新形勢下建筑電氣系統故障診斷方法研究

熊道輝

摘 要：建筑電氣系統的故障診斷問題在現代化建筑中發生的頻率比較高。如果在新的建筑工程質量要求、新技術和新材料應用的背景下沿用傳統的故障診斷方法排除故障，則已無法滿足實際要求。采用新的技術方法，比如支持向量機算法、模擬電氣故障硬件實驗模型、神經網絡診斷方法等，可保證故障診斷的準確率和有效性，適合在建筑工程中推廣。

關鍵詞：電氣系統；故障診斷；電氣故障；RBF神經網絡

中圖分類號：TU85 文獻標識碼：A DOI：10.15913/j.cnki.kjycx.2016.24.095

建筑電氣發展到如今，已經成為結構復雜和關聯緊密的系統，但建筑電氣故障發生的概率也在不斷提高，因此，需要對建筑電氣故障診斷方法進行深入研究。

1 建筑電氣系統故障診斷方法

早期的建筑電氣故障依賴人工檢測和查找的方法進行故障排除。隨著現代科學技術的進步，智能故障系統開始被廣泛應用，比如人工神經網絡方法（BP神經網絡、RBF神經網絡、人工鋒群優化神經網絡方法）、支持向量機方法、小波變換法、壓縮感知方法等。

2 建筑電氣故障仿真平臺

仿真實驗對象是建筑電氣實驗臺MA2067，其模擬民用或工用建筑中的各種用電設備，使用Eurotest61557測量儀可對該實驗臺的故障進行檢測、定位和測量。該仿真平臺以常見的電氣裝置為實驗配置，包括斷路器、熔斷器、RCD等，該仿真平臺的內部結構包括220 V的電源、50 Hz的交流電，弱電保護系統為單相和三相，強電系統為主體實驗配置，通過開關的斷開閉合對阻值進行故障排查。 故障仿真實驗臺內部邏輯結構如圖1所示。

3 SVM方法分析

支持向量機（SVM）是基于統計學理論的新型機器學習方法，基于數據的機器學習給予訓練樣本以系統輸入、輸出的依賴關系，通過非線性核函數，將輸入樣本空間映射到高維線性特征空間。具有處理非線性回歸問題的能力，且具有訓練時間短、泛化能力強等優點。

根據故障的特征分類，可以分為正常狀態（E1）、兩相相間短路故障（E2）、相對地短路故障（E3）、單相接地故障（E4）、三相不平衡故障（E5）、斷相故障（E6）。對不同測試位置的故障電阻值采用SVM特征分量的方法進行故障的排除，結果如表1所示。

SVM模型的建立是通過兩類問題而構件的，支持向量機本質上是為了解決多類故障問題，主要方法包括K類SVM法、決策導向無環圖等。目前，采用的主要包括一對一、一對多等分類方法。本文選用一對一分類方法，主要是因為一對一的精度較高、單個SVM容易訓練。

基于SVM算法的建筑電氣系統模擬實驗平臺的故障流程為：①根據實驗收集到的故障數據樣本對支持向量機進行訓練，用于驗證建筑電氣系統的故障狀態；②對實驗原始故障數據進行歸一化處理；③交叉驗證選擇SVM最優核函數；④訓練SVM故障診斷模型；⑤通過支持向量機分類算法判斷故障類型；⑥輸出診斷結果。

本次實驗平臺實測，支持向量機采集的數據包括了6組6種狀態的故障檢測結果，即正常狀態、兩相相間短路故障、相對地短路故障、單相接地故障、三相不平衡故障、斷相故障。每個故障信息特征經過訓練和測試得出了診斷樣本結果。利用K-CV法尋找到最佳參數，選擇懲罰參數對故障進行交叉驗證。

通過SVM算法的仿真平臺和分析方法對故障的錯判概率為0，識別率為100%.由此可見，SVM算法可以有效判斷和診斷建筑電氣故障，準確率極高。

4 神經網絡方法

BP網絡和RBF網絡計算的神經網絡方法故障診斷也是對建筑電氣故障進行排查的有效方法之一。

BP網絡是一種多層前饋神經網絡，包括輸入層、隱藏層和輸出層，上、下層之間實現了全連接，同一層神經元之間無連接。在進行訓練樣本的選取時，將神經元輸入BP網絡，輸出神經元個數為6代表6類診斷狀態。

RBF網絡則在創建過程中增加了隱含層節點和個數，直至符合預先設定的誤差值。對訓練結果進行測試，得出了測試結果。使用BP網絡的訓練平均誤差為0.034 93，使用RBF網絡的訓練平均誤差為0.004，使用BP網絡進行訓練的步數為1 337，使用RBF網絡進行的訓練步數為19；使用BP網絡錯判個數為3，使用RBF網絡錯判個數為2.

通過上述比較，雖然集中測試樣本的仿真效果都比較好，但BP網絡的構建方法存在輸出不穩定、收斂速度慢的缺點，而RBF網絡訓練誤差較小、收斂較快。

5 改進方法

在進行設備檢測和故障數據收集、處理時，采集信號中不可避免地會夾雜一些噪聲；小波變換具有時域和頻域的局部變化，具有良好的自適應性，可以對非平穩信號進行有效分解。因此，在提取特征之前用小波變換進行消噪處理，可有效提高故障診斷的準確性。

從大量的數據樣本中提取相似的數據創建訓練樣本，相似數據有效地提高了數據的相關度，結合小波分解技術，采用支持向量機理論建模。實驗結果表明，相似數據有效地提高了數據的相關度，從而提高了故障診斷的精度。

基于壓縮感知理論的建筑電氣系統故障診斷方法的關鍵是將故障的分類歸結為一個求解待測樣本對于整體訓練樣本的稀疏表示問題，可以達到很好的診斷效果。

傳統的SVM分類技術是通過求解凸規劃問題來獲得最優分類面的，因為在求解過程中需要存儲一個很大的核矩陣，它不適合求解大規模問題。對于權向量投影多平面支持向量機（WMPSVM）方法，其學習速度比SVM快，且這種多平面分類器能有效地解決亦或（XOR）問題，值得在實驗、實踐工作中應用。

6 結束語

本文通過建筑電氣系統故障實驗平臺，對系統出現的各類故障數據進行了采集和分析，并將故障診斷方法運用到了建筑電氣系統的故障診斷中。采用BP、RBF神經網絡方法，通過對網絡的訓練和測試，證明了網絡訓練具有良好的效果。

傳統的計算學習方法遵循“經驗風險最小化”原則，但采用人工神經網絡無法實現經驗風險的最小化。而通過機器學習的方法就可以得到經驗風險最小化，且趨近于期望風險。因此，機器相比于人工神經網絡，在經驗風險控制和置信范圍上都略勝一籌。

綜合比較而言，SVM算法具有復雜性學習能力的特點，可以將神經網絡經驗產生的“過學習”問題加以解決，且SVM方法的輸出穩定、分類速度快，能有效避免故障診斷過程中受到損失。

當前，一些最新的故障診斷（改進）方法也在本文中有所描述，值得在后續理論工作中持續改進以及在建筑電氣故障診斷工作中深入應用。

參考文獻

[1]朱榮梁，馮凱.建筑電氣系統故障診斷方法研究[J].商品與質量，2016（30）.

[2]劉光輝.小波消噪和人工蜂群優化神經網絡的建筑電氣故障診斷[J].電氣應用，2015（10）.

〔編輯：張思楠〕