摘要：随着经济社会的快速发展，城市化进程不断加快，高层建筑业越来越多，人们对于建筑品质和环境提出更高的要求。在建筑系统中，其核心技术就是建筑电气，它包括了景观照明、办公自动化、管理自动化、室内照明、建筑供配电等众多内容。由于建筑电气的规模逐渐变大，不同系统的联系越发亲密，结构日益复杂，造成建筑电气发生故障的几率持续增加。本文把电气系统故障的仿真平台作为研究主体，采用SVM作为诊断算法，对电气系统故障进行分析。
关键词：建筑电气系统；故障诊断
一、当前建筑电气系统检测和治理现状
故障诊断技术在建筑行业来讲，重点是针对电气设备而言的，由于电气系统是建筑施工的动力源泉，因此需要我们从设备正常运转角度去加大维护和保障力度。从现阶段来看，尽管建筑行业在工程质量和系统建设上的水平逐年提升，但是还没有形成完备的诊断和监测治理系统，这里既有客观因素，同时也有主观因素，这就需要我们在主观上去分析原因，尤其是要打破原有的思维观念，改变以前粗放的设备诊断方式，进一步创新方式方法，并从基础建设角度去不断完善提升，只有这样才能更好地避免设备事故，提高安全运转的效率，从而也为提高建筑施工质量提供有力保障。
二、基于支持向量机的故障诊断算法
2.1故障诊断问题实际上是一个分类识别问题，即将每个故障状态（包括正常状态）进行分类，找出各状态对应类别，完成故障识别。而支持向量机作为一种机器学习算法，其工作方式是找到一个最优超平面将两类样本完全分开，最大的优势是在小样本数据采集的情况，能够实现很好的分类，对于实际电气系统中采集典型故障样本数据非常有限的情况有较强的适应性。
支持向量机应用于电气故障诊断的主要流程是：首先要提取数据或者是电气系统的样本，然后将样本进行预处理，包括数据归一化处理，接着将预处理后的样本数据分为训练集和测试集两部分，设置模型参数，先对训练集训练支持向量机（SVM），最后将训练得到的模型对测试集进行分类判断，得到诊断结果。
2.2根据实验平台以及实际建筑物中的常见故障，假定将故障类型分为连续性故障、绝缘电阻过小、线路阻抗故障、接地电阻异常，那么加上正常状态一共有5类诊断状态。这时采用支持向量机（SVM）的算法训练分类模型，构造分类器。再采用样本数据进行测试该SVM模型，检验该分类器的准确率。对于将SVM与BP神经网络对比分析，支持向量机算法（SVM）主要有以下三个优点：（1）SVM综合考虑模型的复杂性和学习能力进行折衷，解决了神经网络算法过学习的问题；（2）SVM输出相对稳定、速度快，能够在故障发生时及时做出诊断，实时性较好；（3）支持向量机（SVM）是基于结构风险最小化原理，所以对于建筑电气系统只能获取小样本的情况有更强的适应性和针对性。
2.3这里尤其要注意的是，因为在实际建筑物的电气系统中故障出现的突发性较强，而且故障信号的采集也比较困难，那么对于很多的设备来说，如果对每一种故障都进行样本采集上百上千次是不实际的。所以，通常来说，典型的故障样本数据的获取是非常有限的，所以在这种情况下，支持向量机（SVM）相较于BP神经网络而言，能够实现在小样本情况下达到很好的分类结果，对于建筑电气故障诊断有很强的适应性和针对性。
三、建筑电气系统故障的仿真平台
建筑电气系统故障的仿真平台作为本文研究的重要实验主题，它的原产地在德国，综合了住宅建筑中低压配电系统中经常出现的低压电器装备，例如：RCD、熔断器、断路器、三相插座、单相插座等。
这种仿真平台电源供电是220V，50Hz的交流市电，通过变压器直接转变为15V输出，属于弱电保护板，弱电保护板可以对强电系统中的三项和单相系统实行保护。强电系统是实验的根本，系统经由故障设置板的22个开关闭合断开，控制系统四大阻值故障，22个点进行故障模拟，闭合代表相应的部分发生故障，反之，断开则代表是通路。
期刊文章分类查询,尽在期刊图书馆
四、SVM在故障诊断中的具体应用
4.1故障的分类
根据实验可以模拟出在实际住宅经常遇到的故障，故障的类型可以分为连续性障碍、绝缘电阻过小、线路阻碍故障和接地电阻异常四种情况，最后再加上正常的状态，所以在这边文章中一共有5类。
4.2SVM模型建立
支持向量机的本质就是为两分类问题进行构建的，在解决多种故障分类时，目前的方法主要有决策导向无环图、K类SVM法、“一对多”、“一对一”等。本文研究使用的方法是一对一类型，原因是一对多的精准度远低于一对一，而且它的拒绝分类面积小，每个SVM只允许2中样本，单个SVM则更加容易训练。
4.3诊断的结果和分析
支持向量机主要适用于小样本学习方法，本文在实验平台中共收集了60组样本数据，5种状态模式，即：连续性障碍、绝缘电阻过小、线路阻碍故障接地电阻异常和正常状态。每个样本中又包含10个故障信息分布在其他的位置，选择15组作为测试样本，剩下的45组进行训练。
根据实验中得出的参数构建SVM网络，对45组样本进行分类建筑模型，并输入测试样本诊断分类，输出的结果显示：SVM算法出现错判的几率为零，即识别率是100%。通过上述分析，可以得出SVM算法能正确有效的诊断电气实验平台中的故障问题。
4.4神经网络和SVM的对比
为了验证神经网络方法和SVM故障诊断间的差别，本文采用具有代表性的RBF网络和BP网络进行计算，选择与SVM一样的训练样本，其中BR网络的神经元数量是10，输出个数是5，根据公式计算，最后测试验证得出网络效果最佳时的隐含层节点数是15。
通过综合分析看出，虽然集中方法的效果都比较理想，但是RBF网络收敛快、误差小，BP网络输出不稳、结构复杂，且收敛速度慢，从推广分类和故障识别率来看，都比不上SVM。
五、SVM在实验平台故障诊断中的应用
5.1故障特征量的选择与故障的分类
模拟实际住宅建筑中的常见故障用测试平台来实现，此类型可以分为四种线路阻抗故障时，连续的故障，接地电阻，绝缘电阻太小，等等。除了正常状态，还有五种状态。
5.2SVM模型的建立
支持向量机的精髓，是两类问题，解决各类故障分类的问题，目前主要采取“一对一”，“一对多”的方法，SVM方法中的K类，对于决定自由电路图等。所述的分类方法“一对一”的选择。重要是由于相比，拒绝分级区分类精度小，每个SVM只考虑两种类型的样品，单SVM更易于培训输出模拟的结果表明：错误识别的总数的SVM算法0的识别率是100%。总之，可以判断，该支持向量机算法能有效地正确诊断建筑电气测试平台的正确与错误。
5.3SVM以神经网络对故障诊断问题的比较
根据数据统计，在小样本的情况下，虽然仿真结果的测试样品的几种方法是理想的，但BP网络结构比较复杂，线性输出还不能十分稳定，收敛速度也是不稳定，RBF网络训练误差小，快速收敛，但从该点故障识别率，分类能力的提高仍是支撑向量机。
结束语：
综上所述，本文以建筑电气系统故障为研究对象，把故障诊断引入到电气系统中，并考虑到实际环境，采用SVM作为诊断方法，通过实验得到满意的效果，最后和RBF和BP进行比较分析，得出SVM的一系列优点。实验证明，SVM在电气系统中具有重要的作用。在建筑工程中电气系统故障对于人们的生产生活会产生很大影响，所以施工企业应当制定质量管理制度，加强对企业员工的培训；通过过硬的技术，确保建筑电气的安全运行，保障广大人民生命财产的安全。
参考文献：
[1]王亚慧，张龙，韩宁.建筑电气系统故障诊断方法研究[J].计算机仿真，2016，02：436-440.
[2]张龙，陈宸，韩宁，王亚慧.压缩感知理论中的建筑电气系统故障诊断[J].智能系统学报，2017，02：204-209.
[3]吴茜，王亚慧.基于RBF与BP神经网络的建筑电气系统故障诊断比较研究[J].北京建筑工程学院学报，2017，04：42-47.
论文作者:刘峰
论文发表刊物:《河南电力》2019年1期
论文发表时间:2019/8/30
标签：故障论文; 样本论文; 向量论文; 系统论文; 建筑电气论文; 故障诊断论文; 神经网络论文; 《河南电力》2019年1期论文;