摘 要：近年來，建筑電氣系統(tǒng)的故障診斷方法，逐漸吸引了人們的注意，鑒于目前的形勢下，傳統(tǒng)的人工檢測方法已無法滿足現(xiàn)代社會發(fā)展的需求，在此背景下，電力系統(tǒng)故障診斷，智能診斷方法進(jìn)行了深入的研究，在電力系統(tǒng)故障診斷的研究現(xiàn)狀，提出了智能診斷方法，并詳細(xì)解釋了電力系統(tǒng)故障診斷實驗技術(shù)的發(fā)展建設(shè)，促進(jìn)了電力建設(shè)系統(tǒng)故障診斷方法的有效改進(jìn)。

關(guān)鍵詞：建筑電氣；系統(tǒng)故障；診斷方法

1 建筑電氣系統(tǒng)故障診斷現(xiàn)狀分析

最近幾年，建筑電氣系統(tǒng)的診斷故障，已經(jīng)引起了專家學(xué)者們的關(guān)注。并且在國內(nèi)電力系統(tǒng)中的診斷技術(shù)已經(jīng)實現(xiàn)了大范圍的應(yīng)用。但在建筑行業(yè)的發(fā)展過程中，外部因素對電力系統(tǒng)故障診斷技術(shù)的影響還沒有實現(xiàn)。在科學(xué)和技術(shù)發(fā)展的背景下，建設(shè)行業(yè)應(yīng)加強電力系統(tǒng)故障診斷技術(shù)在中國可持續(xù)發(fā)展過程中的應(yīng)用，以避免安全事故的發(fā)生，提高施工質(zhì)量。但由于電力系統(tǒng)和建筑行業(yè)在一個新的故障檢測技術(shù)的應(yīng)用其復(fù)雜性應(yīng)結(jié)合自身條件，提升技術(shù)水平，從而達(dá)到了最佳的診斷結(jié)果，提高診斷結(jié)果的準(zhǔn)確性。

2 建筑電氣系統(tǒng)故障診斷存在的問題分析

在電氣故障診斷系統(tǒng)的建設(shè)如下：首先，在建筑行業(yè)建筑電氣系統(tǒng)的當(dāng)前穩(wěn)定仍無法滿足故障診斷的需要，在這種條件下，建筑行業(yè)的相關(guān)部門一定要采取適當(dāng)?shù)拇胧蕴岣呓ㄖ镫姎庀到y(tǒng)的穩(wěn)定性，確保診斷結(jié)果的準(zhǔn)確性，對故障診斷電氣系統(tǒng)，它是基于根據(jù)故障診斷算法的電力系統(tǒng)上的結(jié)構(gòu)不能滿足電力系統(tǒng)的要求提供了良好的條件診斷結(jié)果對精度的影響；第三，由于外部很多因素的影響，建筑電氣系統(tǒng)的故障診斷仍然是專家系統(tǒng)的維護(hù)方法將面臨的諸多挑戰(zhàn)，在實際應(yīng)用過程中不能實現(xiàn)有效的創(chuàng)新，從而在建筑行業(yè)中的電氣系統(tǒng)故障診斷的穩(wěn)定性逐漸突出，并且在某些程度上，它影響著故障診斷結(jié)果的準(zhǔn)確性。從以上的探討分析，我們將看到，在電力系統(tǒng)故障診斷和建筑行業(yè)在實際工作過程中，仍然有不可忽視的一些問題，應(yīng)給予高度重視，并且有效地做出相應(yīng)的對策。

3 建筑電氣故障仿真平臺

其實本質(zhì)上的故障診斷是在建筑電氣系統(tǒng)基于設(shè)定的故障，包括故障識別和故障診斷的映射模型。但是在構(gòu)建系統(tǒng)中的很多故障，它的發(fā)生概率是隨機(jī)的，所以電故障仿真平臺的結(jié)構(gòu)是在研究的基礎(chǔ)。針對在電氣故障自我診斷的常見問題，故障診斷的目的基于不同的工作狀態(tài)和對象的選擇。信號應(yīng)該很容易診斷安裝在配電線路的關(guān)鍵電路設(shè)備，通過使用數(shù)據(jù)采集，采集異常信號故障特征提取，故障診斷方法，加工的技術(shù)數(shù)據(jù)輸入故障，故障類型識別算法可通過輸出和不同位置，及報警信息，并根據(jù)決策和控制的問題，更好地為它的平臺。交流電源220V，50Hz，變壓器轉(zhuǎn)換的15V直流輸出，對弱者保護(hù)板提供電力，在單向和三向保護(hù)弱保護(hù)板的動力系統(tǒng)，強電系統(tǒng)測試的主要部分，系統(tǒng)根據(jù)設(shè)定的由開關(guān)斷開22高壓系統(tǒng)故障關(guān)閉四種故障電阻處理，斷開的路徑，而封閉的是故障的相應(yīng)部分。

4 小樣本SVM故障診斷

基于機(jī)器學(xué)習(xí)的數(shù)據(jù)是現(xiàn)代智能技術(shù)和機(jī)器學(xué)習(xí)的一個重要方面是根據(jù)系統(tǒng)的輸入和輸出中兩者之間的給定的訓(xùn)練樣本已依賴性的估計，使得它能夠最大程度的準(zhǔn)確地預(yù)測系統(tǒng)的行為。

對于機(jī)器學(xué)習(xí)，通常用損失函數(shù)L（y，y實際值）以表示所引起的機(jī)器輸出到預(yù)測實際價值的損失。損失函數(shù)的期望被定義為預(yù)期的危險或?qū)嶋H風(fēng)險，如下式：

R（w）=∫L（y，y實際值）dP（x，y）（1）

而經(jīng)驗風(fēng)險則是訓(xùn)練樣本的“平均損失”程度，即

Remp（w）=1/n∑ni=1L（y，y實際值）（2）

機(jī)器學(xué)習(xí)的目的，以盡量減少預(yù)期的風(fēng)險（實際風(fēng)險），從式（1），我們可以知道，這種風(fēng)險是依靠于聯(lián)合概率P（x，y），所以這樣就很難真正出現(xiàn)的問題。因此，應(yīng)用于傳統(tǒng)的學(xué)習(xí)方法和所謂的經(jīng)驗風(fēng)險最小化（ERM）的原理，即，通過學(xué)習(xí)算法（2）經(jīng)驗風(fēng)險Remp最小化（經(jīng)驗風(fēng)險僅在樣品到無窮加速的數(shù)目為接近預(yù)期的風(fēng)險）。

這是基于風(fēng)險管理的基本原理，并沒有感覺到預(yù)期風(fēng)險最小化人工神經(jīng)網(wǎng)絡(luò)，雖然在用于經(jīng)驗風(fēng)險最小化某種程度的支持，但是在誘導(dǎo)的促進(jìn)成為更嚴(yán)重的缺陷。

根據(jù)其意思，期望風(fēng)險與經(jīng)驗風(fēng)險這兩者之間，有著下面的關(guān)系：

R（w）≤Remp（w）+Φ（h/n）（3）

其中h是學(xué)習(xí)機(jī)的VC維（反映機(jī)器學(xué)習(xí)能力，該值越大，經(jīng)驗風(fēng)險越?。?，n是樣本數(shù)，Φ（h/n）代表置信范圍。

5 SVM在實驗平臺故障診斷中的應(yīng)用

5.1 故障特征量的選擇與故障的分類

模擬實際住宅建筑中的常見故障用測試平臺來實現(xiàn)，此類型可以分為四種線路阻抗故障時，連續(xù)的故障，接地電阻，絕緣電阻太小，等等。除了正常狀態(tài)，還有五種狀態(tài)。

5.2 SVM模型的建立

支持向量機(jī)的精髓，是兩類問題，解決各類故障分類的問題，目前主要采取“一對一”，“一對多”的方法，SVM方法中的K類，對于決定自由電路圖等。所述的分類方法“一對一”的選擇。重要是由于相比，拒絕分級區(qū)分類精度小，每個SVM只考慮兩種類型的樣品，單SVM更易于培訓(xùn)輸出模擬的結(jié)果表明：錯誤識別的總數(shù)的SVM算法0的識別率是100%?？傊梢耘袛?，該支持向量機(jī)算法能有效地正確診斷建筑電氣測試平臺的正確與錯誤。

5.3 SVM以神經(jīng)網(wǎng)絡(luò)對故障診斷問題的比較

根據(jù)數(shù)據(jù)統(tǒng)計，在小樣本的情況下，雖然仿真結(jié)果的測試樣品的幾種方法是理想的，但BP網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，線性輸出還不能十分穩(wěn)定，收斂速度也是不穩(wěn)定，RBF網(wǎng)絡(luò)訓(xùn)練誤差小，快速收斂，但從該點故障識別率，分類能力的提高仍是支撐向量機(jī)。

6 結(jié)束語

文章以電力系統(tǒng)故障實驗平臺為研究對象，將故障診斷理論引入電力系統(tǒng)結(jié)構(gòu)，考慮到實際的施工環(huán)境，該系統(tǒng)具有一個突然故障系統(tǒng)，它是不現(xiàn)實的，進(jìn)行了一百倍，這是不現(xiàn)實的每一個失敗的樣本收集。因此，將支持向量機(jī)算法作為一種故障診斷方法，并將其結(jié)果與實驗平臺進(jìn)行比較。最后用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對比分析研究。結(jié)果表明，支持向量機(jī)算法有以下幾點：由于支持向量機(jī)是尋求模型的復(fù)雜性和學(xué)習(xí)能力之間的最佳平衡，以避免一個多小時的神經(jīng)網(wǎng)絡(luò)的風(fēng)險。得益于支持向量機(jī)是尋求最佳的平衡性和學(xué)習(xí)能力之間的模型，以避免風(fēng)險超過一個小時的神經(jīng)網(wǎng)絡(luò)。SVM輸出穩(wěn)定，分類速度快，不及時診斷的時候以、避免進(jìn)一步的損失；神經(jīng)網(wǎng)絡(luò)是基于經(jīng)驗風(fēng)險最小化（ERM）作為網(wǎng)絡(luò)優(yōu)化的目標(biāo)是無限大樣本漸近理論和支持向量機(jī)（SVM）是基于結(jié)構(gòu)風(fēng)險最小化原則，在小樣本，SVM具有更好的非線性映射和分類能力的提升。文章提出的故障診斷方法缺乏實際的推理和工程試驗，在實驗過程中取得了良好的效果，但這是有限的初步實驗室研究的理論，還必須嘗試測試的診斷結(jié)果和實際工作中的應(yīng)用。

參考文獻(xiàn)

[1]周東華，葉銀忠.現(xiàn)代故障診斷與容錯控制[M].北京：清華大學(xué)出版社，2000.

[2]郭創(chuàng)新，等.電力系統(tǒng)故障診斷的研究現(xiàn)狀與發(fā)展趨勢[J].電力系統(tǒng)自動化，2004.

[3]張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機(jī)[J].自動化學(xué)報，2000.

[4]田路，田干，張煒，等.基于支持向量機(jī)的渦輪泵故障診斷方法研究[J].控制工程，2007.

[5]鄭勇濤，劉玉樹.支持向量機(jī)解決多分類問題研究[J].計算機(jī)工程與應(yīng)用，2005.