庄恢凰

（广东省工业设备安装有限公司 广州510220）

随着互联网信息技术的不断发展，建筑电气系统逐渐朝着智能化、自动化方向发展，其在为建设业带来便利的同时，也暴露出一系列相关问题，如协议不兼容、子系统集成困难等［1］，传统的解决方法需要耗费大量人力、物力，且效果不佳。基于此提出了建筑无中心智能控制系统，每个基本单元具有独立计算及通信处理设备，节点独立、扩展性好，不仅减少了人工校对工作，而且提升了建筑电气系统智能化水平［2～3］。近年来，建筑电气系统趋于复杂，故障发生概率大幅增加。以往人工神经网络算法应用于智能故障诊断速度慢，需要大量训练样本数据，其应用范围受到限制。此次研究提出了SVM 算法，其将VC 维理论作为基础，实用性强，无论在诊断速度还是诊断效果方面都体现出鲜明的优势。

1 建筑电气系统无中心故障诊断SVM 算法原理

采用SVM 二分类策略，一般输出值为-1 表示处于故障状态，当输出值为1 时表示为正常状态。针对不同智能节点运行SVM，不同节点数据互传，最后节点SVM输出值可以准确判断节点运行状态。

2 SVM算法下建筑电气系统无中心故障诊断

⑴收取本地节点样本数据xjn，然后将数据向邻居节点传输，与此同时，邻居节点样本数据xkn也会传输到本地节点，由本地节点收取［7］。

⑶采用SVM 二分类策略，各个节点SVM 在正常状态下输出值设为1；并对故障状态SVM 输出值设为-1，因此当发生故障时，故障节点显示数值为-1，但其余正常节点SVM 输出仍为1。按照上述输出方式对正常状态以及故障状态下采集的数据进行SVM 训练［8］。其关键环节为对故障数据的分离，假设每个节点存放数据采用[ ]xj1，xj2，……，xjk；yj表示，那么当数据正常时yi=1，当检测显示故障则输出为-1。

⑷SVM 在各个节点是独立运行的，采用迭代计算方法对不同节点互传数据进行计算，当SVM 输出-1 时表示存在故障。每个时刻节点迭代计算如图1所示。该算法操作简单，能够对相邻节点数据进行互传，经过训练的SVM 也能够传输到智能节点，在大多数拓扑结构中有着较高的适应性［9］。除此之外该算法还能够同时对多个节点进行计算，速度快，运算效率高。

图1 同步迭代计算示意图Fig.1 Schematic Diagram of Synchronous Iterative Calculation

3 仿真实验分析

某地某大厦总共15层，地下1层，是一座综合楼，总建筑面积14 095 m2，总高49.8 m，框架结构。首层、2层、3层设计为商场，4层、5层为办公室及辅助用房，6～15 层为民用住宅。本工程电气设计包括变配电系统、照明系统、建筑物防雷接地系统、火灾自动报警及联动系统、漏电火灾报警系统、安全技术防范系统、有线电视系统及电话系统等。将建筑电气系统电网结构作为案例，实施仿真实验。智能节点选择每个母线，母线电流以及电压等相关数据均采用电源管理单元进行测量。网络拓扑如图2所示。首先对正常运行状态下各个节点SVM进行训练，然后针对每个节点故障数据对节点进行训练［10］。将经过训练的SVM 插入各个节点，对其输出值予以观察，其能够自动识别出故障位置。共收集样本数据60 组，包含5 种状态模式，每个样本有10 个不同位置故障信息特征，如表1所示。

图2 智能节点网络拓扑结构Fig.2 Topology of Intelligent Node Network

表1 实验平台故障特征与对应位置Tab.1 Fault Characteristics and Corresponding Positions of Experimental Platform

本研究在60 组样本数据中选出40 个样本进行训练，另外20 组为测试样本，其分布情况如表2 所示。以往学者在研究中分析了BP 网络与RBF 网络下识别结果，如表3所示。

表2 样本分布Tab.2 Sample Distribution

表3 BP、RBF网络识别结果Tab.3 Recognition Results of BP and RBF Networks

针对不同节点进行分布式运行质量因素分析，当结束时SVM 输出-1 的节点表示其存在故障。当同时2个节点发生故障时，因选取的拓扑结构是相邻节点，这为训练过程增加了一定的难度。在SVM 无中心故障诊断算法下，对智能节点各个SVM 输出值予以观察，结果显示SVM算法错误判断为0，其对故障诊断的准确率达到100%，优于传统BP网络与RBF网络，提示该算法应用于建筑电气试验平台具有一定的价值。

4 结论

将SVM算法引入扁平化、无中心建筑智能化系统中，具有以下优势：①实时性。经过训练的SVM 插入各个节点，再通过相邻节点数据互传，能够帮助准确诊断节点状态，速度快，且避免了以往算法的滞后性。②适用性。SVM 算法适用于大部分配电网结构，针对节点完成SVM 训练后，将其插入到相应节点，便能够起到故障诊断作用。③并行性。能够同时进行多个节点计算，速度快，效率高。