33900519780201**** 浙江杭州
[摘要]如果建筑电气系统出现故障,不仅会影响建筑使用者的正常生活,还可能引起火灾进而威胁人员生命安全。研究了如何进行电气系统故障诊断,分析电气系统故障的类型,研究SVM和基于压缩感知理论的诊断方法,帮助技术人员开拓诊断技术研究思路,提升建筑电气系统的安全性。
[关键词]建筑;电气系统;故障
建筑电气系统的运行会受到很多因素的影响,导致电气系统运行出现故障,进而影响建筑内人员的正常用电。为了保障电气系统的稳定性,及时解决建筑电气系统的问题,就需要利用相关技术快速诊断电气系统故障,并及时进行调控。
1建筑电气系统组成和分类
结合建筑电气系统的电能特性,可将电气系统大体分为强电系统和弱电系统,强电系统包括变配电系统、动力系统、照明系统以及防雷系统,弱点系统包括通信系统、广播系统及天线系统。根据功能可分为以下几种系统类型。(1)供配电系统。供配电系统包括建筑的发电系统、输电系统、配电系统,能够实现电压变换、电能分类和电力输送的功能。(2)建筑弱电系统。一般而言,除动力系统、照明系统外,其他系统全部归类为弱电系统,主要完成建筑内的信号传递和信息交流。(3)动力系统。动力系统主要为建筑物内的动力装置供电,包括电梯传动、空调、供暖设备、水泵等,动力系统中的设备主要将电能转换为机械能输出,保证机械设备正常工作。(4)照明系统。建筑的照明系统主要完成电能到光能的转换,利用照明系统能给居住者提供舒适的生活环境,包括供电电源、电线、照明系统控制设备组成,可以完成对照明系统的光能分配。
2建筑电气系统平台故障分类
导致建筑电气系统故障的原因较多,一旦出现故障将会对人员的安全产生严重威胁,比如由于触电导致人员伤亡,或出现电气设备损毁,导致火灾威胁室内安全。
2.1电气系统线路故障
线路故障是电气系统的主要故障,而且一旦线路出现故障,除了会导致触电和停电等问题,还会由于绝缘燃烧引发火灾。线路故障进一步分为架空线路故障和电缆线路故障。架空线路长期裸露在室外,直接受到风吹、雨淋、雷击等环境因素影响,或者由于空气湿度变化、温度变化导致电路被腐蚀损坏。电缆可能出现绝缘击穿、机械损伤、端头污闪等故障。一些电气电路由于局部负载过高,或者出现短路、基础不良等问题,线路将会出现负载过高导致温度升高、烧毁线路的绝缘、火灾等问题。
2.2电气照明故障
建筑的照明系统是建筑电气系统中负载较高的部分,由于需经常开闭,照明设备可能损坏,所以照明系统的故障出现概率较高,其故障可分为短路、断路、漏电3类(表1)。
2.3电气动力系统故障
建筑电气系统中的动力系统可为整个建筑供电,包括变压器、断路器、电机、互感器等,容易出现局部过热、局部放电等故障问题,经过长期使用后,变压器还会出现绝缘老化的情况,容易引起火灾。电气动力系统的断路器可能会出现机械传动机构磨损失灵,或者由于气密性降低导致断路器不能正常使用,如出现拒分、误跳、分闸误闭锁等。
2.4防雷接地故障
防雷接地系统是建筑物电气系统中的关键部分,可确保建筑物遭遇雷击之后将雷电电流导入大地,保护建筑内部的人员、设备不受到雷击影响。但是如果出现接地电网带电、接地土壤电阻过高、接地电阻过大等问题,将会影响接地系统的正常工作。
2.5弱电控制系统故障
弱电控制系统主要以PLC和变频器结合进行电气系统的逻辑控制工作,PLC能储存程序,也能定时完成相关计算工作,还可以进行逻辑运算、计数等控制,通过接收数据信号,可完成对电气系统工作状态的分析,进而输出控制指令。
3基于向量机理论的故障诊断算法
3.1支持向量机(SVM)理论
支持向量机理论是指确定样本之间的决策曲面,使不同类型的样本之间获得最大化的分类空隙,可进行回归分析、信号处理和分类识别工作。该理论的基础在于风险结构的最小化原则,从而在有限条件下获得学习问题的最优解,也具有泛化推广能力。应用该理论,可使用少量样本完成对问题的分类,所以实用性强,并且工作效率较高。故障的诊断工作就是利用故障的表象完成对故障状态的分类,找到系统故障所属的类别,从而完成对故障的识别工作。使用支持向量机的工作方式,会专门找到最优超平面来完成对两类样本的分类工作,找到每类数据之间平均距离最大,具有最大分类间距的超平面。
3.2应用SVM理论进行电气故障分析的优势和可行性
现代智能技术大量使用机器学习技术,通过对数据和目标之间的输出差值进行评估完成自我校正,经过反复校正之后,最终建立起与人类思维相似的认知系统。使用神经网络技术时,需要有大量的训练数据作为基础才能完成故障分析系统建设,而且需要一定的训练时间,而使用SVM算法能在小样本情况下就完成对经验风险、置信范围的综合分析,从而控制期望风险。由于建筑物实际运行的过程中系统会受到很多因素的影响,导致电气系统的故障具有明显的突发性,因此,很难通过持续监控获得故障信号和数据,若进行深度学习,每一种故障问题均都需要上百种数据,但是系统中典型的故障数据比较少,并不能支持机器学习。因此,应使用SVM进行样本数据分析,确保在小样本的情况下也能完成分类工作,满足故障诊断要求。
3.3SVM分类的算法和电气故障诊断试验
SVM采用小样本学习法,试验中收集了60组样本数据,对线路阻抗故障E1、连续性故障E2、接地故障E3、绝缘故障E4、正常E5进行分析,每个样本中都含有10个位置不同的故障信息特征箱梁,从中选择45组样本作为训练样本,其他15组样本为测试样本。试验中,发现样本数据的单位量有比较大的差别,为了减少复杂计算对学习速度的影响,避免特征向量对数据的影响,对所有的数据进行数据归一化处理,所有原始数据被规整到0~1。之后使用K-CV法寻找最佳参数,设置选择惩罚参数c的范围为0.25~4,径向基宽度参数σ的变化范围为0.0625~4,之后对训练集进行交叉验证,获得c为0.70699,σ为0.17668。之后将上述数值输入SVM网络中,并使用样本数据测试。经过测试,使用SVM算法对故障的识别率为100%,所以可确定SVM算法能够正确做出诊断,以及完成对故障的模拟工作。并且SVM的输出较稳定,具有较快的分类速度,所以可在故障发生时迅速做出判断,帮助系统执行故障处理流程,可有效控制电气系统的损失。相对而言,使用神经网络技术容易出现过学习的问题,而且需有大量的故障样本支持模型训练;使用SVM可实现结构风险最小化,并且能实现非线性映射和泛化分类。
4基于压缩感知理论的故障诊断算法
压缩感知理论是目前一种全新的理论算法,大量应用在人脸识别、图像处理等工作中,该理论的基础是信号所具有的稀疏性,能够使信号被压缩,也可以进行信号的重构,所以可将原始信号进行高纬度和低纬度的切换。在分类工作中,会议训练样本基本元素表达测试样本,输入待识别样本和同类训练样本线性组合。
4.1压缩感知故障诊断方法
故障诊断是一个分类过程。诊断过程中,会利用故障异常信号获得故障的特征,再利用算法确定故障类型。在设计训练样本时,需要对故障进行分配,确定每个故障样本为p维,之后建立p×1维列向量,建立样本的训练矩阵。如果给定样本册数数据为y,则该样本的所属类别未知,为了确定故障类型,就需要建立完备矩阵进行故障y的分类。
4.2稀疏表达分类故障诊断试验
建立了基于稀疏表达分类算法的l1和l2分类器,重建信号时,要求稀疏矩阵构建正交基底,并建立了支持SVM分类法的向量机。经过分析,l2分类器在准确率上较高,并且对故障的分析速度和精度均与SVM算法接近,有利于及时发现和排除故障。
5结束语
使用SVM故障诊断模型对建筑物故障的诊断分析更加有效,可利用少量样本数据完成诊断、分类和故障识别,相对神经网络技术具有一定的优势,在建筑电气系统的故障判断中有较好的诊断效果,适合建筑电气工程故障诊断使用。使用压缩感知理论进行分析,可形成对现有故障诊断的补充,有利于更早发现和排除故障。