(广东铭星电力工程有限公司 528200)
摘要：建筑电气作为建筑系统的重要组成部分，涉及面广泛，不仅包括室内照明、建筑动力设备、管理自动化，还包括建筑供配电、办公自动化与会外景观照明，具有建筑结构复杂的特点。因此为确保建筑电气系统安全稳定运行，提高系统故障诊断的精确性，有关技术人员必须按照规定要求，充分运用已有的诊断技术对系统运行故障进行诊断，为有关决策提供参考。文章主要研究了建筑电气系统诊断方法，以供参考完善。
关键词：建筑电气系统；系统故障；诊断方法
最近几年，建筑电气系统的诊断故障，已经引起了专家学者们的关注。并且在国内电力系统中的诊断技术已经实现了大范围的应用。但在建筑行业的发展过程中，外部因素对电力系统故障诊断技术的影响还没有实现。在科学和技术发展的背景下，建设行业应加强电力系统故障诊断技术在中国可持续发展过程中的应用，以避免安全事故的发生，提高施工质量。但由于电力系统和建筑行业在一个新的故障检测技术的应用其复杂性应结合自身条件，提升技术水平，从而达到了最佳的诊断结果，提高诊断结果的准确性。
1.建筑电气系统故障诊断存在的问题分析
在电气故障诊断系统的建设如下：首先，在建筑行业建筑电气系统的当前稳定仍无法满足故障诊断的需要，在这种条件下，建筑行业的相关部门一定要采取适当的措施，以提高建筑物电气系统的稳定性，确保诊断结果的准确性，对故障诊断电气系统，它是基于根据故障诊断算法的电力系统上的结构不能满足电力系统的要求提供了良好的条件诊断结果对精度的影响；第三，由于外部很多因素的影响，建筑电气系统的故障诊断仍然是专家系统的维护方法将面临的诸多挑战，在实际应用过程中不能实现有效的创新，从而在建筑行业中的电气系统故障诊断的稳定性逐渐突出，并且在某些程度上，它影响着故障诊断结果的准确性。从以上的探讨分析，我们将看到，在电力系统故障诊断和建筑行业在实际工作过程中，仍然有不可忽视的一些问题，应给予高度重视，并且有效地做出相应的对策。
2.建筑电气仿真平台故障诊断原理
建筑电气系统故障诊断实质上是基于征兆集/故障集的映射模式，包括故障发生时的征兆提取和故障状态的识别。由于建筑电气系统故障种类繁多且发生机率随机，所以以建筑电气故障仿真平台为实验基础，对建筑物中常有的电气故障，包括接地系统故障、绝缘故障、配电系统接地故障等进行故障自诊断研究，按照不同故障工作状态的诊断目的和对象，选择最便于诊断的工作状态信号(电压、电流或者电阻值)，在配电线路关键回路加装传感器，通过数据采集器等技术手段，收集故障时异常信号，提取故障特征，将处理后的数据输入故障诊断算法，经过算法判别输出故障类型及故障位置，提示报警信息，以及根据问题所在提出控制措施和维修决策。
3.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：
图1 建筑电气故障识别系统框图
2.1神经网络方法
神经网络方法主要包括BP网络与RBF网络计算方法，其中BP网络作为一种多层前馈神经网络，能够将输入层、隐藏层与输出层结合起来，形成一个上下层无缝连接的神经元，这样系统在选取训练样本时，能够将神经元录入到BP网络中，经过处理后变成6代表6类诊断状态，以提高测试样本的仿真效果。而RBF网络计算是在建立模型过程中，增加隐含层的节点与个数，直到与预先设定的数值吻合，再测试训练结果，从而提高测试结果的准确性。
2.2支持向量机理论故障诊断法
支持向量机理论的故障诊断法又称为SVM。按照使用方法不同，支持向量机理论的故障诊断法可划分为4种类型：一对一、一对多、决策导向无环图与K类SVM法。与人工神经网络方法的使用不同，该诊断方法是一种以统计学校理论为基础，建立在VC维理论与结构风险最小原则基础上的机器学习方法。作用是将预处理后的样本数据分成两部分：训练集与测试集，然后设定相应的模型参数，通过训练集训练SVM，以获得模型数据信息，再通过这些模型信息判断测试集，最终获得诊断结果。该诊断方法的应用，因其自身具有较强的实用性，能够有效解决小样本情况下的分类问题，识别率达1000Ic，被应用到小样本中，得到认可。例如支持向量机理论故障诊断方法在变压器故障诊断中的应用，按照欧式聚类原理，采用C#语言编写一个欧式距离计算器，将变压器的五种已知类别状态样本（低能放电、高能放电、中低温过热、高温过热与正常）输入到数据库中，通过程序处理变压器状态原始数据，调整各数据信息，将正常状态设定为+1，强故障状态设定为-1，然后对运行的训练集与测试集进行计算，一旦支持向量机训练数据显示-11:0.992:0.99……即可判断为变压器有故障。
2.3信号处理方法
该诊断方法主要是利用检测信号，通过多种渠道来获得系统时域与频域中的幅值、频率与方差等特征值，然后通过分析特征值与故障之间的关系，判断出故障原因。信号处理诊断法因其自身具有操作方便、灵活性较强，在建筑电气系统故障的初步粗略判断中得到应用。但是由于在使用过程中，对技术运用与环境影响要求极高，因此有关技术人员必须结合外界因素对系统故障诊断的影响，才能提升系统诊断的精确性。
结论
文章以电力系统故障实验平台为研究对象，将故障诊断理论引入电力系统结构，考虑到实际的施工环境，该系统具有一个突然故障系统，它是不现实的，进行了一百倍，这是不现实的每一个失败的样本收集。因此，将支持向量机算法作为一种故障诊断方法，并将其结果与实验平台进行比较。最后用BP神经网络和RBF神经网络进行对比分析研究。结果表明，支持向量机算法有以下几点：由于支持向量机是寻求模型的复杂性和学习能力之间的最佳平衡，以避免一个多小时的神经网络的风险。得益于支持向量机是寻求最佳的平衡性和学习能力之间的模型，以避免风险超过一个小时的神经网络。SVM输出稳定，分类速度快，不及时诊断的时候以、避免进一步的损失；神经网络是基于经验风险最小化（ERM）作为网络优化的目标是无限大样本渐近理论和支持向量机（SVM）是基于结构风险最小化原则，在小样本，SVM具有更好的非线性映射和分类能力的提升。文章提出的故障诊断方法缺乏实际的推理和工程试验，在实验过程中取得了良好的效果，但这是有限的初步实验室研究的理论，还必须尝试测试的诊断结果和实际工作中的应用。
参考文献:
[1]周东华，叶银忠.现代故障诊断与容错控制[M].北京：清华大学出版社，2000.
[2]郭创新，等.电力系统故障诊断的研究现状与发展趋势[J].电力系统自动化，2004.
[3]张学工.关于统计学习理论与支持向量机[J].自动化学报，2000.
[4]田路，田干，张炜，等.基于支持向量机的涡轮泵故障诊断方法研究[J].控制工程，2007.
论文作者:梁红丽
论文发表刊物:《电力设备》2018年第17期
论文发表时间:2018/11/11
标签：故障诊断论文; 故障论文; 方法论文; 系统论文; 向量论文; 建筑电气论文; 神经网络论文; 《电力设备》2018年第17期论文;