基于改进的萤火虫算法优化神经网络的光纤状态预测方法技术

基于改进的萤火虫算法优化神经网络的光纤状态预测方法，涉及光纤线路状态预测技术领域，解决现有技术无法实现对线路状态趋势进行分析与预测，进而无法规避即将发生的故障等问题，采用本发明专利技术所述的预测方法采用改进的萤火虫算法对Elman神经网络预测模型中的参数进行优化，准确预测出线路未来状态趋势，预知线路未来可能发生的故障，提前制定维护策略，避免故障的发生，满足光纤通信不间断传输的要求。采用改进的萤火虫算法对Elman神经网络预测模型参数进行优化，使得模型具有良好的预测精度和稳定性，避免了传统Elman神经网络容易陷入局部最优和收敛速度慢等问题，更好的实现对光线状态的预测。

【技术实现步骤摘要】

本专利技术涉及光纤线路状态预测
，具体涉及一种基于改进的萤火虫算法优化Elman神经网络的光纤线路状态预测的方法。
技术介绍
为满足电力系统中信息能够高效、快速、可靠地传输需求，光纤通信网络作为骨干网络已得到广泛地应用。因此，一旦光纤线路发生故障，造成的通信中断将会给企业和用户带来巨大的经济损失。由于光纤线路上故障的不可避免，那么如何根据已有的光纤线路状态来预测出可能发生的光纤故障，提前做好维护和管理工作，进而避免故障的发生，保障通信正常进行具有重大意义。光功率数据能够较全面地表征光纤线路的工作状态，是一种具有非线性、时变性和复杂性特性的时间序列数据。现有的电力光纤线路维护方法通常是通过实时在线监测光纤线路的光功率信息，当其变化超过所设的阈值时，则立即启动OTDR的测试，通过对OTDR测试曲线分析，完成故障诊断及定位，并由现场人员对故障点进行抢修，恢复通信。但该方法仅能对光纤线路中已发生的故障进行做出处理，并不能对线路状态趋势进行分析与预测，规避即将发生的故障。
技术实现思路
本专利技术为解决现有技术无法实现对线路状态趋势进行分析与预测，进而无法规避即将发生的故障等问题，提供了一本文档来自技高网...

【技术保护点】
基于改进的萤火虫算法优化神经网络的光纤状态预测方法，该方法由以下步骤实现：步骤一、构造样本数据：获取原始光功率样本数据，作为Elman神经网络的训练样本；步骤二、确定网络拓扑结构：确定Elman神经网络的输入层、输出层和隐含层的节点数以及隐含层数；步骤三、网络初始化：采用网络进行学习训练之前对所述Elman神经网络各层间的连接权值进行初始化；步骤四、网络连接权值优化：采用改进的萤火虫算法优化Elman神经网络的各层间的连接权值；获得连接权值优化的Elman神经网络；步骤四一、动态搜索因子：定义自适应距离dz(t)，用公式表示为：dz(t)=f(xz)-f(Pgt-1)fmaxt-1-f(Pgt...

【技术特征摘要】
1.基于改进的萤火虫算法优化神经网络的光纤状态预测方法，该方法由以下步骤实现：步骤一、构造样本数据：获取原始光功率样本数据，作为Elman神经网络的训练样本；步骤二、确定网络拓扑结构：确定Elman神经网络的输入层、输出层和隐含层的节点数以及隐含层数；步骤三、网络初始化：采用网络进行学习训练之前对所述Elman神经网络各层间的连接权值进行初始化；步骤四、网络连接权值优化：采用改进的萤火虫算法优化Elman神经网络的各层间的连接权值；获得连接权值优化的Elman神经网络；步骤四一、动态搜索因子：定义自适应距离dz(t)，用公式表示为：dz(t)=f(xz)-f(Pgt-1)fmaxt-1-f(Pgt-1)]]>式中，f(xz)为第z个粒子的适应度函数值，为第z个粒子在第t-1次迭代后所得的全局最优值，为在第t-1次迭代时最大的适应值。定义动态搜索因子η，用公式表示为：η(t+1)=1.05η(t),Luv>dz(t)×1.040.7η(t),Luv<dz(t)η(t),]]>式中；t为迭代次数，Luv为萤火虫u与萤火虫v之间的欧氏距离，改进的萤火虫算法位置更新公式为：xv(t+1)＝xu(t)+βLuv(xv(t)-xu(t))+η(w)dz(t)(rand-1/2)；步骤四二、采用训练样本，根据步骤四一的改进的萤火虫算法对Elman神经网络连接权值进行优化；具体过程为：A、初始化种群，获得随机生成初始化萤火虫种群位置；B、计算相对亮度，计算每个萤火虫的个体适应度值f(yj)；根据步骤三中获得的Elman神经网络的初始权值，采用训练样本训练Elman神经网络后输出，所述个体适应度值f(yj)即为期望输出与预测输出之间的误差绝对值的和，用公式表示为：f(yj)=&Sigm...

【专利技术属性】
技术研发人员：隋吉生，赵亮，朱立军，王圣达，陈晓娟，姜万昌，徐梦，丛犁，陈鹤，张松，王金宇，
申请(专利权)人：国网吉林省电力有限公司信息通信公司，长春理工大学高技术产业中心，
类型：发明
国别省市：吉林;22