1、光源与照明 总第 176 期 2023 年 1 月 照明电气183建筑电气系统故障诊断及其问题解决章 安金融街控股股份有限公司，北京 100033摘要：文章主要研究建筑电气系统的故障诊断方法，分析了用于建筑电气系统故障诊断的三类典型方法：信号分析方法、解析模型方法和人工智能算法，阐述了建筑电气系统故障诊断存在的问题及对策。文章以建筑电气系统作为研究的切入点，从理论层面入手展开分析，可以为建筑电气系统的故障诊断和未来发展提供参考。关键词：建筑电气系统；故障诊断；信号分析；解析模型；人工智能分类号：TU850引言建筑电气系统属于建筑用电管理系统，主要包括强电和弱电系统。前者主要包括电力设备、变配电
2、设备、照明设备、防雷接地设备等部分，后者包括楼宇智能系统、办公自动化系统、通信系统等部分。建筑电气系统一旦出现故障，就会阻碍设备的正常运行，导致数据的大量丢失，甚至可能导致人身伤害1。随着智能建筑的全面发展，人们对智能建筑电气系统的发展有着更加严格的要求，涉及系统的可靠性、稳定性及安全性。随着电气系统日益复杂，针对建筑电气系统故障进行诊断时，模式识别和故障特征提取的效果决定了诊断结果的可靠性和有效性，并决定了诊断的速度和准确性。传统故障诊断方法的速度和精度都无法满足用户的实际需求，需要加大对故障诊断方法的研究力度2。1建筑电气系统故障诊断方法1.1 信号分析方法信号分析方法建立在信号分析的基础
3、上，可以对故障进行诊断，有助于提高信号传输的准确性和存储效率，可以充分展现被诊断信号中存在的感兴趣分量，避免后期模型无法顺利建立的问题。在日常运用期间，需要针对不同途径得到的诊断信号展开分析，同时结合信号和故障存在的联系，针对现有故障做出合理判断。在建筑电气系统故障诊断中，信号分析方法包括小波变换法（WT）、数学形态学法（MM）、经验模式分解法（EMD）等方法3。1.1.1 小波变换法1909 年，研究人员首次提出小波变换法，即 Haar小波（HW）。该方法可以实现信号的深入分析，有离散小波变换和连续小波变换两种形式。只要顺利建立小波函数，就可以快速匹配现有的故障特征，同时特征的提取也可以获得
4、显著的效果。许多研究人员使用小波变换法诊断了建筑电气系统的故障。例如，基于离散小波变换进行输电线路故障类型分类和定位时，故障诊断的准确率可达到100%，故障定位的平均误差为 1.2 km；在混合系统中使用小波变换法时，对线性和非线性负荷的诊断误差最大为 0.18%，小波变换法对串联电弧故障的诊断效果良好；基于离散小波变换和连续小波变换进行配电系统架空线路高阻抗故障诊断时，可以快速诊断出高阻抗故障，有效率超过 90%，而且可以顺利诊断出线路中的电容器切换故障4。1.1.2 数学形态学法应用数学形态学法，可以修改信号形状，借助信号和交点可以得到有效交换，在实现图像处理的同时，实现故障诊断。许多研究
5、人员使用数学形态学法诊断了建筑电气系统的故障。例如，基于形态学法解决地下电缆早期故障难以诊断的问题，形态学法可以准确诊断故障或由操作失误导致的瞬态故障，结合故障特征可以快速发现早期故障的存在，由此可以准确诊断地下电缆存在的故障，和空载变压器、电容器组开关引起的干扰；基于数学形态学理论，可以实现对线路故障的准确定位，通过潜在的暂态电压和电流信号，可以快速获取相关特征，和多分辨率形态梯度进行充分对比，可以降低噪声，对故障所在的位置进行准确定位；应用数作者简介：章安，男，本科，工程师，研究方向为房地产开发。文章编号：2096-9317（2023）01-0183-03 照明电气 2023 年 第 1
6、期 总第 176 期 光源与照明184学形态学法对线路故障进行诊断，可以在第一时间获取故障特征，同时实现故障的合理划分，该方法大大降低了诊断的难度，对于计算中存在的干扰具有良好的免疫效果，如 DDC 参数和噪声等，线路 1/4 范围内的故障可以得到准确诊断，准确率高达 99.98%5。1.1.3 经验模态分解法经验模态分解法是一种信号处理方法，具有一定的特殊性。这一方法的优势是不需要设置基函数，可以分解多种不同形式的信号，同时有极高的信噪比，可以实现故障特征的充分提取。经验模态分解法在建筑电气系统故障诊断中运用较广泛。1.2 解析模型方法在解析模型方法中，残差生成建立在解析模型的基础上，充分运
7、用数学模型可以得到相关信号，在信号中包含了故障的有关信息。借助数学模型和残差信号，可以体现系统行为的变化，在分析信号的同时完成对故障的诊断。在诊断建筑电气空调系统故障时，该方法是最常用的6。大部分学者在诊断电气系统故障时，都会首选解析模型方法。例如，基于热质平衡方程和气流平衡方程的状态空间模型可以用于供热通风与空气调节（HVAC）系统故障诊断，借助该模型可以实现对故障所在位置的有效定位。不过在室温环境下，一旦传感器发生故障或管道产生污垢，都会造成电能的过度消耗。基于此，可以采用改进的基于热力学模型的空调机组故障诊断方法。研究数据显示，不管是正常状态还是故障状态，不需要过多的样本，就可以实现对故
8、障所在位置的有效诊断7。1.3 人工智能算法1.3.1 神经网络神经网络可以模拟人脑神经系统，在 1985 年前后得到广泛运用。神经网络的学习和泛化能力都比较强，不需要了解系统就可以得到正确的逻辑关系。不过一旦样本不足，就会导致过拟合问题的出现。神经网络主要有包括人工神经网络 ANN、概率神经网络和 BP神经网络等。1.3.2 多智能体系统早在 19801995 年期间，多智能体系统就已经得到广泛运用，并得到用户的认可和支持。从人工智能的角度来说，智能体是自主运行的，可以借助传感器满足用户的观察需求，同时实现对环境的有效操作，促进目标的顺利实现。在建筑电气系统中，各种构件互相发生作用，借助多智
9、能体系统优势可以实现对故障的有效诊断。1.3.3 贝叶斯网络贝叶斯网络可以体现随机变量之间的关系，是以边为连接点，同时通过变量实现条件概率的有效分布的网络。贝叶斯网络通过自然方式来表达因果关系，并可以找到数据当中的关联。可以使用贝叶斯网络来诊断建筑电气系统的故障。例如，借助冷水机组的故障诊断结果可以提出三层贝叶斯网络，其建立在贝叶斯置信网络理论的基础，除了故障层和征兆层，还补充了附加信息层，可以明确故障存在的原因，对于不完整或不确定故障的诊断，贝叶斯网络应用效果显著；结合不同的天气，明确系统故障面临的干扰，在贝叶斯网络的基础上设置相应的模型，得到的诊断方法和模型的准确性极高；在贝叶斯网络的基础
10、上提出针对性的诊断方法，有助于改善配电馈线故障的定位结果，和传统的贝叶斯网络方法对比，在受到外在因素影响时，使用上述方法可以实现对线路故障的准确定位；WT 算法和贝叶斯网络相结合的新方法可以诊断智能建筑配电网故障，该方法可以快速分辨故障所具备的特征，同时实现故障类型与分量的有效识别。1.3.4 决策树决策树可以实现对学习方法的有效总结，包括回归树、ID3 和 C4.5 等类型。决策树以从上到下的方式递归，通过决策树的节点可以实现对属性值的充分对比，结合各个属性可以实现对分支的有效发展，从而得到相应的结论。可以使用决策树来诊断建筑电气系统故障。例如，采用基于 CART 算法的新决策树方法，可以解
11、决可变制冷剂流量（VRF）系统填充故障问题，该方法在过充故障诊断中分类速度快，不过不够灵敏，对于形式不同的数据无法做到有效识别；采用基于 CART 算法的数据驱动诊断策略，可以解决空调机组的故障诊断问题，决策树归纳采用 CART 算法，可以利用 CART算法的可解释性进行故障诊断，该方法具有良好的故障诊断性能；采用基于 WT 和 CART 算法的输电线路故障分类方法，可以对不同类型的故障进行分类，该方法具有较高的故障分类精度和良好的诊断效果。2建筑电气系统故障诊断存在的问题当前，建筑电气系统故障诊断依旧处于发展的起光源与照明 总第 176 期 2023 年 1 月 照明电气185步阶段，与之有
12、关的研究还不够成熟，存在缺陷和不足。2.1 算法单一在实际运用期间，建筑电气系统故障诊断以模拟数据或实验数据为主，在诊断时，智能算法比较单一，局限于家用设备，如洗衣机、空调等的故障诊断，距离建筑电气系统故障诊断还有一定距离。2.2 难以构造精准的数学模型在调整建筑电气系统故障诊断模型参数时，现有的调整方法还不够合理，故障诊断模型也不够精准。在故障诊断的过程中，故障诊断模型的合理运用还需后期的不断探索。2.3 故障数据采集困难受到条件的限制，故障数据采集比较困难，并且训练数据时无法囊括所有情况。结合现有的研究可以得知，不管是训练还是测试，数据都从数据集中选取而来，故障诊断数据无法得到有效区分。3
13、建筑电气系统故障诊断问题的对策3.1 合理应用新技术采用人工智能技术等新技术，有助于解决电气系统潜在故障，需要加大对更高效、合理的故障诊断方法的研究和实践力度。如利用深度残差收缩网络，可以实现软阈值到非线性层的顺利转化。建筑电气系统会出现各种各样的故障，使用深度残差收缩网络，可以顺利提取故障特征，有助于提高诊断效率。结合现有的研究，对相关参数进行完善和优化，可以提高故障诊断的整体性能。当前是大数据时代，多模态数据融合技术得到广泛运用，通过互相学习可以提高故障诊断的合理性和准确性。通过多模态数据融合技术可以跨越多种模式，实现对数据的有效整合，从而顺利生成信息。一旦有故障出现可以立刻发现设备的变化
14、。对于建筑电气系统，只要借助传感器，就可以实现对设备的有效诊断。系统可以顺利提取有关信息并传输到信息融合中心，紧接着信息融合中心会结合特定的规则，实现对信息的有效处理，从而做出正确的决策。3.2 完善已有方法3.2.1 促进理论和实践的结合建筑电气系统故障概率不大，但一旦有故障出现就可能造成无法挽回的后果，加上当前的故障诊断理论和实践结合不完善，在实际应用期间会受到各种因素的影响，如诊断量庞大和分类出错等。实现模拟数据和实际工程的充分结合，就可以顺利诊断出建筑电气系统中存在的故障，这也是未来研究的必然趋势。3.2.2 优化模型构造与参数选择在建筑电气系统故障诊断中，建立准确的数学模型的难度较大
15、，加上系统结构复杂，参数众多，在构造数学模型和优化参数时，需要投入大量的时间和精力。以 WT 模型参数小波基、小波分解层数和 SVM 模型参数的选择为例，在选择 WT 模型参数小波基时，需要根据小波基和信号的类似程度，选择小波基所具备的对称性、正则性等；在选择小波分解的层数时，要充分结合信号频率范围、时域变化等做出合理的选择；SVM 模型参数主要包括惩罚系数和 gamma 值，需要结合实际情况进行合理选择。3.2.3 完善建筑电气系统故障数据采集系统外界环境会对建筑电气系统故障数据造成影响，如温度和湿度，建筑电气系统故障的数据采集过程也极其复杂，要想顺利实现故障诊断工作，就必须对现有的数据采集
16、系统进行完善和优化，这是未来研究的主要方向。4结束语在诊断电气系统故障时，要充分运用人工智能算法等方法，这是当前研究的核心目标。我国的电气系统故障诊断仍处于起步阶段，需要合理应用各种智能算法，总结建筑电气系统故障诊断的不足，促进建筑电气系统故障诊断的发展。参考文献1 金发辰.电气一次设备故障预防和在线安全评价研究J.光源与照明,2022(9):87-89.2 杜庆梅.建筑电气系统故障诊断技术浅析J.安装,2021(9):54-56.3 钱文博,熊建斌,岑健,等.建筑电气系统故障诊断综述J.诊断机工程与应用,2021,57(16):27-39.4 张栓柱.建筑电气系统故障诊断方法研究J.造纸装备及材料,2021,50(2):128-130.5 张策.基于压缩感知的建筑电气系统故障诊断方法J.石油化工建设,2020,42(S2):42-44.6 饶建兰,刘先锋.电厂电气运行常见故障及其应对措施研究J.光源与照明,2022(8):228-230.7 孙宇轩,李美丽,付兴烨,等.基于激光传感器的电气故障自动定位系统J.激光杂志,2022,43(12):190-195.