新形勢下建筑電氣系統(tǒng)故障診斷方法研究

熊道輝

摘 要：建筑電氣系統(tǒng)的故障診斷問題在現(xiàn)代化建筑中發(fā)生的頻率比較高。如果在新的建筑工程質(zhì)量要求、新技術(shù)和新材料應(yīng)用的背景下沿用傳統(tǒng)的故障診斷方法排除故障，則已無法滿足實際要求。采用新的技術(shù)方法，比如支持向量機算法、模擬電氣故障硬件實驗?zāi)Ｐ汀⑸窠?jīng)網(wǎng)絡(luò)診斷方法等，可保證故障診斷的準確率和有效性，適合在建筑工程中推廣。

關(guān)鍵詞：電氣系統(tǒng)；故障診斷；電氣故障；RBF神經(jīng)網(wǎng)絡(luò)

中圖分類號：TU85 文獻標(biāo)識碼：A DOI：10.15913/j.cnki.kjycx.2016.24.095

建筑電氣發(fā)展到如今，已經(jīng)成為結(jié)構(gòu)復(fù)雜和關(guān)聯(lián)緊密的系統(tǒng)，但建筑電氣故障發(fā)生的概率也在不斷提高，因此，需要對建筑電氣故障診斷方法進行深入研究。

1 建筑電氣系統(tǒng)故障診斷方法

早期的建筑電氣故障依賴人工檢測和查找的方法進行故障排除。隨著現(xiàn)代科學(xué)技術(shù)的進步，智能故障系統(tǒng)開始被廣泛應(yīng)用，比如人工神經(jīng)網(wǎng)絡(luò)方法（BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、人工鋒群優(yōu)化神經(jīng)網(wǎng)絡(luò)方法）、支持向量機方法、小波變換法、壓縮感知方法等。

2 建筑電氣故障仿真平臺

仿真實驗對象是建筑電氣實驗臺MA2067，其模擬民用或工用建筑中的各種用電設(shè)備，使用Eurotest61557測量儀可對該實驗臺的故障進行檢測、定位和測量。該仿真平臺以常見的電氣裝置為實驗配置，包括斷路器、熔斷器、RCD等，該仿真平臺的內(nèi)部結(jié)構(gòu)包括220 V的電源、50 Hz的交流電，弱電保護系統(tǒng)為單相和三相，強電系統(tǒng)為主體實驗配置，通過開關(guān)的斷開閉合對阻值進行故障排查。 故障仿真實驗臺內(nèi)部邏輯結(jié)構(gòu)如圖1所示。

3 SVM方法分析

支持向量機（SVM）是基于統(tǒng)計學(xué)理論的新型機器學(xué)習(xí)方法，基于數(shù)據(jù)的機器學(xué)習(xí)給予訓(xùn)練樣本以系統(tǒng)輸入、輸出的依賴關(guān)系，通過非線性核函數(shù)，將輸入樣本空間映射到高維線性特征空間。具有處理非線性回歸問題的能力，且具有訓(xùn)練時間短、泛化能力強等優(yōu)點。

根據(jù)故障的特征分類，可以分為正常狀態(tài)（E1）、兩相相間短路故障（E2）、相對地短路故障（E3）、單相接地故障（E4）、三相不平衡故障（E5）、斷相故障（E6）。對不同測試位置的故障電阻值采用SVM特征分量的方法進行故障的排除，結(jié)果如表1所示。

SVM模型的建立是通過兩類問題而構(gòu)件的，支持向量機本質(zhì)上是為了解決多類故障問題，主要方法包括K類SVM法、決策導(dǎo)向無環(huán)圖等。目前，采用的主要包括一對一、一對多等分類方法。本文選用一對一分類方法，主要是因為一對一的精度較高、單個SVM容易訓(xùn)練。

基于SVM算法的建筑電氣系統(tǒng)模擬實驗平臺的故障流程為：①根據(jù)實驗收集到的故障數(shù)據(jù)樣本對支持向量機進行訓(xùn)練，用于驗證建筑電氣系統(tǒng)的故障狀態(tài)；②對實驗原始故障數(shù)據(jù)進行歸一化處理；③交叉驗證選擇SVM最優(yōu)核函數(shù)；④訓(xùn)練SVM故障診斷模型；⑤通過支持向量機分類算法判斷故障類型；⑥輸出診斷結(jié)果。

本次實驗平臺實測，支持向量機采集的數(shù)據(jù)包括了6組6種狀態(tài)的故障檢測結(jié)果，即正常狀態(tài)、兩相相間短路故障、相對地短路故障、單相接地故障、三相不平衡故障、斷相故障。每個故障信息特征經(jīng)過訓(xùn)練和測試得出了診斷樣本結(jié)果。利用K-CV法尋找到最佳參數(shù)，選擇懲罰參數(shù)對故障進行交叉驗證。

通過SVM算法的仿真平臺和分析方法對故障的錯判概率為0，識別率為100%.由此可見，SVM算法可以有效判斷和診斷建筑電氣故障，準確率極高。

4 神經(jīng)網(wǎng)絡(luò)方法

BP網(wǎng)絡(luò)和RBF網(wǎng)絡(luò)計算的神經(jīng)網(wǎng)絡(luò)方法故障診斷也是對建筑電氣故障進行排查的有效方法之一。

BP網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱藏層和輸出層，上、下層之間實現(xiàn)了全連接，同一層神經(jīng)元之間無連接。在進行訓(xùn)練樣本的選取時，將神經(jīng)元輸入BP網(wǎng)絡(luò)，輸出神經(jīng)元個數(shù)為6代表6類診斷狀態(tài)。

RBF網(wǎng)絡(luò)則在創(chuàng)建過程中增加了隱含層節(jié)點和個數(shù)，直至符合預(yù)先設(shè)定的誤差值。對訓(xùn)練結(jié)果進行測試，得出了測試結(jié)果。使用BP網(wǎng)絡(luò)的訓(xùn)練平均誤差為0.034 93，使用RBF網(wǎng)絡(luò)的訓(xùn)練平均誤差為0.004，使用BP網(wǎng)絡(luò)進行訓(xùn)練的步數(shù)為1 337，使用RBF網(wǎng)絡(luò)進行的訓(xùn)練步數(shù)為19；使用BP網(wǎng)絡(luò)錯判個數(shù)為3，使用RBF網(wǎng)絡(luò)錯判個數(shù)為2.

通過上述比較，雖然集中測試樣本的仿真效果都比較好，但BP網(wǎng)絡(luò)的構(gòu)建方法存在輸出不穩(wěn)定、收斂速度慢的缺點，而RBF網(wǎng)絡(luò)訓(xùn)練誤差較小、收斂較快。

5 改進方法

在進行設(shè)備檢測和故障數(shù)據(jù)收集、處理時，采集信號中不可避免地會夾雜一些噪聲；小波變換具有時域和頻域的局部變化，具有良好的自適應(yīng)性，可以對非平穩(wěn)信號進行有效分解。因此，在提取特征之前用小波變換進行消噪處理，可有效提高故障診斷的準確性。

從大量的數(shù)據(jù)樣本中提取相似的數(shù)據(jù)創(chuàng)建訓(xùn)練樣本，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，結(jié)合小波分解技術(shù)，采用支持向量機理論建模。實驗結(jié)果表明，相似數(shù)據(jù)有效地提高了數(shù)據(jù)的相關(guān)度，從而提高了故障診斷的精度。

基于壓縮感知理論的建筑電氣系統(tǒng)故障診斷方法的關(guān)鍵是將故障的分類歸結(jié)為一個求解待測樣本對于整體訓(xùn)練樣本的稀疏表示問題，可以達到很好的診斷效果。

傳統(tǒng)的SVM分類技術(shù)是通過求解凸規(guī)劃問題來獲得最優(yōu)分類面的，因為在求解過程中需要存儲一個很大的核矩陣，它不適合求解大規(guī)模問題。對于權(quán)向量投影多平面支持向量機（WMPSVM）方法，其學(xué)習(xí)速度比SVM快，且這種多平面分類器能有效地解決亦或（XOR）問題，值得在實驗、實踐工作中應(yīng)用。

6 結(jié)束語

本文通過建筑電氣系統(tǒng)故障實驗平臺，對系統(tǒng)出現(xiàn)的各類故障數(shù)據(jù)進行了采集和分析，并將故障診斷方法運用到了建筑電氣系統(tǒng)的故障診斷中。采用BP、RBF神經(jīng)網(wǎng)絡(luò)方法，通過對網(wǎng)絡(luò)的訓(xùn)練和測試，證明了網(wǎng)絡(luò)訓(xùn)練具有良好的效果。

傳統(tǒng)的計算學(xué)習(xí)方法遵循“經(jīng)驗風(fēng)險最小化”原則，但采用人工神經(jīng)網(wǎng)絡(luò)無法實現(xiàn)經(jīng)驗風(fēng)險的最小化。而通過機器學(xué)習(xí)的方法就可以得到經(jīng)驗風(fēng)險最小化，且趨近于期望風(fēng)險。因此，機器相比于人工神經(jīng)網(wǎng)絡(luò)，在經(jīng)驗風(fēng)險控制和置信范圍上都略勝一籌。

綜合比較而言，SVM算法具有復(fù)雜性學(xué)習(xí)能力的特點，可以將神經(jīng)網(wǎng)絡(luò)經(jīng)驗產(chǎn)生的“過學(xué)習(xí)”問題加以解決，且SVM方法的輸出穩(wěn)定、分類速度快，能有效避免故障診斷過程中受到損失。

當(dāng)前，一些最新的故障診斷（改進）方法也在本文中有所描述，值得在后續(xù)理論工作中持續(xù)改進以及在建筑電氣故障診斷工作中深入應(yīng)用。

參考文獻

[1]朱榮梁，馮凱.建筑電氣系統(tǒng)故障診斷方法研究[J].商品與質(zhì)量，2016（30）.

[2]劉光輝.小波消噪和人工蜂群優(yōu)化神經(jīng)網(wǎng)絡(luò)的建筑電氣故障診斷[J].電氣應(yīng)用，2015（10）.

〔編輯：張思楠〕