CN114594790A - 一种配电网多无人机巡线路径规划方法及系统 - Google Patents

一种配电网多无人机巡线路径规划方法及系统 Download PDF

Info

Publication number
CN114594790A
CN114594790A CN202210210036.7A CN202210210036A CN114594790A CN 114594790 A CN114594790 A CN 114594790A CN 202210210036 A CN202210210036 A CN 202210210036A CN 114594790 A CN114594790 A CN 114594790A
Authority
CN
China
Prior art keywords
unmanned aerial
distribution network
aerial vehicles
power distribution
euler
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210210036.7A
Other languages
English (en)
Inventor
米昕禾
于振
冯杰
马钢
王卓容
傅炜
徐希源
关城
房殿阁
郭雨松
严屹然
刘泽宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Global Energy Interconnection Research Institute
Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Global Energy Interconnection Research Institute, Putian Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210210036.7A priority Critical patent/CN114594790A/zh
Publication of CN114594790A publication Critical patent/CN114594790A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/104—Simultaneous control of position or course in three dimensions specially adapted for aircraft involving a plurality of aircrafts, e.g. formation flying
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供的一种配电网多无人机巡线路径规划方法及系统，该方法包括：获取配电网参数信息，根据配电网参数信息构建欧拉图；计算欧拉图的欧拉回路长度，根据欧拉回路长度确定无人机数量；根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。通过实施本发明，充分利用多无人机资源、有效提高配电网灾后故障信息获取速度，为配电网灾后抢修争取宝贵的时间和提供重要的数据。

Description

一种配电网多无人机巡线路径规划方法及系统
技术领域
本发明涉及配电网巡检技术领域，具体涉及一种配电网多无人机巡线路径规划方法及系统。
背景技术
电力设备在使用过程中需要进行定期巡查，及时发现可能存在的安全隐患，进而排除隐患保障电力用户的用电稳定性。现有的电力设备巡线任务主要由人工完成，管理人员对各自辖区内的所有电力设施进行巡视。
随着无人机技术的发展，无人机被越来越多地应用到电力巡线中，通过无人机对辖区内的所有电力设施进行巡视时，管理人员只需要操控相关的无人机按照需要巡视路径进行飞行即可，无需实际进入到辖区内的各个位置，这大大降低了管理人员的工作负担。此外，无人机相对管理人员而言，可以从上部的俯视角度巡视电力设施，因此安全性更高，观察的效果更好。
但是在现有技术条件下，无人机执行电力巡线任务时，路径规划不合理，考虑到无人机的电量有限，巡航距离也受到限制，经常需要在飞行过程频繁进行返航更换电池，非常麻烦，无法在最短时间内定位线路故障从而为配电网灾后抢修提供数据和时间。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中电力巡线路径规划不合理的缺陷，从而提供一种配电网多无人机巡线路径规划方法及系统。
为达到上述目的，本发明提供如下技术方案：
第一方面，本发明实施例提供一种配电网多无人机巡线路径规划方法，包括：获取配电网参数信息，根据所述配电网参数信息构建欧拉图；计算所述欧拉图的欧拉回路长度，根据所述欧拉回路长度确定无人机数量；根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。
可选地，所述根据所述配电网参数信息构建欧拉图，包括：根据所述配电网参数信息生成网络拓扑图；获取所述网络拓扑图中的奇度点；计算所述奇度点两两间的最短路径长度；基于最小权二分匹配法，根据所述最短路径长度确定添边路线，形成欧拉图。
可选地，根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量，包括：根据无人机数量，在欧拉图中随机选取多个巡线终点；判断粒子群算法中的初始粒子数量是否达到预设数量；当粒子群算法中的初始粒子数量未达到预设数量时，重复根据无人机数量，在欧拉图中随机选取多个巡线终点的步骤；当粒子群算法中的初始粒子数量达到预设数量时，根据巡线终点数量及初始粒子数量初始粒子数量，构建多维向量。
可选地，所述根据无人机数量，在欧拉图中随机选取多个巡线终点，包括：在欧拉图上根据预设算法求解无人机巡线路径，并依次为巡线路径所经过的节点升序设定序号，其中，最大序号为欧拉图中巡线路径所经过节点的总数；随机生成多个互不相同的随机整数，并从小到大进行排序，排序后的随机整数于最大序号合并，形成多个巡线终点，多个互不相同的随机整数均小于最大序号。
可选地，所述目标函数值通过如下公式计算：
Figure BDA0003532825380000031
其中，F表示目标函数值；α、β表示权重系数，f1表示无人机巡线总路径长度，f2表示多无人机巡线路径长度的方差；M表示节点个数，i,j∈V，V表示待巡线节点集合，dij为节点i和j之间的欧氏距离，xij为二值变量，xij＝1表示边(i，j)在巡线路径上，xij＝0表示边(i，j)不在巡线路径上；h表示无人机编号，H表示无人机数量，Lh表示无人机h的巡线路径长度，L0表示多无人机巡线路径长度的均值。
可选地，目标函数优化的约束条件为：
Figure BDA0003532825380000032
其中，Lmax表示无人机的最大飞行距离。
可选地，粒子群算法中粒子的位置和速度更新公式为：
Figure BDA0003532825380000033
其中，uij表示个体i的第j个速度分量，xij表示个体i的第j个坐标分量，Pbest表示当前迭代中最优个体的坐标，Gbest表示前t次迭代中最优个体的坐标，c1和c2表示正的学习因子，r1和r2为随机数，ω为惯性权重系数。
第二方面，本发明实施例提供一种配电网多无人机巡线路径规划系统，包括：获取模块，用于获取配电网参数信息，根据所述配电网参数信息构建欧拉图；计算模块，用于计算所述欧拉图的欧拉回路长度，根据所述欧拉回路长度确定无人机数量；构建模块，用于根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；求解模块，用于将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。
第三方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明实施例第一方面所述的配电网多无人机巡线路径规划方法。
第四方面，本发明实施例提供一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明实施例第一方面所述的配电网多无人机巡线路径规划方法。
本发明技术方案，具有如下优点：
本发明提供的配电网多无人机巡线路径规划方法，包括：获取配电网参数信息，根据配电网参数信息构建欧拉图；计算欧拉图的欧拉回路长度，根据欧拉回路长度确定无人机数量；根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。通过粒子群算法搜索多无人机巡线路径的最佳分割点，利用基于最小权二分匹配法的Fleury算法求解每个无人机最短巡检路径，实现了减少无人机的巡线里程和减少无人机巡线时间进而缩短配电网灾后数据获取时间的目标，满足灾后短时间内获取配电网故障信息的要求。并且充分利用多无人机资源、有效提高配电网灾后故障信息获取速度，为配电网灾后抢修争取宝贵的时间和提供重要的数据。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中配电网多无人机巡线路径规划方法的一个具体示例的流程图；
图2为本发明实施例中网拓扑结构图；
图3为本发明实施例中多无人机路径规化结果图；
图4为本发明实施例中配电网多无人机巡线路径规划系统的一个具体示例的原理框图；
图5为本发明实施例提供的计算机设备一个具体示例的组成图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本发明实施例提供一种配电网多无人机巡线路径规划方法，如图1所示，包括如下步骤：
步骤S1：获取配电网参数信息，根据配电网参数信息构建欧拉图。
在一具体实施例中，配电网参数信息包括配电网中杆塔位置以及杆塔之间的距离。
在本发明实施例中，根据配电网参数信息构建欧拉图具体包括如下步骤：
步骤S10：根据配电网参数信息生成网络拓扑图。
步骤S11：获取网络拓扑图中的奇度点。
步骤S12：计算奇度点两两间的最短路径长度。
步骤S13：基于最小权二分匹配法，根据最短路径长度确定添边路线，形成欧拉图。
具体地，构建欧拉图的详细步骤为：
步骤1.1：计算网络拓扑图中各节点的度数，求出所有节点关联边的数量；
步骤1.2：找出所有的度为奇数的节点，即奇度点；
步骤1.3：计算每一个奇度点到其他奇度点的最短路径长度，为简化计算，本实施例不考虑避障情况，故最短路径长度简化为两点之间的直线距离；
步骤1.4：通过最小权二分匹配法来确定使欧拉回路最短的边添加方案，使原图变为欧拉图。
步骤S2：计算欧拉图的欧拉回路长度，根据欧拉回路长度确定无人机数量。
在一具体实施例中，计算步骤S1中欧拉图的欧拉回路长度LE，预估无人机数量H，若(H-1)·Lmax≤LE≤H·Lmax，其中Lmax表示无人机的最大飞行距离，则预估无人机数量为H。若H等于1则直接根据Fleury算法求解无人机巡线路径，否则转向步骤S3。
在本发明实施例中，在进行巡线路径规划时，充分考虑多种情况，避免规划路径时造成资源浪费，例如考虑小范围巡检时，单无人机巡线情况。
步骤S3：根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量。
在一具体实施例中，步骤S3具体包括如下步骤：
步骤S31：根据无人机数量，在欧拉图中随机选取多个巡线终点。
步骤S32：判断粒子群算法中的初始粒子数量是否达到预设数量。
步骤S33：当粒子群算法中的初始粒子数量未达到预设数量时，重复根据无人机数量，在欧拉图中随机选取多个巡线终点的步骤。
步骤S34：当粒子群算法中的初始粒子数量达到预设数量时，根据巡线终点数量及初始粒子数量初始粒子数量，构建多维向量。
在本发明实施例中，根据无人机数量H，在欧拉图中随机选取H个巡线终点，构成H维向量，若粒子群算法中的初始粒子数量个数达到数量N，进入步骤S4，否则重复步骤S3。
进一步地，步骤S31包括如下步骤：
步骤S311：在欧拉图上根据Fleury算法求解无人机巡线路径，并依次为巡线路径所经过的节点升序设定序号，其中，最大序号为欧拉图中巡线路径所经过节点的总数M。
步骤S312：随机生成(H-1)个小于M的互不相同的随机整数，并从小到大进行排序，排序后的随机整数即为(H-1)个巡线终点的序号，将排序后的随机整数于最大序号M合并，形成H个巡线终点。
步骤S4：将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。
在一具体实施例中，将S3中N个向量作为粒子群算法中的初始粒子，将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值F，利用粒子群算法得到多无人机巡线路径。
在本发明实施例中，解码方法为：
步骤4.1：令v0表示所有无人机的起飞点和降落点，vh表示无人机h的巡线终点，h＝1；
步骤4.2：在当前子图上构建当前最短欧拉回路图；
步骤4.3：若vh在当前子图中不存在，则令F＝∞，否则采用Fleury算法计算第h台无人机从v0到vh的巡线路径，并计算路径长度Lh，若Lh>Lmax，则目标函数值
Figure BDA0003532825380000101
转到步骤4.4，否则除v0和vh外，在当前子图中删除已被巡检的边和节点，得到新的子图，若h＝H，则根据多无人机巡线路径情况计算目标函数值F，否则令h＝h+1，返回步骤4.2；
步骤4.4：输出目标函数值F，解码结束。
其中，目标函数值通过如下公式计算：
Figure BDA0003532825380000102
其中，α、β表示权重系数，f1表示无人机巡线总路径长度，f2表示多无人机巡线路径长度的方差；M表示节点个数，i,j∈V，V表示待巡线节点集合，dij为节点i和j之间的欧氏距离，xij为二值变量，xij＝1表示边(i，j)在巡线路径上，xij＝0表示边(i，j)不在巡线路径上；h表示无人机编号，H表示无人机数量，Lh表示无人机h的巡线路径长度，L0表示多无人机巡线路径长度的均值。
目标函数优化的约束条件为：
Figure BDA0003532825380000103
其中，Lmax表示无人机的最大飞行距离。
约束条件保证网络拓扑图中每个节点在巡线路径上的入度等于出度、所有的边都要被巡检到，且不能重复添加重边。
粒子群算法中粒子的位置和速度更新公式为：
Figure BDA0003532825380000111
其中，uij表示个体i的第j个速度分量，xij表示个体i的第j个坐标分量，Pbest表示当前迭代中最优个体的坐标，Gbest表示前t次迭代中最优个体的坐标，c1和c2表示正的学习因子，r1和r2为随机数，ω为惯性权重系数，其数值在很大程度上直接决定了粒子局部和全局搜索能力的平衡性，ω越大全局搜索能力越强，局部搜索能力越弱。因此，在使用粒子群算法时必须合理地设置或者不断调整ω的大小，使得粒子能够得到全局最优解而不会陷入局部最优。
进一步地，本发明采用改进的粒子群算法，定义惯性权重系数为：
Figure BDA0003532825380000112
式中，ωmax、ωmin分别表示ω的最大值和最小值。
本发明提供的配电网多无人机巡线路径规划方法，包括：获取配电网参数信息，根据配电网参数信息构建欧拉图；计算欧拉图的欧拉回路长度，根据欧拉回路长度确定无人机数量；根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。通过粒子群算法搜索多无人机巡线路径的最佳分割点，利用基于最小权二分匹配法的Fleury算法求解每个无人机最短巡检路径，实现了减少无人机的巡线里程和减少无人机巡线时间进而缩短配电网灾后数据获取时间的目标，满足灾后短时间内获取配电网故障信息的要求。并且充分利用多无人机资源、有效提高配电网灾后故障信息获取速度，为配电网灾后抢修争取宝贵的时间和提供重要的数据。
在一实施例中，以仿真验证过程为例进行说明。图2为本发明所使用的网拓扑结构图，该网络一共有79个节点，线路总长度为22.35km，仿真验证中，优化目标函数F中的设置系数为α＝0.2，β＝0.8。粒子群的种群规模N＝50，最大迭代次数为T＝50，最大速度umax＝5，惯性权重ωmax＝0.9、ωmin＝0.4，学习因子c1和c2均为0.5。
具体步骤如下所示：
步骤1：读取配电网参数信息，包括待巡视杆塔位置以及杆塔之间的距离，根据配电网参数信息生成的网络拓扑图G，根据图G构建欧拉图E。
其中，步骤1中，构建欧拉图E的详细步骤为：
步骤1.1：计算各节点的度数，求出所有节点关联边的数量；
步骤1.2：找出所有的度为奇数的节点，即奇度点；
步骤1.3：计算每一个奇度点到其他奇度点的最短路径长度，为简化计算，本实施例不考虑避障情况，故最短路径长度简化为两点之间的直线距离；
步骤1.4：通过最小权二分匹配法来确定使欧拉回路最短的边添加方案，使原图变为欧拉图E。
步骤2：计算步骤1中欧拉图E的欧拉回路长度LE为26.183km，预估无人机数量H，本实施例中，若Lmax≤LE≤2Lmax，其中无人机的最大飞行距离Lmax为20km，则预估无人机数量为2，转向步骤3。
步骤3：根据无人机数量2，在图E中随机选取2个巡线终点，构成2维向量，若向量个数N达到50，进入步骤4，否则重复步骤3。
其中，步骤3中随机选取2个巡线终点的具体方法为：
步骤3.1：在图E上根据Fleury算法求解无人机巡线路径，并依次为巡线路径所经过的节点升序设定序号，最大序号为图E中巡线路径所经过节点的总数M为87；
步骤3.2：随机生成1个小于87的随机整数，这个随机整数即为第一架无人机巡线终点的序号，并于序号M＝87合并，形成2个巡线终点。
步骤4：将步骤3中N＝50个向量作为粒子群算法中的初始粒子，将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值F，利用粒子群算法得到多无人机巡线路径。
其中，步骤4中，解码方法为：
步骤4.1：令v0＝1表示所有无人机的起飞点和降落点，vh表示无人机h的巡线终点，h＝1；
步骤4.2：在当前子图上构建当前最短欧拉回路图；
步骤4.3：若vh在当前子图中不存在，则令F＝∞，否则采用Fleury算法计算第h台无人机从v0到vh的巡线路径，并计算路径长度Lh，若Lh>Lmax，则目标函数值F＝∞，转到步骤4.4，否则除v0和vh外，在当前子图中删除已被巡检的边和节点，得到新的子图，若h＝2，则根据多无人机巡线路径情况计算目标函数值F，否则令h＝h+1，返回步骤4.2；
步骤4.4：输出目标函数值F，解码结束。
具体地，步骤4中，目标函数值F的计算公式如下：
Figure BDA0003532825380000141
其中，f1表示无人机巡线总路径长度，f2表示多无人机巡线路径长度的方差；n表示节点个数，i,j∈V，dij为节点i和j之间的欧氏距离，xij为二值变量，xij＝1表示边(i，j)在巡线路径上，xij＝0表示边(i，j)不在巡线路径上；h表示无人机编号，Lh表示无人机h的巡线路径长度，L0表示多无人机巡线路径长度的均值。
目标函数优化的约束条件为：
Figure BDA0003532825380000142
步骤5：输出无人机路径规划结果。
在一实施例中，图3为多无人机路径规化结果图，1-38节点为第一台无人机飞过的线路，路径长度为13.744km，39-79节点为第二台无人机飞过的线路，路径长度为15.192km，其中，节点1为无人机控制中心，即所有无人机出发与返回的地点。两架无人机共飞行距离为28.936km，略高于单无人机无限飞行距离下的26.183km，但由于两架无人机同时巡线，且巡线路径长度近似，故可比单无人机无限飞行距离下巡线时间缩短接近一半的时间，且单无人机必有飞行距离的约束。因此，本发明可以有效解决配电网灾后多无人机巡线路径规化问题，提高无人机利用效率，缩短配电网巡线时间。
本发明实施例还提供一种配电网多无人机巡线路径规划系统，如图4所示，包括：
获取模块1，用于获取配电网参数信息，根据配电网参数信息构建欧拉图。详细内容参见上述实施例中步骤S1的相关描述，在此不再赘述。
计算模块2，用于计算欧拉图的欧拉回路长度，根据欧拉回路长度确定无人机数量。详细内容参见上述实施例中步骤S2的相关描述，在此不再赘述。
构建模块3，用于根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量。详细内容参见上述实施例中步骤S3的相关描述，在此不再赘述。
求解模块4，用于将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。详细内容参见上述实施例中步骤S4的相关描述，在此不再赘述。
本发明实施例还提供一种计算机设备，如图5所示，该设备可以包括处理器61和存储器62，其中处理器61和存储器62可以通过总线或者其他方式连接，图5以通过总线连接为例。
处理器61可以为中央处理器(Central Processing Unit，CPU)。处理器61还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器62作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器61通过运行存储在存储器62中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的配电网多无人机巡线路径规划方法。
存储器62可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器61所创建的数据等。此外，存储器62可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器62可选包括相对于处理器61远程设置的存储器，这些远程存储器可以通过网络连接至处理器61。上述网络的实例包括但不限于互联网、企业内部网、企业内网、移动通信网及其组合。
一个或者多个模块存储在存储器62中，当被处理器61执行时，执行本发明实施提供的配电网多无人机巡线路径规划方法。
上述计算机设备具体细节可以对应参阅图1-图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。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。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种配电网多无人机巡线路径规划方法，其特征在于，包括：
获取配电网参数信息，根据所述配电网参数信息构建欧拉图；
计算所述欧拉图的欧拉回路长度，根据所述欧拉回路长度确定无人机数量；
根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；
将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。
2.根据权利要求1所述的配电网多无人机巡线路径规划方法，其特征在于，所述根据所述配电网参数信息构建欧拉图，包括：
根据所述配电网参数信息生成网络拓扑图；
获取所述网络拓扑图中的奇度点；
计算所述奇度点两两间的最短路径长度；
基于最小权二分匹配法，根据所述最短路径长度确定添边路线，形成欧拉图。
3.根据权利要求1所述的配电网多无人机巡线路径规划方法，其特征在于，根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量，包括：
根据无人机数量，在欧拉图中随机选取多个巡线终点；
判断粒子群算法中的初始粒子数量是否达到预设数量；
当粒子群算法中的初始粒子数量未达到预设数量时，重复根据无人机数量，在欧拉图中随机选取多个巡线终点的步骤；
当粒子群算法中的初始粒子数量达到预设数量时，根据巡线终点数量及初始粒子数量初始粒子数量，构建多维向量。
4.根据权利要求3所述的配电网多无人机巡线路径规划方法，其特征在于，所述根据无人机数量，在欧拉图中随机选取多个巡线终点，包括：
在欧拉图上根据预设算法求解无人机巡线路径，并依次为巡线路径所经过的节点升序设定序号，其中，最大序号为欧拉图中巡线路径所经过节点的总数；
随机生成多个互不相同的随机整数，并从小到大进行排序，排序后的随机整数于最大序号合并，形成多个巡线终点，多个互不相同的随机整数均小于最大序号。
5.根据权利要求1所述的配电网多无人机巡线路径规划方法，其特征在于，所述目标函数值通过如下公式计算：
Figure FDA0003532825370000031
其中，F表示目标函数值；α、β表示权重系数，f1表示无人机巡线总路径长度，f2表示多无人机巡线路径长度的方差；M表示节点个数，i,j∈V，V表示待巡线节点集合，dij为节点i和j之间的欧氏距离，xij为二值变量，xij＝1表示边(i，j)在巡线路径上，xij＝0表示边(i，j)不在巡线路径上；h表示无人机编号，H表示无人机数量，Lh表示无人机h的巡线路径长度，L0表示多无人机巡线路径长度的均值。
6.根据权利要求5所述的配电网多无人机巡线路径规划方法，其特征在于，目标函数优化的约束条件为：
Figure FDA0003532825370000032
其中，Lmax表示无人机的最大飞行距离。
7.根据权利要求6所述的配电网多无人机巡线路径规划方法，其特征在于，粒子群算法中粒子的位置和速度更新公式为：
Figure FDA0003532825370000033
其中，uij表示个体i的第j个速度分量；xij表示个体i的第j个坐标分量，Pbest表示当前迭代中最优个体的坐标；Gbest表示前t次迭代中最优个体的坐标；c1和c2表示正的学习因子；r1和r2为随机数；ω为惯性权重系数。
8.一种配电网多无人机巡线路径规划系统，其特征在于，包括：
获取模块，用于获取配电网参数信息，根据所述配电网参数信息构建欧拉图；
计算模块，用于计算所述欧拉图的欧拉回路长度，根据所述欧拉回路长度确定无人机数量；
构建模块，用于根据无人机数量及粒子群算法中的初始粒子数量，构建多维向量；
求解模块，用于将多无人机巡线总长度和多无人机巡线长度方差作为优化目标，通过解码方法求解每个粒子对应的目标函数值，利用粒子群算法得到多无人机巡线路径。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7任一所述的配电网多无人机巡线路径规划方法。
10.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一所述的配电网多无人机巡线路径规划方法。
CN202210210036.7A 2022-03-04 2022-03-04 一种配电网多无人机巡线路径规划方法及系统 Pending CN114594790A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210210036.7A CN114594790A (zh) 2022-03-04 2022-03-04 一种配电网多无人机巡线路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210210036.7A CN114594790A (zh) 2022-03-04 2022-03-04 一种配电网多无人机巡线路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN114594790A true CN114594790A (zh) 2022-06-07

Family

ID=81816276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210210036.7A Pending CN114594790A (zh) 2022-03-04 2022-03-04 一种配电网多无人机巡线路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN114594790A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860292A (zh) * 2022-11-21 2023-03-28 武汉坤达安信息安全技术有限公司 基于渔政监控的无人机最优规划路径方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900998A (zh) * 2018-08-14 2018-11-27 长春理工大学 一种能耗均衡的移动汇聚节点路径规划方法及系统
CN110873565A (zh) * 2019-11-21 2020-03-10 北京航空航天大学 用于城市场景重建的无人机实时路径规划方法
CN111176334A (zh) * 2020-01-16 2020-05-19 浙江大学 一种多无人机协同目标搜索方法
CN112561116A (zh) * 2020-07-02 2021-03-26 上海柔克智能科技有限公司 一种基于Fleury和Dijkstra算法的电力巡检机器人闭合路径规划算法
CN112906973A (zh) * 2021-03-10 2021-06-04 浙江银江云计算技术有限公司 一种家庭医生随访路径推荐方法及系统
CN114020005A (zh) * 2021-09-02 2022-02-08 安徽有云智能科技有限公司 多无人机协同巡检配网线路的航迹规划方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108900998A (zh) * 2018-08-14 2018-11-27 长春理工大学 一种能耗均衡的移动汇聚节点路径规划方法及系统
CN110873565A (zh) * 2019-11-21 2020-03-10 北京航空航天大学 用于城市场景重建的无人机实时路径规划方法
CN111176334A (zh) * 2020-01-16 2020-05-19 浙江大学 一种多无人机协同目标搜索方法
CN112561116A (zh) * 2020-07-02 2021-03-26 上海柔克智能科技有限公司 一种基于Fleury和Dijkstra算法的电力巡检机器人闭合路径规划算法
CN112906973A (zh) * 2021-03-10 2021-06-04 浙江银江云计算技术有限公司 一种家庭医生随访路径推荐方法及系统
CN114020005A (zh) * 2021-09-02 2022-02-08 安徽有云智能科技有限公司 多无人机协同巡检配网线路的航迹规划方法和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
SHIKAI SHAO等: "Efficient Trajectory Planning for UAVs Using Hierarchical Optimization", 《IEEE ACCESS》, no. 9, 15 April 2021 (2021-04-15), pages 60668 - 60681, XP011851134, DOI: 10.1109/ACCESS.2021.3073420 *
张永涛，等: "基于图论的变电站巡检机器人全局路径规划", 《山东电力技术》, vol. 47, no. 9, 31 December 2020 (2020-12-31), pages 45 - 49 *
张永涛，等: "基于图论的变电站巡检机器人全局路径规划", 山东电力技术, vol. 47, no. 9, 31 December 2020 (2020-12-31), pages 45 - 49 *
彭光超;: "基于邮递员问题的变电站巡视路线探究", 电子测试, no. 2, 31 December 2014 (2014-12-31), pages 181 - 183 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115860292A (zh) * 2022-11-21 2023-03-28 武汉坤达安信息安全技术有限公司 基于渔政监控的无人机最优规划路径方法及装置
CN115860292B (zh) * 2022-11-21 2023-08-04 武汉坤达安信息安全技术有限公司 基于渔政监控的无人机最优规划路径方法及装置

Similar Documents

Publication Publication Date Title
CN111612122B (zh) 实时需求量的预测方法、装置及电子设备
CN107103164B (zh) 无人机执行多任务的分配方法及装置
CN109506654A (zh) 低空航路规划方法及装置、飞行器
CN113485429B (zh) 空地协同交通巡检的路径优化方法和装置
CN115167442A (zh) 一种输电线路巡检路径规划方法及系统
CN112947591A (zh) 基于改进蚁群算法的路径规划方法、装置、介质及无人机
CN115563674B (zh) 初始平面布置生成方法和装置、电子设备和存储介质
CN113139696B (zh) 一种轨迹预测模型构建方法及轨迹预测方法、装置
Sujit et al. Route planning for angle constrained terrain mapping using an unmanned aerial vehicle
CN113408949B (zh) 一种机器人时序任务规划方法及装置、电子设备
CN115185303B (zh) 用于国家公园及自然保护地的无人机巡护路径规划方法
CN114199255A (zh) 一种用于城区物流无人机终端配送航路网络的规划方法
CN115373426B (zh) 一种固定翼集群无人机区域覆盖在线路径协同规划方法
CN111310992A (zh) 面向地震灾后快速评估的多无人机路径优化方法
CN112382134B (zh) 生成飞行路径的方法、装置、存储介质和电子设备
CN114020005A (zh) 多无人机协同巡检配网线路的航迹规划方法和系统
CN114594790A (zh) 一种配电网多无人机巡线路径规划方法及系统
CN110610273A (zh) 一种车机协同巡检方法
CN113848560A (zh) 一种大坝表面图像无人机快速安全采集方法及系统
CN109445462B (zh) 一种非确定环境下的无人机鲁棒路径规划方法
CN110375735B (zh) 路径规划方法和装置
CN117367433A (zh) 低空无人机路径规划方法、装置、无人机及可读存储介质
CN109256774B (zh) 一种基于电压等级的电网子图划分方法及装置
CN112631338B (zh) 一种航线规划方法、装置、计算机设备及存储介质
CN113946159B (zh) 无人机高速公路巡逻的路径优化方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination