1、建筑电气系统故障诊断方法研究摘 要在现代化建筑中，电气系统出现故障的频率不断攀升，针对建筑电气系统中缺乏有效的故障诊断方法，考虑到在建筑实际运行中，典型的故障样本数据信息的获取数量极其有限，为此，采用“支持向量机算法” ，简称是 SVM，运用电气故障模拟平台，建立其故障诊断模型，分别对 5 中故障形态进行分类，这种情况下，仿真结果出现错判的几率为零。最后对比人工神经网络诊断方法，经过研究表明，SVM 不但在小样本诊断下有效，同样适用于泛化分类和非线性映射，对工程实际应用的效果更好。 关键词故障诊断；建筑电气系统；SVM 中图分类号：TP277 文献标识码：A 文章编号：1009-914X（20
2、15）03-0142-01 随着经济社会的快速发展，城市化进程不断加快，高层建筑业越来越多，人们对于建筑品质和环境提出更高的要求。在建筑系统中，其核心技术就是建筑电气，它包括了景观照明、办公自动化、管理自动化、室内照明、建筑供配电等众多内容。由于建筑电气的规模逐渐变大，不同系统的联系越发亲密，结构日益复杂，造成建筑电气发生故障的几率持续增加。本文把电气系统故障的仿真平台作为研究主体，采用 SVM 作为诊断算法，对电气系统故障进行分析。 一、电气仿真平台的故障诊断主要原理 建立电气系统的故障诊断，本质上是根据征兆集的映射模式，包括发生故障前的征兆提取和对故障出现状态的识别。因为建筑电气系统出现故
3、障具有随机性且种类繁多，所以建筑了电气故障仿真平台当做实验基地，对经常出现的故障进行诊断研究，其主要包括绝缘故障、接地系统故障等。 按照不同故障的诊断对象和目的，选取最适合的状态信号，在配电线回路上安装传感器，再由数据采集技术，收集异常信号，得出故障特征1。把处理过后的数据，输入诊断算法，经过计算输出故障位置和故障类型，进行警报提示，及时查找问题源头，作出控制和维修措施。 二、小样本 SVM 的进行的故障诊断 现代智能技术是数据机器学习的重要方面，机器学习的主要目的就是根据固定的训练样本估计系统输入和输出之间的依赖关系，使他能对系统行为作出准确的预测。 经过研究表明，神经网络算法仅仅是追求最小
4、化的风险，所以它需要大量的数据去保证机器学习的性能，使经验中的风险更加接近于现实生活会遇到的风险，但是经验风险最小化并不是指期望风险小，会使机器学习无法保证它的泛化能力2。SVM 算法却可以在小样本下，考虑置信范围和经验风险，把函数集组成函数子集序列，让每个子集按照 VC 的大小进行排列，并且寻找每个子集中最小的经验风险，折中考虑置信界限和经验风险，把实际中的风险降到最小。 在具体的运行中，设备出现故障经常是突发的，故障信号常常可遇不可求，对于传统设备来说，典型故障数据信息的获取是极其有限的，所以，转而选择 SVM 作为故障诊断的算法，因为其在小样本状况下，依旧可以很好地实现推广分类的目的。
5、三、建筑电气系统故障的仿真平台 建筑电气系统故障的仿真平台作为本文研究的重要实验主题，它的原产地在德国，综合了住宅建筑中低压配电系统中经常出现的低压电器装备，例如：RCD、熔断器、断路器、三相插座、单相插座等。 这种仿真平台电源供电是 220V，50Hz 的交流市电，通过变压器直接转变为 15V 输出，属于弱电保护板，弱电保护板可以对强电系统中的三项和单相系统实行保护3。强电系统是实验的根本，系统经由故障设置板的 22 个开关闭合断开，控制系统四大阻值故障，22 个点进行故障模拟，闭合代表相应的部分发生故障，反之，断开则代表是通路。 四、SVM 在故障诊断中的具体应用 （一）故障的分类 根据实
6、验可以模拟出在实际住宅经常遇到的故障，故障的类型可以分为连续性障碍、绝缘电阻过小、线路阻碍故障和接地电阻异常四种情况，最后再加上正常的状态，所以在这边文章中一共有 5 类。 （二）SVM 模型建立 支持向量机的本质就是为两分类问题进行构建的，在解决多种故障分类时，目前的方法主要有决策导向无环图、K 类 SVM 法、 “一对多” 、“一对一”等4。本文研究使用的方法是一对一类型，原因是一对多的精准度远低于一对一，而且它的拒绝分类面积小，每个 SVM 只允许 2 中样本，单个 SVM 则更加容易训练。 （三） 诊断的结果和分析 支持向量机主要适用于小样本学习方法，本文在实验平台中共收集了 60 组
7、样本数据，5 种状态模式，即：连续性障碍、绝缘电阻过小、线路阻碍故障接地电阻异常和正常状态。每个样本中又包含 10 个故障信息分布在其他的位置，选择 15 组作为测试样本，剩下的 45 组进行训练。 根据实验中得出的参数构建 SVM 网络，对 45 组样本进行分类建筑模型，并输入测试样本诊断分类，输出的结果显示：SVM 算法出现错判的几率为零，即识别率是 100%。通过上述分析，可以得出 SVM 算法能正确有效的诊断电气实验平台中的故障问题5。 （四）神经网络和 SVM 的对比 为了验证神经网络方法和 SVM 故障诊断间的差别，本文采用具有代表性的 RBF 网络和 BP 网络进行计算，选择与
8、SVM 一样的训练样本，其中BR 网络的神经元数量是 10，输出个数是 5，根据公式计算，最后测试验证得出网络效果最佳时的隐含层节点数是 15。 通过综合分析看出，虽然集中方法的效果都比较理想，但是 RBF 网络收敛快、误差小，BP 网络输出不稳、结构复杂，且收敛速度慢，从推广分类和故障识别率来看，都比不上 SVM。 综上所述，本文以建筑电气系统故障为研究对象，把故障诊断引入到电气系统中，并考虑到实际环境，采用 SVM 作为诊断方法，通过实验得到满意的效果，最后和 RBF 和 BP 进行比较分析，得出 SVM 的一系列优点。实验证明，SVM 在电气系统中具有重要的作用。 参考文献 1 王亚慧，
9、张龙，韩宁.建筑电气系统故障诊断方法研究J.计算机仿真，2014，02：436-440. 2 张龙，陈宸，韩宁，王亚慧.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，2014，02：204-209. 3 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，2012，04：42-47. 4 丰少伟，梁远华，邵成明.基于 BP 神经网络的武器装备电气系统故障诊断方法研究J.武汉理工大学学报（交通科学与工程版） ，2013，02：366-368. 5 陆陆，徐正国，王文海，孙优贤.列车运行控制系统故障诊断方法研究J.铁道通信信号，2011，05：44-46.
