錢文博，熊建斌，岑 健，王 頎，余得正，吳潤杰

1.廣東技術(shù)師范大學 自動化學院，廣州510665

2.廣東省智慧建筑設(shè)備節(jié)能與控制工程技術(shù)研究中心，廣州510665

《2020建筑智能設(shè)計白皮書》的發(fā)布，表明了智能建筑在我國的不斷發(fā)展[1]，人們對智能建筑電氣系統(tǒng)可靠、安全、穩(wěn)定地運行提出了更高的要求。面對越來越復雜的電氣系統(tǒng)，傳統(tǒng)檢測方法的速度和準確性已無法滿足要求[2]，因此故障診斷技術(shù)的改善就顯得格外重要。

故障的定義為可觀察的變化量或計算參數(shù)對可接受范圍的偏差[3]。在建筑電氣系統(tǒng)故障診斷過程中，對診斷結(jié)果的可行性和有效性有較大的影響且決定其診斷速度和精度的是模式識別和故障特征提取[4]。建筑電氣系統(tǒng)是管理建筑用電的一種系統(tǒng)，其分為強電和弱電兩個系統(tǒng)。強電系統(tǒng)主要包括動力設(shè)備系統(tǒng)、變配電系統(tǒng)、照明系統(tǒng)、防雷和接地裝置等。弱電系統(tǒng)包括建筑智能化系統(tǒng)、辦公自動化系統(tǒng)和通訊系統(tǒng)等[2，5]。在建筑電氣系統(tǒng)中，一旦有故障發(fā)生將會導致設(shè)備停止工作以及數(shù)據(jù)流失等，甚至可能會對人身造成一定的傷害。并且隨著科技的發(fā)展，建筑電氣系統(tǒng)變得十分復雜，導致故障種類繁多且復雜多樣，故障發(fā)生的幾率逐漸變大。因此為保證建筑電氣設(shè)備安全運行，需要重視建筑電氣系統(tǒng)故障診斷的研究，建立一個完善的建筑電氣故障診斷系統(tǒng)[5]。

建筑電氣系統(tǒng)故障類型可分為電氣線路故障、電氣元件和設(shè)備故障[6-7]和防雷與接地系統(tǒng)故障等。建筑電氣系統(tǒng)故障診斷實質(zhì)上是故障發(fā)生時的征兆提取和故障狀態(tài)判斷[8]。目前，建筑電氣設(shè)備在現(xiàn)代化的生產(chǎn)模式中正不斷向大規(guī)模自動化和集成化發(fā)展，因此人們也越來越看重復雜系統(tǒng)或是混雜系統(tǒng)[9]。然而復雜系統(tǒng)往往是由大量的子系統(tǒng)組成，各個子系統(tǒng)間相互耦合關(guān)聯(lián)，一旦這類系統(tǒng)發(fā)生故障，影響范圍將會非常廣泛，因此有效的故障診斷技術(shù)十分重要，它可以及時發(fā)現(xiàn)并處理故障，且使建筑電氣設(shè)備與系統(tǒng)始終高效、可靠、安全地工作。美國是首先對故障診斷進行研究的國家[5，9]，目的是為了解決航天設(shè)備的故障，降低事故發(fā)生的概率。最初人們對于建筑電氣系統(tǒng)的故障診斷都是通過工作人員進行檢查，這樣會有許多的主觀性和不確定性。直到現(xiàn)在，國內(nèi)外在建筑電氣故障診斷領(lǐng)域的研究還不成熟[7]，主要有兩方面的原因：一方面是由于建筑電氣故障診斷處于配電網(wǎng)的末端；另一方面，過去建筑電氣系統(tǒng)比較簡單，不易引起電力方面研究者的注意和重視[9]。對于建筑電氣系統(tǒng)的故障診斷必須要有正確的故障數(shù)據(jù)，進而加以準確地分析，需要從建筑電氣系統(tǒng)中采集更多的數(shù)據(jù)，主要是對電流、電壓、諧波等故障信號進行采集，這能為建筑電氣系統(tǒng)提供實時、準確的故障數(shù)據(jù)，因此數(shù)據(jù)的采集也是十分重要的[2，6，10]。圖1為建筑電氣系統(tǒng)故障分類圖。

圖1 建筑電氣系統(tǒng)故障分類圖Fig.1 Breakdown classification diagram of building electrical system

1 信號分析方法在建筑電氣故障診斷中的應(yīng)用

1.1 小波變換在建筑電氣故障診斷中的應(yīng)用

基于信號分析[11]的故障診斷方法用于提高信號傳輸保真度、存儲效率和主觀質(zhì)量，并凸顯或檢測測量信號中感興趣的成分，避免了對抽象對象建立數(shù)學模型的困難。其在實際應(yīng)用的過程中，主要通過對不同渠道獲得的檢測信號進行分析，根據(jù)檢測信號與故障之間存在的聯(lián)系對故障做出準確的判斷和分析。典型的基于信號分析在建筑電氣故障診斷中的方法有小波變換（Wavelet Transform，WT）、數(shù)學形態(tài)學（Mathematical Morphology，MM）、經(jīng)驗模態(tài)分解（Empirical Mode Decomposition，EMD）、希爾伯特變換（Hilbert Transform，HT）等。

1909年，阿爾弗雷德·哈爾提出了第一個小波變換即哈爾小波（Haar Wavelet，HW）[12]。小波變換是一種信號分析方法，其分為離散小波變換和連續(xù)小波變換。通過構(gòu)造能自適應(yīng)匹配故障相關(guān)信號特征的小波函數(shù)，使故障相關(guān)特征提取效果越好[13]。其工作原理是通過縮放和平移來匹配輸入信號進而進行故障特征提取達到去噪的目的[14]。

不少研究者利用WT對建筑電氣系統(tǒng)進行故障診斷。如Makming等人[15]針對輸電線路故障類型分類以及定位的問題，提出一種基于離散小波變換的方法。實驗結(jié)果表明，該方法檢測故障的準確率可達100%，其中以平均誤差1.2 km進行故障定位且檢測故障類型的準確率達80%以上。最后在混合系統(tǒng)中使用這種技術(shù)并提出展望。劉曉明等人[16]針對交流系統(tǒng)中串聯(lián)電弧故障分類的問題，提出一種基于WT的故障診斷方法，該方法主要把WT原理與改進后的BP神經(jīng)網(wǎng)絡(luò)結(jié)合。實驗結(jié)果表明，該方法使線性與非線性負載的綜合診斷分析的最大誤差為0.18%，并驗證了其對串聯(lián)電弧故障的綜合診斷分類效果很好。Yang等人[17]針對配電系統(tǒng)中架空線路的高阻抗故障保護問題，提出一種基于離散小波變換和連續(xù)小波變換的方法。實驗結(jié)果表明，該方法檢測高阻抗故障的準確率為93.2%，可以正確地檢測到三個電容器組開關(guān)事件。

1.2 數(shù)學形態(tài)學在建筑電氣故障診斷中的應(yīng)用

數(shù)學形態(tài)學（MM）[18]信號處理的基本概念是修改信號的形狀，通過信號與另一個被稱為結(jié)構(gòu)化元素的物體的交點進行變換。該方法在圖像處理方面發(fā)展最為廣泛[19]，在故障診斷領(lǐng)域也有較好的發(fā)展[20]。

不少研究者利用MM對建筑電氣系統(tǒng)進行故障診斷。如Huang等人[21]針對地下電纜早期故障難以檢測的問題，提出一種基于形態(tài)梯度小波的方法。該方法用于檢測故障引起的或操作引起的瞬態(tài)，從而根據(jù)故障特有的特征識別早期故障。實驗結(jié)果表明，該方法能夠正確地檢測出地下電纜的初始故障，并且研究了空載變壓器永久故障、電容器組開關(guān)、負載變化和通電等引起的其他干擾。Zhang等人[22]針對輸電線路故障定位問題，提出一種基于形態(tài)小波理論的新的形態(tài)非抽取小波分解方法，其從輸電線路故障產(chǎn)生的暫態(tài)電壓和電流信號中提取特征，且與多分辨率形態(tài)梯度方法進行了比較。實驗結(jié)果表明，該方法可以較好地達到降噪的目的且對故障位置進行精準定位。Godse等人[23]針對輸電線路故障檢測和定位的問題，提出一種基于MM方法，可以實時快速進行故障特征提取，再利用決策樹進行故障分類。實驗結(jié)果表明，該方法減少了運算量，免疫了DDC參數(shù)、噪音和諧波等干擾，在實際輸電線路1/4的周期內(nèi)故障檢測和分類的準確率高達99.98%。

1.3 經(jīng)驗模態(tài)分解在建筑電氣故障診斷中的應(yīng)用

經(jīng)驗模態(tài)分解（EMD）[24]是一種突出的信號處理技術(shù)，由美國NASA的黃鍔博士提出。該方法主要優(yōu)點為無需事先設(shè)置任何基函數(shù)，可應(yīng)用于任何類型的信號分解且信噪比高，可以很好地進行故障特征的提取[25]。該方法在建筑電氣故障診斷中有較為廣泛的應(yīng)用。

不少研究者利用EMD對建筑電氣系統(tǒng)進行故障診斷。如Mao等人[26]針對冷水機組傳感器故障檢測問題，提出一種基于經(jīng)驗模態(tài)分解閾值去噪和主成分分析（EMD-TD-PCA）相結(jié)合的方法。首先，采用EMD去除原始數(shù)據(jù)集中的噪聲，提高數(shù)據(jù)質(zhì)量；其次，采用閾值去噪方法只去除噪聲，保留有用信息；最后，利用EMD閾值去噪處理后的數(shù)據(jù)建立主成分分析（Principal Component Analysis，PCA）模型。實驗結(jié)果表明，與傳統(tǒng)的主成分分析方法相比，在偏差從－2到+2時，EMD-TDPCA方法對Tcws和Tcwr兩個溫度傳感器的平均檢測效率分別提高了19.75%和19.63%。Li等人[27]針對空調(diào)系統(tǒng)中傳感器故障的問題，提出一種基于集成經(jīng)驗模態(tài)分解和主成分分析（EEMD-PCA）相結(jié)合的方法，對原始數(shù)據(jù)進行分解去噪，建立具有閾值的傳感器故障檢測統(tǒng)計量。實驗結(jié)果表明，該方法對空調(diào)系統(tǒng)中傳感器故障檢測的平均準確率提高了22%。Malik等人[28]針對輸電線路中的故障問題，提出一種基于EMD和人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）相結(jié)合的方法。其過程為利用EMD方法將故障后電流信號分解為IMF。這些IMF用作基于ANN的智能故障分類模型的輸入變量。實驗結(jié)果表明，該方法可以有效地對故障特征進行選擇，且提高了故障診斷的準確率。

綜上所述為一些學者利用信號分析方法在建筑電氣系統(tǒng)故障診斷中的研究內(nèi)容，圖2為三種信號分析方法的故障診斷流程圖。

圖2 三種信號分析方法流程圖Fig.2 Flow chart of three signal analysis methods

2 解析模型方法在建筑電氣故障診斷中的應(yīng)用

基于解析模型[29]的方法即是進行殘差生成，借助系統(tǒng)的解析數(shù)學模型，產(chǎn)生一個信號，該信號攜帶有關(guān)故障的信息。該方法適用系統(tǒng)精確的數(shù)學模型和可觀測輸入輸出量構(gòu)造殘差信號來反映系統(tǒng)預期行為與實際過程行為之間的不一致，然后在對殘差信號分析的基礎(chǔ)上進行故障診斷[30]。解析模型方法在空調(diào)系統(tǒng)故障診斷中應(yīng)用最為廣泛。

不少研究者利用解析模型方法對建筑電氣系統(tǒng)進行故障診斷。如Qiu等人[31]針對暖通空調(diào)系統(tǒng)故障檢測與診斷問題，提出一種基于熱-質(zhì)量平衡方程和氣流平衡方程所建立的狀態(tài)空間模型。實驗結(jié)果表明，該模型可以很好地定位故障發(fā)生的位置，但在室溫條件下，傳感器故障和管道結(jié)垢故障等能顯著增加能耗，在此基礎(chǔ)上，對暖通空調(diào)系統(tǒng)故障診斷的研究方向進行了展望。Piacentino等人[32]針對空調(diào)機組故障檢測和診斷問題，提出一種基于改進后的熱力學模型方法。實驗結(jié)果表明，該方法在正常和故障兩種情況下進行測試，無需大量樣本即可檢測和診斷出單個和多個故障所在的位置。Trothe等人[33]針對智能建筑中故障檢測和診斷的問題，提出一種基于解析模型的方法且與Dulmage-Mendelsohn分解方法相結(jié)合。實驗結(jié)果表明，所建立的模型的局限性為只能診斷部分故障，因此又提出一種改進的傳感器布置方法。實驗結(jié)果表明，隨著故障的增加，系統(tǒng)變得更加復雜，需要增加額外的傳感器以實現(xiàn)完全可診斷性。Mulumba等人[34]針對建筑物中暖通空調(diào)設(shè)備的故障檢測和診斷問題，提出一種基于魯棒模型的方法。該方法是將外生變量的自回歸時間序列模型和支持向量機分類技術(shù)相結(jié)合來診斷空氣處理機組常見故障。實驗結(jié)果表明，該方法在暖通空調(diào)設(shè)備的故障檢測和診斷方面與樸素貝葉斯、貝葉斯網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、多層感知器神經(jīng)網(wǎng)絡(luò)、隨機森林、隨機樹和支持向量機方法相比，其精度為93.5%，召回率為92.1%，綜合評價指標為0.923，具有很好的性能，同時建立了對模型不確定性的魯棒性。Ranade等人[35]針對暖通空調(diào)系統(tǒng)風機盤管故障檢測和診斷問題，提出一種基于灰盒模型的方法，通過生成的溫度殘差來進行故障的檢測和診斷。實驗結(jié)果表明，該模型具有參數(shù)少、計算量輕的特點，適合于嵌入式診斷，通過決策樹形式表達的簡單規(guī)則實現(xiàn)準確的故障檢測和診斷。Dong等人[36]針對配電網(wǎng)故障檢測和診斷問題，提出一種基于地理信息系統(tǒng)（Geographic Information System，GIS）的集成解析模型。通過GIS可以快速定位故障所在的區(qū)域，通過該模型可以把要解決的故障診斷問題轉(zhuǎn)化成求目標函數(shù)最優(yōu)解的問題，同時考慮了一些漏報、誤報等別的故障信號。實驗結(jié)果表明，該方法對配電網(wǎng)故障檢測和診斷具有較高的準確性。Liu等人[37]針對暖通空調(diào)系統(tǒng)中多個類似機組易發(fā)生故障的問題，根據(jù)故障檢測和診斷的難點是機組中的現(xiàn)有故障和漸進故障，提出構(gòu)建一種混合數(shù)學模型，首先通過交互式多模（Interactive Multiple Model，IMM）濾波器得到相似單元的特征參數(shù)，其次對相似單元的參數(shù)統(tǒng)計特性進行處理，最后通過統(tǒng)計特性參數(shù)進行故障檢測與診斷。實驗結(jié)果表明，該方法有效地解決了漸進故障和現(xiàn)有故障的問題。

3 人工智能算法在建筑電氣故障診斷中的應(yīng)用

3.1 支持向量機在建筑電氣故障診斷中的應(yīng)用

傳統(tǒng)的故障診斷方法一般為基于專家系統(tǒng)的知識體系，因此一些局限性和主觀性的存在不可避免。支持向量機（Support Vector Machine，SVM）[38]是基于統(tǒng)計學理論解決實際問題和非線性問題的強大工具，即使可用樣本數(shù)據(jù)量相對有限，它也能給出較為準確的結(jié)果。1995年，SVM的最初模型被Vapnik[39]首次發(fā)表出來，其屬于一種監(jiān)督學習分類算法，直到20世紀90年代末SVM才被用于解決故障問題[40]。

基于SVM的方法首先是利用線性分離超平面將訓練樣本分成兩類，然后找到一個使兩個平行支撐面之間的邊界最大的最優(yōu)決策超平面，最后利用SVM的線性分類函數(shù)以及線性超平面將訓練數(shù)據(jù)分離為兩類[41]。SVM核心思想是通過一些非線性映射函數(shù)將原始模式空間映射到高維特征空間中，然后在特征空間中構(gòu)造出最優(yōu)的分離超平面[41]。其步驟簡要介紹如下[42-43]：

假設(shè)一組建筑電氣故障數(shù)據(jù)表示為(xi,yi)，i=1,2,…,k,x∈Rn,y∈{1,-1}，SVM決策超平面方程如式（1）所示：

其中，w為權(quán)向量，b為偏差。

最優(yōu)超平面方程如式（2）所示：

其中，w′為最優(yōu)權(quán)向量，b′為最優(yōu)偏差。

要想求出最優(yōu)超平面只需求出最優(yōu)權(quán)向量w′和最優(yōu)偏置b′即可，如式（3）所示：

其中，ξ為松弛變量，C為懲罰系數(shù)，φ為核函數(shù)。

通過用SVM對故障進行診斷和分類，其故障診斷和分類的原理圖如圖3所示。

圖3 基于多分類SVM故障診斷原理示意圖Fig.3 Schematic diagram of fault diagnosis based on multi-class SVM

不少研究者將SVM應(yīng)用在建筑電氣系統(tǒng)故障診斷中。如Li等人[44]針對暖通空調(diào)系統(tǒng)中空氣處理機組的故障問題，提出一種基于SVM的故障檢測和診斷方法，并且采用主成分分析的方法先進行降維壓縮以加快學習的速度。實驗結(jié)果表明，該方法已經(jīng)成功檢測和識別了一些典型的空氣處理機組（Air Handling Unit，AHU）故障，且可以在建筑物環(huán)境發(fā)生變化的時候也可以很好地自動適應(yīng)。Han等人[45]針對冷水機組中制冷劑泄漏和過充等故障問題，提出一種SVM與遺傳算法及參數(shù)調(diào)整技術(shù)相結(jié)合的混合模型的方法。實驗結(jié)果表明，該方法對故障檢測和診斷的準確率較高，且樣本數(shù)量大小對故障診斷的效果幾乎沒有影響，最后給出了改進的遺傳算法在這方面應(yīng)用的思考方向。Liang等人[46]針對循環(huán)風門卡死，冷卻盤管結(jié)垢/堵塞以及送風機轉(zhuǎn)速降低這些問題，提出一種用于冷卻器的基于SVM的多層故障檢測與診斷方法。實驗結(jié)果表明，當訓練樣本數(shù)量大于7時，診斷成功率將大于96%，隨著數(shù)量的增加，成功率將很快接近100%。該方法可以用少量的訓練樣本快速、準確地識別故障。在文獻[40]的基礎(chǔ)上，Dehestani等人[47]通過使用在線監(jiān)視數(shù)據(jù)逐步訓練SVM分類器，提出了一種半無監(jiān)督故障檢測方法，此方法可以檢測未知故障，并利用這些未知故障更新分類器。Zhou等人[48]針對建筑電氣設(shè)備的能耗問題以及故障診斷問題，提出利用決策樹、SVM、聚類（Clustering，CL）、淺層神經(jīng)網(wǎng)絡(luò)（Shallow Neural Networks，SNN）和深層神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）五種方法對建筑電氣系統(tǒng)故障進行分析，并且在單故障和多故障中進行了比較。實驗結(jié)果表明，SVM在單故障診斷中應(yīng)用較好，DNN在多故障診斷中應(yīng)用較好，多個故障時，DNN的故障準確率為98.73%，比SVM高2.02%，命中率大于90%，比SVM高10%。Cheng等人[49]針對接觸網(wǎng)供電系統(tǒng)中牽引逆變器的絕緣柵雙極晶體管（Insulated Gate Bipolar Transistor，IGBT）開路故障，提出一種基于梯度信息最小二乘支持向量機（G-LS-SVM）的故障診斷方法。首先，建立一個基于牽引逆變器拓撲結(jié)構(gòu)的仿真模型，仿真基于IGBT逆變器開路故障分類的各種電壓故障信號波形；其次，稀疏表示電壓故障信號使其成為故障信號；再次，通過空間矢量變換將牽引逆變器三相電壓標量表示為復合量，以減少故障信號的冗余和提高數(shù)據(jù)處理能力；最后，建立G-LS-SVM故障診斷模型，在過完備字典中對電壓信號進行故障診斷和識別。實驗結(jié)果表明，該方法對各類IGBT管故障診斷的準確率均較高。此外，該模型魯棒性較好，不受高斯白噪聲的影響。Yan等人[50]針對冷水機組故障的問題，提出一種將外生變量自回歸模型（Auto-Regressive model with Exogenous variables，ARX）與SVM相結(jié)合的混合方法。利用ARX模型構(gòu)造高維參數(shù)空間，支持向量機對參數(shù)空間進行超平面細分，實現(xiàn)了故障分類。實驗結(jié)果表明，該方法對于冷水機組的故障診斷具有較高的準確率。

3.2 壓縮感知在建筑電氣故障診斷中的應(yīng)用

壓縮感知（Compressive Sensing，CS）[51]理論是近年來興起的一種新的理論算法，是基于稀疏表示和近似理論的一種全新的信息獲取和處理理論，核心是利用信號的稀疏特征，將采集到的信號轉(zhuǎn)變成原信號。該方法最初是為了解決醫(yī)學中核磁共振成像問題[52]，目前已在圖像處理和人臉識別上有了廣泛的應(yīng)用[53-55]。2004年，由Candes[56]、Romberg[52]和Donoho[51]等人首先提出壓縮感知理論的概念，直到2006年才進行論文的發(fā)表，被學者們所知悉。

CS理論的基本思想是通過求解一個稀疏約束優(yōu)化問題，利用信號的稀疏性，減少發(fā)現(xiàn)故障信息的原始數(shù)據(jù)量，從非常有限的高概率測量中精確地恢復出稀疏信號[56-57]。圖4為CS的原理圖。

圖4 CS的原理Fig.4 Principle of CS

CS理論構(gòu)造的數(shù)學模型步驟如下[58]：

（1）假設(shè)一個長度為M的一維原始建筑電氣故障信號x，存在一個稀疏基矩陣Ψ，對于信號x在稀疏基矩陣Ψ上的稀疏表示，如式（4）所示：

其中，t為稀疏變換系數(shù)。

（2）通過將信號x′投影到一個觀測矩陣Φ上，這一過程是為了把高維信號x′投影到低維信號上，達到降維的目的，并且它為已知的，可以得到一個降維數(shù)據(jù)Y,Y為長度為M的一維測量值，也是已知的，其表達式如式（5）所示：

其中，Y、Φ和Ψ都是已知參數(shù)，只需要求解稀疏變換系數(shù)t，即可得到原信號x，并且ΦΨ為感知矩陣Z，且觀測矩陣Φ應(yīng)當滿足約束等距性條件，即觀測矩陣Φ與稀疏基矩陣Ψ具有不相干性，也就是Φ中的每行與Ψ中的每列都不相關(guān)且滿足有限等距性質(zhì)，則稀疏信號的重構(gòu)使l1范數(shù)最小而不是l0范數(shù)。如式（6）所示：

（3）信號重構(gòu)算法。由于感知矩陣Z中滿足Φ的每行與Ψ中的每列都不相關(guān)。信號重構(gòu)可以通過求解下面的最優(yōu)范數(shù)問題來實現(xiàn)，如式（7）所示：

不少研究者將CS理論應(yīng)用在建筑電氣系統(tǒng)故障診斷中。如Zhang等人[8]針對建筑電氣系統(tǒng)故障診斷的問題，提出一種基于CS理論的方法，采用以下三方面進行實驗來論證基于支持向量機、基于稀疏表達分類算法的l1分類器和l2分類器。實驗結(jié)果表明，提出的基于CS理論的稀疏表達分類算法對于建筑電氣系統(tǒng)故障診斷有較好的效果。賈科等人[59]針對配電網(wǎng)故障定位的問題，提出一種基于貝葉斯和CS理論相結(jié)合的方法，利用此方法可以進行節(jié)點負序電壓方程的求解，以及可以利用重構(gòu)負序電流向量來進行故障定位。實驗結(jié)果表明，此方法可以準確定位輸電線路故障位置，且不受故障類型、線路參數(shù)少量誤差等因素影響，抗噪聲能力強，魯棒性很好。Wang等人[60]針對空調(diào)制冷系統(tǒng)的故障問題，提出一種基于稀疏自動編碼器（Sparse AutoEncoder，SAE）來提取故障特征作為輸入進行分類的方法，并且與SVM做了對比。實驗結(jié)果表明，該方法相比SVM方法，故障診斷的準確率和精度都有很大程度的提高。Ruiz等人[61]針對輸電線路中停電的問題，提出一種基于CS理論的方法。實驗結(jié)果表明，該方法可以準確定位故障所在位置且能夠很好地進行原始信號的恢復。

3.3 神經(jīng)網(wǎng)絡(luò)在建筑電氣故障診斷中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）最初產(chǎn)生的目的是制造能模擬大腦的機器，在20世紀八九十年代應(yīng)用十分廣泛。神經(jīng)網(wǎng)絡(luò)具有良好的學習能力和泛化能力，并且無需事先了解其系統(tǒng)輸入輸出對應(yīng)的邏輯關(guān)系。但是在樣本數(shù)量不足的情況下，神經(jīng)網(wǎng)絡(luò)易導致的過擬合問題還未解決[62]。神經(jīng)網(wǎng)絡(luò)包括ANN、概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Network，PNN）和BP神經(jīng)網(wǎng)絡(luò)等。表1為各類神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點。

表1 各類神經(jīng)網(wǎng)絡(luò)的特點Table 1 Characteristics of various types of neural networks

不少研究者將神經(jīng)網(wǎng)絡(luò)應(yīng)用在建筑電氣系統(tǒng)故障診斷中。如Yang等人[63]針對低壓直流母線微電網(wǎng)故障會導致電氣設(shè)備發(fā)生短路的一些問題，提出一種基于ANN的建筑電氣故障診斷方法。這種方法的主要優(yōu)點是可以在不斷電的情況下快速檢測并隔離直流母線上的故障，從而實現(xiàn)更可靠的直流微電網(wǎng)。實驗結(jié)果表明，該方法實用性強，能夠有效地檢測出任何類型的直流故障?；粢环錥64]提出以神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的智能診斷理論，并且利用Spiking脈沖神經(jīng)元和遺傳算法（GA）進行優(yōu)化，進一步提高了橢球基神經(jīng)網(wǎng)絡(luò)（Elliptical Basis Function Neural Network，EBFNN）和徑向基神經(jīng)網(wǎng)絡(luò)（Radial Basis Function Neural Network，RBFNN）對建筑電氣系統(tǒng)故障模式識別能力。實驗結(jié)果表明，該方法在提高故障診斷精度的同時用時也較少，證明了可行性。Wang等人[65]針對故障自診斷的問題，提出采用人工智能的方法加以解決，研究了基于電測估計、模糊神經(jīng)網(wǎng)絡(luò)等一些方法，最后由于神經(jīng)網(wǎng)絡(luò)具有最大應(yīng)用價值，選擇了它作為應(yīng)用診斷算法的重點。實驗結(jié)果表明，該方法實用性強且提高了對故障診斷的準確率。Zhang等人[66]針對現(xiàn)代建筑出現(xiàn)過多的電氣故障的問題，提出一種基于PNN的診斷方法。該方法可以對故障進行預測、診斷進而加以分類。實驗結(jié)果表明，該方法具有很好的可行性及實用性，其準確率可以達到90%，診斷速度達到1.7 s。Wu等人[7]針對智能建筑中存在的故障診斷問題，提出一種新型的智能故障診斷方法，即基于RBFNN的一種方法，它能夠有效地識別故障發(fā)生的原因以及故障的類型。實驗結(jié)果表明，該方法可以較準確地檢測和定位故障所在位置。Li等人[67]針對架空輸電線路易發(fā)生覆冰導致輸電穩(wěn)定性不可靠的問題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的方法。實驗結(jié)果表明，該方法可以有效地進行負荷預測，提高了故障診斷的準確率。

3.4 多智能體系統(tǒng)在建筑電氣故障診斷中的應(yīng)用

智能體（Agent）[68]的概念最初是由美國麻省理工學院的Minsky提出。多智能體系統(tǒng)（Multi-Agent System，MAS）的應(yīng)用研究起源于20世紀80年代并在90年代中期獲得了廣泛的認可。在人工智能中，智能體是一個自主性實體，它通過傳感器進行觀察，并使用執(zhí)行器對環(huán)境進行操作，并指導其活動以實現(xiàn)目標[69]。建筑電氣系統(tǒng)中存在大量具有非線性和自組織活動的相互作用構(gòu)件，利用多智能體特性的優(yōu)勢，可以更好地對建筑電氣系統(tǒng)故障進行檢測和診斷。

不少研究者將MAS應(yīng)用在建筑電氣系統(tǒng)故障診斷中。如黃水霞等人[70]針對電梯門系統(tǒng)故障復雜且分散的問題，提出一種基于MAS的故障診斷方法。實驗結(jié)果表明，該系統(tǒng)具有系統(tǒng)的可擴展性、診斷資源的可重用性、診斷過程的自主性等優(yōu)點，符合電梯復雜、分散的故障特點。Papadopoulos等人[71-72]針對多區(qū)域HVAC系統(tǒng)中隔離驅(qū)動器和傳感器故障的問題，提出一種基于MAS的方法。并且文中描述暖通空調(diào)系統(tǒng)是一個相互連接的子系統(tǒng)網(wǎng)絡(luò)，每個子系統(tǒng)都由一個監(jiān)視智能體表示。智能體與相鄰智能體通信，交換診斷信息，進行分布式故障檢測和本地故障識別。Tian等人[73]針對有源配電系統(tǒng)的故障問題，提出一種基于MAS的故障診斷方法。實驗結(jié)果表明，所提出的方法可以有效地進行故障診斷，提高了準確率和精度。

3.5 貝葉斯網(wǎng)絡(luò)在建筑電氣故障診斷中的應(yīng)用

貝葉斯網(wǎng)絡(luò)（Bayesian Network，BN）是一組由邊連接起來的隨機變量之間關(guān)系的良好表示，并在每個變量上給出了條件概率分布。它提供了一種自然的表示因果信息的方法，用來發(fā)現(xiàn)數(shù)據(jù)間的潛在關(guān)系[74]。

不少研究者利用BN對建筑電氣系統(tǒng)進行故障診斷。如Zhao等人[75]針對冷水機組故障檢測與診斷的問題，在貝葉斯置信網(wǎng)絡(luò)理論的基礎(chǔ)上提出了一種三層貝葉斯診斷網(wǎng)絡(luò)方法。除了第二層和第三層，即故障層和故障癥狀層外，研究人員還增加了第一層，即附加信息層，以確定可能的故障原因。實驗結(jié)果表明，該方法在基于不確定、不完全和沖突信息的故障診斷中有效性較高。Lin等人[76]針對供配電系統(tǒng)故障診斷中不同天氣條件下信息不確定性對故障診斷的干擾，提出了一種基于BN的故障診斷模型。實驗結(jié)果表明，所提出的故障診斷方法和故障仿真模型具有良好的魯棒性和準確性。Chien等人[77]針對配電系統(tǒng)中的故障定位問題，提出一種基于BN的故障診斷方法。實驗結(jié)果驗證了該方法的可行性。Chien[78]針對配電饋線故障定位的問題，提出了一種改進BN先驗和推理規(guī)則不一致的新方法，并與傳統(tǒng)的BN方法進行了比較。實驗結(jié)果表明，該方法在不同外界因素的影響下對配電饋線故障定位也有較好的效果。Fu等人[79]針對智能建筑配電網(wǎng)故障診斷的問題，提出一種基于WT和BN相結(jié)合的新方法。實驗結(jié)果表明，該方法對單一故障特征具有明顯的識別度且能夠非常準確地識別類型和故障部件。

3.6 決策樹在建筑電氣故障診斷中的應(yīng)用

決策樹（Decision Tree，DT）是一種歸納學習方法，其主要分為分類回歸樹（Classification And Regression Tree，CART）、ID3和C4.5等[80]。其采用自上而下的遞歸方法，基本原理為在決策樹的內(nèi)部節(jié)點中比較屬性值，然后根據(jù)不同的屬性從內(nèi)部節(jié)點發(fā)展分支，最后在葉節(jié)點處得出結(jié)論[81]。

不少研究者利用DT對建筑電氣系統(tǒng)進行故障診斷。如Liu等人[82]針對變制冷劑流量（Variable Refrigerant Flow，VRF）充注故障的問題，在CART算法的基礎(chǔ)上提出一種新的DT方法。實驗結(jié)果表明，該方法對過充故障的診斷效果較好且具有較高的分類效率，但對過充故障的診斷靈敏度較低且無法識別不同類型系統(tǒng)的數(shù)據(jù)。Yan等人[83]針對空氣處理機組故障檢測與診斷的問題，提出一種基于CART算法的數(shù)據(jù)驅(qū)動診斷策略，將CART算法用于DT的歸納，主要利用該方法對故障診斷的可解釋性。實驗結(jié)果表明，該方法對此故障有良好的診斷性能。Upendar等人[84]針對輸電線路故障分類的問題，提出一種基于WT和CART相結(jié)合的方法，其可以對不同類型的故障進行分類。實驗結(jié)果表明，該方法對故障分類準確率較高且診斷效果較好。Li等人[85]針對變制冷劑流量系統(tǒng)充注、冷凝器結(jié)垢故障的問題，提出一種基于改進DT的故障診斷方法，并與CART、隨機森林（Random Forest，RF）和廣義增強回歸（Generalized Boost Regression，GBM）三種故障診斷方法進行了比較。實驗結(jié)果表明，該方法對實驗數(shù)據(jù)集和在線測試數(shù)據(jù)集都有較好的故障診斷效果和準確率。Yu等人[86]針對VRF系統(tǒng)中制冷劑充注量的預測問題，提出了一種基于改進DT的電荷故障診斷方法。實驗結(jié)果表明，該方法提高了過量和正常電荷狀態(tài)分類的準確性，且對制冷劑充注量預測效果較好，準確率較高。

3.7 深度學習在建筑電氣故障診斷中的應(yīng)用

深度學習（Deep Learning，DL）作為人工智能方法在2006年以后才進入快速發(fā)展的階段[87]。其在建筑電氣系統(tǒng)故障診斷中的應(yīng)用方法有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和深度置信網(wǎng)絡(luò)（Deep Belief Network，DBN）兩種。

（1）CNN

1982年Fukushima提出第一個CNN，其最顯著的特點是通過訓練過程自動提取圖像特征進而實現(xiàn)故障智能分類[88]，在建筑電氣系統(tǒng)故障診斷中應(yīng)用也較為廣泛。

不少研究者利用CNN對建筑電氣系統(tǒng)進行故障診斷。如Guo等人[89]針對配電系統(tǒng)中故障定位的問題，提出一種基于希爾伯特-黃變換和CNN相結(jié)合的故障診斷方法。實驗結(jié)果表明，該方法在配電系統(tǒng)故障分類中具有精度高、適應(yīng)性強的特點，且在不同網(wǎng)絡(luò)結(jié)構(gòu)、不同負荷水平等故障條件的廣泛變化下具有較好的可靠性和魯棒性。Guo等人[90]針對配電系統(tǒng)故障饋線檢測的問題，提出一種基于連續(xù)小波變換和CNN的故障診斷方法，且與基于人工特征提取和傳統(tǒng)機器學習的故障饋線檢測方法進行比較。對比實驗結(jié)果表明，該方法在不同故障情況下的故障檢測性能更好且可靠性較高。Wang等人[91]針對冷水機系統(tǒng)故障檢測和診斷的問題，提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)和門控回歸單元結(jié)合的故障診斷方法，并且與目前最先進的算法進行對比。實驗結(jié)果表明，該方法的故障檢測性能更好且對小故障具有較好的識別率。Sun等人[92]針對空氣源熱泵系統(tǒng)漸進式故障的問題，提出一種基于一維核卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，并且與CNN、ANN等進行比較。實驗結(jié)果表明，該方法具有較高的故障診斷性能且故障診斷準確率也較高。Eom等人[93]針對暖通空調(diào)系統(tǒng)中制冷劑泄漏的故障問題，提出一種基于CNN的方法。該方法的優(yōu)點是采用分類和回歸兩種預測模型，可以用單一模型預測冷熱兩種模式下的定量制冷劑量。實驗結(jié)果表明，該分類模型的平均準確率為99.9%，具有很好的預測功能且能夠準確對故障進行分類和定位。

（2）DBN

DBN采用一種多層前饋神經(jīng)網(wǎng)絡(luò)，它主要由幾個受限制的玻爾茲曼機組成。2006年，Hinton和Salakhutdinov提出一種基于DBN的快速學習算法，該算法為DBN模型的理解與分析提供了新的路徑[94]。

不少研究者利用DBN對建筑電氣系統(tǒng)進行故障診斷。如Guo等人[95]針對變流量制冷劑系統(tǒng)故障診斷問題，提出一種基于DBN的故障診斷方法，并在此基礎(chǔ)上又提出了模型優(yōu)化的參數(shù)優(yōu)化選擇策略。實驗結(jié)果表明，優(yōu)化后的DBN模型與傳統(tǒng)的反向傳播神經(jīng)網(wǎng)絡(luò)的性能相比，前者的性能更好，準確率更高。Zhao等人[96]針對電氣設(shè)備故障診斷的問題，提出一種基于DBN的故障診斷方法。實驗結(jié)果表明，與淺層方法相比，該方法可以對故障進行更好的表示和分類。Pan等人[97]針對高壓斷路器故障診斷的問題，提出一種基于DBN和遷移學習策略相結(jié)合的新方法。實驗結(jié)果表明，與SVM、神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)的特征提取和故障診斷方法相比，結(jié)合遷移學習的DBN方法特征學習和泛化能力更強，故障診斷效果更好。表2為本文所綜述的建筑電氣系統(tǒng)故障診斷方法的對比。

表2 故障診斷方法的比較Table 2 Comparison of fault diagnosis methods

4 待解決的問題以及發(fā)展前景

目前建筑電氣系統(tǒng)故障診斷還處于起步階段，建筑電氣系統(tǒng)故障診斷研究的方法尚未滿足社會需求，還存在以下一些問題：

（1）新的故障診斷方法的應(yīng)用研究。基于人工智能的方法在解決建筑電氣系統(tǒng)故障診斷問題上有著巨大的潛力，但仍需要進一步的研究來開發(fā)有效的、高效的、可擴展的和可靠的故障診斷方法以進行實際應(yīng)用。如深度殘差收縮網(wǎng)絡(luò)的應(yīng)用，它是將軟閾值化作為非線性層引入深度殘差網(wǎng)絡(luò)結(jié)構(gòu)之中。由于建筑電氣系統(tǒng)故障類型繁多，采用深度殘差收縮網(wǎng)絡(luò)對復雜數(shù)據(jù)有很好的故障特征提取效果，可提高故障診斷的準確率。

（2）建筑電氣系統(tǒng)故障診斷的實際應(yīng)用還有所欠缺?，F(xiàn)有的方法大多是利用模擬數(shù)據(jù)或?qū)嶒灁?shù)據(jù)進行檢測和診斷的，目前人工智能算法在建筑電氣系統(tǒng)故障診斷的應(yīng)用還僅限于一些局部構(gòu)件，如洗衣機、空調(diào)等一些家用設(shè)備，距離實現(xiàn)應(yīng)用到實際整體的建筑中還存在著差距[5]。

（3）難以構(gòu)造精準的數(shù)學模型和參數(shù)調(diào)整。目前缺乏可靠和有效的方法來調(diào)整模型參數(shù)，進而開發(fā)建筑電氣系統(tǒng)故障檢測與診斷模型。在已有的研究中，對參數(shù)進行了優(yōu)化，以獲得對測試數(shù)據(jù)和訓練數(shù)據(jù)的最佳性能。該模型在建筑電氣系統(tǒng)故障檢測與診斷中是否具有可接受的泛化能力尚未可知。

（4）故障數(shù)據(jù)采集、訓練及測試。實驗條件的局限性導致數(shù)據(jù)采集比較困難，且訓練數(shù)據(jù)的一個主要特點是不能覆蓋所有可能的情況。然而在現(xiàn)有的研究中，訓練數(shù)據(jù)和測試數(shù)據(jù)是從同一個數(shù)據(jù)集中隨機選取的，無法區(qū)分是否通過過擬合獲得了優(yōu)異的故障檢測與診斷性能。

針對以上問題，未來的研究主要包括以下幾方面：

（1）基于多模態(tài)數(shù)據(jù)融合技術(shù)的研究?，F(xiàn)如今是大數(shù)據(jù)的時代，多模態(tài)數(shù)據(jù)融合技術(shù)的應(yīng)用將會越來越廣泛，取長補短可以有效地提高建筑電氣故障診斷的準確率和精度。多模態(tài)數(shù)據(jù)融合描述了跨不同模式集成來自多個異構(gòu)渠道的不同數(shù)據(jù)的過程，目的是以更可用的形式產(chǎn)生信息[98]。如當建筑電氣設(shè)備發(fā)生故障時，設(shè)備一定會有某些狀態(tài)發(fā)現(xiàn)變化。在建筑電氣系統(tǒng)中，可以利用多種傳感器探測設(shè)備狀態(tài)，系統(tǒng)會提取出數(shù)據(jù)中的特征信息，并將這些特征信息反饋給信息融合中心，信息融合中心基于一定的規(guī)則對各種特征信息進行處理，最終做出故障是否存在的推斷和決策。

（2）建筑電氣故障診斷工程應(yīng)用研究。雖然說建筑電氣不同故障同時發(fā)生的概率較小，但是也應(yīng)當加以重視，一旦發(fā)生故障，同樣會產(chǎn)生十分嚴重的后果，且目前的實驗數(shù)據(jù)很難應(yīng)用到實際工程，在實際應(yīng)用中有一定的局限性，如計算量很大，故障分類易出錯等，因此如何將模擬數(shù)據(jù)應(yīng)用到實際工程以及建筑電氣系統(tǒng)復合故障診斷問題的解決是一個重要的研究方向。

（3）模型的構(gòu)造以及改進參數(shù)優(yōu)化選擇。由于在實踐中很難對系統(tǒng)進行精確的數(shù)學建模，以及系統(tǒng)復雜導致參數(shù)繁多，針對建筑電氣系統(tǒng)故障數(shù)據(jù)數(shù)學模型的構(gòu)造以及新的參數(shù)優(yōu)化選擇策略的開發(fā)是一個重要的發(fā)展方向。例如WT模型參數(shù)小波基和小波分解層數(shù)。小波基的選擇主要依據(jù)小波和要處理信號的相似程度，小波基的緊支性、對稱性、正交性、正則性、消失矩等。小波分解層數(shù)的選擇需要根據(jù)信號頻率的范圍、時域的變化幅度進行選擇。SVM模型參數(shù)有懲罰系數(shù)和gamma值。當使用SVM的高斯核函數(shù)（RBF）的時候，如果發(fā)現(xiàn)訓練數(shù)據(jù)上的準確率低，可以試著調(diào)大懲罰系數(shù)和gamma值，反之相反。DBN模型參數(shù)[95]隱藏層神經(jīng)元節(jié)點數(shù)、RBM層和NN層的周期數(shù)、RBM層和NN層的學習率和隱藏層深度。隱藏層節(jié)點數(shù)的選擇方法有經(jīng)驗公式選擇法和網(wǎng)格搜索法。RBM周期數(shù)的選擇可以通過一段周期范圍內(nèi)的重構(gòu)誤差來判斷，可以根據(jù)訓練損失和故障診斷的準確率來選擇NN層的周期數(shù)。學習率選擇范圍為0~1，建議初始選擇使用指數(shù)增長作為區(qū)間，在初始范圍確定后，再用小區(qū)間優(yōu)化學習率。層深的選擇需要考慮模型的診斷性能和建立模型所需的時間。

（4）建筑電氣故障數(shù)據(jù)采集系統(tǒng)的完善[5，99]。外界環(huán)境如溫度、濕度等會對數(shù)據(jù)有一定的影響，并且數(shù)據(jù)采集十分繁瑣，因此完善數(shù)據(jù)采集系統(tǒng)以便更好地應(yīng)用于故障診斷在未來也是一個重要的研究課題。

5 總結(jié)

采用人工智能算法的建筑電氣系統(tǒng)故障診斷是該領(lǐng)域主要的發(fā)展方向，但是目前還處于起步階段。本文主要闡述了信號分析、解析模型和人工智能算法三種用于建筑電氣系統(tǒng)故障診斷的典型方法，相應(yīng)介紹了這些方法的優(yōu)點、局限性和不少學者的研究成果，說明了目前應(yīng)用最為廣泛的是人工智能算法，最后概述了建筑電氣系統(tǒng)故障診斷中還存在的不足以及發(fā)展前景。