华盛论文咨询网

　　

　　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。

　　参考文献

　　[1]张栓柱.建筑电气系统故障诊断方法研究[J].造纸装备及材料，2021，50(2)：128–130.

　　[2]吉香辉.建筑电气系统故障诊断方法研究[J].建材与装饰，2020(18)：231，234.

　　[3]史良磊，关锦涛.建筑电气系统故障诊断方法研究[J].住宅与房地产，2020(5)：263.

　　[4]李麟.建筑电气系统故障诊断方法分析[J].中阿科技论坛(中英阿文)，2020(1)：61–64.

　　[5]吴坚.建筑电气系统故障诊断方法研究[J].中国新技术新产品，2019(22)：53–54.

　　[6]张龙.建筑电气系统故障诊断方法研究[D].北京：北京林业大学，2014.

　　《建筑电气系统故障诊断方法》来源：《建筑技术开发》，作者:董建杰 王晓鹏 宋凯 蔡利宏 杨云鹏