故障診斷技術及監測方法在建筑電氣系統上的應用

馬曙光

（內蒙古呼和浩特市建設工程質量安全中心，內蒙古 呼和浩特 010020）

現代建筑是一個復雜的系統工程，包含了結構工程、給排水工程、電氣工程等。由于智能建筑技術的發展和建筑使用者對建筑功能的多樣化需求，不同的建筑物對建筑電氣系統的功能要求也不一致，導致建筑電氣系統也日益復雜化、多樣化。依靠以往的人工巡查和檢測，需要依賴于人工經驗，自動化程度低，效率低下且浪費大量的人力，對于故障的診斷時效存在明顯不足。為保證建筑電氣能夠安全運行，有必要研究以智能化的監測方法或手段診斷出故障位置，達到高效和經濟的目的，預防由于建筑電氣超負荷運轉導致的短路、斷電、電氣火災等事故，以保證建筑電氣功能的實現和建筑使用者的安全，提供一個人性化的生活環境。

1 建筑電氣系統故障的監測

建筑電氣系統主要分為供電系統和用電系統。其中供電系統是將電源輸送至用電設備；用電系統又可以細分為弱電系統、照明系統和動力系統，弱點系統由消防報警系統、電話通訊系統和有線電視組成，動力系統是指將建筑電梯、給排水水泵以及通風空調功能設備等，照明系統是滿足人們生產生活，提供光源和視覺環境的系統，主要為燈具照明。

由上可知，建筑電氣的故障分析受到多種因素的影響，目前尚未有一個適用于全面故障診斷的理論方法，但是對于一般的建筑電氣故障可以根據以往的建筑監測檢測中進行總結，并作為機器學習的樣本。經過大量的工程總結，對建筑電氣系統出現的故障進行監測，監測異常現象主要可以分為以下6 類，如圖1 所示。

圖1 建筑電氣故障監測

從圖1a 中可以看出，A 相發生單線接地故障時，其電壓出現明顯的下降，B 相和C 相的電壓則相反，其電壓幅值上升，但B 相和C 相的電流保持不變，而A 相的電流激增；從圖1b 中可以看出，A 相和B 相發生短路事故時，兩者的電壓相位發生變化，電壓線性發生畸變，在電流曲線上表現出激增，而C 相的電壓和電流均保持不變；從圖1c 中可以看出，A 相和B 相發生短路接地故障時，A 相、B 相和C 相的電壓出現畸變和激增，在電流上，A 相、B 相的電流明顯增加而C 相電流保持不變；從圖1d 中可以看出，A 相、B 相和C 相均發生短路故障時，電壓幅值明顯下降，而電路則激增十幾倍，出現此現象時，應立即斷電否則會對電氣設備產生不可逆的嚴重損害；從圖1e 中可以看出，A 相發生單箱缺相故障后，它的電流值直降至0，電壓也隨之上升，而B相和C 相的電壓和電流保持不變；從圖1f 中可以看出，A相、B 相和C 相均發生斷相故障時，三者的電流均直降至0，而電壓仍維持在原先的水平。

2 基于BP 神經網絡法的建筑電氣故障診斷及實現

BP 神經網絡算法是在仿生學基礎上發展出來的數學系統計算算法，它通過模擬生物的神經信號傳遞過程對輸入信號進行學習訓練，并不斷地進行優化隱藏層的權函數，以達到理想的參數輸出，為決策提供定量化和自動化計算的目的，它廣泛應用于工程管理、圖像優化、計算機學習以及人工智能等領域。在建筑電氣領域，它可以應用于電氣故障排查和診斷、優化電氣線路，為建筑電氣管理人員的決策提供依據。BP 神經網絡的基本原理如圖2 所示，它是正向學習的及其學習方法，其層次主要分為3 層，分別為輸入層、隱藏層（可以為多個層級，如圖2 中所示，有兩層隱藏層）和輸出層。輸出層中包含了大量的訓練樣本，將其與訓練集中的樣本進行學習訓練，即經過隱藏層的運算和傳遞，達到輸出層，輸出層參數結果與實際值進行對比，如果兩者出現誤差，則通過調整隱藏層的權函數值、閾值等，直到計算結果達到精度要求，即為期望的優化結果。

對于圖1 中的輸入層參數假設為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，各個隱藏層的權值函數如方程（1）、方程（2）所示。

各個隱藏層的閾值可以用公式（3）、公式（4）所示。

輸出層參數結果與實際值的誤差如公式（5）所示。

對誤差求偏導，將偏導賦值為零即為得到各層的閾值函數，如公式（6）、公式（7）所示。

基于BP 神經網絡法建立建筑電氣故障診斷模型，輸入參數分別為故障發生后的三相電壓值、三相電流值、三相電壓畸變率和三相電流畸變率，對110 個樣本進行學習，采用120 次的迭代，將訓練目標誤差設定為0.0035，得到診斷結果如圖3 所示。從圖中可以看出，在110 個樣本中，12 個樣本點的誤差偏離0，但誤差范圍在-1%～2%之間，得到的輸出結果與預期符合程度較好。

圖3 基于BP 神經網絡法的建筑電氣故障診斷實現

3 基于ELM 極限學習機法的建筑電氣故障診斷及實現

盡管BP 神經網絡法具有多隱藏層的結構，加大了診斷計算能力，但是也存在著一些明顯的缺點，比如對學習率η 值敏感，導致計算結果收斂慢或者不容易收斂。因此在基于BP 神經網絡算法的基礎上發展出了ELM 極限學習機法，它與BP 神經網絡算法最大的不同是在中間隱藏層中具有不固定的隱藏層神經元數目，在計算過程中可以不斷修改隱藏層神經元的數目，以達到快速計算和全局最優搜尋的目的。

同樣地，在ELM 極限學習機中，建立輸入層與隱藏層之間的權值函數如方程（8）所示、建立隱藏層與輸出層之前的權值函數如方程（9）所示。

設定輸入層參數假設為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，可以得到基于ELM 極限學習機法的計算輸出值，如方程（10）、方程（11）所示。

同樣地，基于ELM 極限學習機法采用仿真軟件建立建筑電氣故障診斷模型，輸入參數分別為故障發生后的三相電壓值、三相電流值、三相電壓畸變率和三相電流畸變率，對110 個樣本進行學習，采用120 次的迭代，得到診斷結果如圖4 所示。從圖中可以看出，在110 個樣本中，3 個樣本點的誤差偏離0，比BP 神經網絡的計算誤差大大減小，但誤差范圍在-8%～2%之間，得到的輸出結果與預期符合程度較好。

圖4 基于ELM 極限學習機法的建筑電氣故障診斷及實現

4 BP 神經網絡法與ELM 極限學習機法的對比分析

以內蒙古呼和浩特市某安置房小區一期為研究對象，小區位于城區東北角區域核心商圈范圍，附近已有配套公用設施，交通便利。項目包含4 棟住宅樓，均為混凝土框剪結構，樓棟地上建設15 層，地下建設1 層地下車庫，小區現有住戶130 戶，每戶建筑面積約98m2，根據設計規范，每個樓棟內的電力設計負荷為15kW，使用三相線路進行供電，小區共配備了5 臺總配電箱。

分別基于BP 視神經網絡法和ELM 極限學習機法對工程實例的建筑電氣故障建立仿真模型進行分析，得到仿真計算結果如表1 所示。

表1 不同算法的建筑電氣故障仿真計算結果

從表1 中可以看出，基于BP 視神經網絡法在單相接地、單相缺相預測上存在較大的誤差，而ELM 極限學習法則在單相階地。兩相短路的預測上準確率相對較小；基于BP 視神經網絡法的故障平均預測準確率明顯低于ELM 極限學習法的故障平均預測準確率，BP 視神經網絡法的故障預測時間耗費0.475s，而于ELM 極限學習法的故障預測時間耗費0.202s，后者比前者的計算效率提高約一倍，因此在建筑電氣系統故障診斷中，可以優先選用ELM 極限學習法。

5 結論

以內蒙古呼和浩特市某安置房小區一期為依托，在研究建筑電氣故障事故的監測基礎上，以此為機器學習樣本，基于BP 神經網絡法和ELM 機器極限學習機法對建筑電氣故障進行診斷，得出以下幾個結論：

5.1 對建筑電氣系統出現的故障進行監測，監測異?，F象主要可以分為6 類，即單相接地故障、兩相短路接地故障、三相短路故障、兩相短路故障、單相缺相故障、三相缺相故障。

5.2 基于BP 視神經網絡法在單相接地、單相缺相預測上存在較大的誤差，而ELM 極限學習法則在單相階地。兩相短路的預測上準確率相對較?。换贐P 視神經網絡法的故障平均預測準確率明顯低于ELM 極限學習法的故障平均預測準確率，后者比前者的計算效率提高約一倍，因此在建筑電氣系統故障診斷中，可以優先選用ELM 極限學習法。