[发明专利]基于线路周边环境和敷设类型的光缆故障概率预测方法

权利要求书

1.一种基于线路周边环境和敷设类型的光缆故障概率预测方法，其特征在于：它包括如下步骤：

第一步，选定需要进行故障预警的光缆线路；

第二步，对选定的线路进行巡线，通过巡线确定光缆线路的敷设类型变量和线路周边的地理环境变量；

第三步，根据巡线结果，对光缆进行段落划分；

第四步，分别定义光缆线路对应的周边天气环境变量、周边施工或开发隐患变量、周边季节变量以及光缆故障类型变量四个参数，并采集各段光缆线路对应的周边天气环境变量、周边施工或开发隐患变量数据、周边季节变量参数以及光缆故障类型变量的历史数据；形成光缆线路历史状态样本数据集；

其中周边天气环境变量的设定方法如下：定义光缆线路周边天气环境变量Env_weather_j，j＝1,2,…,N_weather；设定光缆线路周边天气环境参数包括一个预测周期内的降水量、最大降水量、最大风速、最高气温、最低气温、最大湿度等；设共涉及的周边天气环境变量数为N_weather，每种天气环境参数值经归一化后赋值给周边天气环境变量Env_weather_j；天气环境参数值归一化计算方法如下式所示：

其中，Env_weather_j^Max、Env_weather_j^Min和Env_weather_j^Real分别为第j类天气环境参数的最大值、最小值和当前实际值；取每个光缆段落中间点的坐标，连接国家气象数据网站获取对应位置的天气参数值，经过上式归一化计算后获得每个光缆段落周边天气环境变量值Env_weather_j；

其中光缆线路周边施工或开发隐患变量的设定方法如下：定义光缆线路周边施工或开发隐患变量Env_develop为：

其中，变量Dev_distance表示施工或开发位置至光缆线路的距离，单位为“米”；当距离大于100米时，隐患基本可以忽略，变量Dev_distance统一取值为100；变量Dev_scale表示光缆线路周边施工或开发的规模，参考的取值集合为{0,1,2,3}，分别表示为无施工(Dev_scale＝0)、小规模(Dev_scale＝1)、中等规模(Dev_scale＝2)和较大规模(Dev_scale＝3)；参数θ为隐患调整系数，增大θ可使同等距离、同等规模的施工隐患变大，反之变小，在此设置θ＝0.127，参数ε取10^-6；

其中周边季节变量的设定方法如下：定义周边季节变量Env_season；并采用One-Hot编码周边季节变量Env_season，设Env_season∈{(1,0,0,0)，(0,1,0,0)，(0,0,1,0)，(0,0,0,1)}，该集合中元素(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)分别表示春季、夏季、秋季和冬季；第四步中光缆故障类型变量的设定方法如下：定义光缆故障类型变量Fault_tpye；采用One-Hot编码光缆故障类型变量Fault_tpye，设Fault_tpye∈{(1,0,0,…,0)，(0,1,0,…,0)，(0,0,1,…,0)，…，(0,0,0,…,1)}，该集合中元素对应分别表示：无故障、挖断、大水冲断、雷击、挂断、泥石流滑坡等冲断等，设故障类型共N_fault种；

其中采集并处理被测光缆线路历史状态样本数据集的具体方法如下：

步骤4.1，构建光缆线路历史状态样本总体数据集Set_sample；基于第三步中划分的光缆段落，采集每个段落在过去的各个周期内的光缆线路状态样本，构成状态样本总体数据集Set_sample；定义光缆线路状态样本为(x,y)；其中，x＝(Lay_tpye,Env_geo_i,Env_weather_j,Env_develop,Env_season)，i＝1,2,…,N_geo，j＝1,2,…,N_weather；y＝Fault_tpye；

步骤4.2，划分具有相同敷设类型和周边地理环境的样本子集Set_sub_k，k＝1,2,…,N_{Set_sub}；在样本数据中，通常各段落光缆线路的敷设类型和周边地理环境短期不会发生变化，即变量Lay_tpye和Env_geo_i(i＝1,2,…,N_geo)取值在光缆线路敷设完成后基本保持不变；同时，每一段光缆线路的敷设类型和周边地理环境也决定了其可能发生故障的类型；将样本总数据集Set_sample中具有相同敷设类型和周边地理环境的样本即具有相同Lay_tpye和Env_geo_i(i＝1,2,…,N_geo)取值取出，构建样本子集Set_sub_k(k＝1,2,…,N_{Set_sub})，其中N_{Set_sub}为样本子集数，其大小由变量Lay_tpye和Env_geo_i(i＝1,2,…,N_geo)的取值组合确定；对于预测光缆线路某段落的故障类型，只需参考对应其具有相同敷设类型和周边地理环境的样本子集进行计算；

第五步，建立基于机器学习的光缆线路故障概率预测模型；

第六步，对预测模型参数进行优化；

第七步，采集光缆线路当前状态下的各项参数，并输入到预测模型中；

第八步，使用预测模型输出每个段落对应的故障类型与概率的预测结果。