建筑电气系统故障诊断方法研究

摘要：文章针对目前建筑电气系统故障诊断的现状进行分析，列举常见的电气系统故障并归纳了常见诊断方法，强调了科学智能的自诊断方法的必要性，并分析了基于支持向量机和基于压缩感知理论算法的两种诊断方法对建筑电气系统故障进行分类并判断，满足了建筑电气系统中故障诊断的工程应用要求。

关键词：建筑电气系统；电气故障；故障诊断；支持向量机算法；压缩感知理论算法 文献标识码：A

中图分类号：TM743 文章编号：1009-2374（2016）08-0107-02 DOI：10.13535/j.cnki.11-4406/n.2016.08.055

1 概述

近年来，随着人们对建筑物提出更加安全与方便的要求，建筑电气系统趋于更加庞大复杂，传统的人工检测也无法再满足建筑电气系统的故障检查。因为建筑电气系统故障一旦发生，将给人们的生命和财产带来不可预测的风险和威胁，同时还可能引发一系列火灾等事故，因此建筑电气系统故障的诊断已经成为我们所关注的最重要的问题之一。故障诊断技术也从最开始的人工检测和简单的仪表测量故障位置的阶段到利用计算机和传感器等结合的技术的诊断阶段，一直到今日逐步流行的智能检测和诊断阶段，其智能化和高效率也有了巨大的飞跃。虽然其诊断技术仍然处于发展阶段，尤其在中国，建筑电气系统的智能故障诊断技术起步较晚，但其稳定性和高效率已经得到了验证和巨大的应用前景，已如火如荼地发展起来。在此背景下，一系列智能化的建筑电气系统故障诊断方法也随着科学技术的发展应运而生，如利用人工神经网络算法、支持向量机算法、压缩感知等算法已应用于故障诊断方法中。

2 建筑电气系统常见故障及常见诊断方法

建筑电气故障发生的类型比较多，一旦发生，不仅对人们的生命和财产造成巨大的威胁和损失，同时还会引发火灾等无法预料的灾祸，因此其前期预测和诊断的重要性不言而喻。而究其原因一般有短路、断路、接地、谐波、电气设备与电气元件损坏等。建筑物的电气故障类型主要有电气线路故障、防雷接地系统故障、设备和元件故障以及电气照明故障等。表1对这些常见故障及其原因和危害进行了总结。

针对以上常见故障，目前常见的故障诊断方法主要分为三类：

基于信号的处理方法：该方法主要是利用检测到的信号获得系统时域和频域的特征，然后进行故障分析，该方法实现简单，不必建立数学模型，但精确度不高，且一般只有在故障发生有比较明显特征时才能检测到信号，只能做前期初步粗略判断。主要方法有基于信号模态的方法和小波变换法。

基于解析模型的方法：对诊断设备建立数学模型，能够检测出一些未知故障，因此其特征检测有特有的敏感性，但在应用上因难以建立数学模型而有所限制，主要方法有参数估计方法、状态估计方法、等价空间方法等。

基于知识的诊断方法：根据先验信息，如人类专家的经验，系统固有的知识系统实现系统的故障诊断，并通过算法让系统实现自学习，实现智能化的故障诊断和检测，其神经网络诊断方法是目前炙手可热的研究方法。对于建筑电气系统故障识别简单的流程框图如图1所示：

3 基于支持向量机的故障诊断算法

故障诊断问题实际上是一个分类识别问题，即将每个故障状态（包括正常状态）进行分类，找出各状态对应类别，完成故障识别。而支持向量机作为一种机器学习算法，其工作方式是找到一个最优超平面将两类样本完全分开，最大的优势是在小样本数据采集的情况，能够实现很好的分类，对于实际电气系统中采集典型故障样本数据非常有限的情况有较强的适应性。

支持向量机应用于电气故障诊断的主要流程是：首先要提取数据或者是电气系统的样本，然后将样本进行预处理，包括数据归一化处理，接着将预处理后的样本数据分为训练集和测试集两部分，设置模型参数，先对训练集训练支持向量机（SVM），最后将训练得到的模型对测试集进行分类判断，得到诊断结果。

根据实验平台以及实际建筑物中的常见故障，假定将故障类型分为连续性故障、绝缘电阻过小、线路阻抗故障、接地电阻异常，那么加上正常状态一共有5类诊断状态。这时采用支持向量机（SVM）的算法训练分类模型，构造分类器。再采用样本数据进行测试该SVM模型，检验该分类器的准确率。对于将SVM与BP神经网络对比分析，支持向量机算法（SVM）主要有以下三个优点：（1）SVM综合考虑模型的复杂性和学习能力进行折衷，解决了神经网络算法过学习的问题；（2）SVM输出相对稳定、速度快，能够在故障发生时及时做出诊断，实时性较好；（3）支持向量机（SVM）是基于结构风险最小化原理，所以对于建筑电气系统只能获取小样本的情况有更强的适应性和针对性。

这里尤其要注意的是，因为在实际建筑物的电气系统中故障出现的突发性较强，而且故障信号的采集也比较困难，那么对于很多的设备来说，如果对每一种故障都进行样本采集上百上千次是不实际的。所以，通常来说，典型的故障样本数据的获取是非常有限的，所以在这种情况下，支持向量机（SVM）相较于BP神经网络而言，能够实现在小样本情况下达到很好的分类结果，对于建筑电气故障诊断有很强的适应性和针对性。

4 基于压缩感知的故障诊断算法

压缩感知是近年来兴起的一种新的理论算法，受到了各个领域的关注，其核心是假设信号的稀疏性，那么低维观测信号（或者是下采样的信号）就能恢复到原始高维信号（原信号），利用该方法用于分类训练，从而对系统的故障进行诊断，达到很好的分类效果，满足了利用小样本数据达到诊断电气故障应用的需求。

4.1 训练样本组成完备字典

提取故障样本，然后利用聚类方法对故障样本分类，假定故障类别设置为k类，建立完备训练样本Ф，我们称其为完备字典。，其中是第i类故障的训练样本。

4.2 测试样本分类

因为训练样本字典是完备的，那么如果y属于第i类，仅用第i类样本数据可以表示测试样本，即向量X=中很多值都为0，也就是稀疏向量，称为对测试样本y进行稀疏分解。

为了对测试样本分类，只需对其进行求解稀疏向量，结合已训练的完备矩阵Ф，稀疏矩阵只与其测试样本有关的列向量有关，其系数也为非0值，对式（2）求最小化，可以得到其分类结果。

其故障诊断的分类流程是：首先提取故障特征的数据，构建一个训练样本矩阵，利用支持向量机（SVM）算法对其进行训练并建立完备的训练样本字典；然后输入测试样本，根据公式（2）计算得到X；最后计算残差项，得到残差项中的最小值所对应的标号i，即为该测试样本的类别。

5 结语

可以看出，近年来，建筑电气系统故障诊断已经引起了人们的大量关注。将故障诊断理论以及机器学习方法、新的理论如压缩感知引入建筑电气系统，并实现工程实际应用对于建筑电气系统的故障诊断有重大的意义。本文通过对两种故障诊断方法，基于支持向量机分类和基于压缩感知两种算法对建筑电气系统进行故障诊断，达到了很好的工程应用效果，但仍需在工程中进行实际应用，以判断其诊断效果和适用性情况。

参考文献

[1]吴茜，王亚慧.基于RBF与BP神经网络的建筑电气系统故障诊断比较研究[J].北京建筑工程学院学报，2012，28（4）.

[2]张龙，陈宸，韩宁，等.压缩感知理论中的建筑电气系统故障诊断[J].智能系统学报，2014，9（2）.

[3]王亚慧，张龙，韩宁，等.建筑电气系统故障诊断方法研究[J].计算机仿真，2014，31（2）.

作者简介：文充（1984-），河南临颍人，重庆市设计院工程师，硕士，研究方向：建筑电气。

（责任编辑：小 燕）