［摘要］如果建筑電氣系統(tǒng)出現(xiàn)故障，不僅會影響建筑使用者的正常生活，還可能引起火災進而威脅人員生命安全。研究了如何進行電氣系統(tǒng)故障診斷，分析電氣系統(tǒng)故障的類型，研究SVM和基于壓縮感知理論的診斷方法，幫助技術(shù)人員開拓診斷技術(shù)研究思路，提升建筑電氣系統(tǒng)的安全性。
建筑電氣系統(tǒng)的運行會受到很多因素的影響，導致電氣系統(tǒng)運行出現(xiàn)故障，進而影響建筑內(nèi)人員的正常用電。為了保障電氣系統(tǒng)的穩(wěn)定性，及時解決建筑電氣系統(tǒng)的問題，就需要利用相關技術(shù)快速診斷電氣系統(tǒng)故障，并及時進行調(diào)控。
1建筑電氣系統(tǒng)組成和分類
結(jié)合建筑電氣系統(tǒng)的電能特性，可將電氣系統(tǒng)大體分為強電系統(tǒng)和弱電系統(tǒng)，強電系統(tǒng)包括變配電系統(tǒng)、動力系統(tǒng)、照明系統(tǒng)以及防雷系統(tǒng)，弱點系統(tǒng)包括通信系統(tǒng)、廣播系統(tǒng)及天線系統(tǒng)。根據(jù)功能可分為以下幾種系統(tǒng)類型。（1）供配電系統(tǒng)。供配電系統(tǒng)包括建筑的發(fā)電系統(tǒng)、輸電系統(tǒng)、配電系統(tǒng)，能夠?qū)崿F(xiàn)電壓變換、電能分類和電力輸送的功能。（2）建筑弱電系統(tǒng)。一般而言，除動力系統(tǒng)、照明系統(tǒng)外，其他系統(tǒng)全部歸類為弱電系統(tǒng)，主要完成建筑內(nèi)的信號傳遞和信息交流。（3）動力系統(tǒng)。動力系統(tǒng)主要為建筑物內(nèi)的動力裝置供電，包括電梯傳動、空調(diào)、供暖設備、水泵等，動力系統(tǒng)中的設備主要將電能轉(zhuǎn)換為機械能輸出，保證機械設備正常工作。（4）照明系統(tǒng)。建筑的照明系統(tǒng)主要完成電能到光能的轉(zhuǎn)換，利用照明系統(tǒng)能給居住者提供舒適的生活環(huán)境，包括供電電源、電線、照明系統(tǒng)控制設備組成，可以完成對照明系統(tǒng)的光能分配。
2建筑電氣系統(tǒng)平臺故障分類
導致建筑電氣系統(tǒng)故障的原因較多，一旦出現(xiàn)故障將會對人員的安全產(chǎn)生嚴重威脅，比如由于觸電導致人員傷亡，或出現(xiàn)電氣設備損毀，導致火災威脅室內(nèi)安全。
2.1電氣系統(tǒng)線路故障
線路故障是電氣系統(tǒng)的主要故障，而且一旦線路出現(xiàn)故障，除了會導致觸電和停電等問題，還會由于絕緣燃燒引發(fā)火災。線路故障進一步分為架空線路故障和電纜線路故障。架空線路長期裸露在室外，直接受到風吹、雨淋、雷擊等環(huán)境因素影響，或者由于空氣濕度變化、溫度變化導致電路被腐蝕損壞。電纜可能出現(xiàn)絕緣擊穿、機械損傷、端頭污閃等故障。一些電氣電路由于局部負載過高，或者出現(xiàn)短路、基礎不良等問題，線路將會出現(xiàn)負載過高導致溫度升高、燒毀線路的絕緣、火災等問題。
2.2電氣照明故障
建筑的照明系統(tǒng)是建筑電氣系統(tǒng)中負載較高的部分，由于需經(jīng)常開閉，照明設備可能損壞，所以照明系統(tǒng)的故障出現(xiàn)概率較高，其故障可分為短路、斷路、漏電3類（表1）。
2.3電氣動力系統(tǒng)故障
建筑電氣系統(tǒng)中的動力系統(tǒng)可為整個建筑供電，包括變壓器、斷路器、電機、互感器等，容易出現(xiàn)局部過熱、局部放電等故障問題，經(jīng)過長期使用后，變壓器還會出現(xiàn)絕緣老化的情況，容易引起火災。電氣動力系統(tǒng)的斷路器可能會出現(xiàn)機械傳動機構(gòu)磨損失靈，或者由于氣密性降低導致斷路器不能正常使用，如出現(xiàn)拒分、誤跳、分閘誤閉鎖等。
2.4防雷接地故障
防雷接地系統(tǒng)是建筑物電氣系統(tǒng)中的關鍵部分，可確保建筑物遭遇雷擊之后將雷電電流導入大地，保護建筑內(nèi)部的人員、設備不受到雷擊影響。但是如果出現(xiàn)接地電網(wǎng)帶電、接地土壤電阻過高、接地電阻過大等問題，將會影響接地系統(tǒng)的正常工作。
2.5弱電控制系統(tǒng)故障
弱電控制系統(tǒng)主要以PLC和變頻器結(jié)合進行電氣系統(tǒng)的邏輯控制工作，PLC能儲存程序，也能定時完成相關計算工作，還可以進行邏輯運算、計數(shù)等控制，通過接收數(shù)據(jù)信號，可完成對電氣系統(tǒng)工作狀態(tài)的分析，進而輸出控制指令。
3基于向量機理論的故障診斷算法
3.1支持向量機（SVM）理論
支持向量機理論是指確定樣本之間的決策曲面，使不同類型的樣本之間獲得最大化的分類空隙，可進行回歸分析、信號處理和分類識別工作。該理論的基礎在于風險結(jié)構(gòu)的最小化原則，從而在有限條件下獲得學習問題的最優(yōu)解，也具有泛化推廣能力。應用該理論，可使用少量樣本完成對問題的分類，所以實用性強，并且工作效率較高。故障的診斷工作就是利用故障的表象完成對故障狀態(tài)的分類，找到系統(tǒng)故障所屬的類別，從而完成對故障的識別工作。使用支持向量機的工作方式，會專門找到最優(yōu)超平面來完成對兩類樣本的分類工作，找到每類數(shù)據(jù)之間平均距離最大，具有最大分類間距的超平面。
3.2應用SVM理論進行電氣故障分析的優(yōu)勢和可行性
現(xiàn)代智能技術(shù)大量使用機器學習技術(shù)，通過對數(shù)據(jù)和目標之間的輸出差值進行評估完成自我校正，經(jīng)過反復校正之后，最終建立起與人類思維相似的認知系統(tǒng)。使用神經(jīng)網(wǎng)絡技術(shù)時，需要有大量的訓練數(shù)據(jù)作為基礎才能完成故障分析系統(tǒng)建設，而且需要一定的訓練時間，而使用SVM算法能在小樣本情況下就完成對經(jīng)驗風險、置信范圍的綜合分析，從而控制期望風險。由于建筑物實際運行的過程中系統(tǒng)會受到很多因素的影響，導致電氣系統(tǒng)的故障具有明顯的突發(fā)性，因此，很難通過持續(xù)監(jiān)控獲得故障信號和數(shù)據(jù)，若進行深度學習，每一種故障問題均都需要上百種數(shù)據(jù)，但是系統(tǒng)中典型的故障數(shù)據(jù)比較少，并不能支持機器學習。因此，應使用SVM進行樣本數(shù)據(jù)分析，確保在小樣本的情況下也能完成分類工作，滿足故障診斷要求。
3.3SVM分類的算法和電氣故障診斷試驗
SVM采用小樣本學習法，試驗中收集了60組樣本數(shù)據(jù)，對線路阻抗故障E1、連續(xù)性故障E2、接地故障E3、絕緣故障E4、正常E5進行分析，每個樣本中都含有10個位置不同的故障信息特征箱梁，從中選擇45組樣本作為訓練樣本，其他15組樣本為測試樣本。試驗中，發(fā)現(xiàn)樣本數(shù)據(jù)的單位量有比較大的差別，為了減少復雜計算對學習速度的影響，避免特征向量對數(shù)據(jù)的影響，對所有的數(shù)據(jù)進行數(shù)據(jù)歸一化處理，所有原始數(shù)據(jù)被規(guī)整到0~1。之后使用K-CV法尋找最佳參數(shù)，設置選擇懲罰參數(shù)c的范圍為0.25~4，徑向基寬度參數(shù)σ的變化范圍為0.0625~4，之后對訓練集進行交叉驗證，獲得c為0.70699，σ為0.17668。之后將上述數(shù)值輸入SVM網(wǎng)絡中，并使用樣本數(shù)據(jù)測試。經(jīng)過測試，使用SVM算法對故障的識別率為100%，所以可確定SVM算法能夠正確做出診斷，以及完成對故障的模擬工作。并且SVM的輸出較穩(wěn)定，具有較快的分類速度，所以可在故障發(fā)生時迅速做出判斷，幫助系統(tǒng)執(zhí)行故障處理流程，可有效控制電氣系統(tǒng)的損失。相對而言，使用神經(jīng)網(wǎng)絡技術(shù)容易出現(xiàn)過學習的問題，而且需有大量的故障樣本支持模型訓練；使用SVM可實現(xiàn)結(jié)構(gòu)風險最小化，并且能實現(xiàn)非線性映射和泛化分類。
4基于壓縮感知理論的故障診斷算法
壓縮感知理論是目前一種全新的理論算法，大量應用在人臉識別、圖像處理等工作中，該理論的基礎是信號所具有的稀疏性，能夠使信號被壓縮，也可以進行信號的重構(gòu)，所以可將原始信號進行高緯度和低緯度的切換。在分類工作中，會議訓練樣本基本元素表達測試樣本，輸入待識別樣本和同類訓練樣本線性組合。
4.1壓縮感知故障診斷方法
故障診斷是一個分類過程。診斷過程中，會利用故障異常信號獲得故障的特征，再利用算法確定故障類型。在設計訓練樣本時，需要對故障進行分配，確定每個故障樣本為p維，之后建立p×1維列向量，建立樣本的訓練矩陣。如果給定樣本冊數(shù)數(shù)據(jù)為y，則該樣本的所屬類別未知，為了確定故障類型，就需要建立完備矩陣進行故障y的分類。
4.2稀疏表達分類故障診斷試驗
建立了基于稀疏表達分類算法的l1和l2分類器，重建信號時，要求稀疏矩陣構(gòu)建正交基底，并建立了支持SVM分類法的向量機。經(jīng)過分析，l2分類器在準確率上較高，并且對故障的分析速度和精度均與SVM算法接近，有利于及時發(fā)現(xiàn)和排除故障。
5結(jié)束語
使用SVM故障診斷模型對建筑物故障的診斷分析更加有效，可利用少量樣本數(shù)據(jù)完成診斷、分類和故障識別，相對神經(jīng)網(wǎng)絡技術(shù)具有一定的優(yōu)勢，在建筑電氣系統(tǒng)的故障判斷中有較好的診斷效果，適合建筑電氣工程故障診斷使用。使用壓縮感知理論進行分析，可形成對現(xiàn)有故障診斷的補充，有利于更早發(fā)現(xiàn)和排除故障。
參考文獻
[1]張栓柱.建筑電氣系統(tǒng)故障診斷方法研究[J].造紙裝備及材料，2021，50（2）：128–130.
[2]吉香輝.建筑電氣系統(tǒng)故障診斷方法研究[J].建材與裝飾，2020（18）：231，234.
[3]史良磊，關錦濤.建筑電氣系統(tǒng)故障診斷方法研究[J].住宅與房地產(chǎn)，2020（5）：263.
[4]李麟.建筑電氣系統(tǒng)故障診斷方法分析[J].中阿科技論壇（中英阿文），2020（1）：61–64.
[5]吳堅.建筑電氣系統(tǒng)故障診斷方法研究[J].中國新技術(shù)新產(chǎn)品，2019（22）：53–54.
[6]張龍.建筑電氣系統(tǒng)故障診斷方法研究[D].北京：北京林業(yè)大學，2014.
