建筑电气系统是建筑的重要组成部分,如果发生故障,会引起用电设备停机、计算机信息数据丢失等事故,对于用电可靠性要求较高的部门(如金融机构、医院、电视台等),甚至会发生重大停电事故。在现代建筑物中,由于建筑电气系统规模的不断扩大、复杂性的不断提高,建筑电气故障概率也不断升高,并且故障的种类也更加复杂多样,因此对于可靠性高的建筑电气故障诊断设备的需求日益凸显。鉴于以上问题,本文重点研究了基于数据的建筑电气故障诊断模型,主要工作内容如下:首先,本文建立了针对建筑电气故障模拟实验平台的数据采集系统,适用于建筑电气故障数据的采集。然后,建立了基于贝叶斯方法的建筑电气故障诊断模型。该模型利用朴素贝叶斯理论确定贝叶斯网络的条件概率分布,可引入参数学习对模型进行改进。通过仿真测试得到了比较满意的效果,验证了贝叶斯模型通过参数学习进行更新优化的特点,提高了诊断精度,适用于含有大量样本数据的故障诊断问题。之后,为了实现对小样本数据的良好分类性能,采用相关向量机的原理建立了建筑电气系统的多分类故障诊断模型,其概率形式的输出结果能够揭示出故障分类结果的不确定性。选用“一对一”的多模式分类方法在MATLAB上建立仿真模型,仿真实验结果表明:基于RVM的建筑电气故障诊断模型对小样本数据的分类效果良好。最后,探讨了稀疏表征理论在建筑电气系统故障分类中的应用,以期解决含有噪声影响的建筑电气系统的故障诊断问题,提出基于冗余字典的建筑电气故障诊断方法。将故障的分类问题,归结为用整体训练样本对待求解测试样本进行稀疏表示的问题。