建筑电气系统故障诊断方法研究

李浩儒 中国核电工程有限公司河北分公司

电能已成为人类最重要的能源之一，建筑电气系统在保障人们日常生产生活方面发挥着重要作用。伴随着用电量大幅度增加，电气火灾作为一种主要灾害类型，给人民的生命和财产造成的损失也与日俱增。当电气火灾故障发生后，探测器虽然能够感知故障现象的存在，但不能准确提供故障的位置信息，很大程度上延误了电气故障处置时机，可能导致事故升级。目前电气故障定位研究主要集中于高压电力系统输电线缆，而在建筑电气系统的方面故障定位研究还较少，建筑电气系统的故障定位主要依靠人工排查来实现，对于短路，由于故障现象明显很容易排查，而诸如接触不良、过载、断相、漏电等电气故障，隐蔽性较强，很难及时发现并排除，电气火灾隐患将长期存在，很容易引发电气火灾事故。

一、贝叶斯方法

贝叶斯方法是在理论的基础上进行发展而得到的推理统计方法。该种方法是以贝叶斯公式为基础，基于现有的样本信息先验信息，对后验信息进行计算分析，从而推算未知参数的方法。对先验信息在基于样本信息的基础上进行调整，以取得后验信息即为贝叶斯定理。

（一）贝叶斯网络

当前最为理想的概率推理模型即为贝叶斯网络，其理论基础较为严格，能够根据较为形象的图形来取得相关知识，并按照条件概率的方式进行随机变量影响程度的表达，当前在不确定问题的推理分析上多有应用。将贝叶斯网络应用到故障诊断当中，主要环节包括建立网络节点间的连接关系，再确定各节点条件概率分布情况。以有向无环的方式进行贝叶斯网络结构模型的建立，系统变量以节点的方式表示，各变量间的因果关系和相关程度则通过有向边和条件概率的方式表达。在建模完成之后，该网络即代表了模型的最佳知识，可通过相关计算公式求解各变量的依赖关系以及概率分布情况。在获得具体模型信息数据之后，将其输入该网络结构中，即可以全局更新的方式更换各自的因果关系和变量。

（二）朴素贝叶斯分类器

通过各待分类项，对各分类项中可能出现的各类别概率进行计算，通过有着最大概率分布的类别确定众多分类项的归属类别即为朴素贝叶斯分类的主要思想。对于朴素贝叶斯分类器而言，需先确定样本数据中各类别出现的最大可能性，即极大后验假设。此过程可通过贝叶斯公式进行计算确定。

二、基于贝叶斯网络的建筑电气故障诊断系统

文章基于某实验平台为背景，取得了10 组故障数据。在建筑物结构中，线路阻抗、电阻连续性故障、接地电阻以及绝缘电阻故障是较为常见的电气系统故障类型，为便于后续分析，文章将分别用E1 到E5 的符号来代表上述故障类型。将贝叶斯结构输入MATLAB 中，以建立计算模型。若需定义贝叶斯网络，需指定其具体参数，文章所采用的方式为矩阵方式，即当有一条有向边出现在i 节点到j 节点之间时，所对应矩阵为1，反之则为0。为便于分析，文章将节点各自编号定义如下：以1～5 的数字代表E1 到E5 故障类型，以6～15 代表10 种故障类型。文章共采集了55 组试验数据，其中各组维数均为10，并且每隔开11 组即确定一种设定状态，以确定网络模型汇中的条件概率分布情况。基于诊断电气故障的工作特点，在按照上述方法确定条件概率分布情况，并学习了少量数据参数之后，能够显著提高建筑电气故障诊断的精度。在所采集的55 组数据中，用于参数学习的共有25 组。

从具体诊断结果来看，当建筑电气系统出现E1 故障时，所建立模型中的贝叶斯网络在学习参数的前后均表现出能够对E1 故障进行诊断的结果。在学习参数前，诊断E1，E2 和E3 故障出现的诊断概率分别为0.834、0.2442 以及0.3165；在完成参数学习之后，诊断E1，E2，E3 故障出现的诊断概率分别为0.9146、0.1647 以及0.2184。可见，在学习完参数之后，能够较好地提高模型诊断精度。在学习参数前后E4 和E5 的故障发生概率均为0.0916。

对贝叶斯诊断模型在参数学习前后的分类效果进行测试可发现：在诊断测试中共进行了8 组试验，其中出现了错误分类的分别为5、7、9 号样本。当模型学习完参数之后，共对15 组试验开展了诊断测试，在此过程中，贝叶斯诊断模型能够完整有效地诊断出15 组样品的故障类型。由此可知，在学习完参数之后，贝叶斯故障诊断的效果明显提高，能够在不断更新的建筑电气系统中应用。

三、结束语

文章主要对贝叶斯方法及其网络等理论内容进行了探讨。通过朴树贝叶斯的理论方法，基于某实验平台所获取的故障数据，建立其电气故障的诊断模型。在贝叶斯网络中应用朴素贝叶斯获取了条件概率分布情况，并对参数学习前后数据进行了对比，确定出参数学习前后模型诊断效果，基于仿真测试结果可知，该模型能够取得较好的故障诊断效果。通过上述分析可知，该诊断模型在学习完参数之后，通过贝叶斯模型能够较好地自我调整，从而显著提高了诊断的精度。随着样品诊断数量的提高，该诊断模型的诊断精度不断提高，该种增量特点能够使得模型精度以增加样本数量的方式不断叠加，具备足够的优势。但对于其诊断精度而言，因朴素贝叶斯分类器所需的样本数据支撑量较大，尚不适合在小样本中使用。