文章提出了基于灰狼算法优化支持向量机的电力光纤状态监测方法，主要内容包括研究背景、方法提出、具体实现、数据采集与预处理、实验结果与分析以及总结与展望，具体如下：

研究背景：

电力光纤通信的重要性：电力光纤通信是保障电力系统各环节有序调度的重要手段，其维护与管理至关重要。

传统光纤维护方式的不足：存在维修历时长、自动化水平低、维护模式被动等问题，不利于异常事件的快速排除。

OTDR的应用：光时域反射仪（OTDR）能够采集光纤中的瑞利散射光信号，通过分析该信号反映的光纤状态，检测弯折、连接器等事件，实现对电力光纤异常情况的及时发现与处理。

方法提出：

研究目的：提升基于OTDR光纤异常事件识别的准确率。

方法概述：提出一种基于灰狼算法优化支持向量机（GWO-SVM）的电力光纤状态监测方法。该方法首先利用小波变换实现OTDR测得背向瑞利散射信号的降噪和定位，再以事件发生处的归一化背向瑞利散射信号为特征量，利用GWO-SVM对事件类型进行识别。

具体实现：

小波变换：选用“Symlet”小波函数对瑞利散射信号进行小波变换，有效抑制噪声，降低其对事件识别与定位的干扰。

GWO-SVM模型：利用灰狼算法优化支持向量机的惩罚参数与核函数参数，提高模型判别的准确率。GWO模拟自然界中灰狼的等级制度与捕猎行为，具备高效的全局搜索能力。

数据采集及预处理：

数据采集：采用OTDR系统进行数据采集，分别使用1310 nm与1550 nm激光器发射脉冲光，脉冲宽度设置为10 ns，测量时间为1 min。

数据预处理：对测量时间内获取的全部数据进行叠加平均处理，提升信噪比。采用小波变换方法进行事件定位，识别的事件类型包括光纤起点、法兰连接、光纤弯折与光纤终点。在事件发生位置处提取特征量，以该位置的瑞利散射信号作为特征，并进行归一化处理。

实验结果与分析：

实验设置：采用构建的训练集与测试集，分别对SVM、PSO-SVM及GWO-SVM模型进行训练与测试。

结果对比：SVM方法与PSO-SVM方法的识别准确率分别为97.4%与98.72%，而GWO-SVM方法识别准确率最高，达到99.36%，较前两者分别提升1.96%与0.97%。

混淆矩阵分析：GWO-SVM对各类事件的识别率均不低于SVM与PSO-SVM，尤其在光纤弯折事件的识别上优势显著。

总结与展望：

研究成果：提出的GWO-SVM方法有效提升了基于OTDR背向瑞利散射信号的事件识别准确率，具备较高的实际应用价值。

未来展望：未来可进一步探索GWO-SVM在其他光纤状态监测场景中的应用，以及与其他先进技术的融合。