2 白鯨優(yōu)化算法

白鯨優(yōu)化算法(BWO，beluga whale optimization)是2022年在白鯨游泳、捕鯨及跌倒等行為中得到啟發(fā)而提出的一種新型基于種群的元啟發(fā)式算法[26]。

BWO主要對白鯨游泳、捕食及跌倒(墜落)等行為進(jìn)行模擬，其對應(yīng)探索、開發(fā)及鯨魚墜落三個(gè)階段。BWO當(dāng)中鯨落概率與平衡因子均為自適應(yīng)的，對開發(fā)能力與控制搜索起到?jīng)Q定性作用。除此之外，在開發(fā)階段引入Levy飛行策略來進(jìn)一步提升該階段的全局收斂性。

因BWO是基于種群機(jī)制的算法，將白鯨當(dāng)作搜索代理，而種群中的所用白鯨個(gè)體均為候選解，在優(yōu)化過程中更新各自的位置。在模擬實(shí)驗(yàn)過程中，白鯨種群可以用下式進(jìn)行描述：

(11)

式中,n表示白鯨種群數(shù)量；d表示問題變量的維數(shù)，則相應(yīng)的種群適應(yīng)度值為：

(12)

平衡因子決定探索與開發(fā)階段的轉(zhuǎn)換，其表達(dá)式為：

Bf=B0(1-T/(2Tmax))

(13)

式中,Bf表示平衡因子；Tmax表示最大迭代次數(shù)；T表示當(dāng)前迭代次數(shù)；B0∈(0,1)，每次迭代在上述范圍內(nèi)隨機(jī)變化。

探索階段發(fā)生于Bf>0.5的情況下，開發(fā)階段發(fā)生于Bf≤0.5的情況下。Bf的波動(dòng)范圍隨著迭代次數(shù)的不斷增加而減小，由原來的(0,1)變?yōu)?0,0.5)。

搜索代理在探索階段的位置是通過白鯨配對游泳來決定的，白鯨位置更新公式為：

(14)

為了增強(qiáng)算法的收斂性，BOW在開發(fā)階段引入Levy飛行策略，假設(shè)白鯨在該階段使用上述策略，分享彼此的位置進(jìn)行獵物捕捉，并且同時(shí)考慮其他和最佳候選者，此過程白鯨的位置更新公式為：

(15)

(16)

LF表示Levy飛行函數(shù)，其表達(dá)式為：

(17)

其中：

(18)

式中,μ、ν表示正態(tài)分布隨機(jī)數(shù)；β=1.5。

為了保證種群數(shù)量不變，使用鯨魚落體步長與白鯨位置來構(gòu)建鯨落階段的位置更新模型，模型的數(shù)學(xué)表達(dá)式為：

(19)

式中,Xstep表示鯨魚墜落的步長r5、r6及r7表示(0,1)范圍內(nèi)的隨機(jī)數(shù)；Xstep表示鯨魚墜落的步長，其表達(dá)式為：

(20)

式中,ub表示變量的上限；lb表示變量的下限；C2表示與種群規(guī)模和鯨魚下降概率相關(guān)的階躍因子，其計(jì)算式為：

C2=2Wf×n

(21)

式中,Wf表示鯨魚墜落概率，其表達(dá)式為：

(22)

1.3 BWO優(yōu)化ELM

ELM在訓(xùn)練之前能夠隨機(jī)產(chǎn)生初始偏置bi與輸入權(quán)重wi，僅需要對隱含層神經(jīng)元激活函數(shù)與隱含層神經(jīng)元進(jìn)行確定，便能夠?qū)崿F(xiàn)ELM模型的構(gòu)建。由于ELM模型的構(gòu)建過程中，僅需要對初始偏置bi與輸入權(quán)重wi進(jìn)行確定，無需設(shè)置其他參數(shù)，故在學(xué)習(xí)效率與泛化能力方面具有一定的優(yōu)勢。然而在OTDR曲線事件點(diǎn)信息的模式識別過程中，不同參數(shù)設(shè)置對模型的識別精度造成一定程度的影響，并且容易出現(xiàn)局部最優(yōu)現(xiàn)象。此時(shí)，ELM依然采用簡單隨機(jī)方法來選取初始參數(shù)，會(huì)導(dǎo)致算法隱含層節(jié)點(diǎn)出現(xiàn)冗余現(xiàn)象，致使ELM識別精度低下。因此，在構(gòu)建ELM模式識別模型的過程中，可以利用BWO算法尋優(yōu)來獲取最佳參數(shù)，即最佳初始偏置bi與輸入權(quán)重wi，將BOW較強(qiáng)全局搜索能力和ELM局部快速搜索能力相結(jié)合，從而使模型具備更快求解能力和更高的識別精度。BWO-ELM算法流程如圖2所示。

圖2 BWO-ELM算法流程圖

如圖2所示，BWO-ELM算法具體流程為：

Step1：采集OTDR檢測信號，對信號進(jìn)行小波分解，提取特征數(shù)據(jù)形成特征樣本，并劃分訓(xùn)練集與測試集；

Step2：構(gòu)建ELM模式識別模型，對隱含層激活函數(shù)和神經(jīng)元個(gè)數(shù)等信息進(jìn)行確定；

Step3：確定BOW最大迭代次數(shù)Tmax與種群數(shù)量n等初始參數(shù)確定；

Step4：初始化BOW種群，各白鯨初始位置在搜索范圍內(nèi)隨機(jī)產(chǎn)生，并基于目標(biāo)函數(shù)計(jì)算得到適應(yīng)的值；

Step5：利用式(13)與(22)計(jì)算平衡因子Bf和鯨魚墜落概率Wf；

Step6：根據(jù)計(jì)算所得平衡因子Bf的大小判斷每條白鯨進(jìn)入的階段，不同階段的更新機(jī)制不同，假如Bf>0.5，白鯨的更新機(jī)制處于探索階段，由式(14)更新白鯨的位置，假如Bf≤0.5白鯨的更新機(jī)制處于開發(fā)階段，由式(15)更新白鯨的位置，然后對新位置的適應(yīng)度值進(jìn)行計(jì)算排序，找到當(dāng)前迭代的最優(yōu)解，每次迭代均需計(jì)算鯨魚墜落概率Wf，并通過式(19)來更新鯨魚的位置；

Step7：判斷當(dāng)前迭代次數(shù)與最大迭代次數(shù)的關(guān)系，如果當(dāng)前迭代次數(shù)大于等于最大迭代次數(shù)，則尋優(yōu)停止輸出最優(yōu)參數(shù)，反之返回Step5繼續(xù)新一輪的尋優(yōu)搜索。

基于BWO-ELM多分類OTDR曲線分析的故障模式識別方法得到光纖故障點(diǎn)的直線距離與類型，為故障定位奠定基礎(chǔ)。

2 基于VR-GIS的光纜故障精確定位方法

2.1 搭建虛擬光纜線路信息

借助虛擬現(xiàn)實(shí)地理信息系統(tǒng)(VR-GIS，virtual reality-geographic information system)強(qiáng)大的空間定位與數(shù)據(jù)分析優(yōu)勢，本研究利用SuperMap與3DMax構(gòu)建某實(shí)際區(qū)域配電自動(dòng)化通信接入網(wǎng)虛擬光纜線路信息，并在該信息當(dāng)中融合實(shí)際光纜線路的坐標(biāo)位置與基本屬性信息，之后通過SuperMap iDesktop.Net來實(shí)現(xiàn)基于VR-GIS的光纜故障定位、三維場景漫游及數(shù)據(jù)管理等功能，從而為后續(xù)光纜故障精準(zhǔn)定位提供展示平臺與精確位置。

2.2 光纜故障精確定位方法

當(dāng)電力光纜發(fā)生故障時(shí)，選取多次OTCR測量取平均的方式來降低故障距離的測量誤差，故障距離的表達(dá)式為：

(23)

式中,n表示測量的次數(shù)；sn表示第n次測量的光纖故障距離。

則光纜故障距離為：

(24)

式中,CR表示光纜的彎曲程度；S表示電力光纖距離；ST表示電力光纜距離；Pr表示光纜膠縮率。

通過式(24)得到僅為故障點(diǎn)距離測量的距離，并未與實(shí)際光纜敷設(shè)的地理位置進(jìn)行匹配。

實(shí)際電力光纜是由各段電力光纜通過光纜接頭盒(即熔接點(diǎn))連接構(gòu)成，并且敷設(shè)的過程中需要電線塔進(jìn)行支撐，故將電力光纜線路上的機(jī)房、拐點(diǎn)、熔接點(diǎn)和塔桿等特殊位置作為參考位置，利用手持GPS導(dǎo)航儀上述特殊點(diǎn)的實(shí)際地理位置，并將去與OTCR測量的特殊位置信息進(jìn)行匹配，最后將匹配后的數(shù)據(jù)通過表1的形式錄入數(shù)據(jù)庫。

表1 數(shù)據(jù)格式表

將電力光纜距離與表1當(dāng)中的參考位置距離進(jìn)行作差，可得：

O=ST-Cn

(25)

式中,Cn表示數(shù)據(jù)庫當(dāng)中參考點(diǎn)的距離；O表示光纜距離與參考點(diǎn)距離的差值；n表示參考位置點(diǎn)的編號。

計(jì)算O的最小值，即min|O|獲取與電力光纜距離ST最近參考點(diǎn)，即得到該點(diǎn)編號n。

則電力光纜距離ST的經(jīng)緯度為：

(26)

式中,(xQ,yQ)表示故障點(diǎn)坐標(biāo)；δi表示第i個(gè)接線盒光纜所預(yù)留的長度值。

基于VR-GIS的光纜故障精確定位流程如圖3所示。

圖3 光纜故障精確定位流程圖

光纜故障精確定位具體流程為：

Step1：在線檢測系統(tǒng)檢測到故障發(fā)生時(shí)，啟用OTDR進(jìn)行多次測量取平均值，利用基于BWO-ELM多分類OTDR曲線分析的故障模式識別模型對光纖數(shù)據(jù)進(jìn)行分析，得到故障點(diǎn)的直線距離(光纖距離)與故障類型；

Step2：由式(24)將Step1中獲得光纖距離轉(zhuǎn)換為光纜距離；

Step3：利用式(25)與式(26)進(jìn)行計(jì)算，將光纜故障距離與實(shí)際地理位置匹配，得到實(shí)際故障點(diǎn)的坐標(biāo)；

Step4：通過VR-GIS虛擬光纜線路信息進(jìn)行空間定位與數(shù)據(jù)分析將實(shí)際地理位置坐標(biāo)通過圖像直觀展示出來。

3 基于BWO-SVM算法與VR-GIS技術(shù)的電力光纜故障診斷及定位

實(shí)際運(yùn)行電力通信發(fā)生故障時(shí)，首先通過基于BWO-ELM算法多分類OTDR分析法得到測量點(diǎn)至故障點(diǎn)之間的光纖距離；其次，將上述光纖距離通過基于VR-GIS的光纜故障精確定位方法進(jìn)行光纜距離轉(zhuǎn)化，并將光纜故障距離與實(shí)際地理位置匹配，得到實(shí)際故障點(diǎn)的坐標(biāo)；最后，利用基于VR-GIS的虛擬光纜線路信息庫將上述定位的坐標(biāo)在二維與三維圖像上進(jìn)行展示，具體故障檢測和定位流程如圖4所示。

圖4 故障檢測和定位流程圖

4 仿真實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)數(shù)據(jù)采集與預(yù)處理

4.1.1 實(shí)驗(yàn)數(shù)據(jù)采集

采集浙江某220 kV變電站電纜線路中某段OTDR數(shù)據(jù)，具體數(shù)據(jù)曲線如圖5所示，圖中標(biāo)有A、B、C、D、E和F六個(gè)事件點(diǎn)。圖中A點(diǎn)有一個(gè)尖銳的凸起，為光纖的起始端；B、D及E均有一定程度的凸起，其主要是由于光纖斷裂造成；C點(diǎn)為平滑的臺階，該點(diǎn)為光纖熔接點(diǎn)；F點(diǎn)為最高凸起點(diǎn)，為光纖末端。本文主要對B、C、D與E兩類事件點(diǎn)進(jìn)行分析研究，其中B、D和E為反射事件點(diǎn)，C為非反射事件點(diǎn)。

圖5 OTDR原始數(shù)據(jù)圖

4.1.2 數(shù)據(jù)預(yù)處理

小波包分析在實(shí)際應(yīng)用中具有時(shí)頻分辨率高的優(yōu)勢，通過對頻帶多層次分解，能夠使信號高頻部分得到精細(xì)化分解。小波包變換為線性變換，其滿足能量守恒定律，即：

(27)

式中,cj,k表示小波包分解系數(shù)；f(t)表示OTCR原始信號。

由式(27)可以看出小波包分解系數(shù)具有能量的量綱，能夠應(yīng)用于能量分析，故各頻段的能量值可以利用信號的小波系數(shù)進(jìn)行確定。

基于上述小波包原理，對OTDR信號進(jìn)行預(yù)處理，步驟如下：

1)選取“rbio3.1”為基小波，分解尺度為J=3來對信號進(jìn)行小波包分解，信號被分解為K=2J=23=8個(gè)頻帶，用X3j來表示各個(gè)節(jié)點(diǎn)的分解系數(shù)，從而與式(27)當(dāng)中的cj,k相對應(yīng)，其中(j=1,2,…,8)；

2)對第3層的全部節(jié)點(diǎn)進(jìn)行重構(gòu)，X3j重構(gòu)后的信號用S3j進(jìn)行表示，原始信號長度用N表示，信號S3j離散值得幅度用xjk來進(jìn)行表示，其中(j=1,2,…,8；k=1,2…,N)，那么各段頻段的總小波能量表達(dá)式為：

(28)

3)對頻段能量E3,j進(jìn)行歸一化，獲得一個(gè)E=[Enorm(1),…,Enorm(8)]的8維能量特征向量，其中：

(29)

兩類事件的特征能量及100倍放大如圖6與圖7所示。

圖6 反射事件點(diǎn)特征能量圖

圖7 非反射事件點(diǎn)特征能量圖

4.2 光纜故障模式識別結(jié)果分析

4.2.1 ELM識別算法結(jié)果分析

基于小波分析包得到能量特征向量，首先利用ELM模型對其進(jìn)行分類識別。本次實(shí)驗(yàn)選取500組數(shù)據(jù)構(gòu)成數(shù)據(jù)集，其中測試樣本150組，訓(xùn)練樣本350組。以分類精度作為算法的評判標(biāo)準(zhǔn)，選取不同的激活對數(shù)據(jù)進(jìn)行分類識別，得到結(jié)果如表2所示。

表2 不同激活函數(shù)識別算精度對比表

由表2可知，ELM模型選用Sigmoid函數(shù)作為激活函數(shù)較其他激活函數(shù)，具有較高的分類識別精度和良好的分類結(jié)果，故選用Sigmoid函數(shù)作為ELM模型的激活函數(shù)。

為了驗(yàn)證ELM分類識別結(jié)果的優(yōu)越性，本文同時(shí)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)和SVM兩種識別模型對相同的數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，三種不同識別模型識別性能如表3所示。

表3 不同識別模型性能表

通過對比不同識別模型的識別精度與識別時(shí)間上，能夠看出ELM較BP神經(jīng)網(wǎng)絡(luò)及SVM在識別精度及識別時(shí)間上具有一定的優(yōu)勢，具有良好的識別效果。

4.2.2 BOW-ELM識別算法結(jié)果分析

為了驗(yàn)證本文所提優(yōu)化算法識別模型的優(yōu)越性，本節(jié)將BOW-ELM、SSA-ELM和PSO-ELM模式識別算法對樣本進(jìn)行訓(xùn)練與測試，最終各算法的識別性能如表4所示。

表4 各模式識別算法性能表

由表4能夠看出，本文所構(gòu)建的模式識別算法的準(zhǔn)確率較其他識別模型，具有較高的識別性能。

4.3 光纜故障定位性能分析

人為的將距通信機(jī)房15 km的一處熔接點(diǎn)進(jìn)行破壞，利用本文設(shè)計(jì)的故障定位方法與電網(wǎng)常用TMS系列光纜監(jiān)測系統(tǒng)進(jìn)行多次故障定位，故障定位的具體數(shù)據(jù)如圖8所示。由圖8可以看出本文故障定位較常規(guī)定位方法，具有更高的性能與準(zhǔn)確率，故障定位誤差在±3 m上下浮動(dòng)。

圖8 故障定位對比圖

本文通過光纖定位熔接點(diǎn)來對光纜故障定位精度進(jìn)行驗(yàn)證。利用最大誤差與真實(shí)值得百分比來對光纜故障定位的精度進(jìn)行表征，具體為：

(30)

選取距離不等的5個(gè)故障熔斷點(diǎn)，并針對每個(gè)點(diǎn)重復(fù)進(jìn)行50次故障定位，同時(shí)運(yùn)用本文設(shè)計(jì)故障診斷算法與常規(guī)故障定位算法分別對故障精度進(jìn)行計(jì)算取均值，結(jié)算結(jié)果如表5所示。

表5 故障定位精度性能表

由表5可知，本文故障定位方法誤差隨著故障點(diǎn)距離的提升逐步趨向平穩(wěn)狀態(tài)，而現(xiàn)有系統(tǒng)故障誤差隨故障距離提升呈現(xiàn)增長趨勢，并且本文故障定位的平均誤差為1.481%，低于現(xiàn)有系統(tǒng)故障定位誤差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 結(jié)束語

為進(jìn)一步提升電力光纜故障模式識別精度及故障定位精確度，提出一種基于BWO-ELM算法與VR-GIS系統(tǒng)的電力光纜故障診斷及定位方法，通過研究得到以下結(jié)論：

1)提出一種基于BOW-ELM故障模式識別方法，通過BOW優(yōu)化ELM初始偏置bi與輸入權(quán)重wi，得到最佳初始偏置bi與輸入權(quán)重wi，將BOW較強(qiáng)全局搜索能力和ELM局部快速搜索能力相結(jié)合，從而使模型具備更快求解能力和更高的識別精度，并得到光纖故障點(diǎn)的直線距離與類型，為故障定位奠定基礎(chǔ)；

2)提出一種基于VR-GIS的光纜故障精確定位方法，將光纖故障點(diǎn)的直線距離轉(zhuǎn)換為光纜距離，并與實(shí)際地理位置匹配，得到實(shí)際故障點(diǎn)的坐標(biāo)，通過VR-GIS虛擬光纜線路信息進(jìn)行空間定位與數(shù)據(jù)分析將實(shí)際地理位置坐標(biāo)通過圖像直觀展示出來；

3)實(shí)驗(yàn)仿真表明：BOW-ELM故障模式識別模型較其他識別模型，在識別精度及識別時(shí)間上具有一定的優(yōu)勢，具有良好的識別效果；故障定位較常規(guī)定位方法，具有更高的性能與準(zhǔn)確率，故障定位誤差在±3 m上下浮動(dòng)，且誤差隨著故障點(diǎn)距離的提升逐步趨向平穩(wěn)狀態(tài)。

隨著人工智能技術(shù)的不斷發(fā)展，后續(xù)的研究過程中選取更高效準(zhǔn)確的識別算法是提升故障識別與定位精度的關(guān)鍵，才能使電力光纜故障檢測的數(shù)字化管理能力得到進(jìn)一步的提升。