摘要：為解決建筑電氣系統(tǒng)故障診斷和監(jiān)測中高度依賴人工巡查和檢測，自動化程度低下導致故障診斷滯后的問題，有必要研究以智能化的監(jiān)測方法或手段診斷出故障位置，達到高效和經(jīng)濟的目的。本文以實際工程案例為依托，在研究建筑電氣故障事故的監(jiān)測基礎上，以此為機器學習樣本，提出基于BP神經(jīng)網(wǎng)絡法和ELM機器極限學習機法的建筑電氣故障診斷方法。研究結果可為新建建筑或者老舊小區(qū)改造的建筑電氣故障診斷和監(jiān)測提供方法和案例。

關鍵詞：故障診斷；BP神經(jīng)網(wǎng)絡法；建筑電氣；監(jiān)測方法；ELM極限學習機法

現(xiàn)代建筑是一個復雜的系統(tǒng)工程，包含了結構工程、給排水工程、電氣工程等。由于智能建筑技術的發(fā)展和建筑使用者對建筑功能的多樣化需求，不同的建筑物對建筑電氣系統(tǒng)的功能要求也不一致，導致建筑電氣系統(tǒng)也日益復雜化、多樣化。依靠以往的人工巡查和檢測，需要依賴于人工經(jīng)驗，自動化程度低，效率低下且浪費大量的人力，對于故障的診斷時效存在明顯不足。為保證建筑電氣能夠安全運行，有必要研究以智能化的監(jiān)測方法或手段診斷出故障位置，達到高效和經(jīng)濟的目的，預防由于建筑電氣超負荷運轉(zhuǎn)導致的短路、斷電、電氣火災等事故，以保證建筑電氣功能的實現(xiàn)和建筑使用者的安全，提供一個人性化的生活環(huán)境。

1建筑電氣系統(tǒng)故障的監(jiān)測

建筑電氣系統(tǒng)主要分為供電系統(tǒng)和用電系統(tǒng)。其中供電系統(tǒng)是將電源輸送至用電設備；用電系統(tǒng)又可以細分為弱電系統(tǒng)、照明系統(tǒng)和動力系統(tǒng)，弱點系統(tǒng)由消防報警系統(tǒng)、電話通訊系統(tǒng)和有線電視組成，動力系統(tǒng)是指將建筑電梯、給排水水泵以及通風空調(diào)功能設備等，照明系統(tǒng)是滿足人們生產(chǎn)生活，提供光源和視覺環(huán)境的系統(tǒng)，主要為燈具照明。由上可知，建筑電氣的故障分析受到多種因素的影響，目前尚未有一個適用于全面故障診斷的理論方法，但是對于一般的建筑電氣故障可以根據(jù)以往的建筑監(jiān)測檢測中進行總結，并作為機器學習的樣本。經(jīng)過大量的工程總結，對建筑電氣系統(tǒng)出現(xiàn)的故障進行監(jiān)測，監(jiān)測異常現(xiàn)象主要可以分為以下6類，如圖1所示。從圖1a中可以看出，A相發(fā)生單線接地故障時，其電壓出現(xiàn)明顯的下降，B相和C相的電壓則相反，其電壓幅值上升，但B相和C相的電流保持不變，而A相的電流激增；從圖1b中可以看出，A相和B相發(fā)生短路事故時，兩者的電壓相位發(fā)生變化，電壓線性發(fā)生畸變，在電流曲線上表現(xiàn)出激增，而C相的電壓和電流均保持不變；從圖1c中可以看出，A相和B相發(fā)生短路接地故障時，A相、B相和C相的電壓出現(xiàn)畸變和激增，在電流上，A相、B相的電流明顯增加而C相電流保持不變；從圖1d中可以看出，A相、B相和C相均發(fā)生短路故障時，電壓幅值明顯下降，而電路則激增十幾倍，出現(xiàn)此現(xiàn)象時，應立即斷電否則會對電氣設備產(chǎn)生不可逆的嚴重損害；從圖1e中可以看出，A相發(fā)生單箱缺相故障后，它的電流值直降至0，電壓也隨之上升，而B相和C相的電壓和電流保持不變；從圖1f中可以看出，A相、B相和C相均發(fā)生斷相故障時，三者的電流均直降至0，而電壓仍維持在原先的水平。

2基于BP神經(jīng)網(wǎng)絡法的建筑電氣故障診斷及實現(xiàn)

BP神經(jīng)網(wǎng)絡算法是在仿生學基礎上發(fā)展出來的數(shù)學系統(tǒng)計算算法，它通過模擬生物的神經(jīng)信號傳遞過程對輸入信號進行學習訓練，并不斷地進行優(yōu)化隱藏層的權函數(shù)，以達到理想的參數(shù)輸出，為決策提供定量化和自動化計算的目的，它廣泛應用于工程管理、圖像優(yōu)化、計算機學習以及人工智能等領域。在建筑電氣領域，它可以應用于電氣故障排查和診斷、優(yōu)化電氣線路，為建筑電氣管理人員的決策提供依據(jù)。BP神經(jīng)網(wǎng)絡的基本原理如圖2所示，它是正向?qū)W習的及其學習方法，其層次主要分為3層，分別為輸入層、隱藏層（可以為多個層級，如圖2中所示，有兩層隱藏層）和輸出層。輸出層中包含了大量的訓練樣本，將其與訓練集中的樣本進行學習訓練，即經(jīng)過隱藏層的運算和傳遞，達到輸出層，輸出層參數(shù)結果與實際值進行對比，如果兩者出現(xiàn)誤差，則通過調(diào)整隱藏層的權函數(shù)值、閾值等，直到計算結果達到精度要求，即為期望的優(yōu)化結果。對于圖1中的輸入層參數(shù)假設為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，各個隱藏層的權值函數(shù)如方程（1）、方程（2）所示。各個隱藏層的閾值可以用公式（3）、公式（4）所示。輸出層參數(shù)結果與實際值的誤差如公式（5）所示。對誤差求偏導，將偏導賦值為零即為得到各層的閾值函數(shù)，如公式（6）、公式（7）所示�；�于BP神經(jīng)網(wǎng)絡法建立建筑電氣故障診斷模型，輸入?yún)��?shù)分別為故障發(fā)生后的三相電壓值、三相電流值、三相電壓畸變率和三相電流畸變率，對110個樣本進行學習，采用120次的迭代，將訓練目標誤差設定為0.0035，得到診斷結果如圖3所示。從圖中可以看出，在110個樣本中，12個樣本點的誤差偏離0，但誤差范圍在-1%~2%之間，得到的輸出結果與預期符合程度較好。

3基于ELM極限學習機法的建筑電氣故障診斷及實現(xiàn)

盡管BP神經(jīng)網(wǎng)絡法具有多隱藏層的結構，加大了診斷計算能力，但是也存在著一些明顯的缺點，比如對學習率η值敏感，導致計算結果收斂慢或者不容易收斂。因此在基于BP神經(jīng)網(wǎng)絡算法的基礎上發(fā)展出了ELM極限學習機法，它與BP神經(jīng)網(wǎng)絡算法最大的不同是在中間隱藏層中具有不固定的隱藏層神經(jīng)元數(shù)目，在計算過程中可以不斷修改隱藏層神經(jīng)元的數(shù)目，以達到快速計算和全局最優(yōu)搜尋的目的。同樣地，在ELM極限學習機中，建立輸入層與隱藏層之間的權值函數(shù)如方程（8）所示、建立隱藏層與輸出層之前的權值函數(shù)如方程（9）所示。設定輸入層參數(shù)假設為x=[x1，x2，……xm]，實際樣本值為y=[y1，y2，……yn]，可以得到基于ELM極限學習機法的計算輸出值，如方程（10）、方程（11）所示。法采用仿真軟件建立建筑電氣故障診斷模型，輸入?yún)��?shù)分別為故障發(fā)生后的三相電壓值、三相電流值、三相電壓畸變率和三相電流畸變率，對110個樣本進行學習，采用120次的迭代，得到診斷結果如圖4所示。從圖中可以看出，在110個樣本中，3個樣本點的誤差偏離0，比BP神經(jīng)網(wǎng)絡的計算誤差大大減小，但誤差范圍在-8%~2%之間，得到的輸出結果與預期符合程度較好。

4BP神經(jīng)網(wǎng)絡法與ELM極限學習機法的對比分析

以內(nèi)蒙古呼和浩特市某安置房小區(qū)一期為研究對象，小區(qū)位于城區(qū)東北角區(qū)域核心商圈范圍，附近已有配套公用設施，交通便利。項目包含4棟住宅樓，均為混凝土框剪結構，樓棟地上建設15層，地下建設1層地下車庫，小區(qū)現(xiàn)有住戶130戶，每戶建筑面積約98m2，根據(jù)設計規(guī)范，每個樓棟內(nèi)的電力設計負荷為15kW，使用三相線路進行供電，小區(qū)共配備了5臺總配電箱。分別基于BP視神經(jīng)網(wǎng)絡法和ELM極限學習機法對工程實例的建筑電氣故障建立仿真模型進行分析，得到仿真計算結果如表1所示。從表1中可以看出，基于BP視神經(jīng)網(wǎng)絡法在單相接地、單相缺相預測上存在較大的誤差，而ELM極限學習法則在單相階地。兩相短路的預測上準確率相對較��；基于BP視神經(jīng)網(wǎng)絡法的故障平均預測準確率明顯低于ELM極限學習法的故障平均預測準確率，BP視神經(jīng)網(wǎng)絡法的故障預測時間耗費0.475s，而于ELM極限學習法的故障預測時間耗費0.202s，后者比前者的計算效率提高約一倍，因此在建筑電氣系統(tǒng)故障診斷中，可以優(yōu)先選用ELM極限學習法

5結論

以內(nèi)蒙古呼和浩特市某安置房小區(qū)一期為依托，在研究建筑電氣故障事故的監(jiān)測基礎上，以此為機器學習樣本，基于BP神經(jīng)網(wǎng)絡法和ELM機器極限學習機法對建筑電氣故障進行診斷，得出以下幾個結論：

5.1對建筑電氣系統(tǒng)出現(xiàn)的故障進行監(jiān)測，監(jiān)測異�，F(xiàn)象主要可以分為6類，即單相接地故障、兩相短路接地故障、三相短路故障、兩相短路故障、單相缺相故障、三相缺相故障。

5.2基于BP視神經(jīng)網(wǎng)絡法在單相接地、單相缺相預測上存在較大的誤差，而ELM極限學習法則在單相階地。兩相短路的預測上準確率相對較�。换�于BP視神經(jīng)網(wǎng)絡法的故障平均預測準確率明顯低于ELM極限學習法的故障平均預測準確率，后者比前者的計算效率提高約一倍，因此在建筑電氣系統(tǒng)故障診斷中，可以優(yōu)先選用ELM極限學習法。