故障診斷技術(shù)及監(jiān)測方法在建筑電氣系統(tǒng)上的應用

馬曙光

（內(nèi)蒙古呼和浩特市建設(shè)工程質(zhì)量安全中心，內(nèi)蒙古 呼和浩特 010020）

現(xiàn)代建筑是一個復雜的系統(tǒng)工程，包含了結(jié)構(gòu)工程、給排水工程、電氣工程等。由于智能建筑技術(shù)的發(fā)展和建筑使用者對建筑功能的多樣化需求，不同的建筑物對建筑電氣系統(tǒng)的功能要求也不一致，導致建筑電氣系統(tǒng)也日益復雜化、多樣化。依靠以往的人工巡查和檢測，需要依賴于人工經(jīng)驗，自動化程度低，效率低下且浪費大量的人力，對于故障的診斷時效存在明顯不足。為保證建筑電氣能夠安全運行，有必要研究以智能化的監(jiān)測方法或手段診斷出故障位置，達到高效和經(jīng)濟的目的，預防由于建筑電氣超負荷運轉(zhuǎn)導致的短路、斷電、電氣火災等事故，以保證建筑電氣功能的實現(xiàn)和建筑使用者的安全，提供一個人性化的生活環(huán)境。

1 建筑電氣系統(tǒng)故障的監(jiān)測

建筑電氣系統(tǒng)主要分為供電系統(tǒng)和用電系統(tǒng)。其中供電系統(tǒng)是將電源輸送至用電設(shè)備；用電系統(tǒng)又可以細分為弱電系統(tǒng)、照明系統(tǒng)和動力系統(tǒng)，弱點系統(tǒng)由消防報警系統(tǒng)、電話通訊系統(tǒng)和有線電視組成，動力系統(tǒng)是指將建筑電梯、給排水水泵以及通風空調(diào)功能設(shè)備等，照明系統(tǒng)是滿足人們生產(chǎn)生活，提供光源和視覺環(huán)境的系統(tǒng)，主要為燈具照明。

由上可知，建筑電氣的故障分析受到多種因素的影響，目前尚未有一個適用于全面故障診斷的理論方法，但是對于一般的建筑電氣故障可以根據(jù)以往的建筑監(jiān)測檢測中進行總結(jié)，并作為機器學習的樣本。經(jīng)過大量的工程總結(jié)，對建筑電氣系統(tǒng)出現(xiàn)的故障進行監(jiān)測，監(jiān)測異?，F(xiàn)象主要可以分為以下6 類，如圖1 所示。

圖1 建筑電氣故障監(jiān)測

從圖1a 中可以看出，A 相發(fā)生單線接地故障時，其電壓出現(xiàn)明顯的下降，B 相和C 相的電壓則相反，其電壓幅值上升，但B 相和C 相的電流保持不變，而A 相的電流激增；從圖1b 中可以看出，A 相和B 相發(fā)生短路事故時，兩者的電壓相位發(fā)生變化，電壓線性發(fā)生畸變，在電流曲線上表現(xiàn)出激增，而C 相的電壓和電流均保持不變；從圖1c 中可以看出，A 相和B 相發(fā)生短路接地故障時，A 相、B 相和C 相的電壓出現(xiàn)畸變和激增，在電流上，A 相、B 相的電流明顯增加而C 相電流保持不變；從圖1d 中可以看出，A 相、B 相和C 相均發(fā)生短路故障時，電壓幅值明顯下降，而電路則激增十幾倍，出現(xiàn)此現(xiàn)象時，應立即斷電否則會對電氣設(shè)備產(chǎn)生不可逆的嚴重損害；從圖1e 中可以看出，A 相發(fā)生單箱缺相故障后，它的電流值直降至0，電壓也隨之上升，而B相和C 相的電壓和電流保持不變；從圖1f 中可以看出，A相、B 相和C 相均發(fā)生斷相故障時，三者的電流均直降至0，而電壓仍維持在原先的水平。

2 基于BP 神經(jīng)網(wǎng)絡(luò)法的建筑電氣故障診斷及實現(xiàn)

BP 神經(jīng)網(wǎng)絡(luò)算法是在仿生學基礎(chǔ)上發(fā)展出來的數(shù)學系統(tǒng)計算算法，它通過模擬生物的神經(jīng)信號傳遞過程對輸入信號進行學習訓練，并不斷地進行優(yōu)化隱藏層的權(quán)函數(shù)，以達到理想的參數(shù)輸出，為決策提供定量化和自動化計算的目的，它廣泛應用于工程管理、圖像優(yōu)化、計算機學習以及人工智能等領(lǐng)域。在建筑電氣領(lǐng)域，它可以應用于電氣故障排查和診斷、優(yōu)化電氣線路，為建筑電氣管理人員的決策提供依據(jù)。BP 神經(jīng)網(wǎng)絡(luò)的基本原理如圖2 所示，它是正向?qū)W習的及其學習方法，其層次主要分為3 層，分別為輸入層、隱藏層（可以為多個層級，如圖2 中所示，有兩層隱藏層）和輸出層。輸出層中包含了大量的訓練樣本，將其與訓練集中的樣本進行學習訓練，即經(jīng)過隱藏層的運算和傳遞，達到輸出層，輸出層參數(shù)結(jié)果與實際值進行對比，如果兩者出現(xiàn)誤差，則通過調(diào)整隱藏層的權(quán)函數(shù)值、閾值等，直到計算結(jié)果達到精度要求，即為期望的優(yōu)化結(jié)果。

對于圖1 中的輸入層參數(shù)假設(shè)為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，各個隱藏層的權(quán)值函數(shù)如方程（1）、方程（2）所示。

各個隱藏層的閾值可以用公式（3）、公式（4）所示。

輸出層參數(shù)結(jié)果與實際值的誤差如公式（5）所示。

對誤差求偏導，將偏導賦值為零即為得到各層的閾值函數(shù)，如公式（6）、公式（7）所示。

基于BP 神經(jīng)網(wǎng)絡(luò)法建立建筑電氣故障診斷模型，輸入?yún)?shù)分別為故障發(fā)生后的三相電壓值、三相電流值、三相電壓畸變率和三相電流畸變率，對110 個樣本進行學習，采用120 次的迭代，將訓練目標誤差設(shè)定為0.0035，得到診斷結(jié)果如圖3 所示。從圖中可以看出，在110 個樣本中，12 個樣本點的誤差偏離0，但誤差范圍在-1%～2%之間，得到的輸出結(jié)果與預期符合程度較好。

圖3 基于BP 神經(jīng)網(wǎng)絡(luò)法的建筑電氣故障診斷實現(xiàn)

3 基于ELM 極限學習機法的建筑電氣故障診斷及實現(xiàn)

盡管BP 神經(jīng)網(wǎng)絡(luò)法具有多隱藏層的結(jié)構(gòu)，加大了診斷計算能力，但是也存在著一些明顯的缺點，比如對學習率η 值敏感，導致計算結(jié)果收斂慢或者不容易收斂。因此在基于BP 神經(jīng)網(wǎng)絡(luò)算法的基礎(chǔ)上發(fā)展出了ELM 極限學習機法，它與BP 神經(jīng)網(wǎng)絡(luò)算法最大的不同是在中間隱藏層中具有不固定的隱藏層神經(jīng)元數(shù)目，在計算過程中可以不斷修改隱藏層神經(jīng)元的數(shù)目，以達到快速計算和全局最優(yōu)搜尋的目的。

同樣地，在ELM 極限學習機中，建立輸入層與隱藏層之間的權(quán)值函數(shù)如方程（8）所示、建立隱藏層與輸出層之前的權(quán)值函數(shù)如方程（9）所示。

設(shè)定輸入層參數(shù)假設(shè)為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，可以得到基于ELM 極限學習機法的計算輸出值，如方程（10）、方程（11）所示。

同樣地，基于ELM 極限學習機法采用仿真軟件建立建筑電氣故障診斷模型，輸入?yún)?shù)分別為故障發(fā)生后的三相電壓值、三相電流值、三相電壓畸變率和三相電流畸變率，對110 個樣本進行學習，采用120 次的迭代，得到診斷結(jié)果如圖4 所示。從圖中可以看出，在110 個樣本中，3 個樣本點的誤差偏離0，比BP 神經(jīng)網(wǎng)絡(luò)的計算誤差大大減小，但誤差范圍在-8%～2%之間，得到的輸出結(jié)果與預期符合程度較好。

圖4 基于ELM 極限學習機法的建筑電氣故障診斷及實現(xiàn)

4 BP 神經(jīng)網(wǎng)絡(luò)法與ELM 極限學習機法的對比分析

以內(nèi)蒙古呼和浩特市某安置房小區(qū)一期為研究對象，小區(qū)位于城區(qū)東北角區(qū)域核心商圈范圍，附近已有配套公用設(shè)施，交通便利。項目包含4 棟住宅樓，均為混凝土框剪結(jié)構(gòu)，樓棟地上建設(shè)15 層，地下建設(shè)1 層地下車庫，小區(qū)現(xiàn)有住戶130 戶，每戶建筑面積約98m2，根據(jù)設(shè)計規(guī)范，每個樓棟內(nèi)的電力設(shè)計負荷為15kW，使用三相線路進行供電，小區(qū)共配備了5 臺總配電箱。

分別基于BP 視神經(jīng)網(wǎng)絡(luò)法和ELM 極限學習機法對工程實例的建筑電氣故障建立仿真模型進行分析，得到仿真計算結(jié)果如表1 所示。

表1 不同算法的建筑電氣故障仿真計算結(jié)果

從表1 中可以看出，基于BP 視神經(jīng)網(wǎng)絡(luò)法在單相接地、單相缺相預測上存在較大的誤差，而ELM 極限學習法則在單相階地。兩相短路的預測上準確率相對較?。换贐P 視神經(jīng)網(wǎng)絡(luò)法的故障平均預測準確率明顯低于ELM 極限學習法的故障平均預測準確率，BP 視神經(jīng)網(wǎng)絡(luò)法的故障預測時間耗費0.475s，而于ELM 極限學習法的故障預測時間耗費0.202s，后者比前者的計算效率提高約一倍，因此在建筑電氣系統(tǒng)故障診斷中，可以優(yōu)先選用ELM 極限學習法。

5 結(jié)論

以內(nèi)蒙古呼和浩特市某安置房小區(qū)一期為依托，在研究建筑電氣故障事故的監(jiān)測基礎(chǔ)上，以此為機器學習樣本，基于BP 神經(jīng)網(wǎng)絡(luò)法和ELM 機器極限學習機法對建筑電氣故障進行診斷，得出以下幾個結(jié)論：

5.1 對建筑電氣系統(tǒng)出現(xiàn)的故障進行監(jiān)測，監(jiān)測異?，F(xiàn)象主要可以分為6 類，即單相接地故障、兩相短路接地故障、三相短路故障、兩相短路故障、單相缺相故障、三相缺相故障。

5.2 基于BP 視神經(jīng)網(wǎng)絡(luò)法在單相接地、單相缺相預測上存在較大的誤差，而ELM 極限學習法則在單相階地。兩相短路的預測上準確率相對較?。换贐P 視神經(jīng)網(wǎng)絡(luò)法的故障平均預測準確率明顯低于ELM 極限學習法的故障平均預測準確率，后者比前者的計算效率提高約一倍，因此在建筑電氣系統(tǒng)故障診斷中，可以優(yōu)先選用ELM 極限學習法。