新形势下建筑电气系统故障诊断方法研究

熊道辉

摘 要：建筑电气系统的故障诊断问题在现代化建筑中发生的频率比较高。如果在新的建筑工程质量要求、新技术和新材料应用的背景下沿用传统的故障诊断方法排除故障，则已无法满足实际要求。采用新的技术方法，比如支持向量机算法、模拟电气故障硬件实验模型、神经网络诊断方法等，可保证故障诊断的准确率和有效性，适合在建筑工程中推广。

关键词：电气系统；故障诊断；电气故障；RBF神经网络

中图分类号：TU85 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.24.095

建筑电气发展到如今，已经成为结构复杂和关联紧密的系统，但建筑电气故障发生的概率也在不断提高，因此，需要对建筑电气故障诊断方法进行深入研究。

1 建筑电气系统故障诊断方法

早期的建筑电气故障依赖人工检测和查找的方法进行故障排除。随着现代科学技术的进步，智能故障系统开始被广泛应用，比如人工神经网络方法（BP神经网络、RBF神经网络、人工锋群优化神经网络方法）、支持向量机方法、小波变换法、压缩感知方法等。

2 建筑电气故障仿真平台

仿真实验对象是建筑电气实验台MA2067，其模拟民用或工用建筑中的各种用电设备，使用Eurotest61557测量仪可对该实验台的故障进行检测、定位和测量。该仿真平台以常见的电气装置为实验配置，包括断路器、熔断器、RCD等，该仿真平台的内部结构包括220 V的电源、50 Hz的交流电，弱电保护系统为单相和三相，强电系统为主体实验配置，通过开关的断开闭合对阻值进行故障排查。 故障仿真实验台内部逻辑结构如图1所示。

3 SVM方法分析

支持向量机（SVM）是基于统计学理论的新型机器学习方法，基于数据的机器学习给予训练样本以系统输入、输出的依赖关系，通过非线性核函数，将输入样本空间映射到高维线性特征空间。具有处理非线性回归问题的能力，且具有训练时间短、泛化能力强等优点。

根据故障的特征分类，可以分为正常状态（E1）、两相相间短路故障（E2）、相对地短路故障（E3）、单相接地故障（E4）、三相不平衡故障（E5）、断相故障（E6）。对不同测试位置的故障电阻值采用SVM特征分量的方法进行故障的排除，结果如表1所示。

SVM模型的建立是通过两类问题而构件的，支持向量机本质上是为了解决多类故障问题，主要方法包括K类SVM法、决策导向无环图等。目前，采用的主要包括一对一、一对多等分类方法。本文选用一对一分类方法，主要是因为一对一的精度较高、单个SVM容易训练。

基于SVM算法的建筑电气系统模拟实验平台的故障流程为：①根据实验收集到的故障数据样本对支持向量机进行训练，用于验证建筑电气系统的故障状态；②对实验原始故障数据进行归一化处理；③交叉验证选择SVM最优核函数；④训练SVM故障诊断模型；⑤通过支持向量机分类算法判断故障类型；⑥输出诊断结果。

本次實验平台实测，支持向量机采集的数据包括了6组6种状态的故障检测结果，即正常状态、两相相间短路故障、相对地短路故障、单相接地故障、三相不平衡故障、断相故障。每个故障信息特征经过训练和测试得出了诊断样本结果。利用K-CV法寻找到最佳参数，选择惩罚参数对故障进行交叉验证。

通过SVM算法的仿真平台和分析方法对故障的错判概率为0，识别率为100%.由此可见，SVM算法可以有效判断和诊断建筑电气故障，准确率极高。

4 神经网络方法

BP网络和RBF网络计算的神经网络方法故障诊断也是对建筑电气故障进行排查的有效方法之一。

BP网络是一种多层前馈神经网络，包括输入层、隐藏层和输出层，上、下层之间实现了全连接，同一层神经元之间无连接。在进行训练样本的选取时，将神经元输入BP网络，输出神经元个数为6代表6类诊断状态。

RBF网络则在创建过程中增加了隐含层节点和个数，直至符合预先设定的误差值。对训练结果进行测试，得出了测试结果。使用BP网络的训练平均误差为0.034 93，使用RBF网络的训练平均误差为0.004，使用BP网络进行训练的步数为1 337，使用RBF网络进行的训练步数为19；使用BP网络错判个数为3，使用RBF网络错判个数为2.

通过上述比较，虽然集中测试样本的仿真效果都比较好，但BP网络的构建方法存在输出不稳定、收敛速度慢的缺点，而RBF网络训练误差较小、收敛较快。

5 改进方法

在进行设备检测和故障数据收集、处理时，采集信号中不可避免地会夹杂一些噪声；小波变换具有时域和频域的局部变化，具有良好的自适应性，可以对非平稳信号进行有效分解。因此，在提取特征之前用小波变换进行消噪处理，可有效提高故障诊断的准确性。

从大量的数据样本中提取相似的数据创建训练样本，相似数据有效地提高了数据的相关度，结合小波分解技术，采用支持向量机理论建模。实验结果表明，相似数据有效地提高了数据的相关度，从而提高了故障诊断的精度。

基于压缩感知理论的建筑电气系统故障诊断方法的关键是将故障的分类归结为一个求解待测样本对于整体训练样本的稀疏表示问题，可以达到很好的诊断效果。

传统的SVM分类技术是通过求解凸规划问题来获得最优分类面的，因为在求解过程中需要存储一个很大的核矩阵，它不适合求解大规模问题。对于权向量投影多平面支持向量机（WMPSVM）方法，其学习速度比SVM快，且这种多平面分类器能有效地解决亦或（XOR）问题，值得在实验、实践工作中应用。

6 结束语

本文通过建筑电气系统故障实验平台，对系统出现的各类故障数据进行了采集和分析，并将故障诊断方法运用到了建筑电气系统的故障诊断中。采用BP、RBF神经网络方法，通过对网络的训练和测试，证明了网络训练具有良好的效果。

传统的计算学习方法遵循“经验风险最小化”原则，但采用人工神经网络无法实现经验风险的最小化。而通过机器学习的方法就可以得到经验风险最小化，且趋近于期望风险。因此，机器相比于人工神经网络，在经验风险控制和置信范围上都略胜一筹。

综合比较而言，SVM算法具有复杂性学习能力的特点，可以将神经网络经验产生的“过学习”问题加以解决，且SVM方法的输出稳定、分类速度快，能有效避免故障诊断过程中受到损失。

当前，一些最新的故障诊断（改进）方法也在本文中有所描述，值得在后续理论工作中持续改进以及在建筑电气故障诊断工作中深入应用。

参考文献

[1]朱荣梁，冯凯.建筑电气系统故障诊断方法研究[J].商品与质量，2016（30）.

[2]刘光辉.小波消噪和人工蜂群优化神经网络的建筑电气故障诊断[J].电气应用，2015（10）.

〔编辑：张思楠〕