基于貝葉斯推理的建筑供配電線路缺陷識別研究

摘 要：【目的】建筑供配電線路是建筑電氣系統的核心組成部分，其安全性和可靠性將直接關系到建筑物的用電安全和正常運行。對建筑供配電線路缺陷進行識別，能及時發現并處理線路中存在的問題，從而避免電氣事故的發生，確保建筑電氣系統的安全穩定運行。為此，提出了基于貝葉斯推理的建筑供配電線路缺陷識別方法。【方法】計算線路電阻值、功率因數、電壓損失，從而實現對建筑供配電線路特征參數的提取。基于特征參數和貝葉斯推理算法，對建筑供配電線路缺陷候選區進行劃分，計算所有事件中的最大后驗概率，從而實現對建筑供配電線路缺陷的識別。【結果】設計的方法可以實現對建筑供配電線路缺陷的精準識別，且準確率較高。【結論】所設計的方法能及時發現和處理線路中潛在的問題，從而避免故障的發生，保障電力系統的穩定運行。

關鍵詞：貝葉斯推理；建筑；供配電線路；缺陷識別

中圖分類號：TM862" " "文獻標志碼：A" " 文章編號：1003-5168（2024）24-0008-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.002

Research on Defect Identification of Building Power Supply and

Distribution Lines Based on Bayesian Reasoning

Abstract：[Purposes] As the core component of building electrical system， the safety and reliability of building power supply and distribution lines are directly related to the safety and normal operation of buildings. Through the research on the defect identification of building power supply and distribution lines， the potential problems in the lines can be found and dealt with in time， so as to avoid the occurrence of electrical accidents and ensure the safe and stable operation of building electrical system. Therefore， a defect identification method of building power supply and distribution lines based on Bayesian reasoning is proposed. [Methods] This paper calculates the line resistance， power factor and voltage loss， so as to extract the characteristic parameters of building power supply and distribution lines. According to the characteristic parameters and Bayesian inference algorithm， the defect candidate areas of building power supply and distribution lines are divided， and the maximum posterior probability defect classification in all events is calculated， so as to realize the defect identification of building power supply and distribution lines. [Findings] The designed method can accurately identify the defects of power supply and distribution lines in buildings with high accuracy. [Conclusions] The designed method can find and deal with the potential problems in the line in time， thus avoiding the occurrence of faults and ensuring the stable operation of the power system.

Keywords：Bayesian reasoning; architecture; power supply and distribution lines; defect identification

0 引言

智能建筑的安全運行高度依賴其供配電系統的穩定性和可靠性，一旦供配電系統出現故障，不僅會影響居民的正常生活，還有可能導致嚴重的經濟損失，甚至引發安全事故。因此，對建筑供配電系統的故障進行快速、準確診斷顯得尤為重要。

裴少通等［1］通過引入Transformer注意力機制、優化特征提取及應用多重注意力機制檢測頭網絡，從而有效增強算法在多尺度、空間位置和多任務感知下的能力，實驗結果表明，ER-YOLO算法在跨環境測試中展現出更高的缺陷識別精度和魯棒性，各測試數據集下mAP平均值為0.726，且相較于改進前有明顯提升。但算法對復雜環境變化的適應性仍要進一步加強，尤其是在極端天氣條件下對缺陷的識別效果有待提高。此外，該方法在訓練過程中依賴高質量的虛擬數據集，而數據集的生成和標注需要耗費大量的時間和資源。周紅亮等［2］在原有的卷積神經網絡基礎上，采用不同感受野的卷積核，從而獲取更全面的特征信息。通過圖像處理技術實現樣本擴充，然后將樣本輸入到網絡中進行特征學習，并將學習的特征輸入到Softmax分類器中進行分類。但該方法對復雜背景下的缺陷識別能力仍有待提升，尤其是在光照條件不佳或圖像模糊時。

為實現對缺陷的精準識別，本研究引進貝葉斯推理算法，以某建筑供配電線路為例，對其缺陷識別方法進行設計。

1 建筑供配電線路特征參數提取

為實現對建筑供配電線路缺陷的識別，設計方法前，使用電壓傳感器和電流傳感器分別測量供配電線路的電壓和電流，將測量得到的電壓和電流值代入公式中，計算出線路電阻值［3］，見式（1）。

式中：[I]為電流；[V]為電壓；[R]為電阻。

在此基礎上，使用功率計或電能質量分析儀測量供配電線路的有功功率和視在功率，計算得到線路的功率因數，見式（2）。

式中：[F]為功率因數；[p]為有功功率；[S]為視在功率。[F]反映了電力設備的用電效率，其值越接近1，表示用電效率越高。功率因數下降可能是因為設備存在老化或故障。

同時，使用電壓傳感器測量供配電線路的始端和末端電壓，根據歐姆定律和線路長度，計算出單位長度線路的電阻值，從而得到線路的電壓損失。計算公式見式（3）。

[ΔV=I×R×L] （3）

式中：[ΔV]為電壓損失；[L]為線路長度。[ΔV]是評估線路供電質量的重要指標，其值的大小將直接影響設備的正常運行和用電效率，過大的電壓損失可能導致設備無法正常工作或損壞［4］。輸出上述公式的計算結果，從而完成對建筑供配電線路特征參數的提取。

2 基于貝葉斯推理的建筑供配電線路缺陷候選區劃分

在上述設計的基礎上，引進貝葉斯推理算法，對建筑供配電線路缺陷候選區進行劃分。在此過程中，將事件[A]定義為“某區域存在缺陷”，事件B定義為“檢測到某些特征參數異常” ［5］。通過收集歷史數據，可以計算出各特征參數異常時缺陷存在的似然度[PBA]、缺陷和特征參數異常的先驗概率[PA]和[PB]。在此基礎上，利用貝葉斯定理計算出在給定特征參數異常的情況下，某區域存在缺陷的后驗概率[PAB]，計算公式見式（4）。

上述計算中，設定[Bi]為“某特征參數處于某個特定范圍或狀態”。通過計算在不同特征參數狀態下缺陷存在的條件概率[PBiA]評估各特征參數對缺陷識別的貢獻度，并據此劃分候選區。該過程的計算公式見式（5）。

式中：[PABi]表示在[Bi]發生條件下， [A]發生的概率；[PBi]表示[Bi]發生的先驗概率。計算不同事件的發生概率，根據提取到的特征參數構建貝葉斯網絡模型，確定各特征參數之間的依賴關系和先驗概率分布。根據后驗概率的大小劃分缺陷候選區，優先關注后驗概率較高的區域。

3 配電線路缺陷識別與類別劃分

在完成上述設計后，計算所有事件中的最大后驗概率，見式（6）。

4 對比實驗

4.1 實驗準備

選取某高層建筑作為研究試點，該建筑擁有完善的供配電系統。其電力來源主要為城市電網，通過10 kV高壓線路引入，經過建筑內的高壓配電所后，再分配到各個樓層和用電設備。

在深入研究后發現，該建筑的高壓配電所設有兩臺10 kV進線柜（互為備用），配電干線采用銅芯電纜，截面根據負載情況而有所不同，如照明回路常用2.5 mm2導線，大功率設備（如電梯、空調等）則采用更大截面的導線。

該建筑的配電線路布局合理，主干線采用放射式配電，供電可靠性高；分支線路采用樹干式配電，減少開關設備和導線消耗。對其供配電線路的規格與技術參數進行分析，見表1。

在某次供配電線路故障事件中，10 kV高壓配電線路在運行中出現了局部放電的現象，但由于識別方法靈敏度較低，未能及時檢測到此次缺陷。經過一段時間的發展，放電現象逐漸加劇，最終導致線路絕緣層被擊穿，引發短路故障。

4.2 實驗步驟

收集大量建筑供配電線路的歷史故障數據和正常運行數據，將其作為本次實驗的樣本數據，見表2。

準備數據采集設備，如傳感器、數據采集卡等，用于實時監測建筑供配電線路的運行狀態。在此基礎上，將裴少通等［1］提出的基于ER-YOLO算法的缺陷識別方法、周紅亮等［2］提出的基于膨脹卷積的缺陷識別方法作為對照，搭建供配電線路的運行環境。對測試的線路進行編號（1～8），模擬編號為2、6的線路存在缺陷，應用基于貝葉斯推理的建筑供配電線路缺陷識別方法、基于ER-YOLO算法的缺陷識別方法、基于膨脹卷積的缺陷識別方法，對編號為1～8的供配電線路缺陷進行識別。

4.3 實驗結果與分析

應用上述三種方法，對供配電線路進行缺陷識別，并對不同線路推理得到的缺陷概率進行匯總分析，結果如圖1到圖3所示。

由圖1可知，基于貝葉斯推理的建筑供配電線路缺陷識別方法推理得到編號為2、6的輸配電線路的缺陷概率＞80%，其他編號線路的缺陷概率＜20%。因此，根據該方法，可以推斷編號為2、6的供配電線路存在缺陷，其他線路無缺陷。

由圖2可知，基于ER-YOLO算法的缺陷識別方法推理得到編號為2、6的輸配電線路存在缺陷，但該方法推理得到編號為1的線路存在60%的可能為缺陷線路，與實際不符。

由圖3可知，基于膨脹卷積的缺陷識別方法只能識別到編號5輸配電線路存在缺陷，對編號2的輸配電線路，推理得到的缺陷概率較低，無法作為缺陷辨識的最終依據。

綜上所述，本研究設計的方法可以實現對建筑供配電線路缺陷的精準識別。

5 結語

在供配電系統中，由于線路復雜性及存在大量傳感器和智能器件，導致故障類型較常規建筑更為多樣和復雜。除了原有的三相短路、兩相接地短路、兩相短路、單相短路等基本故障外，還可能出現多重故障等嚴重故障。原有的故障診斷方法（如基于神經網絡或Petri網絡的算法）雖然在一定程度上能提高故障診斷的速度和準確性，但仍存在一些不足。貝葉斯推理作為一種強大的統計方法，能處理不確定性問題。因此，本研究通過建筑供配電線路特征參數提取、線路缺陷候選區劃分、配電線路缺陷識別與類別劃分，完成此次設計，并通過進一步提取故障信息中的關鍵特征，提高故障診斷的精準度和效率。

參考文獻：

［1］裴少通，張行遠，胡晨龍，等.基于ER-YOLO算法的跨環境輸電線路缺陷識別方法［J］.電工技術學報，2024，39（9）：2825-2840.

［2］周紅亮，李宏軍，董小剛，等.基于膨脹卷積的多尺度輸電線路缺陷識別技術研究［J］.制造業自動化，2023，45（11）：102-106.

［3］耿座學，李學富.邊緣算法優化Faster R-CNN算法下的輸電線路缺陷識別方法［J］.無損檢測，2023，45（9）：12-16.

［4］王月香，王興勛，李云鵬，等.基于嵌入式與目標檢測網絡的高壓線路缺陷邊端識別方法［J］.電工技術，2022（21）：203-207，210.

［5］黃廣龍.基于無人機圖像識別技術的水利工程輸電線路缺陷檢測方法［J］.水利科技與經濟，2022，28（8）：137-141.