摘要：如果建筑电气系统出现故障，不仅会影响建筑使用者的正常生活，还可能引起火灾进而威胁人员生命安全。研究了如何进行电气系统故障诊断，分析电气系统故障的类型，研究SVM和基于压缩感知理论的诊断方法，帮助技术人员开拓诊断技术研究思路，提升建筑电气系统的安全性。

关键词：建筑;电气系统;故障诊断技术

引言

建筑电气系统的运行会受到很多因素的影响，导致电气系统运行出现故障，进而影响建筑内人员的正常用电。为了保障电气系统的稳定性，及时解决建筑电气系统的问题，就需要利用相关技术快速诊断电气系统故障，并及时进行调控。

1建筑电气系统组成和分类

结合建筑电气系统的电能特性，可将电气系统大体分为强电系统和弱电系统，强电系统包括变配电系统、动力系统、照明系统以及防雷系统，弱点系统包括通信系统、广播系统及天线系统。

根据功能可分为以下几种系统类型。（1）供配电系统。供配电系统包括建筑的发电系统、输电系统、配电系统，能够实现电压变换、电能分类和电力输送的功能。（2）建筑弱电系统。一般而言，除动力系统、照明系统外，其他系统全部归类为弱电系统，主要完成建筑内的信号传递和信息交流。（3）动力系统。动力系统主要为建筑物内的动力装置供电，包括电梯传动、空调、供暖设备、水泵等，动力系统中的设备主要将电能转换为机械能输出，保证机械设备正常工作。（4）照明系统。建筑的照明系统主要完成电能到光能的转换，利用照明系统能给居住者提供舒适的生活环境，包括供电电源、电线、照明系统控制设备组成，可以完成对照明系统的光能分配。

2建筑电气系统常见故障

2.1电气系统线路故障

线路故障是电气系统的主要故障，而且一旦线路出现故障，除了会导致触电和停电等问题，还会由于绝缘燃烧引发火灾。线路故障进一步分为架空线路故障和电缆线路故障。架空线路长期裸露在室外，直接受到风吹、雨淋、雷击等环境因素影响，或者由于空气湿度变化、温度变化导致电路被腐蚀损坏。电缆可能出现绝缘击穿、机械损伤、端头污闪等故障。一些电气电路由于局部负载过高，或者出现短路、基础不良等问题，线路将会出现负载过高导致温度升高、烧毁线路的绝缘、火灾等问题。

2.2电气动力系统故障

建筑电气系统中的动力系统可为整个建筑供电，包括变压器、断路器、电机、互感器等，容易出现局部过热、局部放电等故障问题，经过长期使用后，变压器还会出现绝缘老化的情况，容易引起火灾。电气动力系统的断路器可能会出现机械传动机构磨损失灵，或者由于气密性降低导致断路器不能正常使用，如出现拒分、误跳、分闸误闭锁等。

2.3防雷接地故障

防雷接地系统是建筑物电气系统中的关键部分，可确保建筑物遭遇雷击之后将雷电电流导入大地，保护建筑内部的人员、设备不受到雷击影响。但是如果出现接地电网带电、接地土壤电阻过高、接地电阻过大等问题，将会影响接地系统的正常工作。

2.4照明系统故障

电气照明系统发生故障的原因有很多种，影响因素比较复杂，常见的故障原因有：电路无法正常连接，电气开关损坏、电路线头的接口出现松动，熔丝熔断，绝缘导线破损等，这些问题都会影响电器元件的正常运行，导致电气照明系统出现欠压、短路等问题。

3建筑电气系统故障诊断方法

3.1基于向量机理论的故障诊断

（1）支持向量机（SVM）理论

支持向量机理论是指确定样本之间的决策曲面，使不同类型的样本之间获得最大化的分类空隙，可进行回归分析、信号处理和分类识别工作。该理论的基础在于风险结构的最小化原则，从而在有限条件下获得学习问题的最优解，也具有泛化推广能力。应用该理论，可使用少量样本完成对问题的分类，所以实用性强，并且工作效率较高。故障的诊断工作就是利用故障的表象完成对故障状态的分类，找到系统故障所属的类别，从而完成对故障的识别工作。使用支持向量机的工作方式，会专门找到最优超平面来完成对两类样本的分类工作，找到每类数据之间平均距离最大，具有最大分类间距的超平面。

（2）应用SVM理论进行电气故障分析的优势和可行性

现代智能技术大量使用机器学习技术，通过对数据和目标之间的输出差值进行评估完成自我校正，经过反复校正之后，最终建立起与人类思维相似的认知系统。使用神经网络技术时，需要有大量的训练数据作为基础才能完成故障分析系统建设，而且需要一定的训练时间，而使用SVM算法能在小样本情况下就完成对经验风险、置信范围的综合分析，从而控制期望风险。由于建筑物实际运行的过程中系统会受到很多因素的影响，导致电气系统的故障具有明显的突发性，因此，很难通过持续监控获得故障信号和数据，若进行深度学习，每一种故障问题均都需要上百种数据，但是系统中典型的故障数据比较少，并不能支持机器学习。因此，应使用SVM进行样本数据分析，确保在小样本的情况下也能完成分类工作，满足故障诊断要求。

3.2压缩感知理论的故障诊断算法

压缩感知理论是目前一种全新的理论算法，大量应用在人脸识别、图像处理等工作中，该理论的基础是信号所具有的稀疏性，能够使信号被压缩，也可以进行信号的重构，所以可将原始信号进行高纬度和低纬度的切换。在分类工作中，会议训练样本基本元素表达测试样本，输入待识别样本和同类训练样本线性组合。

（1）压缩感知故障诊断方法

故障诊断是一个分类过程。诊断过程中，会利用故障异常信号获得故障的特征，再利用算法确定故障类型。在设计训练样本时，需要对故障进行分配，确定每个故障样本为p维，之后建立p×1维列向量，建立样本的训练矩阵。如果给定样本册数数据为y，则该样本的所属类别未知，为了确定故障类型，就需要建立完备矩阵进行故障y的分类。

（2）稀疏表达分类故障诊断试验

建立了基于稀疏表达分类算法的l1和l2分类器，重建信号时，要求稀疏矩阵构建正交基底，并建立了支持SVM分类法的向量机。经过分析，l2分类器在准确率上较高，并且对故障的分析速度和精度均与SVM算法接近，有利于及时发现和排除故障。

3.3知识判断诊断法技术

知识判断法就是通过收集系统的各项数据信息，根据自身的专业知识和丰富经验，有效分析故障原因，获取故障诊断结构。知识诊断法对工作人员的专业知识和工作经验提出了很高的要求，工作人员不仅要掌握专业的建筑电气系统知识，还需要确保知识掌握程度的牢固性，同时需要深入研究用电系统，掌握各种故障原因，合理分析设备的运行状态，运用合适的判断方法获取有效的信息数据，准确诊断出电气系统故障，提高电气系统故障诊断效率和质量。建筑企业要想确保知识判断法的诊断质量，就需要重视人才，加大力度培养人才，持续提升工作人员的综合素质，为企业电气系统的正常运行提供优质服务。

结束语

使用SVM故障诊断模型对建筑物故障的诊断分析更加有效，可利用少量样本数据完成诊断、分类和故障识别，相对神经网络技术具有一定的优势，在建筑电气系统的故障判断中有较好的诊断效果，适合建筑电气工程故障诊断使用。使用压缩感知理论进行分析，可形成对现有故障诊断的补充，有利于更早发现和排除故障。

参考文献

[1]张栓柱.建筑电气系统故障诊断方法研究[J].造纸装备及材料，2021，50（2）：128–130.

[2]吉香辉.建筑电气系统故障诊断方法研究[J].建材与装饰，2020（18）：231，234.

[3]史良磊，关锦涛.建筑电气系统故障诊断方法研究[J].住宅与房地产，2020（5）：263.