东莞市天安数码城有限公司
摘要：近些年，建筑电气系统的故障诊断措施，日益受到人们的关注，基于当前的实际情况，以往的人工检验方式已经不能符合时代发展的要求，在该背景下，对电力系统故障诊断中的自动诊断措施进入了详细的探究，并详细分析了电力系统故障诊断测试方式的开发建设，推进了电力系统创建故障诊断措施的全面改进。
关键词：建筑电气系统；故障诊断；方式方法；SVM模型；现状
在时代日益发展的大环境下，自动化建筑电气系统故障诊断措施慢慢获得了广泛的使用。可是在该前提下，为了促进建筑电气系统故障诊断措施的全面优化，需要相关研究人员整合现有资源，推进建筑电气系统故障诊断测试技术的深入研发，进而为建筑电气系统的稳定运作提供有力的环境。
期刊文章分类查询,尽在期刊图书馆
1、建筑电气系统故障诊断常见的问题研究
针对当前的具体状况来说，建筑电气系统故障诊断过程存在的不足主要体现在如下几点：首先，当前建筑电气系统运作的安全性依旧不能符合建筑产业故障诊断的要求，由此，在该背景下，需要建筑事业的有关部门一定要采用可行的方法提升本身建筑电气系统运作的安全性，且最终增加诊断结论的精准性，并以此为建筑事业诊断作业的正常进行奠定坚实的基础；其次，因为建筑电气系统故障诊断措施的建立是在电力系统的基础上实现的，所以造成其少数算法不能符合建筑电气系统故障诊断要求，最终导致其诊断结论的精准性受到严重的影响；最后，因为一些外部因素的干扰，建筑电气系统故障诊断措施中的专家系统措施维护上，依旧存在较大的挑战，就是在具体使用的时候，不能实现这一方式的全面创新，最终使得建筑产业在进行电气系统故障诊断处理的时候慢慢显现出稳定性降低的现象，并在较大程度上影响着故障诊断结论的精准性[1]。从上述的分析中不难发现，建筑电气系统故障诊断中依旧存在较多急需处理的问题，所以，建筑产业在具体工作进行时，需对这些问题引起足够的重视，并采取有效的措施来处理。
2、建筑电气仿真系统故障诊断原理
工程电气系统故障诊断事实上是依靠征兆集和故障集的映射形式，包含故障出现时的征兆提取以及故障状态的辨别[2]。因为建筑电气系统故障类型很多且存在随机性，因此，对以工程电气系统故障仿真系统为实验载体，对建筑物中常见的电气问题，包含接地系统问题、绝缘问题、供电系统接地问题等展开故障自诊断分析，根据不同故障运行情况的诊断目的及对象，选用最方便诊断的作业状态信号，在配电电路重要回路增设传感器，经过信息收集器等技术措施，采集故障过程中的异常数据，采集故障特点，将处理后的信息输入到故障诊断算法中，通过算法识别输出故障种类和故障部位，提示报警信息，并结合故障所在制定管理措施与维修方法。
3、小样本SVM问题诊断
依靠机器学习的信息是当前智能技术与机器学习的关键内容，是按照平台的输入与输出中二者之间给定的测试样本进行依赖性的评价，使其可以在最大限度上精准的预测平台的状况[3]。
针对机器学习，一般以损失函数L（y，y实际值）来代表所产生的机器输出至预测实际值的损失。损失函数的期望被定义成预期的危险和实际风险，其公式是：
R（w）= L（y，y实际值）dP（x，y）（1）
式中，R（w）是期望风险；P（x，y）是联合概率；L（y，y实际值）是损失函数。
其中经验风险就是测试样本的“平均损失”大小，为：
Remp（w）=1/n L（y，y实际值）（2）
式中，Remp（w）是经验风险；n是样本数；L（y，y实际值）是损失函数。
进行机械学习的主要目的在于，以尽可能降低预期的风险，通过式（1）不难发现，该种风险是基于联合概率P（x，y），因而就难以真正产生故障。所以，使用于以往的学习方式以及常见的ERM原理，即经过学习算法（2）经验风险Remp最小化[4]。
其实依靠风险控制的基本原理，并未出现预期风险最小化人工神经系统，尽管在很大程度上满足了经验风险最小，可是却引发推广性上非常严重的问题。
结合其意思得知，期望风险和经验风险这二者之间存在以下关系：
R（w）≤Remp（w）+Ф（h/n）（3）
式中，h为学习机的VC维；n为样本量；Ф（h/n）为置信区间。
4、SVM在实验系统故障诊断中的使用
4.1问题特征量的选用和故障类别
模拟具体住宅工程中的常见问题以测试系统来完成，该类型能够分成四种电路阻抗故障，即不间断的故障、接地故障、绝缘电阻过小、电路阻抗故障等。
4.2SVM模型的创建
支撑向量机的关键是对于两分类问题而建立的，处理各种故障分类的问题，当前重点采用“一对一”、“一对多”的措施，SVM方式中的K类，针对决定自由线路图等[5]。文章选择“一对多”的分类措施，这主要是由于“一对一”的分类准确度较“一对多”高，抵抗分类区小，且各个SVM仅思考两类样本，单独SVM更方便训练。
4.3SVM和神经系统对故障诊断情况的对比
为了证实SVM在小样本基础上与神经系统措施故障诊断间的特性差别，文章选择最常见的BP网络与RBF网络展开了计算，使用了和SVM一样的46组测试样本，其中，BP系统输入神经元数量是11个，输出神经元数量是4个，系统隐含层单元数的明确，采取经验式子m= +a求得，其中，m是隐含层节点数，n是输入层节点数，l是输出层单元数，a是1-11之中的常数[6]。结合实验验证，网络效果最佳是m为16。
5、结束语
文章以相关工程电气系统故障测试平台为探究对象，分析了把故障诊断理论融入工程电气系统中，而且思考在具体建筑物运作过程中，系统产生故障表现出的突发性，应对各种故障实施样本收集上百次，其是不现实的。所以，选择SVM算法当做故障诊断措施，并经过测试平台虚拟仿真获得了较为明显的效果。最后同BP网络、RBF神经网络展开比较研究，结果显示，SVM算法存在以下几点优势：首先，因为SVM是在模型的繁杂性与学习水平之间寻找最好折中，防止了神经系统经验风险太小时出现的“过学习”故障；其次，SVM输出可靠，分类迅速，可以在故障出现时及时进行识别，防止损失扩大化；最后，神经系统是基于经验风险最小化为系统完善目标，是在样本无穷大时的循序理论，而支撑向量机是根据系统风险最小化原理，对于小样本，SVM有明显的非线性映射及泛化分类功能。
参考文献
[1]王洪彬,唐昆明,徐瑞林,朱小军,李筱婧. 数字化变电站电子式互感器渐变性故障诊断方法研究[J]. 电力系统保护与控制,2013(24):53-58.
[2]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,2012(04):42-47.
[3]袁蕾,杜林,吴俊美,蔡华,杨舒,丁严. 基于模糊隶属函数的变压器多参量故障综合诊断方法[J]. 高压电器,2015(05):35-42.
[4]刘正春,赵霞,王勇,孙涛. 某防空武器系统综合电气故障诊断专家系统设计方法[J]. 火力与指挥控制,2014(06):158-160.
[5]高松,刘志刚,徐建芳,何士玉,高仕斌. 基于模型诊断和专家系统的牵引变压器故障诊断研究[J]. 铁道学报,2013(07):42-49.
[6]杨凯,张认成,杨建红,杜建华,陈首虹,涂然. 基于分形维数和支持向量机的串联电弧故障诊断方法[J]. 电工技术学报,2016(02):70-77.
论文作者:李武林
论文发表刊物:《防护工程》2017年第11期
论文发表时间:2017/9/18
标签：故障诊断论文; 系统论文; 故障论文; 建筑电气论文; 措施论文; 样本论文; 风险论文; 《防护工程》2017年第11期论文;