基于神經網絡的建筑照明電纜線路故障識別方法

閆峰

（黑龍江省寒地建筑科學研究院，哈爾濱 150080）

0 引言

造成建筑照明電纜線路故障的主要原因點，其一為自然故障，建筑中用戶用電高峰時段，照明電纜線路在運行中宜出現超負荷的運行狀態，此時電纜線路將出現電流效應，承載電流的電纜線路溫度驟然升高，絕緣層將被瞬時熱量燒毀，最終導致線路故障。其二為外力故障，當老舊建筑在改造維修時，施工方會由于操作不當，觸碰到建筑中的既有電纜線路，而線路被損壞或故障時，施工方沒有及時發現或沒有及時采取有效措施進行治理與維修，導致建筑照明電纜線路在運行中存在安全隱患，增加線路故障的發生概率。其三為電纜線路接頭位置故障［1］，由于民居建筑的照明系統覆蓋范圍較大，所有的照明裝置都由電線電纜連接，而施工方或設計方在此種條件下沒有做好對接頭的優化設計，導致電纜接頭在使用一段時間后，出現松動、老化、絕緣性能劣化等方面問題，此種問題會導致電纜接頭在運行中面臨炸裂危險，最終造成線路大規模故障。其四為環境故障，建筑照明電纜線路的運行極易受到環境因素的影響，尤其是環境濕度較高的建筑區域，發生線路短路、絕緣層擊穿的故障概率，會遠遠大于環境濕度適中的建筑區域。為實現對建筑中電纜線路故障的精準、高效識別，提供居民用戶更加良好的照明服務體驗，文中將引進神經網絡設計一種線路故障的識別方法。

1 基于神經網絡的建筑照明電纜線路故障識別方法

1.1 建筑照明電纜線路故障特征類別劃分

為實現對建筑照明電纜線路故障的精準識別，應在開展相關研究，對電纜線路故障按照其特征進行類別劃分［2］。例如，當建筑照明電纜線路中的輸電線路發生故障時，線路對應的相位電流將出現差突變化，當故障排除后線路又回到正常運行狀態時，對應的相位電流差突變量將回歸于0［3］。將相位電流差突變量表示為I，對I的描述可以用下述計算公式表示。

式中，IA、IB、IC分別表示為三相輸電線路。提取IA、IB、IC在故障前后的數值，并通過上述計算公式，即可得到電流差突變量特征值。并且按照上述方式，來提取建筑照明電纜線路中的短路故障特征值、開路故障特征值，將其表示為D，對應的D=ΔIA，ΔIB，ΔIC，…，基于此方式，完成建筑照明電纜線路故障特征類別劃分。

1.2 基于神經網絡的故障特征訓練

為縮小故障識別的范圍，在完成上述研究后，引進神經網絡，對文中所提取的故障特征值進行訓練。所選的神經網絡為RBF 網絡，此網絡屬于一個3層架構網絡，分別由輸入層、鏡像層、輸出層3 層構成［4］。在使用此神經網絡進行特征值訓練時，需要建立一個訓練樣本矩陣與故障值輸出矩陣，將兩者表示為U與T，對U與T的描述可用下述計算公式表示：

式中，XM為訓練樣本中的最大值；xm為故障值輸出最大值。在神經網絡前端輸入XM與xm，對其進行迭代處理，對訓練樣本進行壓縮。此時，網絡將主動進行數組中神經元的提取，提取的神經元中要包括至少5個神經因子，分別為＞3個的故障神經因子與＞2個的正常神經因子，建立5個因子之間的神經元連接，以此種方式，可以初步形成一個基于故障矩陣的故障因素挖掘模型［5］。所選擇的神經因子數量越多，對潛在故障的挖掘就越準確。可在此過程中，定義兩種因子表示為w 與g，對因子w 與因子g 的迭代處理過程，可用下述計算公式表示。

式中，y 為神經網絡迭代處理數據的過程；w 為輸入層的輸入值矢量，也稱正常神經因子；g為輸出層的輸出值矢量，也稱故障神經因子；T為迭代訓練處理所需時長；i為神經網絡層數；j為輸入層的高斯基函數；m 為誤差函數；z 為迭代訓練或學習規模；σ 為目標訓練次數；x為目標訓練值。按照上述方式，獲取訓練過程中的相關數值，將數值進行離散化處理，將處理后的數值按照其特征屬性進行類別劃分，代入式（3）中后，輸出訓練結果，以此種方式，實現基于神經網絡的故障特征訓練。

1.3 基于GRU的線路故障診斷與識別

完成上述研究后，引進GRU 網絡，對建筑照明電纜線路故障進行診斷與識別。建立GRU 網絡故障分類器，將數組中的AE數據作為網絡輸入值，輸入故障值的迭代處理。將迭代后的數據導入GRU 網絡中的隱含層，將其與全連接層進行連接。根據建筑照明電纜線路可能在運行中出現的所有故障形式，進行線路故障的預測與電路運行狀態的評估［6］。并對可能造成建筑照明電纜線路故障的網絡節點進行擾動離散，離散后的數據將根據其概率分布與梯度值，進行歸一化處理，處理過程如式（4）所示。

式中，si為對故障離散數據的歸一化處理過程；V為全連接網絡節點。驅動網絡后，在PSCAD中進行建筑照明電纜線路的運行，將集成在線路兩端的傳感器反饋信號進行主動獲取，獲取的信號包括電流信號與電壓信號。使用AE 編碼方式，對獲取的信號進行特征編碼，掌握數據樣本的標記方式后，將樣本數據進行打亂處理，處理后將其劃分為兩個組別，分別為數據集樣本與測試集樣本，將訓練集合中的數據樣本進行前向傳播，計算在傳播過程中的數據損失量。計算公式如下：

式中，K 為訓練集合中的數據樣本在傳播過程中的損失量；η為網絡傳輸激活函數；W0為有效傳播量；H為網絡傳輸距離。

按照上述計算公式，得到樣本數據在網絡傳輸中的損失量，得到損失量后，根據數值進行網絡中數據的補償，根據補償后輸出的數據匹配結果，進行診斷與識別故障結果的輸出。按照此種方式，實現對建筑照明電纜線路故障的診斷與識別。

2 對比實驗

為了驗證文中提出的基于神經網絡的建筑照明電纜線路故障識別方法的實際應用性能，以某既有建筑工程為例，應用文中設計的線路故障識別方法，展開對比實驗的研究。

根據該建筑項目的電力管理方反饋，該建筑中的用戶用電高峰時段在每天的18：00～22：00，且由于該建筑所在地區屬于老舊建筑，從建成投入使用至今已有20 余年，因此，建筑照明電纜線路故障事件頻發。每次發生此類線路故障，都需要質監方人工采取措施進行處線路隱患排查，此種處理方法不僅具有效率低、耗時長等問題，還會在檢修中增加不必要的人力投入。盡管后續工程方花費了大量資金引進信息化技術與智能化技術輔助建筑照明電纜線路故障識別、定位與檢測，但均未能在實際應用中取得顯著成果。為此，下述將以文中設計的方法為例，進行此方法在建筑照明電纜線路故障中應用的檢驗。選擇既有建筑中照明電纜線路某段故障電路作為識別對象，繪制故障電路簡圖，如圖1所示。

圖1 某建筑照明電纜線路故障電路簡圖

圖1 中（1）和（2）為建筑照明電纜線路的兩處故障；1～10表示為建筑照明電纜線路編號。為實現對此故障的可視化感知，在電路模型中的輸入端與輸出端進行計算機通信對接，并在建筑照明電纜線路中安裝電流傳感器。為確保部署的實驗環境可以滿足試驗的真實需求，選擇INTGHU-12000型號的inter處理器與Ge-Forectiu-U-5000 型號的英偉達服務器作為支撐計算機設備的主要硬件，處理器的有效內存為128.0GB，運行內存為4.0GB，將硬件按照其運行需求部署在OS-7.0操作系統中。

將文中設計的建筑照明電纜線路故障識別方法與計算機設備進行通信對接，調試儀器設備后，啟動線路運行監控。接收反饋信號，將反饋的信號呈現在計算機顯示器屏幕上。經過測試后發現顯示屏所呈現的信號完整、連續，說明文中設計的方法可以實現對建筑照明電纜線路的監測。

在證明設計方法具有可用性后，選擇基于MFCC特征與GMM技術的建筑照明電纜線路故障識別方法作為傳統方法。

在使用文中方法進行線路故障識別時，需要先調用歷史數據庫，進行建筑照明電纜線路故障特征類別的劃分，匹配研究的電纜線路故障電路，使用神經網絡進行故障特征的迭代訓練，最后基于GRU完成對線路故障的診斷與識別。

在使用傳統方法進行線路故障識別時，應先使用MFCC 技術進行建筑照明電纜線路故障獲取，掌握故障情況的基礎特征后，使用GMM 技術對故障值進行訓練，經過多次訓練與迭代，輸出故障最小范圍，匹配故障最小范圍與文中研究的電纜線路故障電路，完成對故障的識別與定位。

使用兩種識別方法，對文中研究的電纜線路故障電路進行故障識別。將兩種方法反饋的識別結果呈現在計算機顯示屏上，截取異常信號波段，基于文中方法的電纜線路故障電路異常信號波段如圖2 所示，基于傳統方法的電纜線路故障電路異常信號波段如圖3所示。

圖2 基于文中方法的電纜線路故障電路異常信號波段

圖3 基于傳統方法的電纜線路故障電路異常信號波段

從圖2 與圖3 所示的實驗結果可以看出，兩種方法所呈現的故障電路異常信號波段，均在7～8編號的線路段存在明顯異常，說明兩種方法都可以實現對建筑照明電纜線路故障的識別。為了進一步證明文中方法的優勢，對兩種方法的故障識別訓練過程進行分析，從計算機的系統終端獲取故障識別結果的訓練過程，如圖4所示。

圖4 兩種故障識別方法的訓練過程

從圖4 所示的實驗結果中可以看出，文中方法在3800 次迭代后，得到精準的故障識別結果，傳統方法在6000次迭代后，得到精準的故障識別結果。當單次迭代訓練處理所需的時間相同時，文中方法可以快速得到故障識別結果。由此可以得出對比試驗的最終結論：相比基于MFCC 特征與GMM 技術的識別方法，文中設計的基于神經網絡的建筑照明電纜線路故障識別方法，不僅可以實現對故障電纜線路的精準識別，還可以有效提升識別效率。

3 結語

照明工程是建筑工程項目在建設與施工中的重點工程項目，也是優化、完善民居建筑環境的分項工程之一。為了提供建筑內部居住群體更加良好的用電照明服務，施工方一直在加大對建筑照明設計與施工的投入。與此同時，在此項工程逐步落實的中，建筑照明水平逐年提升，相關建筑照明的基礎設施也越來越完善。但隨著建筑結構的復雜化，建筑照明電纜線路出現故障的次數與頻率也呈現一種增加趨勢。為解決此方面問題，提高建筑照明服務的連續性與可靠性，文中從建筑照明電纜線路故障特征類別劃分、基于神經網絡的故障特征訓練、基于GRU的線路故障診斷與識別三個方面，開展了基于神經網絡的建筑照明電纜線路故障識別方法設計研究。并在完成研究后，通過對比實驗證明了文中設計的方法，不僅可以實現對故障電纜線路的精準識別，還可以有效提升識別效率。以此種方式，為建筑后續運維管理工作提供進一步的指導與幫助。