引 言：

当前，高速公路机电集控系统的状态感知性能存在改进空间。本研究的核心目标在于解决这一问题，通过电气量变化监测方法，致力于对机电集控系统的系统故障进行精确检测与分类。具体而言，本研究策划采用长短期记忆神经网络，构建一全新的故障分类模型，以科学且全面的方式感知机电系统的故障情况，从而确保高速公路机电集控系统的稳定运行，并为高速公路的运营管理提供至关重要的参考依据。

1 高速公路机电集控系统的智能状态感知技术研究路线

1.1 电气量信息评价指标体系

本研究选取某特定地区的高速公路机电集控系统作为研究对象，该系统是一套标准化的高速公路机电一体化控制设备，由16个子站组成，通过千兆冗余光纤通信网络相互连接。这些子站中，13个子站配备了数据监控和记录功能，而另外3个子站则无此功能。图1展示了某地高速公路机电集控系统的结构。

图1 某地高速公路机电集控系统结构图

根据监控站的设置与结构差异，本研究将其进一步分为道路段监控站和桥梁段监控站两种类型。道路段监控站的代表结构示例是主线站，包括共计10个子站。桥梁段监控站的代表结构为北锚监控子站，包含6个子站，其中包括北锚监控子站。表1详细列出了某地高速公路机电集控系统工程的组成结构。

表1 某地高速公路机电集控子系统

通过SCADA系统，可以实时监测某特定地区高速公路机电集控系统的运行状态，并进行相关数据的采集。本研究选择了电流、电压、有功功率、无功功率、功率因数以及频率等机电电气技术指标作为关注对象。在众多指标的评估中，由于这些指标之间存在不同的量级差异，较大的差异可能会对模型的训练效果产生不利影响。因此，本研究有必要对这些指标进行归一化和标准化处理，以确保它们的参数遵循正态分布，并在区间[0,1]内取值。这一处理方式旨在提高模型训练的效率，具体的指标数值归一化过程可根据式（1）进行操作。

窗体顶端

窗体底端

式（1）代表了本研究所采用的最小-最大值归一化方法，该方法通过标准化操作，将指标数值映射至区间[0,1]之间。指标数值的标准化处理可根据式（2）的表达方式来实施。

式（2）中，符号σ代表样本标准差，而符号μ则表示样本的均值。通过这一标准化处理，可实现指标数值之间的可比性，为后续的比较分析提供了基础。

1.2 机电集控系统电气量数据特征提取与分类

某地高速公路的SCADA系统成功采集了与机电系统运行状态相关的数据，包括电流、电压和频率等参数。这些电气量数据在故障发生之前通常表现出异常趋势。我们利用自编码器（AutoEncoder, AE）进行特征提取，这是一种自动学习数据特征的模型，通过将输入数据映射为与输出数据结构相等的方式来进行自主特征学习。

特征提取后，我们采用支持向量机（Support Vector Machine, SVM）进行特征分类任务。SVM的核心思想是最小化样本分类时的间隔，以处理分类问题。为了应对非线性情况，SVM将原始样本空间映射到高维特征空间，以实现线性可分，并将问题转化为一个凸优化问题，以获得全局最优解。SVM最初用于处理二分类问题，它假设在高维空间中存在一个适当的超平面，可以有效区分不同的类别。因此，SVM的主要目标是找到两个不同类别之间的最佳超平面。SVM通常使用核函数来处理非线性问题，其中一种常见的核函数如式（3）所示。

式（3）中，符号k1、k2、k3以及k4 分别代表了不同类型的核函数，包括线性核、多项式核、高斯核以及Sigmoid核。而符号γ、b以及d 则是人工设置的参数，而T 表示特征向量的映射。在支持向量机（SVM）中，核函数的作用是将原始数据映射到高维空间，从而实现对非线性数据的线性分类。由于核函数的不同选择和参数的设置，导致SVM分类器在高维空间中的性能表现存在较大的差异，对分类精度产生显著影响。窗体顶端

窗体底端

1.3 基于长短期记忆网络的机电故障分类

长短期记忆网络（LSTM）是一种序列模型，专为解决传统循环神经网络在处理长期依赖性时的限制问题而设计。传统循环神经网络在处理较长的序列数据时通常难以有效捕捉重要信息。这是由于在递归计算过程中，传统网络会逐渐传递权重，导致递归单元的梯度逐渐减小，甚至消失，从而影响了网络对长期依赖性的建模能力。为了解决这一问题，LSTM网络于2006年经过改进成为其经典版本。LSTM以其强大的非线性特性而闻名，因此可作为一个高度复杂的非线性组件，用于构建更深层次的神经网络结构。图2显示了传统循环神经网络与长短期记忆网络的单元结构。

图2 循环神经网络和长短期记忆网络单元结构对比

2 特征分类器与故障分类的实验分析

在本节研究中，我们首先对特征提取与故障分类进行了实验分析。采用K折交叉验证方法，将收集到的数据集划分为训练集（占总数据集的75%）和测试集（占总数据集的25%）。训练集的时间范围从2017年3月5日至2019年7月15日，而测试集的时间范围为2019年7月16日至2020年7月16日。实验所使用的计算机配置为Intel(R) CoreTM i7-10710 CPU 1.10 GHz，内存容量为32 GB。将经过训练的AE-SVM模型与传统SVM模型进行对比，并对特征提取分类精度进行了12个月的评估。为了稳定结果，我们以每4个月为一个周期计算特征分类的平均精度。实验结果如表2所示。

表2 特征分类平均精度对比

从表2可见，本研究提出的AE-SVM模型在每个周期的特征分类平均精度均高于传统SVM模型，分别提高了第一个周期27.37%，第二个周期25.78%，第三个周期33.69%。这结果验证了该特征分类模型在机电集控系统中的高应用价值。在基于AE-SVM构建的电气信息矩阵上，我们与RNN电气量故障原因分类模型以及基于GRU的电气量故障原因分类模型进行了对比实验，以验证提出方法的有效性。表3展示了不同模型的精度对比，结果如下。  

表3 电气量故障分类平均精度对比

从表3可以看出，本研究采用的LSTM模型在每个周期的特征分类平均精度均优于RNN和GRU分类模型。具体而言，与RNN和GRU分类模型相比，LSTM分类模型在第一周期的平均分类精度分别提高了7.55%和4.96%；在第二周期的平均分类精度分别提高了17.34%和15.1%；在第三周期分别提高了12.51%和16.8%；在第四周期的平均分类精度分别提高了26.84%和14.06%。实验结果表明，在本研究中，基于LSTM提出的电气量故障分类模型表现最佳，验证了研究方法的有效性以及在高速公路机电集控系统智能状态感知技术领域的重要价值。

窗体顶端

窗体底端

3 结 语

综上所述，本文研究了高速公路机电集控系统的智能状态感知技术。通过调查某地高速公路机电集控系统并采集相关数据，针对电气量故障问题，提出了AE-SVM特征提取分类模型。实验结果表明，该模型具有出色的分类精度，验证了其有效性。此外，基于LSTM提出的电气量故障分类模型也取得了最佳精度，平均测试精度达到87.67%。这项研究为高速公路机电集控系统的维护提供了有益的参考。

参考文献：

[1] 高速公路机电设备智能化及管理探讨[J]. 姚新民.运输经理世界,2020

[2] 高速公路机电设备智能化及管理探讨[J]. 曾国根.计算机产品与流通,2020

[3] 探讨高速公路机电设备智能化管理策略[J]. 吴志峰.中国设备工程,2022

[4] 人工智能技术在电力系统故障诊断中的应用研究[J]. 王哲;刘梓健;邱宇.电子设计工程,2020(02)

[5] 高速公路机电系统运行状态自动监测系统的应用[J]. 马海生.中国新技术新产品,2019(14)