本發(fā)明涉及光纖通信，尤其涉及一種光纖線路的故障定位方法、裝置及系統(tǒng)。

背景技術(shù)：

1、隨著電網(wǎng)建設(shè)的飛速發(fā)展以及電力系統(tǒng)設(shè)備自動化程度的不斷提升，電力光纖通信網(wǎng)得到了前所未有的發(fā)展，光纖通信具有很多優(yōu)點，傳輸衰耗小，傳輸距離長等，因此得到大規(guī)模的推廣應(yīng)用。

2、光纖切換裝置是光纖通信網(wǎng)絡(luò)中關(guān)鍵的設(shè)備，它負(fù)責(zé)管理和控制光信號的傳輸路徑。這類裝置能夠?qū)崿F(xiàn)光纖線路之間的自動或手動切換，從而增強網(wǎng)絡(luò)的可靠性與靈活性。光纖切換裝置在光纖通信系統(tǒng)中發(fā)揮著至關(guān)重要的作用，尤其是在數(shù)據(jù)中心、電信網(wǎng)絡(luò)和廣播電視等領(lǐng)域廣泛應(yīng)用。

3、然而，當(dāng)光纖線路遭遇故障，如因施工意外而被切斷時，傳統(tǒng)的光纖切換裝置在故障定位方面存在不足。它們往往需要進(jìn)行時間消耗較大的逐段檢測，這延長了故障響應(yīng)時間，進(jìn)而影響了通信的效率。此外，光纖切換裝置通常缺乏自動化的故障診斷能力，依賴人工進(jìn)行故障的識別和定位。這種方法不僅效率不高，而且可能因為環(huán)境因素或人為錯誤導(dǎo)致診斷結(jié)果不準(zhǔn)確，這進(jìn)一步影響了光纖通信網(wǎng)絡(luò)的恢復(fù)速度和整體可靠性。

4、專利文本cn118199719?a公開了一種針對光纖鏈路的故障定位方法、電子設(shè)備及計算機(jī)可讀存儲介質(zhì)，其中方法包括：利用光時域反射儀對待測光纖鏈路進(jìn)行多級光纖檢測以及回波基準(zhǔn)除噪，得到除噪信號回波數(shù)據(jù)組；對除噪信號回波數(shù)據(jù)組進(jìn)行多維空間重構(gòu)以及注意力時頻分析，得到回波時頻特征組；對回波時頻特征組進(jìn)行特征故障定位，得到光纖故障距離組；獲取待測光纖鏈路的鏈路資料圖，對鏈路資料圖進(jìn)行線路識別以及布局分析，得到光纖布局參數(shù)組；根據(jù)光纖布局參數(shù)組和光纖故障距離組計算出標(biāo)準(zhǔn)故障距離，利用標(biāo)準(zhǔn)故障距離對鏈路資料圖進(jìn)行故障定位標(biāo)注。該方法是通過距離進(jìn)行故障定位，還需依賴光纖的鏈路資料圖才能夠進(jìn)行定位，方法復(fù)雜，可靠性不高。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供了一種光纖線路的故障定位方法、裝置及系統(tǒng)，能夠提高光纖線路故障定位的準(zhǔn)確性。

2、本發(fā)明的第一方面提供了一種光纖線路的故障定位方法，應(yīng)用于光纖通信系統(tǒng)，所述光纖通信系統(tǒng)包括多個站點，所述站點設(shè)置有光時域反射儀；上述方法包括：

3、控制各個站點的光時域反射儀向光纖線路發(fā)射光脈沖信號，并接收光脈沖反射信號；

4、對所述光脈沖反射信號進(jìn)行時頻變換，獲得反射信號二維時頻圖集合；

5、對所述反射信號二維時頻圖集合中的反射信號二維時頻圖進(jìn)行特征提取，獲得反射信號時頻特征向量集合；

6、從所述反射信號時頻特征向量集合中提取待評估站點對應(yīng)的反射信號時頻特征向量作為查詢特征向量；

7、將所述查詢特征向量與反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦和特征匹配，獲得匹配結(jié)果表示特征矩陣；

8、對所述匹配結(jié)果表示特征矩陣進(jìn)行優(yōu)化，基于優(yōu)化后的匹配結(jié)果表示特征矩陣判斷待評估站點是否為故障站點。

9、結(jié)合第一方面，所述對所述光脈沖反射信號進(jìn)行時頻變換，獲得反射信號二維時頻圖集合，包括：

10、對各個光脈沖反射信號進(jìn)行離散小波變換，獲得反射信號二維時頻圖，多個所述反射信號二維時頻圖組成所述反射信號二維時頻圖集合。

11、結(jié)合第一方面，進(jìn)一步地，將所述查詢特征向量與反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦和特征匹配，包括：

12、對反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦，獲得時頻特征向量子序列；

13、對所述時頻特征向量子序列進(jìn)行強化編碼，獲得局部關(guān)聯(lián)特征向量；

14、計算所述查詢特征向量與各個所述獲得局部關(guān)聯(lián)特征向量的協(xié)方差矩陣，獲得時頻響應(yīng)協(xié)方差矩陣；

15、計算所述時頻響應(yīng)協(xié)方差矩陣的矩陣跡，獲得時頻響應(yīng)跡度量因子；

16、對所述時頻響應(yīng)跡度量因子進(jìn)行激活處理，獲得時頻響應(yīng)跡注意力權(quán)重；

17、基于所述時頻響應(yīng)跡注意力權(quán)重計算所述時頻響應(yīng)協(xié)方差矩陣的加權(quán)和，獲得匹配結(jié)果表示特征矩陣。

18、結(jié)合第一方面，進(jìn)一步地，基于bi-lstm模型的子序列語義強化編碼器對所述時頻特征向量子序列進(jìn)行強化編碼，獲得局部關(guān)聯(lián)特征向量。

19、結(jié)合第一方面，進(jìn)一步地，計算所述時頻響應(yīng)協(xié)方差矩陣的矩陣跡，獲得時頻響應(yīng)跡度量因子，包括：

20、將所述時頻響應(yīng)協(xié)方差矩陣中的對角線上的各個元素進(jìn)行加和操作，獲得所述時頻響應(yīng)跡度量因子。

21、結(jié)合第一方面，進(jìn)一步地，基于sigmoid激活函數(shù)對所述時頻響應(yīng)跡度量因子進(jìn)行激活處理，獲得時頻響應(yīng)跡注意力權(quán)重。

22、結(jié)合第一方面，進(jìn)一步地，對所述匹配結(jié)果表示特征矩陣進(jìn)行優(yōu)化，包括：

23、將所述匹配結(jié)果表示特征矩陣輸入至預(yù)先訓(xùn)練獲得的分類器，獲得待評估站點為故障站點的初始概率；

24、將所述匹配結(jié)果表示特征矩陣通過概率化激活函數(shù)進(jìn)行激活處理，獲得概率化特征矩陣；

25、以全一特征矩陣點減所述概率化特征矩陣，獲得點減結(jié)果矩陣；

26、根據(jù)所述點減結(jié)果矩陣和初始概率，構(gòu)建冪函數(shù)特征矩陣；

27、將所述冪函數(shù)特征矩陣與所述概率化特征矩陣進(jìn)行點乘，獲得中間特征矩陣；

28、根據(jù)所述中間特征矩陣和所述初始概率，計算偏置特征值；

29、將所述偏置特征值與超參數(shù)相乘，之后再與所述中間特征矩陣進(jìn)行相加，獲得優(yōu)化后的匹配結(jié)果表示特征矩陣。

30、結(jié)合第一方面，進(jìn)一步地，根據(jù)所述點減結(jié)果矩陣和初始概率，構(gòu)建冪函數(shù)特征矩陣，包括：

31、將所述點減結(jié)果矩陣中的每個元素作為底數(shù)，初始概率作為指數(shù)構(gòu)建冪函數(shù)，計算每個冪函數(shù)的值，根據(jù)計算結(jié)果構(gòu)建所述冪函數(shù)特征矩陣。

32、結(jié)合第一方面，進(jìn)一步地，根據(jù)所述中間特征矩陣和所述初始概率，計算偏置特征值，包括：

33、將所述中間特征矩陣的每個元素的絕對值作為底數(shù)，以所述初始概率的倒數(shù)作為指數(shù)構(gòu)建冪函數(shù)，計算每個冪函數(shù)的值，并將計算結(jié)果進(jìn)行求和獲得所述偏置特征值。

34、結(jié)合第一方面，進(jìn)一步地，所述分類器基于優(yōu)化后的匹配結(jié)果表示特征矩陣判斷待評估站點是否為故障站點。

35、本發(fā)明的第二方面提供了一種應(yīng)用于上述方法的光纖線路的故障定位裝置，上述裝置包括：

36、信號采集模塊，用于控制各個站點的光時域反射儀向光纖線路發(fā)射光脈沖信號，并接收光脈沖反射信號；

37、時頻變換模塊，用于對所述光脈沖反射信號進(jìn)行時頻變換，獲得反射信號二維時頻圖集合；

38、第一特征提取模塊，用于對所述反射信號二維時頻圖集合中的反射信號二維時頻圖進(jìn)行特征提取，獲得反射信號時頻特征向量集合；

39、第二特征提取模塊，用于從所述反射信號時頻特征向量集合中提取待評估站點對應(yīng)的反射信號時頻特征向量作為查詢特征向量；

40、解耦模塊，用于將所述查詢特征向量與反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦和特征匹配，獲得匹配結(jié)果表示特征矩陣；

41、優(yōu)化模塊，用于對所述匹配結(jié)果表示特征矩陣進(jìn)行優(yōu)化，基于優(yōu)化后的匹配結(jié)果表示特征矩陣判斷待評估站點是否為故障站點。

42、進(jìn)一步地，時頻變換模塊對所述光脈沖反射信號進(jìn)行時頻變換，獲得反射信號二維時頻圖集合，包括：

43、對各個光脈沖反射信號進(jìn)行離散小波變換，獲得反射信號二維時頻圖，多個所述反射信號二維時頻圖組成所述反射信號二維時頻圖集合。

44、進(jìn)一步地，所述解耦模塊將所述查詢特征向量與反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦和特征匹配，包括：

45、對反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦，獲得時頻特征向量子序列；

46、對所述時頻特征向量子序列進(jìn)行強化編碼，獲得局部關(guān)聯(lián)特征向量；

47、計算所述查詢特征向量與各個所述獲得局部關(guān)聯(lián)特征向量的協(xié)方差矩陣，獲得時頻響應(yīng)協(xié)方差矩陣；

48、計算所述時頻響應(yīng)協(xié)方差矩陣的矩陣跡，獲得時頻響應(yīng)跡度量因子；

49、對所述時頻響應(yīng)跡度量因子進(jìn)行激活處理，獲得時頻響應(yīng)跡注意力權(quán)重；

50、基于所述時頻響應(yīng)跡注意力權(quán)重計算所述時頻響應(yīng)協(xié)方差矩陣的加權(quán)和，獲得匹配結(jié)果表示特征矩陣。

51、進(jìn)一步地，所述解耦模塊基于bi-lstm模型的子序列語義強化編碼器對所述時頻特征向量子序列進(jìn)行強化編碼，獲得局部關(guān)聯(lián)特征向量。

52、進(jìn)一步地，所述解耦模塊計算所述時頻響應(yīng)協(xié)方差矩陣的矩陣跡，獲得時頻響應(yīng)跡度量因子，包括：

53、將所述時頻響應(yīng)協(xié)方差矩陣中的對角線上的各個元素進(jìn)行加和操作，獲得所述時頻響應(yīng)跡度量因子。

54、進(jìn)一步地，所述解耦模塊基于sigmoid激活函數(shù)對所述時頻響應(yīng)跡度量因子進(jìn)行激活處理，獲得時頻響應(yīng)跡注意力權(quán)重。

55、進(jìn)一步地，所述優(yōu)化模塊對所述匹配結(jié)果表示特征矩陣進(jìn)行優(yōu)化，包括：

56、將所述匹配結(jié)果表示特征矩陣輸入至預(yù)先訓(xùn)練獲得的分類器，獲得待評估站點為故障站點的初始概率；

57、將所述匹配結(jié)果表示特征矩陣通過概率化激活函數(shù)進(jìn)行激活處理，獲得概率化特征矩陣；

58、以全一特征矩陣點減所述概率化特征矩陣，獲得點減結(jié)果矩陣；

59、根據(jù)所述點減結(jié)果矩陣和初始概率，構(gòu)建冪函數(shù)特征矩陣；

60、將所述冪函數(shù)特征矩陣與所述概率化特征矩陣進(jìn)行點乘，獲得中間特征矩陣；

61、根據(jù)所述中間特征矩陣和所述初始概率，計算偏置特征值；

62、將所述偏置特征值與超參數(shù)相乘，之后再與所述中間特征矩陣進(jìn)行相加，獲得優(yōu)化后的匹配結(jié)果表示特征矩陣。

63、進(jìn)一步地，所述優(yōu)化模塊根據(jù)所述點減結(jié)果矩陣和初始概率，構(gòu)建冪函數(shù)特征矩陣，包括：

64、將所述點減結(jié)果矩陣中的每個元素作為底數(shù)，初始概率作為指數(shù)構(gòu)建冪函數(shù)，計算每個冪函數(shù)的值，根據(jù)計算結(jié)果構(gòu)建所述冪函數(shù)特征矩陣。

65、進(jìn)一步地，所述優(yōu)化模塊根據(jù)所述中間特征矩陣和所述初始概率，計算偏置特征值，包括：

66、將所述中間特征矩陣的每個元素的絕對值作為底數(shù)，以所述初始概率的倒數(shù)作為指數(shù)構(gòu)建冪函數(shù)，計算每個冪函數(shù)的值，并將計算結(jié)果進(jìn)行求和獲得所述偏置特征值。

67、進(jìn)一步地，所述分類器基于優(yōu)化后的匹配結(jié)果表示特征矩陣判斷待評估站點是否為故障站點。

68、本發(fā)明的第三方面提供了一種光纖線路的故障定位系統(tǒng)，包括光纖通信系統(tǒng)、處理器以及存儲裝置，所述光纖通信系統(tǒng)包括多個站點，所述站點設(shè)置有光時域反射儀；所述存儲裝置存儲有多條指令，所述處理器用于讀取所述指令并執(zhí)行上述的方法。

69、本發(fā)明提供的光纖線路的故障定位方法、裝置及系統(tǒng)，至少包括如下有益效果：

70、(1)對由各個站點的光時域反射儀采集到的光脈沖反射信號進(jìn)行時頻轉(zhuǎn)換和特征提取，以此根據(jù)每個站點的光脈沖反射信號時頻特征與其他站點之間查詢匹配結(jié)果來智能地得到該站點的是否為故障站點。這樣，可以對光脈沖反射信號進(jìn)行快速分析，能夠顯著減少故障定位所需的時間和響應(yīng)時間，從而減少人工干預(yù)和人為錯誤的可能性，提高了故障定位的效率和智能化；

71、(2)將反射信號時頻特征向量集合中的其他反射信號時頻特征向量進(jìn)行細(xì)粒度解耦，以捕獲和提煉出光脈沖反射信號時頻的局部細(xì)節(jié)信息，為后續(xù)細(xì)微的差異匹配提供了豐富的輸入；

72、(3)對于匹配結(jié)果表示特征矩陣，基于柯西-阿達(dá)馬形式冪級數(shù)概率分布收斂限定，將匹配結(jié)果表示特征矩陣的特征集合以基于收斂概率的形式冪級數(shù)進(jìn)行表示，并添加基于匹配結(jié)果表示特征矩陣的每個特征值的作為收斂半徑表示的集合收斂有界偏置，以在統(tǒng)一的概率收斂限定標(biāo)準(zhǔn)下，避免匹配結(jié)果表示特征矩陣在基于分類器的回歸過程中，由于模型參數(shù)基于收斂概率的梯度傳播而引起匹配結(jié)果表示特征矩陣的分布模式偏離導(dǎo)致的分類結(jié)果的無效溢出，從而提升基于分類器的故障定位得到的定位結(jié)果的準(zhǔn)確性。