建筑电气系统中故障诊断方法分析

武淑芳

（内蒙古筑友建筑设计咨询有限责任公司，010030 ）

建筑电气系统中故障诊断方法分析

武淑芳

（内蒙古筑友建筑设计咨询有限责任公司，010030 ）

随着现代化进程的加快，在现代化的建筑物中，电气故障发生的频率也随之越来越高。针对目前建筑电气系统中缺少行之有效的诊断故障方法的问题，同时考虑到在现代建筑的实际运行环境中典型的故障数据样本获取是非常的有限的。根据相关行业统计，若是一家年产值30万吨的合成氨化肥厂，每年的停车时间减少30天，则增产6000多万吨是十分可能的其效益是相当的巨大的。所以不难看出，在建筑电气领域应用故障诊断技术，也将有利于对于系统与设备的工作状态做出及时有效的判断，并使其生产和运行则更加的可靠安全。

建筑电气系统 故障诊断 支持向量机

引言：随着城市化进程的加速发展，建筑的高度不断的突破。人们对于建筑物的环境与品质的要求也不断地提高，对于整个建筑物系统来说，建筑电气是其最为重要的核心技术之一，包括了建筑物的配电、室内照明、户外景观照明等许多主要内容。建筑物的电气发展规模越来越大，结构也随之越来越复杂。不同的系统间的互联越来越紧密，从而也使得电气系统所发生故障的概率大大的提高了。

目前，针对于故障的智能诊断技术已经在机械、电力系统等领域中发展的比较成熟了，但对于建筑电气系统中故障的方面还处在萌芽阶段，基本上是用人工来查找诊断其发生故障的原因的。也由此，对于如何利用现代科学技术来提升系统的稳定性和可靠性应用于建筑电气领域提出了更高的要求。

近年来，智能故障诊断系统的使用最为广泛的要数人工神经网络方法，但是神经网络却存在着收敛速度慢、易陷入局部极小值等问题中，其中最大的限制条件是需要大量的训练样本数据才能保证故障诊断的精度，限制了其在实际工程中的应用。支持向量机（简称SVM）则是以统计学习的理论为基础的，建立在VC维理论和结构风险最小原则上的机器学习方法。依据有限的样本信息，在模型的学习能力与复杂性之间找寻最佳切合点，已获得最好的推广能力，其特点是：可以很好地找出小样本下的分类问题，并具有很强的实用性[1]。

1 建筑电气仿真平台故障诊断的原理

建筑电气系统故障诊断的实质上是建立在征兆集或故障集的映射模式的基础上的，包括其故障发生时的故障状态识别和故障的征兆提取。而由于建筑电气系统发生的故障种类繁多且发生的几率随机性较大，因此建筑电气故障仿真平台为实验的基础。对于建筑物中的常有的电气故障等问题进行故障自诊断研究，依据不同故障的工作状态的诊断目的和对象，选取对应最便于诊断的工作状态的信号，在配电线路的关键回路上加装上传感器，通过利用数据采集器等技术手段，收集故障时的异常的信号，提取其故障的特征，将处理后的数据输入到故障的诊断法中，经过算法判别其输出的故障类型及不同的位置，并提示报警信息，以及根据问题的所在来提出维修的决策和控制的措施。

2 小样本SVN的故障诊断

建立在数据的机器学习为现代智能技术中的重要方面的基础上，机器学习其目的是根据给定的训练样本来取得系统的输入与输出之间的依赖关系的估计，使其能够对系统行为做出尽可能肯定准确的预测。

在实际运行的环境中，设备故障的出现是有一定的突发性和偶然性的，故障的信号则往往是可遇而不可求的，然而对于大多数设备来说，具有典型的故障的数据样本是少之又少的，所以，选取支持向量机作为故障诊断算法是能够在小样本情况下很好地达到分类推广的目的的。

3 建筑电气故障仿真平台

该仿真平台，50HZ交流市电，电源供电为220V，有变压器转换为15V的直流输出，为弱电保护板提供电量，弱电保护板则对强电系统中的单向以及三向的系统进行保护，强电系统则是该试验台的主体组成部分，系统是根据通过故障设置的面板上的22个开关的断开闭合来应对强电系统中的四大类阻值故障的，断开即为通路，反之闭合即为相应的部位发生了故障[2]。

4 SVM在实验平台故障诊断中的应用

4.1.故障特征量的选择与故障的分类

根据实验平台能够模拟出的实际住宅建筑物中常见的故障，其类型可分为线路阻抗故障、连续性故障、接地电阻异常、绝缘电阻过小等四种。再加上正常状态，因此共有五种状态。

4.2.SVM模型的建立

支持向量机的本质是针对两个分类问题而构建的，在解决多种类型故障分类的问题时，目前最主要的方法有“一对一”、“一对多”、K类SVM法、决策导向无环图等。之所以选用“一对一”的分类方法，主要是由于其分类的精度较之“一对多”高，拒绝的分类区较小，且每个SVM只需考虑两类样本，单个SVM则更容易训练。

仿真输出的结果表明：SVM算法的错判总数为0。即识别率为100%。综上所述，可以得出SVM算法是可以有效的和正确的诊断出建筑电气试验平台故障的[3]。

4.3.SVM以神经网络对故障诊断问题的比较

根据数据显示，在小样本的情况下，虽然几种方法对测试样本的仿真效果都比较理想，但BP网络的构建是较为复杂的，输出线的不够稳定，收敛速度极为不稳定是其缺点，RBF网络训练误差较小，收敛较为迅速，但是从其故障的识别率来看，推广分类的能力仍然是不如支持向量机的。

结语：首先，建筑电气故障模拟的实验平台数据自动采集功能的开发，如果使平台内部分布着的200多条线路每条线路上都加上传感器进行检测，则肯定会造成巨大的成本投入与资源的浪费的，由此研究怎样在系统关键回路上添加传感器，采集关键信息点的故障样本将会是今后的研究重点之一。

其次，实验平台的故障类型还是比较缺乏，不够丰富。本文中进行诊断的只有五种状态，这与实际生活中所面临的建筑电气系统能够发生的故障数目和种类还相差甚远，因此之后还要不断添加和发现新的故障的类型，真正使其接近实际系统运行时的状态和状况。

最后，缺乏实际的工程检验论证，本文所提出的故障诊断方法虽然在实验的过程中取得了较好的效果，但这仅仅只限于是在实验室研究中的初步理论和尝试，还必须要通过实际的工作情况来检验其诊断效果及其使用的情况。

[1]吴茜.建筑电气实验平台故障智能诊断技术研究[D].北京建筑大学,2013.

[2]张龙.建筑电气系统故障诊断方法研究[D].北京林业大学,2014.

[3]王亚慧,张龙,韩宁.建筑电气系统故障诊断方法研究[J].计算机仿真,2014,02:436-440.

TU723

B

1007-6344（2015）05-0013-01