基于神经网络的建筑照明电缆线路故障识别方法

闫峰

（黑龙江省寒地建筑科学研究院，哈尔滨 150080）

0 引言

造成建筑照明电缆线路故障的主要原因点，其一为自然故障，建筑中用户用电高峰时段，照明电缆线路在运行中宜出现超负荷的运行状态，此时电缆线路将出现电流效应，承载电流的电缆线路温度骤然升高，绝缘层将被瞬时热量烧毁，最终导致线路故障。其二为外力故障，当老旧建筑在改造维修时，施工方会由于操作不当，触碰到建筑中的既有电缆线路，而线路被损坏或故障时，施工方没有及时发现或没有及时采取有效措施进行治理与维修，导致建筑照明电缆线路在运行中存在安全隐患，增加线路故障的发生概率。其三为电缆线路接头位置故障［1］，由于民居建筑的照明系统覆盖范围较大，所有的照明装置都由电线电缆连接，而施工方或设计方在此种条件下没有做好对接头的优化设计，导致电缆接头在使用一段时间后，出现松动、老化、绝缘性能劣化等方面问题，此种问题会导致电缆接头在运行中面临炸裂危险，最终造成线路大规模故障。其四为环境故障，建筑照明电缆线路的运行极易受到环境因素的影响，尤其是环境湿度较高的建筑区域，发生线路短路、绝缘层击穿的故障概率，会远远大于环境湿度适中的建筑区域。为实现对建筑中电缆线路故障的精准、高效识别，提供居民用户更加良好的照明服务体验，文中将引进神经网络设计一种线路故障的识别方法。

1 基于神经网络的建筑照明电缆线路故障识别方法

1.1 建筑照明电缆线路故障特征类别划分

为实现对建筑照明电缆线路故障的精准识别，应在开展相关研究，对电缆线路故障按照其特征进行类别划分［2］。例如，当建筑照明电缆线路中的输电线路发生故障时，线路对应的相位电流将出现差突变化，当故障排除后线路又回到正常运行状态时，对应的相位电流差突变量将回归于0［3］。将相位电流差突变量表示为I，对I的描述可以用下述计算公式表示。

式中，IA、IB、IC分别表示为三相输电线路。提取IA、IB、IC在故障前后的数值，并通过上述计算公式，即可得到电流差突变量特征值。并且按照上述方式，来提取建筑照明电缆线路中的短路故障特征值、开路故障特征值，将其表示为D，对应的D=ΔIA，ΔIB，ΔIC，…，基于此方式，完成建筑照明电缆线路故障特征类别划分。

1.2 基于神经网络的故障特征训练

为缩小故障识别的范围，在完成上述研究后，引进神经网络，对文中所提取的故障特征值进行训练。所选的神经网络为RBF 网络，此网络属于一个3层架构网络，分别由输入层、镜像层、输出层3 层构成［4］。在使用此神经网络进行特征值训练时，需要建立一个训练样本矩阵与故障值输出矩阵，将两者表示为U与T，对U与T的描述可用下述计算公式表示：

式中，XM为训练样本中的最大值；xm为故障值输出最大值。在神经网络前端输入XM与xm，对其进行迭代处理，对训练样本进行压缩。此时，网络将主动进行数组中神经元的提取，提取的神经元中要包括至少5个神经因子，分别为＞3个的故障神经因子与＞2个的正常神经因子，建立5个因子之间的神经元连接，以此种方式，可以初步形成一个基于故障矩阵的故障因素挖掘模型［5］。所选择的神经因子数量越多，对潜在故障的挖掘就越准确。可在此过程中，定义两种因子表示为w 与g，对因子w 与因子g 的迭代处理过程，可用下述计算公式表示。

式中，y 为神经网络迭代处理数据的过程；w 为输入层的输入值矢量，也称正常神经因子；g为输出层的输出值矢量，也称故障神经因子；T为迭代训练处理所需时长；i为神经网络层数；j为输入层的高斯基函数；m 为误差函数；z 为迭代训练或学习规模；σ 为目标训练次数；x为目标训练值。按照上述方式，获取训练过程中的相关数值，将数值进行离散化处理，将处理后的数值按照其特征属性进行类别划分，代入式（3）中后，输出训练结果，以此种方式，实现基于神经网络的故障特征训练。

1.3 基于GRU的线路故障诊断与识别

完成上述研究后，引进GRU 网络，对建筑照明电缆线路故障进行诊断与识别。建立GRU 网络故障分类器，将数组中的AE数据作为网络输入值，输入故障值的迭代处理。将迭代后的数据导入GRU 网络中的隐含层，将其与全连接层进行连接。根据建筑照明电缆线路可能在运行中出现的所有故障形式，进行线路故障的预测与电路运行状态的评估［6］。并对可能造成建筑照明电缆线路故障的网络节点进行扰动离散，离散后的数据将根据其概率分布与梯度值，进行归一化处理，处理过程如式（4）所示。

式中，si为对故障离散数据的归一化处理过程；V为全连接网络节点。驱动网络后，在PSCAD中进行建筑照明电缆线路的运行，将集成在线路两端的传感器反馈信号进行主动获取，获取的信号包括电流信号与电压信号。使用AE 编码方式，对获取的信号进行特征编码，掌握数据样本的标记方式后，将样本数据进行打乱处理，处理后将其划分为两个组别，分别为数据集样本与测试集样本，将训练集合中的数据样本进行前向传播，计算在传播过程中的数据损失量。计算公式如下：

式中，K 为训练集合中的数据样本在传播过程中的损失量；η为网络传输激活函数；W0为有效传播量；H为网络传输距离。

按照上述计算公式，得到样本数据在网络传输中的损失量，得到损失量后，根据数值进行网络中数据的补偿，根据补偿后输出的数据匹配结果，进行诊断与识别故障结果的输出。按照此种方式，实现对建筑照明电缆线路故障的诊断与识别。

2 对比实验

为了验证文中提出的基于神经网络的建筑照明电缆线路故障识别方法的实际应用性能，以某既有建筑工程为例，应用文中设计的线路故障识别方法，展开对比实验的研究。

根据该建筑项目的电力管理方反馈，该建筑中的用户用电高峰时段在每天的18：00～22：00，且由于该建筑所在地区属于老旧建筑，从建成投入使用至今已有20 余年，因此，建筑照明电缆线路故障事件频发。每次发生此类线路故障，都需要质监方人工采取措施进行处线路隐患排查，此种处理方法不仅具有效率低、耗时长等问题，还会在检修中增加不必要的人力投入。尽管后续工程方花费了大量资金引进信息化技术与智能化技术辅助建筑照明电缆线路故障识别、定位与检测，但均未能在实际应用中取得显著成果。为此，下述将以文中设计的方法为例，进行此方法在建筑照明电缆线路故障中应用的检验。选择既有建筑中照明电缆线路某段故障电路作为识别对象，绘制故障电路简图，如图1所示。

图1 某建筑照明电缆线路故障电路简图

图1 中（1）和（2）为建筑照明电缆线路的两处故障；1～10表示为建筑照明电缆线路编号。为实现对此故障的可视化感知，在电路模型中的输入端与输出端进行计算机通信对接，并在建筑照明电缆线路中安装电流传感器。为确保部署的实验环境可以满足试验的真实需求，选择INTGHU-12000型号的inter处理器与Ge-Forectiu-U-5000 型号的英伟达服务器作为支撑计算机设备的主要硬件，处理器的有效内存为128.0GB，运行内存为4.0GB，将硬件按照其运行需求部署在OS-7.0操作系统中。

将文中设计的建筑照明电缆线路故障识别方法与计算机设备进行通信对接，调试仪器设备后，启动线路运行监控。接收反馈信号，将反馈的信号呈现在计算机显示器屏幕上。经过测试后发现显示屏所呈现的信号完整、连续，说明文中设计的方法可以实现对建筑照明电缆线路的监测。

在证明设计方法具有可用性后，选择基于MFCC特征与GMM技术的建筑照明电缆线路故障识别方法作为传统方法。

在使用文中方法进行线路故障识别时，需要先调用历史数据库，进行建筑照明电缆线路故障特征类别的划分，匹配研究的电缆线路故障电路，使用神经网络进行故障特征的迭代训练，最后基于GRU完成对线路故障的诊断与识别。

在使用传统方法进行线路故障识别时，应先使用MFCC 技术进行建筑照明电缆线路故障获取，掌握故障情况的基础特征后，使用GMM 技术对故障值进行训练，经过多次训练与迭代，输出故障最小范围，匹配故障最小范围与文中研究的电缆线路故障电路，完成对故障的识别与定位。

使用两种识别方法，对文中研究的电缆线路故障电路进行故障识别。将两种方法反馈的识别结果呈现在计算机显示屏上，截取异常信号波段，基于文中方法的电缆线路故障电路异常信号波段如图2 所示，基于传统方法的电缆线路故障电路异常信号波段如图3所示。

图2 基于文中方法的电缆线路故障电路异常信号波段

图3 基于传统方法的电缆线路故障电路异常信号波段

从图2 与图3 所示的实验结果可以看出，两种方法所呈现的故障电路异常信号波段，均在7～8编号的线路段存在明显异常，说明两种方法都可以实现对建筑照明电缆线路故障的识别。为了进一步证明文中方法的优势，对两种方法的故障识别训练过程进行分析，从计算机的系统终端获取故障识别结果的训练过程，如图4所示。

图4 两种故障识别方法的训练过程

从图4 所示的实验结果中可以看出，文中方法在3800 次迭代后，得到精准的故障识别结果，传统方法在6000次迭代后，得到精准的故障识别结果。当单次迭代训练处理所需的时间相同时，文中方法可以快速得到故障识别结果。由此可以得出对比试验的最终结论：相比基于MFCC 特征与GMM 技术的识别方法，文中设计的基于神经网络的建筑照明电缆线路故障识别方法，不仅可以实现对故障电缆线路的精准识别，还可以有效提升识别效率。

3 结语

照明工程是建筑工程项目在建设与施工中的重点工程项目，也是优化、完善民居建筑环境的分项工程之一。为了提供建筑内部居住群体更加良好的用电照明服务，施工方一直在加大对建筑照明设计与施工的投入。与此同时，在此项工程逐步落实的中，建筑照明水平逐年提升，相关建筑照明的基础设施也越来越完善。但随着建筑结构的复杂化，建筑照明电缆线路出现故障的次数与频率也呈现一种增加趋势。为解决此方面问题，提高建筑照明服务的连续性与可靠性，文中从建筑照明电缆线路故障特征类别划分、基于神经网络的故障特征训练、基于GRU的线路故障诊断与识别三个方面，开展了基于神经网络的建筑照明电缆线路故障识别方法设计研究。并在完成研究后，通过对比实验证明了文中设计的方法，不仅可以实现对故障电缆线路的精准识别，还可以有效提升识别效率。以此种方式，为建筑后续运维管理工作提供进一步的指导与帮助。