建筑電氣系統故障診斷方法研究

摘 要：近年來，建筑電氣系統的故障診斷方法，逐漸吸引了人們的注意，鑒于目前的形勢下，傳統的人工檢測方法已無法滿足現代社會發展的需求，在此背景下，電力系統故障診斷，智能診斷方法進行了深入的研究，在電力系統故障診斷的研究現狀，提出了智能診斷方法，并詳細解釋了電力系統故障診斷實驗技術的發展建設，促進了電力建設系統故障診斷方法的有效改進。

關鍵詞：建筑電氣；系統故障；診斷方法

1 建筑電氣系統故障診斷現狀分析

最近幾年，建筑電氣系統的診斷故障，已經引起了專家學者們的關注。并且在國內電力系統中的診斷技術已經實現了大范圍的應用。但在建筑行業的發展過程中，外部因素對電力系統故障診斷技術的影響還沒有實現。在科學和技術發展的背景下，建設行業應加強電力系統故障診斷技術在中國可持續發展過程中的應用，以避免安全事故的發生，提高施工質量。但由于電力系統和建筑行業在一個新的故障檢測技術的應用其復雜性應結合自身條件，提升技術水平，從而達到了最佳的診斷結果，提高診斷結果的準確性。

2 建筑電氣系統故障診斷存在的問題分析

在電氣故障診斷系統的建設如下：首先，在建筑行業建筑電氣系統的當前穩定仍無法滿足故障診斷的需要，在這種條件下，建筑行業的相關部門一定要采取適當的措施，以提高建筑物電氣系統的穩定性，確保診斷結果的準確性，對故障診斷電氣系統，它是基于根據故障診斷算法的電力系統上的結構不能滿足電力系統的要求提供了良好的條件診斷結果對精度的影響；第三，由于外部很多因素的影響，建筑電氣系統的故障診斷仍然是專家系統的維護方法將面臨的諸多挑戰，在實際應用過程中不能實現有效的創新，從而在建筑行業中的電氣系統故障診斷的穩定性逐漸突出，并且在某些程度上，它影響著故障診斷結果的準確性。從以上的探討分析，我們將看到，在電力系統故障診斷和建筑行業在實際工作過程中，仍然有不可忽視的一些問題，應給予高度重視，并且有效地做出相應的對策。

3 建筑電氣故障仿真平臺

其實本質上的故障診斷是在建筑電氣系統基于設定的故障，包括故障識別和故障診斷的映射模型。但是在構建系統中的很多故障，它的發生概率是隨機的，所以電故障仿真平臺的結構是在研究的基礎。針對在電氣故障自我診斷的常見問題，故障診斷的目的基于不同的工作狀態和對象的選擇。信號應該很容易診斷安裝在配電線路的關鍵電路設備，通過使用數據采集，采集異常信號故障特征提取，故障診斷方法，加工的技術數據輸入故障，故障類型識別算法可通過輸出和不同位置，及報警信息，并根據決策和控制的問題，更好地為它的平臺。交流電源220V，50Hz，變壓器轉換的15V直流輸出，對弱者保護板提供電力，在單向和三向保護弱保護板的動力系統，強電系統測試的主要部分，系統根據設定的由開關斷開22高壓系統故障關閉四種故障電阻處理，斷開的路徑，而封閉的是故障的相應部分。

4 小樣本SVM故障診斷

基于機器學習的數據是現代智能技術和機器學習的一個重要方面是根據系統的輸入和輸出中兩者之間的給定的訓練樣本已依賴性的估計，使得它能夠最大程度的準確地預測系統的行為。

對于機器學習，通常用損失函數L（y，y實際值）以表示所引起的機器輸出到預測實際價值的損失。損失函數的期望被定義為預期的危險或實際風險，如下式：

R（w）=∫L（y，y實際值）dP（x，y）（1）

而經驗風險則是訓練樣本的“平均損失”程度，即

Remp（w）=1/n∑ni=1L（y，y實際值）（2）

機器學習的目的，以盡量減少預期的風險（實際風險），從式（1），我們可以知道，這種風險是依靠于聯合概率P（x，y），所以這樣就很難真正出現的問題。因此，應用于傳統的學習方法和所謂的經驗風險最小化（ERM）的原理，即，通過學習算法（2）經驗風險Remp最小化（經驗風險僅在樣品到無窮加速的數目為接近預期的風險）。

這是基于風險管理的基本原理，并沒有感覺到預期風險最小化人工神經網絡，雖然在用于經驗風險最小化某種程度的支持，但是在誘導的促進成為更嚴重的缺陷。

根據其意思，期望風險與經驗風險這兩者之間，有著下面的關系：

R（w）≤Remp（w）+Φ（h/n）（3）

其中h是學習機的VC維（反映機器學習能力，該值越大，經驗風險越小），n是樣本數，Φ（h/n）代表置信范圍。

5 SVM在實驗平臺故障診斷中的應用

5.1 故障特征量的選擇與故障的分類

模擬實際住宅建筑中的常見故障用測試平臺來實現，此類型可以分為四種線路阻抗故障時，連續的故障，接地電阻，絕緣電阻太小，等等。除了正常狀態，還有五種狀態。

5.2 SVM模型的建立

支持向量機的精髓，是兩類問題，解決各類故障分類的問題，目前主要采取“一對一”，“一對多”的方法，SVM方法中的K類，對于決定自由電路圖等。所述的分類方法“一對一”的選擇。重要是由于相比，拒絕分級區分類精度小，每個SVM只考慮兩種類型的樣品，單SVM更易于培訓輸出模擬的結果表明：錯誤識別的總數的SVM算法0的識別率是100%。總之，可以判斷，該支持向量機算法能有效地正確診斷建筑電氣測試平臺的正確與錯誤。

5.3 SVM以神經網絡對故障診斷問題的比較

根據數據統計，在小樣本的情況下，雖然仿真結果的測試樣品的幾種方法是理想的，但BP網絡結構比較復雜，線性輸出還不能十分穩定，收斂速度也是不穩定，RBF網絡訓練誤差小，快速收斂，但從該點故障識別率，分類能力的提高仍是支撐向量機。

6 結束語

文章以電力系統故障實驗平臺為研究對象，將故障診斷理論引入電力系統結構，考慮到實際的施工環境，該系統具有一個突然故障系統，它是不現實的，進行了一百倍，這是不現實的每一個失敗的樣本收集。因此，將支持向量機算法作為一種故障診斷方法，并將其結果與實驗平臺進行比較。最后用BP神經網絡和RBF神經網絡進行對比分析研究。結果表明，支持向量機算法有以下幾點：由于支持向量機是尋求模型的復雜性和學習能力之間的最佳平衡，以避免一個多小時的神經網絡的風險。得益于支持向量機是尋求最佳的平衡性和學習能力之間的模型，以避免風險超過一個小時的神經網絡。SVM輸出穩定，分類速度快，不及時診斷的時候以、避免進一步的損失；神經網絡是基于經驗風險最小化（ERM）作為網絡優化的目標是無限大樣本漸近理論和支持向量機（SVM）是基于結構風險最小化原則，在小樣本，SVM具有更好的非線性映射和分類能力的提升。文章提出的故障診斷方法缺乏實際的推理和工程試驗，在實驗過程中取得了良好的效果，但這是有限的初步實驗室研究的理論，還必須嘗試測試的診斷結果和實際工作中的應用。

參考文獻

[1]周東華，葉銀忠.現代故障診斷與容錯控制[M].北京：清華大學出版社，2000.

[2]郭創新，等.電力系統故障診斷的研究現狀與發展趨勢[J].電力系統自動化，2004.

[3]張學工.關于統計學習理論與支持向量機[J].自動化學報，2000.

[4]田路，田干，張煒，等.基于支持向量機的渦輪泵故障診斷方法研究[J].控制工程，2007.

[5]鄭勇濤，劉玉樹.支持向量機解決多分類問題研究[J].計算機工程與應用，2005.