本發(fā)明涉及光纖線路狀態(tài)預測技術領域，具體涉及一種基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法。

背景技術：

為滿足電力系統(tǒng)中信息能夠高效、快速、可靠地傳輸需求，光纖通信網(wǎng)絡作為骨干網(wǎng)絡已得到廣泛地應用。因此，一旦光纖線路發(fā)生故障，造成的通信中斷將會給企業(yè)和用戶帶來巨大的經(jīng)濟損失。由于光纖線路上故障的不可避免，那么如何根據(jù)已有的光纖線路狀態(tài)來預測出可能發(fā)生的光纖故障，提前做好維護和管理工作，進而避免故障的發(fā)生，保障通信正常進行具有重大意義。

光功率數(shù)據(jù)能夠較全面地表征光纖線路的工作狀態(tài)，是一種具有非線性、時變性和復雜性特性的時間序列數(shù)據(jù)?，F(xiàn)有的電力光纖線路維護方法通常是通過實時在線監(jiān)測光纖線路的光功率信息，當其變化超過所設的閾值時，則立即啟動OTDR的測試，通過對OTDR測試曲線分析，完成故障診斷及定位，并由現(xiàn)場人員對故障點進行搶修，恢復通信。但該方法僅能對光纖線路中已發(fā)生的故障進行做出處理，并不能對線路狀態(tài)趨勢進行分析與預測，規(guī)避即將發(fā)生的故障。

技術實現(xiàn)要素：

本發(fā)明為解決現(xiàn)有技術無法實現(xiàn)對線路狀態(tài)趨勢進行分析與預測，進而無法規(guī)避即將發(fā)生的故障等問題，提供了一種基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法。

基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法，該方法由以下步驟實現(xiàn)：

步驟一、構造樣本數(shù)據(jù)：獲取原始光功率樣本數(shù)據(jù)，作為Elman神經(jīng)網(wǎng)絡的訓練樣本；

步驟二、確定網(wǎng)絡拓撲結構：確定Elman神經(jīng)網(wǎng)絡的輸入層、輸出層和隱含層的節(jié)點數(shù)以及隱含層數(shù)；

步驟三、網(wǎng)絡初始化：采用網(wǎng)絡進行學習訓練之前對所述Elman神經(jīng)網(wǎng)絡各層間的連接權值進行初始化；

步驟四、網(wǎng)絡連接權值優(yōu)化：采用改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的各層間的連接權值；獲得連接權值優(yōu)化的Elman神經(jīng)網(wǎng)絡；

步驟四一、動態(tài)搜索因子：

定義自適應距離d_z(t)，用公式表示為：

式中，f(x_z)為第z個粒子的適應度函數(shù)值，為第z個粒子在第t-1次迭代后所得的全局最優(yōu)值，為在第t-1次迭代時最大的適應值。

定義動態(tài)搜索因子η，用公式表示為：

式中；t為迭代次數(shù)，L_uv為螢火蟲u與螢火蟲v之間的歐氏距離，改進的螢火蟲算法位置更新公式為：

x_v(t+1)＝x_u(t)+βL_uv(x_v(t)-x_u(t))+η(w)d_z(t)(rand-1/2)；

步驟四二、采用訓練樣本，根據(jù)步驟四一的改進的螢火蟲算法對Elman神經(jīng)網(wǎng)絡連接權值進行優(yōu)化；

具體過程為：

A、初始化種群，獲得隨機生成初始化螢火蟲種群位置；

B、計算相對亮度，計算每個螢火蟲的個體適應度值f(y_j)；根據(jù)步驟三中獲得的Elman神經(jīng)網(wǎng)絡的初始權值，采用訓練樣本訓練Elman神經(jīng)網(wǎng)絡后輸出，所述個體適應度值f(y_j)即為期望輸出與預測輸出之間的誤差絕對值的和，用公式表示為：

式中：N為Elman神經(jīng)網(wǎng)絡的輸出層節(jié)點數(shù)；y_j為Elman網(wǎng)絡節(jié)點j的期望輸出；為Elman網(wǎng)絡節(jié)點j的預測輸出；

C、計算相對距離與吸引度：采用螢火蟲之間的歐式距離公式計算相對距離，采用螢火蟲間的吸引度公式計算吸引度值；

D、計算種群最優(yōu)值與自適應距離：

將個體適應度值與該種群當前粒子的全局最優(yōu)值P_g的適應度值進行比較，若當前個體適應度值f(y_j)大于全局最優(yōu)值P_g的適應度值，則將當前粒子的個體最優(yōu)值P_G設置為該種群當前的最好位置，并將當前粒子的個體最優(yōu)值P_G更新全局最優(yōu)值P_g；采用步驟四一中的自適應距離公式計算螢火蟲個體的自適應距離；

E、螢火蟲位置更新：

根據(jù)步驟四一中的動態(tài)搜索因子公式選取的動態(tài)搜索因子η，并利用改進的螢火蟲算法公式對螢火蟲進行空間位置更新；

F、根據(jù)步驟E更新后的位置，重新計算相對亮度，判斷更新后螢火蟲的位置精度是否小于0.01或到達最大迭代次數(shù)，如果否，返回執(zhí)行步驟C；如果是，輸出優(yōu)化后的Elman神經(jīng)網(wǎng)絡最佳連接權值；

步驟五，網(wǎng)絡學習訓練及測試；

對優(yōu)化后的Elman神經(jīng)網(wǎng)絡進行訓練，采用測試樣本對Elman神經(jīng)網(wǎng)絡的預測性能進行測試；

步驟六、光功率趨勢的預測；將實時采集光功率數(shù)據(jù)輸入步驟五中訓練及測試后的Elman神經(jīng)網(wǎng)絡，實現(xiàn)對下一時刻光功率趨勢變化的預測。

本發(fā)明的有益效果：本發(fā)明通過對電力光纖線路狀態(tài)衡量指標的光功率數(shù)據(jù)進行研究，分析數(shù)據(jù)特征，構建Elman神經(jīng)網(wǎng)絡模型，并提出一種基于改進的螢火蟲算法對預測模型中的參數(shù)進行優(yōu)化，實現(xiàn)一種基于優(yōu)化后的Elman神經(jīng)網(wǎng)絡預測模型的光纖線路狀態(tài)預測方法，準確預測出線路未來狀態(tài)趨勢，分析線路未來可能發(fā)生的故障，提前確立維護方法，避免故障的發(fā)生，滿足光纖通信可靠性的要求。本發(fā)明采用改進的螢火蟲優(yōu)化算法對Elman神經(jīng)網(wǎng)絡模型參數(shù)進行優(yōu)化，克服了傳統(tǒng)Elman神經(jīng)網(wǎng)絡模型權值初始化的盲目性與局限性，避免了算法陷入局部極小的問題，使得模型不僅有較快的運算收斂速度，并具有良好的預測精度和穩(wěn)定性。

附圖說明

圖1為本發(fā)明所述的基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法流程圖；電力光纖通信光功率預測的方法中改進的螢火蟲算法尋優(yōu)流程圖。

圖2為本發(fā)明所述的基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法中采用改進的螢火蟲算法尋優(yōu)流程圖。

圖3為本發(fā)明所述的基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法中Elman神經(jīng)網(wǎng)絡的算法流程圖。

具體實施方式

具體實施方式一、結合圖1至圖3說明本實施方式，基于改進的螢火蟲算法優(yōu)化Elman神經(jīng)網(wǎng)絡的光纖線路狀態(tài)預測的方法，該方法由以下步驟實現(xiàn)：

步驟一、構造樣本數(shù)據(jù)；

由于光功率數(shù)據(jù)是一種具有非線性、時變性和復雜性的時間序列數(shù)據(jù)，為提高預測精度，本實施方式采取Elman神經(jīng)網(wǎng)絡模型進行預測的方法，通過使用監(jiān)測得到的原始光功率數(shù)據(jù)對Elman神經(jīng)網(wǎng)絡進行多次訓練，并將一部分光功率數(shù)據(jù)作為Elman神經(jīng)網(wǎng)絡的測試樣本，使得Elman神經(jīng)網(wǎng)絡預測模型最終可以輸出理想的預測值，

具體為：

設定已知時間序列數(shù)據(jù)為x＝(x₁,x₂,…,x_r)，把它分為輸入向量和目標向量。記n個輸入向量集合為：

S＝{(x₁,x₂,…,x_s),(x₂,x₃,…,x_s+1),…,(x_n,x_n+1,…,x_n+s-1)

則對應的n個目標向量集合為：

T＝{x_s+1,x_s+2,…,x_s+n}

其中，s表示時間序列樣本的周期。

獲得n組樣本數(shù)據(jù)(S_i,T_i),i＝1,2,…,n。取(S_a,T_a),a＝1,2,…,m作為訓練樣本，(S_b,T_b),b＝m,m+1,…,n作為測試樣本。

步驟二、確定網(wǎng)絡拓撲結構；

網(wǎng)絡結構的初始化主要包括確定網(wǎng)絡的輸入層、輸出層和隱含層的節(jié)點數(shù)以及隱含層數(shù)。特別地，由于隱含層的節(jié)點數(shù)對Elman網(wǎng)絡的性能影響較大，因此在進行參數(shù)預測前，首先通過對比不同隱含層節(jié)點所對應的Elman網(wǎng)絡的訓練性能，選擇收斂速度快、逼近精度高的網(wǎng)絡所對應的隱含層節(jié)點數(shù)作為預測網(wǎng)絡的隱含層節(jié)點數(shù)，具體為：

由于單隱含層Elman網(wǎng)絡能夠以任意精度逼近一個連續(xù)函數(shù)，故采用三層網(wǎng)絡結構；其中輸入層節(jié)點數(shù)M＝7，輸出層節(jié)點數(shù)N＝1，根據(jù)公式

P＝2q+1 (1)

則理論上隱含層的節(jié)點數(shù)P＝15。由于隱含層節(jié)點數(shù)很大程度上影響著網(wǎng)絡的預測性能，故依次取隱含層的節(jié)點數(shù)P為7、11、15、18，然后根據(jù)網(wǎng)絡性能確定隱含層節(jié)點數(shù)的最優(yōu)值,當P＝11時算法收斂速度最快，網(wǎng)絡性能最佳，所以隱含層節(jié)點數(shù)為11。

步驟三、網(wǎng)絡初始化；

在網(wǎng)絡進行學習訓練之前，需要將網(wǎng)絡每層間的連接權值最初化，根據(jù)經(jīng)驗法可知，連接權值ω初始值通常取(-0.3,+0.3)內(nèi)的隨機數(shù)。

步驟四：采用改進的螢火蟲算法對Elman神經(jīng)網(wǎng)絡的初始連接權值進行優(yōu)化，使網(wǎng)絡能夠順利進行學習并處于良好狀態(tài)；具體步驟為：

一、動態(tài)搜索因子：

在傳統(tǒng)的螢火蟲算法中，每個螢火蟲看作是搜索空間中的一個有位置沒有體積的微粒，每個位置代表一個解，通過周圍個體同伴所發(fā)熒光亮度和光強吸收系數(shù)決定移動的距離，不斷在搜索空間進行搜索，最終找到最優(yōu)解。其中亮度和吸引度是螢火蟲優(yōu)化算法中的兩個主要因素，定義螢火蟲的亮度I為

式中：I₀為最大亮度，即螢火蟲自身的亮度，與目標函數(shù)值相關，γ為光強吸收系數(shù)，L_uv為螢火蟲u與螢火蟲v之間的歐氏距離如式(3)。

其中：D為空間維數(shù)；x_v,k為螢火蟲v位置x_v在空間中第k個分量，x_u,k為螢火蟲v位置x_u在空間中第k個分量定義螢火蟲間的吸引度為

式中：β₀是初始位置吸引度，γ為光強吸收系數(shù)。

螢火蟲u被螢火蟲v吸引的位置更新公式為

x_v(t+1)＝x_u(t)+β(x_v(t)-x_u(t))+α(rand-1/2) (5)

式中：α為步長因子，一般取[0,1]上的常數(shù)，rand為[0,1]上服從均勻分布的隨機數(shù)。

螢火蟲算法尋優(yōu)是通過螢火蟲之間的相互吸引來實現(xiàn)的，隨著迭代次數(shù)的增加，螢火蟲群會在最優(yōu)值附近聚集。此時螢火蟲個體與最優(yōu)值之間的距離已經(jīng)非常小，在個體向最優(yōu)值趨近的過程中，很可能會出現(xiàn)螢火蟲移動的距離大于個體與最優(yōu)值間距的情況，而導致個體在按照公式(5)更新自己的位置時跳過了最優(yōu)值，移動到最優(yōu)值的另一側，若這種情況連續(xù)出現(xiàn)多次，即在最優(yōu)值附近出現(xiàn)震蕩，將會導致最優(yōu)值發(fā)現(xiàn)率降低，影響算法的收斂精度和速度，因此我們提出一種引入動態(tài)搜索因子的方法，對標準螢火蟲算法加以改進。首先需要定義自適應距離d_z(t)：

式中，f(x_z)為第z個粒子的適應度函數(shù)值，為第z個粒子在第t-1次迭代后所得的全局最優(yōu)值，為在第t-1次迭代時最大的適應值。

然后，定義動態(tài)搜索因子η：

式中；t為迭代次數(shù)，d_z(t)為自適應距離。

因此，改進的螢火蟲算法位置更新公式為：

x_v(t+1)＝x_u(t)+βL_uv(x_v(t)-x_u(t))+η(t)d_z(t)(rand-1/2) (8)

即用動態(tài)搜索因子與自適應距離的乘積代替固定步長α，使得螢火蟲的隨機步長能夠根據(jù)某個螢火蟲個體與當前最優(yōu)值之間的距離動態(tài)變化。在尋優(yōu)過程初期，螢火蟲間距離L_uv較大，適當擴大動態(tài)搜索因子可以加快在迭代前期算法的收斂速度，從而使螢火蟲能夠自主探索一個較大的范圍；當螢火蟲個體聚集在最優(yōu)值附近時，則動態(tài)搜索因子的值將減小，防止螢火蟲的自主探索能力過強，讓吸引力成為影響螢火蟲位置更新的主要因素。

二、改進的螢火蟲算法優(yōu)化過程：利用訓練樣本，采用改進的螢火蟲優(yōu)化算法，對Elman神經(jīng)網(wǎng)絡預測模型權值進行優(yōu)化，結合圖2，具體步驟如下：

(1)初始化種群：

具體過程為：個體編碼方法為實數(shù)編碼，每個個體由一個實數(shù)串表示，該實數(shù)串由以下四部分組成：Elman神經(jīng)網(wǎng)絡的輸入層與隱層之間的連接權值ω₁，隱層與輸出層之間的連接權值ω₂，承接層與隱層之間的連接權值ω₃，承接層與輸出層之間的連接權值ω₄。

設置螢火蟲種群數(shù)目M＝30，最大吸引度β＝1，光強吸收系數(shù)γ＝1，最大迭代次數(shù)為100，隨機生成初始化螢火蟲種群位置。

(2)計算相對亮度：計算每個螢火蟲的個體適應度值f(y_j)作為自身亮度。根據(jù)最優(yōu)個體編碼得到的Elman網(wǎng)絡的初始權值，用訓練集訓練Elman神經(jīng)網(wǎng)絡后系統(tǒng)預測輸出，個體適應度f(y_j)即為期望輸出與預測輸出之間的誤差絕對值的和，如下式所示：

式中：N為Elman神經(jīng)網(wǎng)絡的輸出層節(jié)點數(shù)；y_j為Elman網(wǎng)絡節(jié)點j的期望輸出；為節(jié)點j的預測輸出。

(3)計算相對距離與吸引度：根據(jù)相應實測數(shù)據(jù)利用公式(3)、(4)計算吸引度值。

(4)計算種群最優(yōu)值與自適應距離：對優(yōu)化中的每個螢火蟲個體，將其適應度值與該種群當前的全局最優(yōu)解P_g的適應度值進行比較，當前螢火蟲個體P_G若優(yōu)于P_g，則將P_G設置為該種群當前的最好位置，并更新全局最優(yōu)解P_g，并根據(jù)公式(6)計算自適應距離。

(5)螢火蟲位置更新：根據(jù)公式(7)判定條件選取合適的動態(tài)搜索因子η，并利用公式(8)對螢火蟲進行空間位置更新，對處在最佳位置的螢火蟲進行隨機擾動。

(6)終止條件的滿足：根據(jù)更新后的位置，重新計算相對亮度，判斷更新后螢火蟲的位置精度是否小于0.01或到達最大迭代次數(shù)，如果是，停止迭代，輸出優(yōu)化后的Elman神經(jīng)網(wǎng)絡最佳權值；如果否，則返回步驟(3)，繼續(xù)尋優(yōu)。

步驟五：網(wǎng)絡學習訓練及測試；

(1)數(shù)據(jù)的預處理：

由于激活函數(shù)的飽和特性，需要對樣本數(shù)據(jù)進行歸一化處理。利用公式(10)將輸入樣本轉(zhuǎn)化為[0,1]區(qū)間的值。

式中，x_max,x_min分別代表樣本的最大值和最小值，工程應用中一般取1.1x_max和0.9x_min。

(2)網(wǎng)絡的訓練：

根據(jù)圖3，將樣本數(shù)據(jù)對作為Elman網(wǎng)絡訓練樣本，采用改進的螢火蟲算法獲取優(yōu)化后的連接權值，運用連接權值優(yōu)化后的Elman神經(jīng)網(wǎng)絡，計算各網(wǎng)絡層輸出及訓練誤差，直到網(wǎng)絡達到預期輸出目標；如未達到訓練目標，則根據(jù)訓練誤差，根據(jù)步驟三中的權值學習方法重新調(diào)整連接權值。

(3)預測性能分析：選取樣本數(shù)據(jù)中的測試樣本作為Elman神經(jīng)網(wǎng)絡的測試樣本，測試Elman神經(jīng)網(wǎng)絡的預測性能。為了更好地度量神經(jīng)網(wǎng)絡的預測效果，需要從不同的角度度量網(wǎng)絡的預測性能。經(jīng)綜合考慮，采用相對誤差(RE)和收斂到訓練目標時的迭代次數(shù)(NIT)作為評判算法優(yōu)劣的標準，其中RE的計算如公式(11)所示

式中，Y_q為期望值，y_q為預測值。

步驟六：光功率趨勢的預測；將采集到的新的實時光功率數(shù)據(jù)輸入到步驟五訓練好的Elman神經(jīng)網(wǎng)絡，從而實現(xiàn)了對下一時刻光功率趨勢變化的預測。

步驟七，光纖線路狀態(tài)的分析：根據(jù)所得到的光功率趨勢曲線，分析光纖線路可能出現(xiàn)的問題。