閆峰

（黑龍江省寒地建筑科學研究院，哈爾濱 150080）

0 引言

造成建筑照明電纜線路故障的主要原因點，其一為自然故障，建筑中用戶用電高峰時段，照明電纜線路在運行中宜出現(xiàn)超負荷的運行狀態(tài)，此時電纜線路將出現(xiàn)電流效應，承載電流的電纜線路溫度驟然升高，絕緣層將被瞬時熱量燒毀，最終導致線路故障。其二為外力故障，當老舊建筑在改造維修時，施工方會由于操作不當，觸碰到建筑中的既有電纜線路，而線路被損壞或故障時，施工方?jīng)]有及時發(fā)現(xiàn)或沒有及時采取有效措施進行治理與維修，導致建筑照明電纜線路在運行中存在安全隱患，增加線路故障的發(fā)生概率。其三為電纜線路接頭位置故障［1］，由于民居建筑的照明系統(tǒng)覆蓋范圍較大，所有的照明裝置都由電線電纜連接，而施工方或設(shè)計方在此種條件下沒有做好對接頭的優(yōu)化設(shè)計，導致電纜接頭在使用一段時間后，出現(xiàn)松動、老化、絕緣性能劣化等方面問題，此種問題會導致電纜接頭在運行中面臨炸裂危險，最終造成線路大規(guī)模故障。其四為環(huán)境故障，建筑照明電纜線路的運行極易受到環(huán)境因素的影響，尤其是環(huán)境濕度較高的建筑區(qū)域，發(fā)生線路短路、絕緣層擊穿的故障概率，會遠遠大于環(huán)境濕度適中的建筑區(qū)域。為實現(xiàn)對建筑中電纜線路故障的精準、高效識別，提供居民用戶更加良好的照明服務體驗，文中將引進神經(jīng)網(wǎng)絡設(shè)計一種線路故障的識別方法。

1 基于神經(jīng)網(wǎng)絡的建筑照明電纜線路故障識別方法

1.1 建筑照明電纜線路故障特征類別劃分

為實現(xiàn)對建筑照明電纜線路故障的精準識別，應在開展相關(guān)研究，對電纜線路故障按照其特征進行類別劃分［2］。例如，當建筑照明電纜線路中的輸電線路發(fā)生故障時，線路對應的相位電流將出現(xiàn)差突變化，當故障排除后線路又回到正常運行狀態(tài)時，對應的相位電流差突變量將回歸于0［3］。將相位電流差突變量表示為I，對I的描述可以用下述計算公式表示。

式中，IA、IB、IC分別表示為三相輸電線路。提取IA、IB、IC在故障前后的數(shù)值，并通過上述計算公式，即可得到電流差突變量特征值。并且按照上述方式，來提取建筑照明電纜線路中的短路故障特征值、開路故障特征值，將其表示為D，對應的D=ΔIA，ΔIB，ΔIC，…，基于此方式，完成建筑照明電纜線路故障特征類別劃分。

1.2 基于神經(jīng)網(wǎng)絡的故障特征訓練

為縮小故障識別的范圍，在完成上述研究后，引進神經(jīng)網(wǎng)絡，對文中所提取的故障特征值進行訓練。所選的神經(jīng)網(wǎng)絡為RBF 網(wǎng)絡，此網(wǎng)絡屬于一個3層架構(gòu)網(wǎng)絡，分別由輸入層、鏡像層、輸出層3 層構(gòu)成［4］。在使用此神經(jīng)網(wǎng)絡進行特征值訓練時，需要建立一個訓練樣本矩陣與故障值輸出矩陣，將兩者表示為U與T，對U與T的描述可用下述計算公式表示：

式中，XM為訓練樣本中的最大值；xm為故障值輸出最大值。在神經(jīng)網(wǎng)絡前端輸入XM與xm，對其進行迭代處理，對訓練樣本進行壓縮。此時，網(wǎng)絡將主動進行數(shù)組中神經(jīng)元的提取，提取的神經(jīng)元中要包括至少5個神經(jīng)因子，分別為＞3個的故障神經(jīng)因子與＞2個的正常神經(jīng)因子，建立5個因子之間的神經(jīng)元連接，以此種方式，可以初步形成一個基于故障矩陣的故障因素挖掘模型［5］。所選擇的神經(jīng)因子數(shù)量越多，對潛在故障的挖掘就越準確。可在此過程中，定義兩種因子表示為w 與g，對因子w 與因子g 的迭代處理過程，可用下述計算公式表示。

式中，y 為神經(jīng)網(wǎng)絡迭代處理數(shù)據(jù)的過程；w 為輸入層的輸入值矢量，也稱正常神經(jīng)因子；g為輸出層的輸出值矢量，也稱故障神經(jīng)因子；T為迭代訓練處理所需時長；i為神經(jīng)網(wǎng)絡層數(shù)；j為輸入層的高斯基函數(shù)；m 為誤差函數(shù)；z 為迭代訓練或?qū)W習規(guī)模；σ 為目標訓練次數(shù)；x為目標訓練值。按照上述方式，獲取訓練過程中的相關(guān)數(shù)值，將數(shù)值進行離散化處理，將處理后的數(shù)值按照其特征屬性進行類別劃分，代入式（3）中后，輸出訓練結(jié)果，以此種方式，實現(xiàn)基于神經(jīng)網(wǎng)絡的故障特征訓練。

1.3 基于GRU的線路故障診斷與識別

完成上述研究后，引進GRU 網(wǎng)絡，對建筑照明電纜線路故障進行診斷與識別。建立GRU 網(wǎng)絡故障分類器，將數(shù)組中的AE數(shù)據(jù)作為網(wǎng)絡輸入值，輸入故障值的迭代處理。將迭代后的數(shù)據(jù)導入GRU 網(wǎng)絡中的隱含層，將其與全連接層進行連接。根據(jù)建筑照明電纜線路可能在運行中出現(xiàn)的所有故障形式，進行線路故障的預測與電路運行狀態(tài)的評估［6］。并對可能造成建筑照明電纜線路故障的網(wǎng)絡節(jié)點進行擾動離散，離散后的數(shù)據(jù)將根據(jù)其概率分布與梯度值，進行歸一化處理，處理過程如式（4）所示。

式中，si為對故障離散數(shù)據(jù)的歸一化處理過程；V為全連接網(wǎng)絡節(jié)點。驅(qū)動網(wǎng)絡后，在PSCAD中進行建筑照明電纜線路的運行，將集成在線路兩端的傳感器反饋信號進行主動獲取，獲取的信號包括電流信號與電壓信號。使用AE 編碼方式，對獲取的信號進行特征編碼，掌握數(shù)據(jù)樣本的標記方式后，將樣本數(shù)據(jù)進行打亂處理，處理后將其劃分為兩個組別，分別為數(shù)據(jù)集樣本與測試集樣本，將訓練集合中的數(shù)據(jù)樣本進行前向傳播，計算在傳播過程中的數(shù)據(jù)損失量。計算公式如下：

式中，K 為訓練集合中的數(shù)據(jù)樣本在傳播過程中的損失量；η為網(wǎng)絡傳輸激活函數(shù)；W0為有效傳播量；H為網(wǎng)絡傳輸距離。

按照上述計算公式，得到樣本數(shù)據(jù)在網(wǎng)絡傳輸中的損失量，得到損失量后，根據(jù)數(shù)值進行網(wǎng)絡中數(shù)據(jù)的補償，根據(jù)補償后輸出的數(shù)據(jù)匹配結(jié)果，進行診斷與識別故障結(jié)果的輸出。按照此種方式，實現(xiàn)對建筑照明電纜線路故障的診斷與識別。

2 對比實驗

為了驗證文中提出的基于神經(jīng)網(wǎng)絡的建筑照明電纜線路故障識別方法的實際應用性能，以某既有建筑工程為例，應用文中設(shè)計的線路故障識別方法，展開對比實驗的研究。

根據(jù)該建筑項目的電力管理方反饋，該建筑中的用戶用電高峰時段在每天的18：00～22：00，且由于該建筑所在地區(qū)屬于老舊建筑，從建成投入使用至今已有20 余年，因此，建筑照明電纜線路故障事件頻發(fā)。每次發(fā)生此類線路故障，都需要質(zhì)監(jiān)方人工采取措施進行處線路隱患排查，此種處理方法不僅具有效率低、耗時長等問題，還會在檢修中增加不必要的人力投入。盡管后續(xù)工程方花費了大量資金引進信息化技術(shù)與智能化技術(shù)輔助建筑照明電纜線路故障識別、定位與檢測，但均未能在實際應用中取得顯著成果。為此，下述將以文中設(shè)計的方法為例，進行此方法在建筑照明電纜線路故障中應用的檢驗。選擇既有建筑中照明電纜線路某段故障電路作為識別對象，繪制故障電路簡圖，如圖1所示。

圖1 某建筑照明電纜線路故障電路簡圖

圖1 中（1）和（2）為建筑照明電纜線路的兩處故障；1～10表示為建筑照明電纜線路編號。為實現(xiàn)對此故障的可視化感知，在電路模型中的輸入端與輸出端進行計算機通信對接，并在建筑照明電纜線路中安裝電流傳感器。為確保部署的實驗環(huán)境可以滿足試驗的真實需求，選擇INTGHU-12000型號的inter處理器與Ge-Forectiu-U-5000 型號的英偉達服務器作為支撐計算機設(shè)備的主要硬件，處理器的有效內(nèi)存為128.0GB，運行內(nèi)存為4.0GB，將硬件按照其運行需求部署在OS-7.0操作系統(tǒng)中。

將文中設(shè)計的建筑照明電纜線路故障識別方法與計算機設(shè)備進行通信對接，調(diào)試儀器設(shè)備后，啟動線路運行監(jiān)控。接收反饋信號，將反饋的信號呈現(xiàn)在計算機顯示器屏幕上。經(jīng)過測試后發(fā)現(xiàn)顯示屏所呈現(xiàn)的信號完整、連續(xù)，說明文中設(shè)計的方法可以實現(xiàn)對建筑照明電纜線路的監(jiān)測。

在證明設(shè)計方法具有可用性后，選擇基于MFCC特征與GMM技術(shù)的建筑照明電纜線路故障識別方法作為傳統(tǒng)方法。

在使用文中方法進行線路故障識別時，需要先調(diào)用歷史數(shù)據(jù)庫，進行建筑照明電纜線路故障特征類別的劃分，匹配研究的電纜線路故障電路，使用神經(jīng)網(wǎng)絡進行故障特征的迭代訓練，最后基于GRU完成對線路故障的診斷與識別。

在使用傳統(tǒng)方法進行線路故障識別時，應先使用MFCC 技術(shù)進行建筑照明電纜線路故障獲取，掌握故障情況的基礎(chǔ)特征后，使用GMM 技術(shù)對故障值進行訓練，經(jīng)過多次訓練與迭代，輸出故障最小范圍，匹配故障最小范圍與文中研究的電纜線路故障電路，完成對故障的識別與定位。

使用兩種識別方法，對文中研究的電纜線路故障電路進行故障識別。將兩種方法反饋的識別結(jié)果呈現(xiàn)在計算機顯示屏上，截取異常信號波段，基于文中方法的電纜線路故障電路異常信號波段如圖2 所示，基于傳統(tǒng)方法的電纜線路故障電路異常信號波段如圖3所示。

圖2 基于文中方法的電纜線路故障電路異常信號波段

圖3 基于傳統(tǒng)方法的電纜線路故障電路異常信號波段

從圖2 與圖3 所示的實驗結(jié)果可以看出，兩種方法所呈現(xiàn)的故障電路異常信號波段，均在7～8編號的線路段存在明顯異常，說明兩種方法都可以實現(xiàn)對建筑照明電纜線路故障的識別。為了進一步證明文中方法的優(yōu)勢，對兩種方法的故障識別訓練過程進行分析，從計算機的系統(tǒng)終端獲取故障識別結(jié)果的訓練過程，如圖4所示。

圖4 兩種故障識別方法的訓練過程

從圖4 所示的實驗結(jié)果中可以看出，文中方法在3800 次迭代后，得到精準的故障識別結(jié)果，傳統(tǒng)方法在6000次迭代后，得到精準的故障識別結(jié)果。當單次迭代訓練處理所需的時間相同時，文中方法可以快速得到故障識別結(jié)果。由此可以得出對比試驗的最終結(jié)論：相比基于MFCC 特征與GMM 技術(shù)的識別方法，文中設(shè)計的基于神經(jīng)網(wǎng)絡的建筑照明電纜線路故障識別方法，不僅可以實現(xiàn)對故障電纜線路的精準識別，還可以有效提升識別效率。

3 結(jié)語

照明工程是建筑工程項目在建設(shè)與施工中的重點工程項目，也是優(yōu)化、完善民居建筑環(huán)境的分項工程之一。為了提供建筑內(nèi)部居住群體更加良好的用電照明服務，施工方一直在加大對建筑照明設(shè)計與施工的投入。與此同時，在此項工程逐步落實的中，建筑照明水平逐年提升，相關(guān)建筑照明的基礎(chǔ)設(shè)施也越來越完善。但隨著建筑結(jié)構(gòu)的復雜化，建筑照明電纜線路出現(xiàn)故障的次數(shù)與頻率也呈現(xiàn)一種增加趨勢。為解決此方面問題，提高建筑照明服務的連續(xù)性與可靠性，文中從建筑照明電纜線路故障特征類別劃分、基于神經(jīng)網(wǎng)絡的故障特征訓練、基于GRU的線路故障診斷與識別三個方面，開展了基于神經(jīng)網(wǎng)絡的建筑照明電纜線路故障識別方法設(shè)計研究。并在完成研究后，通過對比實驗證明了文中設(shè)計的方法，不僅可以實現(xiàn)對故障電纜線路的精準識別，還可以有效提升識別效率。以此種方式，為建筑后續(xù)運維管理工作提供進一步的指導與幫助。