CN105425796A - 一种风力发电场巡检车 - Google Patents

Abstract

一种风力发电场巡检车，包括车体和安装在车体上的巡检仪，巡检仪包括信号模块、处理模块和输出模块，本发明采用优化的路径算法，考虑了巡检车运行过程中的各种成本因素，寻优效果好、求解效率高、性能稳定，增强了全局搜索能力，能最大限度地节省巡检车的运行成本，能起到很好的节能效果。

Description

一种风力发电场巡检车

技术领域

本发明涉及风力发电领域，具体涉及一种风力发电场巡检车。

背景技术

风力发电是一种新兴的发电方式，是国家近年来大力提倡的无污染新能源。风力发电厂的巡检，是风力发电场日常工作的一个重要部分，由于风力发电场的巡检范围广、路线长，越来越多的风力发电场采用巡检车进行巡检。

同时，风力发电站的设备有着不同的设备状态，包括检修、运行、备用以及其他一些特殊的情况，巡检员往往需要根据设备的不同状态而改变每轮次的巡检目的地和路线，因此，如何根据巡检员的目的地的不同，在巡检车上自动生成最节省巡检车运行成本的路线以达到节能省时的目的是一个亟需解决的问题。

发明内容

针对上述问题，本发明提供一种风力发电场巡检车。

本发明的目的采用以下技术方案来实现：

一种风力发电场巡检车，包括车体和安装在车体上的巡检仪，其特征是，巡检仪包括信号模块、处理模块和输出模块；

信号模块，用于接收用户输入的本轮次的多个巡检目的地以及到达各个目的地的预计要求时间；

处理模块，用于根据本轮次的巡检目的地和事先输入的风力发电场地理环境信息选择最优路径，具体包括：

建模模块：

$\begin{array}{c}\min S=\underset{m=1}{\overset{m}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}{b}_0{\mathrm{\ω}}_0{\mathrm{\Φ}}_0{f}_{ij}{y}_{ijk}+\underset{m=1}{\overset{m}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}{b}_0{\mathrm{\ω}}_0\frac{{\mathrm{\Φ}}^{*}-{\mathrm{\Φ}}_0}{H}{c}_i{f}_{ij}{y}_{ijk}+T_1\underset{i=0}{\overset{U}{\Σ}}(G_i-t_i)\\ +T_2\underset{i=0}{\overset{U}{\Σ}}(t_i-O_i)\end{array}$

其中，minS为巡检过程中的最低成本；m为当前巡检车的总数；U为目的地数量；b₀为单位距离碳排放成本；ω₀为碳排放系数；Ф₀为空载时单位距离燃料消耗量；f_ij为目的地i(i＝1,2,…,U)到目的地j(j＝1,2,…,U)之间的距离；c为巡检车的载重量；H为巡检车的最大载重量；Ф^*为满载时单位距离燃料消耗量；

T₁为巡检车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失；T₂为巡检车迟到损失系数，为延迟至时刻O到达目的地i时的成本损失；提前到达损失系数和迟到损失系数用于考量井口巡查车到达每一个目的地的准点情况，T₁、T₂根据目的地的设备具体情况人为设定；

概率模块：假设共有R个节点，γ_ij(t)表示t时刻节点i与节点j之间的跟踪素强度，γ_ij(0)＝K(K为数值较小的常数)，巡检车在运动过程中根据跟踪素强度选择转移方向，则巡检车k(k＝1,2,...,m)从节点i转移到节点j的概率为：

其中，g∈A_k；A_k＝{0,1,...,R-1}-B_k表示巡检车k下一步允许选择的点的集合，随时间呈动态变化，B_k(k＝1,2,...,m)为第k辆巡检车的禁忌表，用来记录巡检车k已服务过的点；为启发式因子，表示t时刻由节点i到节点j的期望程度，一般取ψ为信息启发式因子，μ为期望启发因子；α(i,j)为下一个目的地的时间度；为下一个目的地的时间度相对重要性；

更新模块：引入优化变量X_ij(t)，其满足X_ij(t+1)＝σX(t)[1-X_ij(t)]，其中σ为控制变量，得出优化的跟踪素更新规则：

γ_ij(t=1)＝(1-ζ)γ_ij(t)+Δγ_ij(t)+чX_ij(t)

其中， ${\mathrm{\Δ\γ}}_{ij}\left(t\right)={\Σ}_{k=1}^m{\mathrm{\Δ\γ}}_{ij}^k\left(t\right),$

F_k为第k辆巡检车在本次循环中所走路径长度，I为跟踪素强度的常数，表示在本次循环中第k辆巡检车在路径(i，j)上留下的跟踪素强度；ζ为跟踪素全局挥发因子，ζ∈[0,1]，且ζ为根据如下公式动态调整的参数：其中ζ_min是人为设定的最小值；Δγ_ij(t)表示本次循环中所有巡检车在路径(i，j)上留下的跟踪素强度的总和；ч为可调节系数；

初始模块：令迭代次数DD＝0，进行参数初始化，调整各路径跟踪素；产生一个范围为[0，1]的随机数p，若p＜给定常数p₀，按照下式选择下一个节点j： 其中l∈A_k；否则根据概率模块中的概率公式选择下一个节点j，将j加入数组B_k中，重复直至所有的节点任务完成，得到模拟算法的初始集S_i；

最优解模块：从当前的初始集中生成一组新的可行解S_j，目标值变化量ΔS＝S_j-S_i，若ΔS＜0，则接受新的可行解S_j为最优解；否则考虑偏差的影响：r＝exp(-ΔS/N(t))，其中N为随时间变化的量，若r＞1，则接受S_j为最优解，否则不接受新的可行解，最优解仍为S_i；

选择模块：当前最优解小于某一特定值时，进行跟踪素更新；如果本轮列表B_k中无数据更新，则产生一个[0,1]范围的随机数u，若e₁+e₂+,...,e_i-1＜u＜e₁+e₂+,...,e_i，则选择概率为e_i的候选巡检车作为下一个目标节点；

输出模块：用于输出计算出的最优路径，令迭代次数DD＝DD+1，若DD＜DD_max，根据跟踪素更新规则，按照公式N(t+1)＝N(t).v进行清空B_k列表，其中v∈[0,1]，回到初始模块，重新产生随机数p；若DD＝DD_max，则输出最优解作为最优路径。

本发明的有益效果为：本发明采用优化的路径算法，考虑了巡检车运行过程中的各种成本因素，寻优效果好、求解效率高、性能稳定，增强了全局搜索能力，能最大限度地节省巡检车的运行成本，能起到很好的节能效果。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1本发明的结构框图。

附图标记：信号模块-11；建模模块-21；概率模块-22；更新模块-23；初始模块-24；最优解模块-25；选择模块-26；输出模块-31。

具体实施方式

结合以下实施例对本发明作进一步描述。

如图1所示的一种风力发电场巡检车，包括车体和安装在车体上的巡检仪，巡检仪包括信号模块11、处理模块和输出模块31；

信号模块11，用于接收用户输入的本轮次的多个巡检目的地以及到达各个目的地的预计要求时间；

处理模块，用于根据本轮次的巡检目的地和事先输入的风力发电场地理环境信息选择最优路径，具体包括：

建模模块21：

$\begin{array}{c}\min S=\underset{m=1}{\overset{m}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}{b}_0{\mathrm{\ω}}_0{\mathrm{\Φ}}_0{f}_{ij}{y}_{ijk}+\underset{m=1}{\overset{m}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}{b}_0{\mathrm{\ω}}_0\frac{{\mathrm{\Φ}}^{*}-{\mathrm{\Φ}}_0}{H}{c}_i{f}_{ij}{y}_{ijk}+T_1\underset{i=0}{\overset{U}{\Σ}}(G_i-t_i)\\ +T_2\underset{i=0}{\overset{U}{\Σ}}(t_i-O_i)\end{array}$

其中，minS为巡检过程中的最低成本；m为当前巡检车的总数；U为目的地数量；b₀为单位距离碳排放成本；ω₀为碳排放系数；Ф₀为空载时单位距离燃料消耗量；f_ij为目的地i(i＝1,2,…,U)到目的地j(j＝1,2,…,U)之间的距离；c为巡检车的载重量；H为巡检车的最大载重量；Ф^*为满载时单位距离燃料消耗量；

T₁为巡检车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失；T₂为巡检车迟到损失系数，为延迟至时刻O到达目的地i时的成本损失；提前到达损失系数和迟到损失系数用于考量井口巡查车到达每一个目的地的准点情况，T₁、T₂根据目的地的设备具体情况人为设定，考虑了包括设备的重要程度，不同气候和工况的影响等因素；

概率模块22：假设共有R个节点，γ_ij(t)表示t时刻节点i与节点j之间的跟踪素强度，γ_ij(0)＝K(K为数值较小的常数)，巡检车在运动过程中根据跟踪素强度选择转移方向，则巡检车k(k＝1,2,...,m)从节点i转移到节点j的概率为：

其中，g∈A_k；A_k＝{0,1,...,R-1}-B_k表示巡检车k下一步允许选择的点的集合，随时间呈动态变化，B_k(k＝1,2,...,m)为第k辆巡检车的禁忌表，用来记录巡检车k已服务过的点；为启发式因子，表示t时刻由节点i到节点j的期望程度，一般取ψ为信息启发式因子，μ为期望启发因子；α(i,j)为下一个目的地的时间度；为下一个目的地的时间度相对重要性；

更新模块23：引入优化变量X_ij(t)，其满足X_ij(t+1)＝σX(t)[1-X_ij(t)]，其中σ为控制变量，得出优化的跟踪素更新规则：

γ_ij(t+1)＝(1-ζ)γ_ij(t)+Δγ_ij(t)+чX_ij(t)

其中， ${\mathrm{\Δ\γ}}_{ij}\left(t\right)={\Σ}_{k=1}^m{\mathrm{\Δ\γ}}_{ij}^k\left(t\right),$

F_k为第k辆巡检车在本次循环中所走路径长度，I为跟踪素强度的常数，表示在本次循环中第k辆巡检车在路径(i，j)上留下的跟踪素强度；ζ为跟踪素全局挥发因子，ζ∈[0,1]，且ζ为根据如下公式动态调整的参数：其中ζ_min是人为设定的最小值；Δγ_ij(t)表示本次循环中所有巡检车在路径(i，j)上留下的跟踪素强度的总和；ч为可调节系数；

初始模块24：令迭代次数DD＝0，进行参数初始化，调整各路径跟踪素；产生一个范围为[0，1]的随机数p，若p＜给定常数p₀，按照下式选择下一个节点j：其中l∈A_k；否则根据概率模块中的概率公式选择下一个节点j，将j加入数组B_k中，重复直至所有的节点任务完成，得到模拟算法的初始集S_i；

最优解模块25：从当前的初始集中生成一组新的可行解S_j，目标值变化量ΔS＝S_j-S_i，若ΔS＜0，则接受新的可行解S_j为最优解；否则考虑偏差的影响：r＝exp(-ΔS/N(t))，其中N为随时间变化的量，若r＞1，则接受S_j为最优解，否则不接受新的可行解，最优解仍为S_i；

选择模块26：当前最优解小于某一特定值时，进行跟踪素更新；如果本轮列表B_k中无数据更新，则产生一个[0,1]范围的随机数u，若e₁+e₂+,...,e_i-1＜u＜e₁+e₂+,...,e_i，则选择概率为e_i的候选巡检车作为下一个目标节点；

输出模块31：用于输出计算出的最优路径，令迭代次数DD＝DD+1，若DD＜DD_max，根据跟踪素更新规则，按照公式N(t+1)＝N(t).v进行清空B_k列表，其中v∈[0,1]，回到初始模块24，重新产生随机数p；若DD＝DD_max，则输出最优解作为最优路径。

本发明的有益效果为：本发明采用优化的路径算法，考虑了巡检车运行过程中的各种成本因素，寻优效果好、求解效率高、性能稳定，增强了全局搜索能力，能最大限度地节省巡检车的运行成本，能起到很好的节能效果。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (1)

1.一种风力发电场巡检车，包括车体和安装在车体上的巡检仪，其特征是，巡检仪包括信号模块、处理模块和输出模块；

信号模块，用于接收用户输入的本轮次的多个巡检目的地以及到达各个目的地的预计要求时间；

处理模块，用于根据本轮次的巡检目的地和事先输入的风力发电场地理环境信息选择最优路径，具体包括：

建模模块：

$\begin{array}{c}\min S=\underset{m=1}{\overset{m}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}{b}_0{\mathrm{\ω}}_0{\mathrm{\Φ}}_0{f}_{ij}{y}_{ijk}+\underset{m=1}{\overset{m}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}\underset{i=0}{\overset{U}{\Σ}}{b}_0{\mathrm{\ω}}_0\frac{{\mathrm{\Φ}}^{*}-{\mathrm{\Φ}}_0}{H}{c}_i{f}_{ij}{y}_{ijk}+T_1\underset{i=0}{\overset{U}{\Σ}}\left(G_i-t_i\right)\\ +T_2\underset{i=0}{\overset{U}{\Σ}}\left(t_i-O_i\right)\end{array}$

其中，minS为巡检过程中的最低成本；m为当前巡检车的总数；U为目的地数量；b₀为单位距离碳排放成本；ω₀为碳排放系数；Ф₀为空载时单位距离燃料消耗量；f_ij为目的地i(i＝1,2,…,U)到目的地j(j＝1,2,…,U)之间的距离；c为巡检车的载重量；H为巡检车的最大载重量；Ф^*为满载时单位距离燃料消耗量；

T₁为巡检车提前到达损失系数，为于时刻G提前到达目的地i时的成本损失；T₂为巡检车迟到损失系数，为延迟至时刻O到达目的地i时的成本损失；提前到达损失系数和迟到损失系数用于考量井口巡查车到达每一个目的地的准点情况，T₁、T₂根据目的地的设备具体情况人为设定；

概率模块：假设共有R个节点，γ_ij(t)表示t时刻节点i与节点j之间的跟踪素强度，γ_ij(0)＝K(K为数值较小的常数)，巡检车在运动过程中根据跟踪素强度选择转移方向，则巡检车k(k＝1,2,...,m)从节点i转移到节点j的概率为：

其中，g∈A_k；A_k＝{0,1,…,R-1}-B_k表示巡检车k下一步允许选择的点的集合，随时间呈动态变化，B_k(k＝1,2,…,m)为第k辆巡检车的禁忌表，用来记录巡检车k已服务过的点；为启发式因子，表示t时刻由节点i到节点j的期望程度，一般取ψ为信息启发式因子，μ为期望启发因子；α(i,j)为下一个目的地的时间度；为下一个目的地的时间度相对重要性；

更新模块：引入优化变量X_ij(t)，其满足X_ij(t+1)＝σX(t)[1-X_ij(t)]，其中σ为控制变量，得出优化的跟踪素更新规则：

γ_ij(t+1)＝(1-ζ)γ_ij(t)+Δγ_ij(t)+чX_ij(t)

其中， ${\mathrm{\Δ\γ}}_{ij}\left(t\right)={\mathrm{\Σ}}_{k=1}^m{\mathrm{\Δ\γ}}_{ij}^k\left(t\right),$

F_k为第k辆巡检车在本次循环中所走路径长度，I为跟踪素强度的常数，表示在本次循环中第k辆巡检车在路径(i，j)上留下的跟踪素强度；ζ为跟踪素全局挥发因子，ζ∈[0,1]，且ζ为根据如下公式动态调整的参数：其中ζ_min是人为设定的最小值；Δγ_ij(t)表示本次循环中所有巡检车在路径(i，j)上留下的跟踪素强度的总和；ч为可调节系数；

初始模块：令迭代次数DD＝0，进行参数初始化，调整各路径跟踪素；产生一个范围为[0，1]的随机数p，若p＜给定常数p₀，按照下式选择下一个节点j： 其中l∈A_k；否则根据概率模块中的概率公式选择下一个节点j，将j加入数组B_k中，重复直至所有的节点任务完成，得到模拟算法的初始集S_i；

最优解模块：从当前的初始集中生成一组新的可行解S_j，目标值变化量ΔS＝S_j-S_i，若ΔS＜0，则接受新的可行解S_j为最优解；否则考虑偏差的影响：r＝exp(-ΔS/N(t))，其中N为随时间变化的量，若r＞1，则接受S_j为最优解，否则不接受新的可行解，最优解仍为S_i；

选择模块：当前最优解小于某一特定值时，进行跟踪素更新；如果本轮列表B_k中无数据更新，则产生一个[0,1]范围的随机数u，若e₁+e₂+,…,e_i-1＜u＜e₁+e₂+,…,e_i，则选择概率为e_i的候选巡检车作为下一个目标节点；

输出模块：用于输出计算出的最优路径，令迭代次数DD＝DD+1，若DD＜DD_max，根据跟踪素更新规则，按照公式N(t+1)＝N(t).v进行清空B_k列表，其中v∈[0,1]，回到初始模块，重新产生随机数p；若DD＝DD_max，则输出最优解作为最优路径。