建筑电气系统故障诊断综述

钱文博，熊建斌，岑 健，王 颀，余得正，吴润杰

1.广东技术师范大学 自动化学院，广州510665

2.广东省智慧建筑设备节能与控制工程技术研究中心，广州510665

《2020建筑智能设计白皮书》的发布，表明了智能建筑在我国的不断发展[1]，人们对智能建筑电气系统可靠、安全、稳定地运行提出了更高的要求。面对越来越复杂的电气系统，传统检测方法的速度和准确性已无法满足要求[2]，因此故障诊断技术的改善就显得格外重要。

故障的定义为可观察的变化量或计算参数对可接受范围的偏差[3]。在建筑电气系统故障诊断过程中，对诊断结果的可行性和有效性有较大的影响且决定其诊断速度和精度的是模式识别和故障特征提取[4]。建筑电气系统是管理建筑用电的一种系统，其分为强电和弱电两个系统。强电系统主要包括动力设备系统、变配电系统、照明系统、防雷和接地装置等。弱电系统包括建筑智能化系统、办公自动化系统和通讯系统等[2，5]。在建筑电气系统中，一旦有故障发生将会导致设备停止工作以及数据流失等，甚至可能会对人身造成一定的伤害。并且随着科技的发展，建筑电气系统变得十分复杂，导致故障种类繁多且复杂多样，故障发生的几率逐渐变大。因此为保证建筑电气设备安全运行，需要重视建筑电气系统故障诊断的研究，建立一个完善的建筑电气故障诊断系统[5]。

建筑电气系统故障类型可分为电气线路故障、电气元件和设备故障[6-7]和防雷与接地系统故障等。建筑电气系统故障诊断实质上是故障发生时的征兆提取和故障状态判断[8]。目前，建筑电气设备在现代化的生产模式中正不断向大规模自动化和集成化发展，因此人们也越来越看重复杂系统或是混杂系统[9]。然而复杂系统往往是由大量的子系统组成，各个子系统间相互耦合关联，一旦这类系统发生故障，影响范围将会非常广泛，因此有效的故障诊断技术十分重要，它可以及时发现并处理故障，且使建筑电气设备与系统始终高效、可靠、安全地工作。美国是首先对故障诊断进行研究的国家[5，9]，目的是为了解决航天设备的故障，降低事故发生的概率。最初人们对于建筑电气系统的故障诊断都是通过工作人员进行检查，这样会有许多的主观性和不确定性。直到现在，国内外在建筑电气故障诊断领域的研究还不成熟[7]，主要有两方面的原因：一方面是由于建筑电气故障诊断处于配电网的末端；另一方面，过去建筑电气系统比较简单，不易引起电力方面研究者的注意和重视[9]。对于建筑电气系统的故障诊断必须要有正确的故障数据，进而加以准确地分析，需要从建筑电气系统中采集更多的数据，主要是对电流、电压、谐波等故障信号进行采集，这能为建筑电气系统提供实时、准确的故障数据，因此数据的采集也是十分重要的[2，6，10]。图1为建筑电气系统故障分类图。

图1 建筑电气系统故障分类图Fig.1 Breakdown classification diagram of building electrical system

1 信号分析方法在建筑电气故障诊断中的应用

1.1 小波变换在建筑电气故障诊断中的应用

基于信号分析[11]的故障诊断方法用于提高信号传输保真度、存储效率和主观质量，并凸显或检测测量信号中感兴趣的成分，避免了对抽象对象建立数学模型的困难。其在实际应用的过程中，主要通过对不同渠道获得的检测信号进行分析，根据检测信号与故障之间存在的联系对故障做出准确的判断和分析。典型的基于信号分析在建筑电气故障诊断中的方法有小波变换（Wavelet Transform，WT）、数学形态学（Mathematical Morphology，MM）、经验模态分解（Empirical Mode Decomposition，EMD）、希尔伯特变换（Hilbert Transform，HT）等。

1909年，阿尔弗雷德·哈尔提出了第一个小波变换即哈尔小波（Haar Wavelet，HW）[12]。小波变换是一种信号分析方法，其分为离散小波变换和连续小波变换。通过构造能自适应匹配故障相关信号特征的小波函数，使故障相关特征提取效果越好[13]。其工作原理是通过缩放和平移来匹配输入信号进而进行故障特征提取达到去噪的目的[14]。

不少研究者利用WT对建筑电气系统进行故障诊断。如Makming等人[15]针对输电线路故障类型分类以及定位的问题，提出一种基于离散小波变换的方法。实验结果表明，该方法检测故障的准确率可达100%，其中以平均误差1.2 km进行故障定位且检测故障类型的准确率达80%以上。最后在混合系统中使用这种技术并提出展望。刘晓明等人[16]针对交流系统中串联电弧故障分类的问题，提出一种基于WT的故障诊断方法，该方法主要把WT原理与改进后的BP神经网络结合。实验结果表明，该方法使线性与非线性负载的综合诊断分析的最大误差为0.18%，并验证了其对串联电弧故障的综合诊断分类效果很好。Yang等人[17]针对配电系统中架空线路的高阻抗故障保护问题，提出一种基于离散小波变换和连续小波变换的方法。实验结果表明，该方法检测高阻抗故障的准确率为93.2%，可以正确地检测到三个电容器组开关事件。

1.2 数学形态学在建筑电气故障诊断中的应用

数学形态学（MM）[18]信号处理的基本概念是修改信号的形状，通过信号与另一个被称为结构化元素的物体的交点进行变换。该方法在图像处理方面发展最为广泛[19]，在故障诊断领域也有较好的发展[20]。

不少研究者利用MM对建筑电气系统进行故障诊断。如Huang等人[21]针对地下电缆早期故障难以检测的问题，提出一种基于形态梯度小波的方法。该方法用于检测故障引起的或操作引起的瞬态，从而根据故障特有的特征识别早期故障。实验结果表明，该方法能够正确地检测出地下电缆的初始故障，并且研究了空载变压器永久故障、电容器组开关、负载变化和通电等引起的其他干扰。Zhang等人[22]针对输电线路故障定位问题，提出一种基于形态小波理论的新的形态非抽取小波分解方法，其从输电线路故障产生的暂态电压和电流信号中提取特征，且与多分辨率形态梯度方法进行了比较。实验结果表明，该方法可以较好地达到降噪的目的且对故障位置进行精准定位。Godse等人[23]针对输电线路故障检测和定位的问题，提出一种基于MM方法，可以实时快速进行故障特征提取，再利用决策树进行故障分类。实验结果表明，该方法减少了运算量，免疫了DDC参数、噪音和谐波等干扰，在实际输电线路1/4的周期内故障检测和分类的准确率高达99.98%。

1.3 经验模态分解在建筑电气故障诊断中的应用

经验模态分解（EMD）[24]是一种突出的信号处理技术，由美国NASA的黄锷博士提出。该方法主要优点为无需事先设置任何基函数，可应用于任何类型的信号分解且信噪比高，可以很好地进行故障特征的提取[25]。该方法在建筑电气故障诊断中有较为广泛的应用。

不少研究者利用EMD对建筑电气系统进行故障诊断。如Mao等人[26]针对冷水机组传感器故障检测问题，提出一种基于经验模态分解阈值去噪和主成分分析（EMD-TD-PCA）相结合的方法。首先，采用EMD去除原始数据集中的噪声，提高数据质量；其次，采用阈值去噪方法只去除噪声，保留有用信息；最后，利用EMD阈值去噪处理后的数据建立主成分分析（Principal Component Analysis，PCA）模型。实验结果表明，与传统的主成分分析方法相比，在偏差从－2到+2时，EMD-TDPCA方法对Tcws和Tcwr两个温度传感器的平均检测效率分别提高了19.75%和19.63%。Li等人[27]针对空调系统中传感器故障的问题，提出一种基于集成经验模态分解和主成分分析（EEMD-PCA）相结合的方法，对原始数据进行分解去噪，建立具有阈值的传感器故障检测统计量。实验结果表明，该方法对空调系统中传感器故障检测的平均准确率提高了22%。Malik等人[28]针对输电线路中的故障问题，提出一种基于EMD和人工神经网络（Artificial Neural Network，ANN）相结合的方法。其过程为利用EMD方法将故障后电流信号分解为IMF。这些IMF用作基于ANN的智能故障分类模型的输入变量。实验结果表明，该方法可以有效地对故障特征进行选择，且提高了故障诊断的准确率。

综上所述为一些学者利用信号分析方法在建筑电气系统故障诊断中的研究内容，图2为三种信号分析方法的故障诊断流程图。

图2 三种信号分析方法流程图Fig.2 Flow chart of three signal analysis methods

2 解析模型方法在建筑电气故障诊断中的应用

基于解析模型[29]的方法即是进行残差生成，借助系统的解析数学模型，产生一个信号，该信号携带有关故障的信息。该方法适用系统精确的数学模型和可观测输入输出量构造残差信号来反映系统预期行为与实际过程行为之间的不一致，然后在对残差信号分析的基础上进行故障诊断[30]。解析模型方法在空调系统故障诊断中应用最为广泛。

不少研究者利用解析模型方法对建筑电气系统进行故障诊断。如Qiu等人[31]针对暖通空调系统故障检测与诊断问题，提出一种基于热-质量平衡方程和气流平衡方程所建立的状态空间模型。实验结果表明，该模型可以很好地定位故障发生的位置，但在室温条件下，传感器故障和管道结垢故障等能显著增加能耗，在此基础上，对暖通空调系统故障诊断的研究方向进行了展望。Piacentino等人[32]针对空调机组故障检测和诊断问题，提出一种基于改进后的热力学模型方法。实验结果表明，该方法在正常和故障两种情况下进行测试，无需大量样本即可检测和诊断出单个和多个故障所在的位置。Trothe等人[33]针对智能建筑中故障检测和诊断的问题，提出一种基于解析模型的方法且与Dulmage-Mendelsohn分解方法相结合。实验结果表明，所建立的模型的局限性为只能诊断部分故障，因此又提出一种改进的传感器布置方法。实验结果表明，随着故障的增加，系统变得更加复杂，需要增加额外的传感器以实现完全可诊断性。Mulumba等人[34]针对建筑物中暖通空调设备的故障检测和诊断问题，提出一种基于鲁棒模型的方法。该方法是将外生变量的自回归时间序列模型和支持向量机分类技术相结合来诊断空气处理机组常见故障。实验结果表明，该方法在暖通空调设备的故障检测和诊断方面与朴素贝叶斯、贝叶斯网络、RBF网络、多层感知器神经网络、随机森林、随机树和支持向量机方法相比，其精度为93.5%，召回率为92.1%，综合评价指标为0.923，具有很好的性能，同时建立了对模型不确定性的鲁棒性。Ranade等人[35]针对暖通空调系统风机盘管故障检测和诊断问题，提出一种基于灰盒模型的方法，通过生成的温度残差来进行故障的检测和诊断。实验结果表明，该模型具有参数少、计算量轻的特点，适合于嵌入式诊断，通过决策树形式表达的简单规则实现准确的故障检测和诊断。Dong等人[36]针对配电网故障检测和诊断问题，提出一种基于地理信息系统（Geographic Information System，GIS）的集成解析模型。通过GIS可以快速定位故障所在的区域，通过该模型可以把要解决的故障诊断问题转化成求目标函数最优解的问题，同时考虑了一些漏报、误报等别的故障信号。实验结果表明，该方法对配电网故障检测和诊断具有较高的准确性。Liu等人[37]针对暖通空调系统中多个类似机组易发生故障的问题，根据故障检测和诊断的难点是机组中的现有故障和渐进故障，提出构建一种混合数学模型，首先通过交互式多模（Interactive Multiple Model，IMM）滤波器得到相似单元的特征参数，其次对相似单元的参数统计特性进行处理，最后通过统计特性参数进行故障检测与诊断。实验结果表明，该方法有效地解决了渐进故障和现有故障的问题。

3 人工智能算法在建筑电气故障诊断中的应用

3.1 支持向量机在建筑电气故障诊断中的应用

传统的故障诊断方法一般为基于专家系统的知识体系，因此一些局限性和主观性的存在不可避免。支持向量机（Support Vector Machine，SVM）[38]是基于统计学理论解决实际问题和非线性问题的强大工具，即使可用样本数据量相对有限，它也能给出较为准确的结果。1995年，SVM的最初模型被Vapnik[39]首次发表出来，其属于一种监督学习分类算法，直到20世纪90年代末SVM才被用于解决故障问题[40]。

基于SVM的方法首先是利用线性分离超平面将训练样本分成两类，然后找到一个使两个平行支撑面之间的边界最大的最优决策超平面，最后利用SVM的线性分类函数以及线性超平面将训练数据分离为两类[41]。SVM核心思想是通过一些非线性映射函数将原始模式空间映射到高维特征空间中，然后在特征空间中构造出最优的分离超平面[41]。其步骤简要介绍如下[42-43]：

假设一组建筑电气故障数据表示为(xi,yi)，i=1,2,…,k,x∈Rn,y∈{1,-1}，SVM决策超平面方程如式（1）所示：

其中，w为权向量，b为偏差。

最优超平面方程如式（2）所示：

其中，w′为最优权向量，b′为最优偏差。

要想求出最优超平面只需求出最优权向量w′和最优偏置b′即可，如式（3）所示：

其中，ξ为松弛变量，C为惩罚系数，φ为核函数。

通过用SVM对故障进行诊断和分类，其故障诊断和分类的原理图如图3所示。

图3 基于多分类SVM故障诊断原理示意图Fig.3 Schematic diagram of fault diagnosis based on multi-class SVM

不少研究者将SVM应用在建筑电气系统故障诊断中。如Li等人[44]针对暖通空调系统中空气处理机组的故障问题，提出一种基于SVM的故障检测和诊断方法，并且采用主成分分析的方法先进行降维压缩以加快学习的速度。实验结果表明，该方法已经成功检测和识别了一些典型的空气处理机组（Air Handling Unit，AHU）故障，且可以在建筑物环境发生变化的时候也可以很好地自动适应。Han等人[45]针对冷水机组中制冷剂泄漏和过充等故障问题，提出一种SVM与遗传算法及参数调整技术相结合的混合模型的方法。实验结果表明，该方法对故障检测和诊断的准确率较高，且样本数量大小对故障诊断的效果几乎没有影响，最后给出了改进的遗传算法在这方面应用的思考方向。Liang等人[46]针对循环风门卡死，冷却盘管结垢/堵塞以及送风机转速降低这些问题，提出一种用于冷却器的基于SVM的多层故障检测与诊断方法。实验结果表明，当训练样本数量大于7时，诊断成功率将大于96%，随着数量的增加，成功率将很快接近100%。该方法可以用少量的训练样本快速、准确地识别故障。在文献[40]的基础上，Dehestani等人[47]通过使用在线监视数据逐步训练SVM分类器，提出了一种半无监督故障检测方法，此方法可以检测未知故障，并利用这些未知故障更新分类器。Zhou等人[48]针对建筑电气设备的能耗问题以及故障诊断问题，提出利用决策树、SVM、聚类（Clustering，CL）、浅层神经网络（Shallow Neural Networks，SNN）和深层神经网络（Deep Neural Networks，DNN）五种方法对建筑电气系统故障进行分析，并且在单故障和多故障中进行了比较。实验结果表明，SVM在单故障诊断中应用较好，DNN在多故障诊断中应用较好，多个故障时，DNN的故障准确率为98.73%，比SVM高2.02%，命中率大于90%，比SVM高10%。Cheng等人[49]针对接触网供电系统中牵引逆变器的绝缘栅双极晶体管（Insulated Gate Bipolar Transistor，IGBT）开路故障，提出一种基于梯度信息最小二乘支持向量机（G-LS-SVM）的故障诊断方法。首先，建立一个基于牵引逆变器拓扑结构的仿真模型，仿真基于IGBT逆变器开路故障分类的各种电压故障信号波形；其次，稀疏表示电压故障信号使其成为故障信号；再次，通过空间矢量变换将牵引逆变器三相电压标量表示为复合量，以减少故障信号的冗余和提高数据处理能力；最后，建立G-LS-SVM故障诊断模型，在过完备字典中对电压信号进行故障诊断和识别。实验结果表明，该方法对各类IGBT管故障诊断的准确率均较高。此外，该模型鲁棒性较好，不受高斯白噪声的影响。Yan等人[50]针对冷水机组故障的问题，提出一种将外生变量自回归模型（Auto-Regressive model with Exogenous variables，ARX）与SVM相结合的混合方法。利用ARX模型构造高维参数空间，支持向量机对参数空间进行超平面细分，实现了故障分类。实验结果表明，该方法对于冷水机组的故障诊断具有较高的准确率。

3.2 压缩感知在建筑电气故障诊断中的应用

压缩感知（Compressive Sensing，CS）[51]理论是近年来兴起的一种新的理论算法，是基于稀疏表示和近似理论的一种全新的信息获取和处理理论，核心是利用信号的稀疏特征，将采集到的信号转变成原信号。该方法最初是为了解决医学中核磁共振成像问题[52]，目前已在图像处理和人脸识别上有了广泛的应用[53-55]。2004年，由Candes[56]、Romberg[52]和Donoho[51]等人首先提出压缩感知理论的概念，直到2006年才进行论文的发表，被学者们所知悉。

CS理论的基本思想是通过求解一个稀疏约束优化问题，利用信号的稀疏性，减少发现故障信息的原始数据量，从非常有限的高概率测量中精确地恢复出稀疏信号[56-57]。图4为CS的原理图。

图4 CS的原理Fig.4 Principle of CS

CS理论构造的数学模型步骤如下[58]：

（1）假设一个长度为M的一维原始建筑电气故障信号x，存在一个稀疏基矩阵Ψ，对于信号x在稀疏基矩阵Ψ上的稀疏表示，如式（4）所示：

其中，t为稀疏变换系数。

（2）通过将信号x′投影到一个观测矩阵Φ上，这一过程是为了把高维信号x′投影到低维信号上，达到降维的目的，并且它为已知的，可以得到一个降维数据Y,Y为长度为M的一维测量值，也是已知的，其表达式如式（5）所示：

其中，Y、Φ和Ψ都是已知参数，只需要求解稀疏变换系数t，即可得到原信号x，并且ΦΨ为感知矩阵Z，且观测矩阵Φ应当满足约束等距性条件，即观测矩阵Φ与稀疏基矩阵Ψ具有不相干性，也就是Φ中的每行与Ψ中的每列都不相关且满足有限等距性质，则稀疏信号的重构使l1范数最小而不是l0范数。如式（6）所示：

（3）信号重构算法。由于感知矩阵Z中满足Φ的每行与Ψ中的每列都不相关。信号重构可以通过求解下面的最优范数问题来实现，如式（7）所示：

不少研究者将CS理论应用在建筑电气系统故障诊断中。如Zhang等人[8]针对建筑电气系统故障诊断的问题，提出一种基于CS理论的方法，采用以下三方面进行实验来论证基于支持向量机、基于稀疏表达分类算法的l1分类器和l2分类器。实验结果表明，提出的基于CS理论的稀疏表达分类算法对于建筑电气系统故障诊断有较好的效果。贾科等人[59]针对配电网故障定位的问题，提出一种基于贝叶斯和CS理论相结合的方法，利用此方法可以进行节点负序电压方程的求解，以及可以利用重构负序电流向量来进行故障定位。实验结果表明，此方法可以准确定位输电线路故障位置，且不受故障类型、线路参数少量误差等因素影响，抗噪声能力强，鲁棒性很好。Wang等人[60]针对空调制冷系统的故障问题，提出一种基于稀疏自动编码器（Sparse AutoEncoder，SAE）来提取故障特征作为输入进行分类的方法，并且与SVM做了对比。实验结果表明，该方法相比SVM方法，故障诊断的准确率和精度都有很大程度的提高。Ruiz等人[61]针对输电线路中停电的问题，提出一种基于CS理论的方法。实验结果表明，该方法可以准确定位故障所在位置且能够很好地进行原始信号的恢复。

3.3 神经网络在建筑电气故障诊断中的应用

神经网络（Neural Network，NN）最初产生的目的是制造能模拟大脑的机器，在20世纪八九十年代应用十分广泛。神经网络具有良好的学习能力和泛化能力，并且无需事先了解其系统输入输出对应的逻辑关系。但是在样本数量不足的情况下，神经网络易导致的过拟合问题还未解决[62]。神经网络包括ANN、概率神经网络（Probabilistic Neural Network，PNN）和BP神经网络等。表1为各类神经网络的优缺点。

表1 各类神经网络的特点Table 1 Characteristics of various types of neural networks

不少研究者将神经网络应用在建筑电气系统故障诊断中。如Yang等人[63]针对低压直流母线微电网故障会导致电气设备发生短路的一些问题，提出一种基于ANN的建筑电气故障诊断方法。这种方法的主要优点是可以在不断电的情况下快速检测并隔离直流母线上的故障，从而实现更可靠的直流微电网。实验结果表明，该方法实用性强，能够有效地检测出任何类型的直流故障。霍一峰[64]提出以神经网络为基础的智能诊断理论，并且利用Spiking脉冲神经元和遗传算法（GA）进行优化，进一步提高了椭球基神经网络（Elliptical Basis Function Neural Network，EBFNN）和径向基神经网络（Radial Basis Function Neural Network，RBFNN）对建筑电气系统故障模式识别能力。实验结果表明，该方法在提高故障诊断精度的同时用时也较少，证明了可行性。Wang等人[65]针对故障自诊断的问题，提出采用人工智能的方法加以解决，研究了基于电测估计、模糊神经网络等一些方法，最后由于神经网络具有最大应用价值，选择了它作为应用诊断算法的重点。实验结果表明，该方法实用性强且提高了对故障诊断的准确率。Zhang等人[66]针对现代建筑出现过多的电气故障的问题，提出一种基于PNN的诊断方法。该方法可以对故障进行预测、诊断进而加以分类。实验结果表明，该方法具有很好的可行性及实用性，其准确率可以达到90%，诊断速度达到1.7 s。Wu等人[7]针对智能建筑中存在的故障诊断问题，提出一种新型的智能故障诊断方法，即基于RBFNN的一种方法，它能够有效地识别故障发生的原因以及故障的类型。实验结果表明，该方法可以较准确地检测和定位故障所在位置。Li等人[67]针对架空输电线路易发生覆冰导致输电稳定性不可靠的问题，提出一种基于BP神经网络的方法。实验结果表明，该方法可以有效地进行负荷预测，提高了故障诊断的准确率。

3.4 多智能体系统在建筑电气故障诊断中的应用

智能体（Agent）[68]的概念最初是由美国麻省理工学院的Minsky提出。多智能体系统（Multi-Agent System，MAS）的应用研究起源于20世纪80年代并在90年代中期获得了广泛的认可。在人工智能中，智能体是一个自主性实体，它通过传感器进行观察，并使用执行器对环境进行操作，并指导其活动以实现目标[69]。建筑电气系统中存在大量具有非线性和自组织活动的相互作用构件，利用多智能体特性的优势，可以更好地对建筑电气系统故障进行检测和诊断。

不少研究者将MAS应用在建筑电气系统故障诊断中。如黄水霞等人[70]针对电梯门系统故障复杂且分散的问题，提出一种基于MAS的故障诊断方法。实验结果表明，该系统具有系统的可扩展性、诊断资源的可重用性、诊断过程的自主性等优点，符合电梯复杂、分散的故障特点。Papadopoulos等人[71-72]针对多区域HVAC系统中隔离驱动器和传感器故障的问题，提出一种基于MAS的方法。并且文中描述暖通空调系统是一个相互连接的子系统网络，每个子系统都由一个监视智能体表示。智能体与相邻智能体通信，交换诊断信息，进行分布式故障检测和本地故障识别。Tian等人[73]针对有源配电系统的故障问题，提出一种基于MAS的故障诊断方法。实验结果表明，所提出的方法可以有效地进行故障诊断，提高了准确率和精度。

3.5 贝叶斯网络在建筑电气故障诊断中的应用

贝叶斯网络（Bayesian Network，BN）是一组由边连接起来的随机变量之间关系的良好表示，并在每个变量上给出了条件概率分布。它提供了一种自然的表示因果信息的方法，用来发现数据间的潜在关系[74]。

不少研究者利用BN对建筑电气系统进行故障诊断。如Zhao等人[75]针对冷水机组故障检测与诊断的问题，在贝叶斯置信网络理论的基础上提出了一种三层贝叶斯诊断网络方法。除了第二层和第三层，即故障层和故障症状层外，研究人员还增加了第一层，即附加信息层，以确定可能的故障原因。实验结果表明，该方法在基于不确定、不完全和冲突信息的故障诊断中有效性较高。Lin等人[76]针对供配电系统故障诊断中不同天气条件下信息不确定性对故障诊断的干扰，提出了一种基于BN的故障诊断模型。实验结果表明，所提出的故障诊断方法和故障仿真模型具有良好的鲁棒性和准确性。Chien等人[77]针对配电系统中的故障定位问题，提出一种基于BN的故障诊断方法。实验结果验证了该方法的可行性。Chien[78]针对配电馈线故障定位的问题，提出了一种改进BN先验和推理规则不一致的新方法，并与传统的BN方法进行了比较。实验结果表明，该方法在不同外界因素的影响下对配电馈线故障定位也有较好的效果。Fu等人[79]针对智能建筑配电网故障诊断的问题，提出一种基于WT和BN相结合的新方法。实验结果表明，该方法对单一故障特征具有明显的识别度且能够非常准确地识别类型和故障部件。

3.6 决策树在建筑电气故障诊断中的应用

决策树（Decision Tree，DT）是一种归纳学习方法，其主要分为分类回归树（Classification And Regression Tree，CART）、ID3和C4.5等[80]。其采用自上而下的递归方法，基本原理为在决策树的内部节点中比较属性值，然后根据不同的属性从内部节点发展分支，最后在叶节点处得出结论[81]。

不少研究者利用DT对建筑电气系统进行故障诊断。如Liu等人[82]针对变制冷剂流量（Variable Refrigerant Flow，VRF）充注故障的问题，在CART算法的基础上提出一种新的DT方法。实验结果表明，该方法对过充故障的诊断效果较好且具有较高的分类效率，但对过充故障的诊断灵敏度较低且无法识别不同类型系统的数据。Yan等人[83]针对空气处理机组故障检测与诊断的问题，提出一种基于CART算法的数据驱动诊断策略，将CART算法用于DT的归纳，主要利用该方法对故障诊断的可解释性。实验结果表明，该方法对此故障有良好的诊断性能。Upendar等人[84]针对输电线路故障分类的问题，提出一种基于WT和CART相结合的方法，其可以对不同类型的故障进行分类。实验结果表明，该方法对故障分类准确率较高且诊断效果较好。Li等人[85]针对变制冷剂流量系统充注、冷凝器结垢故障的问题，提出一种基于改进DT的故障诊断方法，并与CART、随机森林（Random Forest，RF）和广义增强回归（Generalized Boost Regression，GBM）三种故障诊断方法进行了比较。实验结果表明，该方法对实验数据集和在线测试数据集都有较好的故障诊断效果和准确率。Yu等人[86]针对VRF系统中制冷剂充注量的预测问题，提出了一种基于改进DT的电荷故障诊断方法。实验结果表明，该方法提高了过量和正常电荷状态分类的准确性，且对制冷剂充注量预测效果较好，准确率较高。

3.7 深度学习在建筑电气故障诊断中的应用

深度学习（Deep Learning，DL）作为人工智能方法在2006年以后才进入快速发展的阶段[87]。其在建筑电气系统故障诊断中的应用方法有卷积神经网络（Convolutional Neural Network，CNN）和深度置信网络（Deep Belief Network，DBN）两种。

（1）CNN

1982年Fukushima提出第一个CNN，其最显著的特点是通过训练过程自动提取图像特征进而实现故障智能分类[88]，在建筑电气系统故障诊断中应用也较为广泛。

不少研究者利用CNN对建筑电气系统进行故障诊断。如Guo等人[89]针对配电系统中故障定位的问题，提出一种基于希尔伯特-黄变换和CNN相结合的故障诊断方法。实验结果表明，该方法在配电系统故障分类中具有精度高、适应性强的特点，且在不同网络结构、不同负荷水平等故障条件的广泛变化下具有较好的可靠性和鲁棒性。Guo等人[90]针对配电系统故障馈线检测的问题，提出一种基于连续小波变换和CNN的故障诊断方法，且与基于人工特征提取和传统机器学习的故障馈线检测方法进行比较。对比实验结果表明，该方法在不同故障情况下的故障检测性能更好且可靠性较高。Wang等人[91]针对冷水机系统故障检测和诊断的问题，提出一种基于一维卷积神经网络和门控回归单元结合的故障诊断方法，并且与目前最先进的算法进行对比。实验结果表明，该方法的故障检测性能更好且对小故障具有较好的识别率。Sun等人[92]针对空气源热泵系统渐进式故障的问题，提出一种基于一维核卷积神经网络的故障诊断方法，并且与CNN、ANN等进行比较。实验结果表明，该方法具有较高的故障诊断性能且故障诊断准确率也较高。Eom等人[93]针对暖通空调系统中制冷剂泄漏的故障问题，提出一种基于CNN的方法。该方法的优点是采用分类和回归两种预测模型，可以用单一模型预测冷热两种模式下的定量制冷剂量。实验结果表明，该分类模型的平均准确率为99.9%，具有很好的预测功能且能够准确对故障进行分类和定位。

（2）DBN

DBN采用一种多层前馈神经网络，它主要由几个受限制的玻尔兹曼机组成。2006年，Hinton和Salakhutdinov提出一种基于DBN的快速学习算法，该算法为DBN模型的理解与分析提供了新的路径[94]。

不少研究者利用DBN对建筑电气系统进行故障诊断。如Guo等人[95]针对变流量制冷剂系统故障诊断问题，提出一种基于DBN的故障诊断方法，并在此基础上又提出了模型优化的参数优化选择策略。实验结果表明，优化后的DBN模型与传统的反向传播神经网络的性能相比，前者的性能更好，准确率更高。Zhao等人[96]针对电气设备故障诊断的问题，提出一种基于DBN的故障诊断方法。实验结果表明，与浅层方法相比，该方法可以对故障进行更好的表示和分类。Pan等人[97]针对高压断路器故障诊断的问题，提出一种基于DBN和迁移学习策略相结合的新方法。实验结果表明，与SVM、神经网络等传统的特征提取和故障诊断方法相比，结合迁移学习的DBN方法特征学习和泛化能力更强，故障诊断效果更好。表2为本文所综述的建筑电气系统故障诊断方法的对比。

表2 故障诊断方法的比较Table 2 Comparison of fault diagnosis methods

4 待解决的问题以及发展前景

目前建筑电气系统故障诊断还处于起步阶段，建筑电气系统故障诊断研究的方法尚未满足社会需求，还存在以下一些问题：

（1）新的故障诊断方法的应用研究。基于人工智能的方法在解决建筑电气系统故障诊断问题上有着巨大的潜力，但仍需要进一步的研究来开发有效的、高效的、可扩展的和可靠的故障诊断方法以进行实际应用。如深度残差收缩网络的应用，它是将软阈值化作为非线性层引入深度残差网络结构之中。由于建筑电气系统故障类型繁多，采用深度残差收缩网络对复杂数据有很好的故障特征提取效果，可提高故障诊断的准确率。

（2）建筑电气系统故障诊断的实际应用还有所欠缺。现有的方法大多是利用模拟数据或实验数据进行检测和诊断的，目前人工智能算法在建筑电气系统故障诊断的应用还仅限于一些局部构件，如洗衣机、空调等一些家用设备，距离实现应用到实际整体的建筑中还存在着差距[5]。

（3）难以构造精准的数学模型和参数调整。目前缺乏可靠和有效的方法来调整模型参数，进而开发建筑电气系统故障检测与诊断模型。在已有的研究中，对参数进行了优化，以获得对测试数据和训练数据的最佳性能。该模型在建筑电气系统故障检测与诊断中是否具有可接受的泛化能力尚未可知。

（4）故障数据采集、训练及测试。实验条件的局限性导致数据采集比较困难，且训练数据的一个主要特点是不能覆盖所有可能的情况。然而在现有的研究中，训练数据和测试数据是从同一个数据集中随机选取的，无法区分是否通过过拟合获得了优异的故障检测与诊断性能。

针对以上问题，未来的研究主要包括以下几方面：

（1）基于多模态数据融合技术的研究。现如今是大数据的时代，多模态数据融合技术的应用将会越来越广泛，取长补短可以有效地提高建筑电气故障诊断的准确率和精度。多模态数据融合描述了跨不同模式集成来自多个异构渠道的不同数据的过程，目的是以更可用的形式产生信息[98]。如当建筑电气设备发生故障时，设备一定会有某些状态发现变化。在建筑电气系统中，可以利用多种传感器探测设备状态，系统会提取出数据中的特征信息，并将这些特征信息反馈给信息融合中心，信息融合中心基于一定的规则对各种特征信息进行处理，最终做出故障是否存在的推断和决策。

（2）建筑电气故障诊断工程应用研究。虽然说建筑电气不同故障同时发生的概率较小，但是也应当加以重视，一旦发生故障，同样会产生十分严重的后果，且目前的实验数据很难应用到实际工程，在实际应用中有一定的局限性，如计算量很大，故障分类易出错等，因此如何将模拟数据应用到实际工程以及建筑电气系统复合故障诊断问题的解决是一个重要的研究方向。

（3）模型的构造以及改进参数优化选择。由于在实践中很难对系统进行精确的数学建模，以及系统复杂导致参数繁多，针对建筑电气系统故障数据数学模型的构造以及新的参数优化选择策略的开发是一个重要的发展方向。例如WT模型参数小波基和小波分解层数。小波基的选择主要依据小波和要处理信号的相似程度，小波基的紧支性、对称性、正交性、正则性、消失矩等。小波分解层数的选择需要根据信号频率的范围、时域的变化幅度进行选择。SVM模型参数有惩罚系数和gamma值。当使用SVM的高斯核函数（RBF）的时候，如果发现训练数据上的准确率低，可以试着调大惩罚系数和gamma值，反之相反。DBN模型参数[95]隐藏层神经元节点数、RBM层和NN层的周期数、RBM层和NN层的学习率和隐藏层深度。隐藏层节点数的选择方法有经验公式选择法和网格搜索法。RBM周期数的选择可以通过一段周期范围内的重构误差来判断，可以根据训练损失和故障诊断的准确率来选择NN层的周期数。学习率选择范围为0~1，建议初始选择使用指数增长作为区间，在初始范围确定后，再用小区间优化学习率。层深的选择需要考虑模型的诊断性能和建立模型所需的时间。

（4）建筑电气故障数据采集系统的完善[5，99]。外界环境如温度、湿度等会对数据有一定的影响，并且数据采集十分繁琐，因此完善数据采集系统以便更好地应用于故障诊断在未来也是一个重要的研究课题。

5 总结

采用人工智能算法的建筑电气系统故障诊断是该领域主要的发展方向，但是目前还处于起步阶段。本文主要阐述了信号分析、解析模型和人工智能算法三种用于建筑电气系统故障诊断的典型方法，相应介绍了这些方法的优点、局限性和不少学者的研究成果，说明了目前应用最为广泛的是人工智能算法，最后概述了建筑电气系统故障诊断中还存在的不足以及发展前景。