建筑电气实验平台的故障自诊断算法研究

建筑电气实验平台的故障自诊断算法研究

邹延庆

黑龙江轩宇建筑工程有限公司黑龙江150010

摘要：现代化建筑物中，电气故障发生的频率越来越高，针对目前建筑电气系统缺少有效诊断故障方法的问题，同时考虑到在建筑物实际运行环境中典型故障样本数据获取非常有限，因此采用支持向量机（简称SVM）算法，使用建筑电气故障模拟硬件实验平台数据建立了其故障诊断模型，对系统故障状态进行诊断分类，仿真结果错判总数为零。

关键词：建筑；电气系统；故障诊断

在整个建筑系统中，建筑电气是核心技术之一，它包括了建筑供配电、室内照明、户外景观照明、建筑动力设备、办公自动化及管理自动化等主要内容。建筑电气发展的规模越来越大，结构越来越复杂，不同子系统间的互联越来越紧密，也使得建筑电气故障发生几率大大增加。故障智能诊断技术已在机械、电力系统等领域发展得比较成熟，但在建筑电气方面还处于萌芽阶段，基本依靠人工检测查找故障原因。因此，建筑电气应用领域对于如何利用现代科学技术提升系统的可靠性及稳定性提出了更高的要求。

一、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。

二、小样本SVM故障诊断

基于数据的机器学习是现代智能技术中的重要方面，机器学习的目的是根据给定的训练样本求取系统输入、输出之间依赖关系的估计，使它能够对系统行为做出尽可能准确的预测。对于机器学习，通常用损失函数L(y，y实际值)来表示用机器输出对实际值进行预测而造成的损失。其中定义损失函数的期望为期望风险或实际风险，如下式:

机器学习的目的在于使期望风险(实际风险)最小化，然而从式中可知，求取期望风险需依赖联合概率P(x，y)，实际问题中很难计算。因此传统的学习方法中采用了所谓经验风险最小化(EＲM)原则，即通过学习算法使式(2)的经验风险Ｒemp最小化(经验风险只有在样本数无穷大时才趋近于期望风险)。人工神经网络便是基于EＲM原则，并没有实现期望风险最小化，虽然一定程度上满足了经验风险最小，但却造成推广性方面较为严重的缺陷。由于神经网络算法只是纯粹地追求经验风险最小化，因此需要大量样本数据才能保证学习机的性能，使经验风险接近于实际风险，但经验风险最小并不等于期望风险最小，不能保证机器学习的泛化能力。SVM算法则可在小样本情况下综合考虑经验风险和置信范围，将函数集构造成一个函数子集序列，使各个子集按VC维大小(即的大小)排列;在每个子集中寻找最小经验风险，在子集间折中考虑经验风险和置信界限，使得实际风险最小。在实际运行环境中，设备故障的出现具有突发性，故障信号往往是可遇不可求，对于大多数设备而言，典型故障的样本数据获取是非常有限的。因此，选择支持向量机作为故障诊断算法能够在小样本情况下很好地达到分类推广的目的。

三、建筑电气故障仿真平台

建筑电气故障仿真平台是本文实验室研究阶段的重要试验对象，其原产于德国，集合了住宅建筑物内部低压配电系统中常见的低压电气装置，如:断路器、熔断器、ＲCD(剩余电流保护器)、单向插座、三相插座等。该仿真平台的内部结构电源供电为220V，50Hz交流市电，由变压器转变为15V直流输出，为弱电保护板供电。弱电保护板对强电系统中的单相和三相系统进行保护。强电系统是该实验台主体，系统通过故障设置面板上的22个开关的断开闭合对强电系统中四大类阻值故障，22个故障位置进行模拟故障设置，断开即为通路，闭合即为相应部位故障发生。

四、SVM在实验平台故障诊断中的应用

1、故障特征量的选择与故障分类。根据实验平台能够模拟的实际住宅建筑物中的常见故障，故障类型可分为线路阻抗故障(E1)、连续性故障(E2)、接地电阻异常(E3)、绝缘电阻过小(E4)共4种，再加上正常状态(E5)，所以本文的诊断状态共有5类。通过采集实验平台10个不同测试位置的故障信息值(电阻值)作为SVM的特征分量。

2、SVM模型的建立。支持向量机本质是针对两分类问题而构建的，在解决多类故障分类的问题时，目前主要方法有“一对一”、“一对多”、K类SVM法、决策导向无环图等，一对一的分类方法，这主要是因为一对一的分类精度较一对多高，拒绝分类区小，且每个SVM只考虑两类样本，单个SVM更容易训练。针对上述5类诊断状态，构造SVM二值分类器共C2n=10个(n=5)，输入样本依次通过这10个二类分类器，每个分类器的输出看作相应类别得1票，得票最多的类别作为分类器的最终输出。

3、诊断结果及分析。支持向量机是针对小样本的学习方法，本文通过实验平台实测收集了样本数据共60组，5种状态模式(线路阻抗故障、连续性故障、接地电阻异常、绝缘电阻过小、正常)，每个样本含10个不同位置故障信息特征分量。其中选择45组样本进行训练，剩余15组作为测试样本。利用K－CV法寻找最佳参数σ、c，选择惩罚参数c的变化范围[2－2，22]，径向基宽度参数σ变化范围取[2－4，22]，将训练集分为5部分进行交叉验证，参数c和σ的步长均取为0.5。因此，可以得到在交叉验证方法下(这里训练集最高分类准确率=88%)最佳参数是c=0.70711，σ=0.17678。以参数建立SVM网络结构，对45组故障训练样本建立分类模型，最后输入测试样本进行分类诊断。仿真输出结果表明:SVM算法的错判总数为0，即识别率为100%。可以看到SVM算法可以有效和正确地诊断出建筑电气实验平台故障。

建筑电气系统故障实验平台为研究对象，提出了将故障诊断理论引入建筑电气系统，同时考虑到在实际建筑物运行环境中，系统出现故障具有突发性，要对每一种故障进行样本采集上百次，这是不现实的。因此，采用SVM算法作为故障诊断方法，并通过实验平台实例仿真得到了比较满意的效果。

参考文献

[1]姚小龙，谢欣荣.浅谈建筑电气系统故障设计与实现[J].计算机工程，2014，（2）.

[2]黄慕雄.高校教学型虚拟实验室建设的现状与建议[J].电化教育研究，2015（9）.

[3]郭创新.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，2014，(1).