智能算法在建筑电气故障诊断中的应用

2018-11-14□□

建材技术与应用 2018年4期

□□

(山西建筑职业技术学院，山西太原 030006)

引言

建筑电气为建筑提供能源和动力分配，主要分为强电和弱电两部分。强电部分主要由变配电系统、照明系统、动力系统、防雷和接地系统组成。变配电系统由变压设备、各种低压配电设备组成，将符合要求的电压和电能分配给用户；照明系统由各种照明灯具、照明电光源和照明线路组成，根据不同建筑物的功能要求，保证安全、可靠、稳定供电；动力系统主要有锅炉、水泵、空气调节装置、电梯等动力设备和供电线路；防雷和接地系统中，防雷装置将雷电引入大地，保护建筑物免受雷击，接地装置使建筑物内用电设备不带电的金属部分接地，保证用电设备和人身安全。弱电部分主要由电视系统、公共广播系统、安防系统和消防联动系统组成。电视系统由各种放大器、分配器、分支器以及相关接口等组成，实现实况播放、录像重播等内容；公共广播系统包括公共场所的音乐广播、会议广播以及各种紧急事件的广播等；安防系统由前端、传输、处理/控制和记录/显示设备组成，完成实时监控，形象真实地反映被监控对象，甚至在恶劣环境中长期监视，并通过存储设备记录等；消防联动系统主要由各种传感器组成，一旦建筑物发生火灾，相应的设备会发出警报，通知人员疏散，启动消防水泵，打开排烟风机，以减少人员和财产损失[1]。

建筑电气对于整个建筑物建筑功能的发挥、建筑布置和构造的选择、建筑艺术的体现、建筑管理的灵活性以及建筑安全的保障等方面都起着重要的作用。建筑电气系统一旦发生故障，可能会造成巨大的经济损失和安全事故。因此，需要及时快速地对故障发生的原因、位置和危害程度，做出正确科学的判断，以减小损失，减少维修成本。

1 建筑电气常见故障

建筑电气系统的常见故障主要有电气线路故障、照明系统故障、动力系统故障、弱电系统故障以及防雷接地系统故障等[2]。具体的故障现象和产生原因见表1。

表1 建筑电气系统常见的故障类型

2 建筑电气数据采集

数据采集技术广泛应用于各个领域，其核心是以计算机作为处理手段，利用各种传感器对信号进行监测，获得大量的实时数据。建筑电气系统的数据采集主要采集系统中的电压、电流、各种电气设备的温湿度及所处环境的状态特征、位置参数等，以实现能耗监控、电能质量检测、重要节点的电量监测等功能。对这些数据进行分类和分析，并利用这些数据正确判断建筑电气各个系统是否发生故障、故障发生的位置、故障影响的范围，进而降低事故发生的概率，减小故障的影响，最大限度地减少故障带来的损失，是每一名建筑电气工程师的主要任务。

3 支持向量机

支持向量机(Support Vector Machines，SVM)是Vapnik根据统计学习理论中结构风险最小化原则提出的一种分类和信号处理方法[3]。与其他智能算法相比，SVM在解决小样本、非线性及高维模式识别问题上具有简洁的数学形式和良好的泛化能力，几何解释直观，不仅可以避免陷入局部最优解，而且人为设定的参数也较少。

假设存在样本(x1，y1)，…，(xl，yl)，x∈Rn，y∈{+1，-1}，l为样本数，n为输入维数，线性可分的情况下必然会存在一个超平面使得这两类样本完全分开，即达到无错误地分开，同时可以满足分类间隔最大。

在应用支持向量机算法时，不同的核函数和分类方法会产生不同的效果。常用的核函数有q阶多项式(Polynomial)核函数、径向基(RBF)核函数、双曲正切(Sigmoid)核函数；常用的分类方法有一对多方法和一对一方法。本文根据样本的特点选择径向基(RBF)核函数、一对一的分类方法，每次只分类两类样本，构造一个子分类器，一共需要n(n-1)/2个[4]，使训练工作更加简单，更容易获得令人满意的效果。径向基核函数表达式见(1)式。

K(xi，x)=exp(-‖xi-x‖2/2σ2)

(1)

式中：x——核函数的中心；σ——核函数的宽度参数，控制径向作用范围。

4 基于支持向量机的建筑电气故障诊断模型

选择建筑电气系统中常见的四种故障，分别是绝缘故障、接地电阻故障、线路阻抗故障和连续性电阻异常，分别标记为1、2、3、4；另外增加序号5代表不属于这四种故障类型，而属于其他故障或正常情况。随着未来数据的不断扩充，对其他类型故障的发现和总结，可以继续增加故障类型，使故障类型的分类更加全面，故障判别更为科学合理。本文选择50组相关数据进行特征学习和分类测试，其中30组作为学习数据，剩余20组作为测试数据。需要注意的是，由于各种参数度量指标不统一，为了获得理想的分类效果，需要先把所有参数进行归一化处理，将所有指标规整至0～1，归一化的公式见(2)式。

(2)

式中：xmin——样本数据的最小值；xmax——样本数据的最大值。

通过测试，诊断结果如图1所示。

图1 建筑电气故障诊断结果对比

由图1可以看出，在20组测试数据中，错误诊断有2组，正确率为90%，如果增加测试样本，错误诊断的情况将会增加，可能会带来误判，导致不能做出及时的故障处理，达不到预期效果，甚至造成巨大的损失，因此需要对此模型进一步完善。

由于有些故障发生的原因相同，在如此多的参数中一定存在重复的内容，在测试之前，考虑对所有参数进行提炼，保留重要信息、过滤冗余信息，用主成分分析的方法，对此模型进行完善。主成分分析(Principal Component Analysis，PCA)是将存在一定相关性的原始数据重新生成一组不相关的新数据[4-7]，本文利用贡献率来选择重要内容，贡献率公式见(3)式，统计分析中要求所有参数贡献率达到0.85及以上才能作为最终分类数据。改进后的诊断结果如图2所示。

(3)

由图2可以看出，将原始数据重新精简提炼后，同样的20组测试数据中仅有一组数据出现错误诊断，诊断准确率明显提高，可达到95%，且由于所有信息都经过精炼，数据虽然变少却更有代表性，在缩短了诊断时间的同时，获得更加满意的诊断效果。为了使此模型更合理，后期可以增加训练样本种类，及时将不常见的故障类型也加入分类器中，这样就可以使分类工作更加科学全面，保证建筑电气系统能安全可靠地运行。