一种基于CS模型的建筑电气故障诊断_石磊.pdf

-75-CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2023中国科技信息 2023 年第 7 期两星推荐随着我国城镇化进程的不断加快，城市建筑面积和总体规模也不断扩大。在这种情况下，城市建筑的电气系统消耗的能源总量也不断增加。为了提高建筑电气系统的运行效率，降低能源消耗，建筑电气智能化成为一条重要的发展途径。建筑电气系统的智能化，可以给整个建筑工程节省 10%以上的成本，并且可以减少一半以上的电气系统能耗。建筑电气智能化的一个重要手段，就是对电气系统故障进行故障诊断，代替人工定期巡检、人工经验判断，通过传感器及采集的数据，结合智能分析算法形成对电气系统工作状态的评估。故障诊断是建筑电气安全可靠运行的重要保障，但也受到当前现实条件的一些制约。常规的建筑电气系统，包括了建筑供配电部分、防雷部分、照明部分。但随着城市建筑的功能日益丰富，其电气系统的配置也日益复杂，除了上述三个常规组成部分，又增加了空调电气部分、给排水电气部分、消防电气部分等。在这种情况下，本文提出了一种基于 CS 模型的建筑电气故障诊断方法，以期用更加精简的数据对建筑电气进行更加准确的故障诊断，提升建筑电气故障诊断的效率。建筑电气系统的故障原因及分类（1）建筑电气系统的故障原因建筑电气系统因为内置于建筑物内，建筑物规模的庞大和内部结构的复杂性，导致了建筑电气系统出现故障的原因也十分复杂。加之建筑电气在使用和维护的过程中，人为操作存在的一些疏漏、环境温湿度的非规律变化，都会进一步加剧电气系统故障的复杂度。建筑电气系统发生故障的主要原因包括：第一，建筑电气的硬件布置包括设备和线缆，在较长时间内都维持在固定的位置、固定的状态。由于使用周期过长，会受到其所在环境温度和湿度等条件的持续影响，因此发生老化故障的风险极大。第二，建筑电气的关键设备和关键线路，一般附加保护装置。保护装置的及时信息回传，可以在第一时间发现可能出现的故障。但是，受到周围环境的影响，如强电场、强磁场等干扰的存在，保护装置的通信质量有时难以保证，会导致信息回传缺失、延误等情况的发生。第三，人工巡检方式一般采用定期形式，在两个巡检周期之间的空白期，就无法及时发现建筑电气可能出现的安全隐患。即便是一些小的隐患，不断累积和持续放大，也会逐行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度石磊（1969），山东临邑，本科，高级工程师，天津市长城建筑设计有限公司，研究方向：建筑电气。一种基于 CS 模型的建筑电气故障诊断石 磊中国科技信息 2023 年第 7 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2023-76-两星推荐渐演变成较为严重的故障。同时，人工巡检的故障检出率受到工人经验、态度、身体状况的综合影响，有时无法保证检测质量。（2）建筑电气系统的故障分类建筑电气系统的常见故障，可以分为线路阻抗故障、连续性电阻故障、接地系统故障、绝缘故障四大类。其中，线路阻抗故障又可以分内过负载故障、用电设备接触不良故障两种形式；连续性电阻故障又可以分为电机启动故障、变压器内绕组的绝缘击穿故障、断路器互感器使用不当故障三种形式；接地系统故障又可以分为接地装置异常故障、接地电网零线带电故障、接地点土壤电阻率过高故障三种形式；绝缘故障又可以分为绝缘体损坏故障、保护导体漏电故障两种形式。建筑电气系统的故障分类，如图 1 所示。建筑电气系统的线路阻抗故障，是指相邻线路间在电流流过时，因电磁感应定律会存在互感从而产生互感阻抗，这一阻抗的存在会影响线路间正常的电流流动。建筑电气系统的导体连续性故障，是指线路中线芯、关键部位的金属连接件，因为导体属性缺失导致出现较大电阻，从而无法进行正常的电能传输和电力输送。建筑电气系统的接地系统故障，是指地点并不是真正意义上的零电位点，从而导致其参考电位意义的缺失。同时，因为建筑电气系统的复杂性，其内部会存在各种形式的地点，这些地点之间的电位不平衡，也是接地系统故障。建筑电气系统的绝缘故障，是指线路或关键部件的绝缘功能失效，从而导致短路现象的发生。绝缘故障的危害最为严重，会直接导致电气明火而引发火灾。基于 CS模型的故障信息压缩在信号传输领域，香农奈奎斯特采样定理是一条具有普适性的通用定理。按照这一定理的规定，采样信号的频率必须达到原始信号频率的两倍甚至更高倍数，才有可能获得有意义的采样，得到的采样信号才能复现出原始信号。但是，香农奈奎斯特采样定理也带来了一个突出问题，按照高频进行采样获得的数据量就比较大。对于建筑电气系统的故障诊断而言，不仅要同时监测多种类型的信息，并且需要长时间监测，再按照香农奈奎斯特采样定理进行采样提取信号，就会出现信息量十分庞大的情况。建筑电气故障相关信息的采集量过大，不仅会出现信息冗余，更会给故障诊断算法到诊断结果的生成带来巨大的计算量，从而导致诊断效率下降。为此，本文采用压缩感知模型（Compressed Sensing Model，简称 CS 模型），用更小的数据量来表示建筑电气的原始信号。相比于香农奈奎斯特采样定理，CS 模型的最大优势，就是用更低的频率进行采样。在获得比较稀疏的数据信息之后，CS 模型按照一定的规则进行重构，也可以复现出原始信号，从而大大减少数据量的存储和后续的计算、诊断等处理。可见，稀疏表示是 CS 模型处理大规模数据的前提和基础。稀疏表示可以实现的条件是，如果建筑电气状态的观测值沿着时间轴线上只有少数的非 0 值，那么这个观测信号就可以进行压缩，即稀疏表示。但是，在正常信号域上是无法进行这种稀疏表示的，CS 模型一般要将信号或观测数据变化到其他表达域，如傅立叶变换域、频率域、小波变换域等。在变换域上，信号或观测数据的冗余量可以大规模去除，实现信号或观测量的压缩和稀疏表示。在对信号或观测数据进行稀疏表示之后，如何从这个稀疏信号中重构出原始信号，是 CS 模型的核心工作。这涉及从稀疏数据到稠密数据、从低维空间到高维空间的转换，本文采取两个范数处理的逼近求解方法，实现 CS 模型对稀疏信号的重构。基于 0 号范数的重构处理，其核心公式如下：xytsxx=.minarg0?（1）这里，x代表建筑电气系统信号（此处以经是经过 CS模型的稀疏表达之后的效果），x?代表按照 0 号范数逼近求解复现出的建筑电气系统信号，0minarg代表对其内的数据进行 0 号范数的逼近求解运算，y代表建筑电气系统信号的观测值，代表观测矩阵。基于 1 号范数的重构处理，其核心公式如下：xytsxx=.minarg1?（2）这里，x代表建筑电气系统信号（此处以经是经过 CS模型的稀疏表达之后的效果），x?代表按照 0 号范数逼近求解复现出的建筑电气系统信号，1minarg代表对其内的数据进行 1 号范数的逼近求解运算，y代表建筑电气系统信号的观测值，代表观测矩阵。按照 1 号范数的逼近处理，对原始信号进行稀疏表达再重构之后的效果如图 2 所示。从图 2 中可以看出，相比于原始信号，重构信号虽然基图 2 原始信号稀疏表达再重构之后的效果图 1 建筑电气系统的故障分类-77-CHINA SCIENCE AND TECHNOLOGY INFORMATION Apr.2023中国科技信息 2023 年第 7 期两星推荐于稀疏数据进行，但是原始信号中大部分有效波形都得到了保留和复现。基于 CS-KNN的故障诊断方法经过 CS 模型的压缩处理，可以得到建筑电气系统信号的稀疏表达。这样，持续观测得到的数据量也不会很大，可以提升故障诊断效率。在进一步的故障诊断中，对已经得到的 CS 信号，进行 KNN 聚类诊断处理。KNN 方法的执行思路非常清晰，通过确定为故障的数据值的设定，得到了可以作为故障类型判断标准的先验信息。其后，对于重构出的 CS 信号，与各个故障标准值进行距离计算并比对，距离最小的就是最为可信的故障类型判别结果。可见，CS-KNN 故障诊断方法的关键，在于重构信号值和故障标准值之间距离的计算。这里一般采用以下几种方法：（1）重构信号值和故障标准值之间的欧式距离欧式距离是数学领域非常常用的距离计算方式，对于本文要解决的建筑电气系统的故障诊断同样适用，其形式如下：=niiibabad12)(),(（3）这里，a代表了重构信号值，b代表了故障标准值，ai代表了重构信号值在欧式空间中的第 i 维坐标，bi代表了故障标准值在欧式空间中的第 i 维坐标，d（a，b）代表了重构信号值和故障标准值之间的欧式距离。（2）重构信号值和故障标准值之间的曼哈顿距离曼哈顿距离的计算方法和欧式距离的计算方法有一定不同，一个是采用差绝对值，一个是采用差方再开根号，但其内涵是基本一致的。曼哈顿距离的计算形式，如下：=niiibabad1),(（4）这里，a代表了重构信号值，b代表了故障标准值，ai代表了重构信号值在曼哈顿空间中的第 i 维坐标，bi代表了故障标准值在曼哈顿空间中的第 i 维坐标，d（a，b）代表了重构信号值和故障标准值之间的曼哈顿距离。建筑电气系统的故障诊断实验在前面的工作中，构建了建筑电气系统信号的 CS 压缩方法和 CS-KNN 故障诊断方法，此处通过故障诊断实验检验所提出方法的有效性。根据图 1 给出的建筑电气系统常见的 4 大类故障、10 小类故障，设定故障变量映射表，如表 1所示。表 1 各类故障的变量映射4 大类故障变量10 小类故障变量线路阻抗故障A过负载故障A1线路阻抗故障A用电设备接触不良故障A2连续性电阻故障B电机启动故障B1连续性电阻故障B变压器内绕组的绝缘击穿故障B2连续性电阻故障B断路器互感器使用不当故障B34 大类故障变量10 小类故障变量接地系统故障C接地装置异常故障C1接地系统故障C接地电网零线带电故障C2接地系统故障C接地点土壤电阻率过高故障C3绝缘故障D绝缘体损坏故障D1绝缘故障D保护导体漏电故障D2接下来，根据表 1 的故障-变量映射关系，连续从建筑电气系统中采集 3 万个数据，按照本文提出的 CS-KNN 方法进行故障诊断。为了形成同本文方法诊断效果的比较，选择BP神经网络方法和SVM支持向量机方法作为参照方法。三种方法对各类故障诊断的准确率如表 2 所示。表 2 三种方法对建筑电气系统故障诊断准确率的对比变量故障类型准确率BP 方法SVM 方法 本文方法A1过负载故障90.3%83.2%95.9%A2用电设备接触不良故障89.2%85.4%97.1%B1电机启动故障88.1%84.3%98.4%B2变压器内绕组绝缘击穿故障89.8%86.7%97.7%B3断路器互感器使用不当故障90.7%82.9%96.5%C1接地装置异常故障87.5%85.4%98.2%C2接地电网零线带电故障89.3%88.6%97.4%C3接地点土壤电阻率过高故障88.9%86.6%95.6%D1绝缘体损坏故障87.4%85.5%97.9%D2保护导体漏电故障88.2%87.2%98.3%从表 2 中三种方法故障诊断准确率的对比，可以直观地看出：本文提出的 CS-KNN 方法获得的故障诊断准确率最高，全都达到了 95%以上；其次是 BP 方法，故障诊断准确率平均超过了 88.5%；SVM 方法则相对较差。这一对比结果充分证实了本文方法在故障诊断准确率方面的优势。进一步比较三种方法故障诊断的速度，对 3 万个测试数据的故障诊断，本文方法耗费了 101.2s，SVM 方法耗费了235.8s，BP 方法耗费了 546.7s。可见，本文方法的故障诊断速度最快，用时大大低于其它两种方法。究其原因，本文在故障诊断之前对于建筑电气系统数据的压缩处理，为后续故障诊断用时的减少创造了条件。结语建筑电气系统的故障诊断，关系到建筑本身及城市的安全。本文，首先对建筑电气系统的常见故障进行了分类，梳理了线路阻抗故障、连续性电阻故障、接地系统故障、绝缘故障 4 大类故障及 10 小类故障。据此，提出了对冗余电气系统数据进行压缩处理和稀疏表达的 CS 模型。进一步，提出了 CS-KNN 方法用于建筑电气系统的故障诊断。实验过程中，选择了 BP 方法、SVM 方法作为参照方法。实验结果表明：对于建筑电气系统的 10 小类故障，本文方法均获得了更高的诊断准确率，并且诊断速度更快。