CN108844541A - 一种基于巡检场景的机巡路径规划方法 - Google Patents

Abstract

本发明涉及电力巡检技术领域，更具体地，涉及一种基于巡检场景的机巡路径规划方法，基于准实时气象环境信息跟踪分析及机巡作业计划智能制定，采用改进的遗传算法思想与无人机输电线路巡检路径规划问题相结合选取合适的约束条件，建立巡检路径规划函数，寻出最优的巡检路径。通过应用本发明能有效较少无人机视频照片采集量，降低人工图像分析与故障识别的工作量和难度。

Description

一种基于巡检场景的机巡路径规划方法

技术领域

本发明涉及电力巡检技术领域，更具体地，涉及一种基于巡检场景的机巡路径规划方法。

背景技术

输电线路分布范围广，环境一般较为恶劣，不可避免会受到损坏，若不能及时发现并处理问题，会给输电线路稳定运行带来极大隐患。无人机巡检可以降低巡查成本，最大限度地减少线路故障造成的损失，保障输电线路正常运行。

无人机输电线路巡检中的路径规划对线路安全运行以及突发线路故障问题的应急处理有着重要的作用。由于无人机受其自身物理性能的约束有些飞行动作和路径无法完成，而且最大巡检距离和时间有限无人机在巡线拍摄时需要遍历最佳拍摄点，为了提高巡检效率，需要规划一条最佳拍摄路径，即按照拍摄路径无人机经过每个拍摄点一次且仅一次，而且总的飞行距离最短。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种基于巡检场景的机巡路径规划方法，基于改进的遗传算法思想与无人机输电线路巡检路径规划问题相结合选取合适的约束条件，建立巡检路径规划函数，以寻出最优的巡检路径。

为解决上述技术问题，本发明采用了如下技术方案：

一种基于巡检场景的机巡路径规划方法，包括如下步骤：

S1：获取巡检场景信息：获取包括巡检线路信息和巡检气象信息的实时巡检场景信息，其中巡检线路信息由生产系统接入数据，巡检气象信息由气象信息接口接入数据；

S2：确定染色体编码：在规划区域内将种群个体表达成一系列路径点，计算当前飞行路径对于前一路径的最大路径偏转角，并根据所述最大路径偏转角确定路径染色体基因位，约束条件定义为在染色体编码时可以解决最大路径偏角约束；

S3：确定适应度函数：确定目标函数，目标函数中根据步骤S1中获取的场景信息确定数据，并获取适应度函数，适应度函数为寻求目标函数的最小值；

S4：确定遗传算子：通过遗传算子计算进入下一代的概率以进行遗传迭代，遗传算子主要包括选择算子、交叉算子及变异算子；

S5：确定终止准则：根据上述步骤S2-S4进行遗传算法的迭代，迭代到满足这一代中所有解中至少存在一个适应值和理论最优值接近时，算法终止，所得的适应值为求得的机巡路径。

进一步地，步骤S1所述的巡检线路信息包括线路等级、杆塔、导线型号分裂数；所述巡检气象信息包括坐标信息、海拔高度、气温、风速、风向、大气压。

更进一步地，步骤S2的具体步骤如下：

S21：采用极坐标编码方式在规划区域内将种群个体表达呈一系列路径，定义起点、终点坐标为(0,0)、(ρ_T,θ_T)；

S22：计算当前飞行了丼对于前一路径的最大路径偏转角为：

其中，无人机最小转弯半径(V为无人机当前速度，n_ymax为最大法向过载，g为重力加速度)，L_min为最小航迹步长；

S23：定义ρ₀为单位极半径，航迹偏角调整尺度的倍数作为染色体编码的基因位，飞行路径染色体的第i个基因的值为g_i，则路径染色体基因位g_i的取值范围为：路径点在直角坐标系下坐标(x_i,y_i)中x_i＝i*L*cos(θ_i)，y_i＝i*L*sin(θ_i)；

S24：定义约束条件为染色体编码时可以解决最大路径偏角约束，选取合适的值解决最小步长的约束，通过航迹染色体的长度解决最大路径点数的约束。

进一步地，步骤S3的具体步骤如下：

S31：确定目标函数为：

其中，p_i为第i段路径的长度值，h为惩罚函数包含对场景信息下最大飞行距离、监测点、最大航程等约束的惩罚，h＝ax₁+bx₂+cx₃(a、b、c为常数惩罚系数，x₁为航迹终点与目标终点的距离，x₂为不能检测到的目标点的数目，x₃为航迹超过最大飞行航程的长度)；

S32：确定适应度函数为：Fit(f(x))＝1/(1+f(x))。

具体地，步骤S4中所述选择算子利用个体适应度所占比例的大小决定进入下一代的概率，被选中的概率为其中i为个体，适应度为F_i，种群大小为M；

交叉算子选用单点交叉，经选择操作从种群中挑选出的个体进行配对，随机产生交叉点位置，然后产生两个新的个体；

变异算子为一个个体在变异概率下随机产生一个变异位置，产生一个新的个体，提高遗传算法的局部搜索能力，维持群体的多样性，变异概率一般在0.0001到0.1之间。

本发明通过获取巡检作业场景信息，线路等级、杆塔、导线型号分裂数、地理环境天气情况、坐标信息、海拔高度、气温、风速、风向、大气压等确认无人机是否满足巡线条件；根据上述气象环境信息基于改进的遗传算法在约束下寻求最优巡线路径，有效减少无人机视频照片采集量，降低人工图像分析与故障识别的工作量和难度。

与现有技术相比，有益效果是：基于准实时气象环境信息跟踪分析及机巡作业计划智能制定，并寻找符合条件的最优巡检路径，能有效减少无人机视频照片采集量，降低人工图像分析与故障识别的工作量和难度。

附图说明

图1是本发明一实施例的流程图。

具体实施方式

下面结合附图对本发明进行进一步说明，附图仅用于示例性说明，不能理解为对本专利的限制。

如图1所示，一种基于巡检场景的机巡路径规划方法，包括如下步骤：

S1：获取巡检场景信息：获取包括巡检线路信息和巡检气象信息的实时巡检场景信息，巡检线路信息包括线路等级、杆塔、导线型号分裂数；巡检气象信息包括坐标信息、海拔高度、气温、风速、风向、大气压。其中巡检线路信息由生产系统接入数据，巡检气象信息由气象信息接口接入数据；

S2：确定染色体编码，具体步骤如下：

S21：采用极坐标编码方式在规划区域内将种群个体表达呈一系列路径，定义起点、终点坐标为(0,0)、(ρ_T,θ_T)；

S22：计算当前飞行了丼对于前一路径的最大路径偏转角为：

其中，无人机最小转弯半径(V为无人机当前速度，n_ymax为最大法向过载，g为重力加速度)，L_min为最小航迹步长；

S23：定义ρ₀为单位极半径，航迹偏角调整尺度的倍数作为染色体编码的基因位，飞行路径染色体的第i个基因的值为g_i，则路径染色体基因位g_i的取值范围为：路径点在直角坐标系下坐标(x_i,y_i)中x_i＝i*L*cos(θ_i)，y_i＝i*L*sin(θ_i)；

S24：定义约束条件为染色体编码时可以解决最大路径偏角约束，选取合适的值解决最小步长的约束，通过航迹染色体的长度解决最大路径点数的约束。

S3：确定适应度函数：确定目标函数，目标函数中根据步骤S1中获取的场景信息确定数据，并获取适应度函数，适应度函数为寻求目标函数的最小值，具体计算步骤如下：

S31：确定目标函数为：

其中，p_i为第i段路径的长度值，h为惩罚函数包含对场景信息下最大飞行距离、监测点、最大航程等约束的惩罚，h＝ax₁+bx₂+cx₃(a、b、c为常数惩罚系数，x₁为航迹终点与目标终点的距离，x₂为不能检测到的目标点的数目，x₃为航迹超过最大飞行航程的长度)；

S32：确定适应度函数为：Fit(f(x))＝1/(1+f(x))。

S4：确定遗传算子：通过遗传算子计算进入下一代的概率以进行遗传迭代，遗传算子主要包括选择算子、交叉算子及变异算子；

其中，选择算子利用个体适应度所占比例的大小决定进入下一代的概率，被选中的概率为其中i为个体，适应度为F_i，种群大小为M；

交叉算子选用单点交叉，经选择操作从种群中挑选出的个体进行配对，随机产生交叉点位置，然后产生两个新的个体；

变异算子为一个个体在变异概率下随机产生一个变异位置，产生一个新的个体，提高遗传算法的局部搜索能力，维持群体的多样性，变异概率一般在0.0001到0.1之间。

S5：确定终止准则：根据上述步骤S2-S4进行遗传算法的迭代，迭代到满足这一代中所有解中至少存在一个适应值和理论最优值接近时，算法终止，所得的适应值为求得的机巡路径。

本发明通过获取巡检作业场景信息，线路等级、杆塔、导线型号分裂数、地理环境天气情况、坐标信息、海拔高度、气温、风速、风向、大气压等确认无人机是否满足巡线条件；根据上述气象环境信息基于改进的遗传算法在约束下寻求最优巡线路径，有效减少无人机视频照片采集量，降低人工图像分析与故障识别的工作量和难度。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (5)

1.一种基于巡检场景的机巡路径规划方法，其特征在于，包括如下步骤：

S1：获取巡检场景信息：获取包括巡检线路信息和巡检气象信息的实时巡检场景信息，其中巡检线路信息由生产系统接入数据，巡检气象信息由气象信息接口接入数据；

S2：确定染色体编码：在规划区域内将种群个体表达成一系列路径点，计算当前飞行路径对于前一路径的最大路径偏转角，并根据所述最大路径偏转角确定路径染色体基因位，约束条件定义为在染色体编码时可以解决最大路径偏角约束；

S3：确定适应度函数：确定目标函数，目标函数中根据步骤S1中获取的场景信息确定数据，并获取适应度函数，适应度函数为寻求目标函数的最小值；

S4：确定遗传算子：通过遗传算子计算进入下一代的概率以进行遗传迭代，遗传算子主要包括选择算子、交叉算子及变异算子；

S5：确定终止准则：根据上述步骤S2-S4进行遗传算法的迭代，迭代到满足这一代中所有解中至少存在一个适应值和理论最优值接近时，算法终止，所得的适应值为求得的机巡路径。

2.根据权利要求1所述的一种基于巡检场景的机巡路径规划方法，其特征在于，步骤S1所述的巡检线路信息包括线路等级、杆塔、导线型号分裂数；所述巡检气象信息包括坐标信息、海拔高度、气温、风速、风向、大气压。

3.根据权利要求2所述的一种基于巡检场景的机巡路径规划方法，其特征在于，步骤S2的具体步骤如下：

S21：采用极坐标编码方式在规划区域内将种群个体表达呈一系列路径，定义起点、终点坐标为(0,0)、(ρ_T,θ_T)；

S22：计算当前飞行了丼对于前一路径的最大路径偏转角为：

其中，无人机最小转弯半径(V为无人机当前速度，n_ymax为最大法向过载，g为重力加速度)，L_min为最小航迹步长；

S23：定义ρ₀为单位极半径，航迹偏角调整尺度的倍数作为染色体编码的基因位，飞行路径染色体的第i个基因的值为g_i，则路径染色体基因位g_i的取值范围为：路径点在直角坐标系下坐标(x_i,y_i)中x_i＝i*L*cos(θ_i)，y_i＝i*L*sin(θ_i)；

S24：定义约束条件为染色体编码时可以解决最大路径偏角约束，选取合适的值解决最小步长的约束，通过航迹染色体的长度解决最大路径点数的约束。

4.根据权利要求3所述的一种基于巡检场景的机巡路径规划方法，其特征在于，步骤S3的具体步骤如下：

S31：确定目标函数为：

其中，p_i为第i段路径的长度值，h为惩罚函数包含对场景信息下最大飞行距离、监测点、最大航程等约束的惩罚，h＝ax₁+bx₂+cx₃(a、b、c为常数惩罚系数，x₁为航迹终点与目标终点的距离，x₂为不能检测到的目标点的数目，x₃为航迹超过最大飞行航程的长度)；

S32：确定适应度函数为：Fit(f(x))＝1/(1+f(x))。

5.根据权利要求4所述的一种基于巡检场景的机巡路径规划方法，其特征在于，步骤S4中所述选择算子利用个体适应度所占比例的大小决定进入下一代的概率，被选中的概率为其中i为个体，适应度为F_i，种群大小为M；

所述交叉算子选用单点交叉，经选择操作从种群中挑选出的个体进行配对，随机产生交叉点位置，然后产生两个新的个体；

所述变异算子为一个个体在变异概率下随机产生一个变异位置，产生一个新的个体，提高遗传算法的局部搜索能力，维持群体的多样性，变异概率一般在0.0001到0.1之间。