CN115935610A - 一种架空线路无人机巡检策略优化方法和系统 - Google Patents

Abstract

本发明公开了一种架空线路无人机巡检策略优化方法和系统，包括以下步骤：S1：采集巡检数据，将巡检数据传输至服务器；S2：从服务器提取巡检数据并根据巡检数据建立映射模型；S3：确定模型参数，设置模型参数，建立约束条件和目标函数；S4：基于目标函数建立并求解巡检策略模型，得到巡检优化路径；S5：映射模型展示巡检优化路径。本发明的有益效果是：能制定和优化无人机巡检路径。

Description

一种架空线路无人机巡检策略优化方法和系统

技术领域

本发明涉及无人机巡检技术领域，特别涉及一种架空线路无人机巡检策略优化方法和系统。

背景技术

电力系统主要采用架空线路输送电能，随着输电线路分布范围愈加宽广而复杂，传统的人工、机器人或机械设备等巡检方式已无法满足输电线路的巡检任务。

现有技术中，技术人员在地面工作站远程操作无线遥控设备和程序，采集架空线路的各种信息并通过传输设备将信息返回到地面工作站，实现无人机的自主巡检作业。但是技术人员缺乏针对不同巡检任务制定对应巡检策略，无人机巡检策略制定较为粗放。存在不能制定和优化无人机巡检路径的问题。

例如，一种在中国专利文献上公开的“输电线路的预警系统和输电线路”，其公告号：CN106771864A，其申请日：2016年12月12日，该发明解决了对仅能够对输电线路发现的隐患进行存档导致不能直观的确定隐患的技术问题，但是存在不能制定和优化无人机巡检路径的问题。

发明内容

针对现有技术不能制定和优化无人机巡检路径的不足，本发明提出了一种架空线路无人机巡检策略优化方法和系统，能制定和优化无人机巡检路径。

以下是本发明的技术方案，一种架空线路无人机巡检策略优化方法，包括以下步骤：

S1：采集巡检数据，将巡检数据传输至服务器；

S2：从服务器提取巡检数据并根据巡检数据建立映射模型；

S3：确定模型参数，设置模型参数，建立约束条件和目标函数；

S4：基于目标函数建立并求解巡检策略模型，得到巡检优化路径；

S5：映射模型展示巡检优化路径。

本方案中，采集巡检数据，将巡检数据传输至服务器，从服务器提取巡检数据并根据巡检数据建立映射模型，确定模型参数，设置模型参数，建立约束条件和目标函数，基于目标函数建立并求解巡检策略模型，得到巡检优化路径，映射模型展示巡检优化路径。构建的目标函数包括效率目标函数、配置目标函数和损耗目标函数，能够从无人机效率、配置和损耗层面制定和优化无人机巡检路径。

作为优选，步骤S1中，巡检数据包括电压等级、线路名称、区域线路长度、区域杆塔数量、杆塔GPS坐标、杆塔高度、区域地形参数、线路投产时间、照片数据和视频数据。

本方案中，巡检数据包括电压等级、线路名称、区域线路长度、区域杆塔数量、杆塔GPS坐标、杆塔高度、区域地形参数、线路投产时间、照片数据和视频数据。通过采集模块获取电力杆塔、电力线路和无人机的数据作为巡检数据，巡检数据用于创建映射模型和参与巡检策略模型的计算得出巡检优化路径，提高数据的有效性。

作为优选，步骤S2中，映射模型为三维模型和数字孪生模型中的一种或多种。

本方案中，处理模块用于根据巡检数据建立电力杆塔、电力线路和无人机的映射模型，映射模型可以三维模型或数字孪生模型。若处理模块建立的映射模型为数字孪生模型，则还需使用云渲染服务器。能够直观查阅无人机的巡检位置和状态。

作为优选，步骤S3中，约束条件包括高效性约束、可行性约束、周期性约束和安全性约束，基于约束条件构建惩罚函数；

其中，高效性约束表示巡检路线是一条从任意站点起飞在任意站点降落的完整路径，可行性约束表示无人机巡检时在最大续航时间内回到站点，周期性约束表示巡检结束后仓库无人机数量保持不变，安全性约束表示无人机巡检时自身的安全性和无人机与输电线路和杆塔的安全距离。

本方案中，约束条件包括高效性约束、可行性约束、周期性约束和安全性约束。其中，高效性约束表示规划巡检路线是一条从任意站点起飞在任意站点降落的完整路径。在满足巡检任务要求下，避免巡检路径重复、规划航点距离来缩短巡检路径长度、提高飞行速度以缩短巡检时长。可行性约束表示任务进行时，每个任务服务时间不定，参与巡检任务的无人机要在最大续航时间内回到站点，顺利完成巡检路径。避免无人机在巡检途中能耗损失殆尽的情况。周期性约束表示每次巡检任务结束后，每个仓库原有无人机数量保持不变，以保证路径规划方案可周期性使用。安全性约束表示包括无人机飞行自身的安全性和与输电线路和杆塔的安全距离。在实际巡检中，惩罚函数表达式如下：

h＝ax₁+bx₂+cx₃+…+z

上式中，a,b,c,z为常数，x_i为不同的约束条件。

作为优选，基于惩罚函数构建效率目标函数、配置目标函数和损耗目标函数，基于效率目标函数、配置目标函数和损耗目标函数构建目标函数；

其中，效率目标函数用于最小化巡检总时间，配置目标函数用于最小化无人机总数量，损耗目标函数用于最小化巡检路径总长度。

本方案中，效率目标函数用于最小化巡检总时间(T)。一架无人机的巡检时间为从起飞开始直到降落，所有无人机的巡检时间之和为总巡检时间。假设一条路径有n+1个目标点，效率目标函数表达式如下：

上式中，t_i表示第i段线路的巡检时间，h表示惩罚函数，n为目标点数量。

配置目标函数用于最小化无人机总数量(N)。一条从站点起飞后在站点降落的路径定义为一架无人机的飞行路径，无人机群以队列形式模拟各自的飞行路线。假设一条路径有n+1个目标点，配置目标函数表达式如下：

f₂(x)＝N+h

上式中，N为无人机总数量，h表示惩罚函数。

损耗目标函数用于最小化巡检路径总长度(S)。实际线路巡检中，可以根据无人机达到的两个相邻路径节点，计算整个线路节点总的路径长度，假设一条路径有n+1个目标点，损耗目标函数表达式如下：

上式中，s_i表示第i段线路的巡检路径长度，h表示惩罚函数，n为目标点数量。

结合效率目标函数、配置目标函数和损耗目标函数的表达式，路径规划的目标函数表达式如下：

上式中，f₁(x)为效率目标函数，f₂(x)为配置目标函数，f₃(x)为损耗目标函数。

作为优选，基于效率目标函数建立效率最优巡检策略模型：以最大化飞行距离、飞行高度、最小化直飞距离对无人机巡检路径进行约束，基于改进RRT算法以评估函数判断搜索中高度空间，确定无人机巡检优化路径。

本方案中，最大化飞行距离约束表示无人机的最大续航能力有限，飞行距离也受电池限制，为了保障飞行安全，设置最远飞行距离。无人机的飞行路径是由飞行轨迹{l_i|i＝1,2,...,n}组成，最大化飞行距离约束表达式如下：

上式中，||l_i||为无人机某一段飞行距离，L_max为无人机最远飞行距离。

飞行高度约束表示当无人机正常飞行时，它由自身性能与飞行区域限制，存在一个最大飞行高度。同时飞行高度也不能太低，目的是避免增加与障碍物碰撞的几率。因此，无人机飞行高度是一个范围约束，飞行高度约束表达式如下：

H_min≤H_i≤H_max

上式中，H_min为无人机最低飞行高度，H_i为无人机轨迹点的高度，H_max为无人机最大飞行高度。

最小化直飞距离约束表示无人机在调整飞行方位之前必须维持某一直飞距离。当直飞距离小于某一固定值时，无人机的风险几率将增加。最小化直飞距离约束表达式如下：

||l_i||≥L_min

上式中，||l_i||为无人机直线飞行距离，L_min为无人机最短直飞距离。

改进RRT算法在保留传统RRT算法的空间随机搜索性的基础上，引入高度方向上的约束以调整搜索方向使其从起点逐渐逼近终点。采样过程的采样点规定在同一高度并在此高度平面进行随机扩展，改进RRT算法具有XYZ轴方向的随机扩展性。改进RRT算法在XYZ轴方向上的随机扩展性由评估函数f(n,t)，表达式如下：

f(n,t)＝g(t)+h(n-t)+R(n-t)

上式中，n为搜索树中包含节点数，t为新生成并添加到搜索树中的节点数，(n-t)为新生成的节点而因不满足要求未能添加到搜索树中的节点数，g(t)为引入的节点t的目标引力函数，h(n-t)为随机采样(n-t)节点所产生的生长函数，R(n-t)为随机采样(n-t)节点是否添加的二元函数变量。

改进RRT算法采用的增量采样方法追踪多旋翼无人机飞行轨迹，以保持其在工作空间中，避免障碍和纳入控制输入的边界。以多项式2n²-degree导出解的最优轨迹。能够从无人机效率层面优化无人机巡检路径。

作为优选，基于配置目标函数建立配置最优巡检策略模型：按照巡检要求计算巡检目标检测点的具体坐标，应用MATLAB中的scatter函数对离散的巡检目标检测点进行三维离散化建模，在满足连续性约束的最小加速度条件下，确定无人机巡检优化路径。

本方案中，无人机根据预先规划的拍摄路径自动生成杆塔巡检的各个拍摄航点，以每个拍摄航点正前方、左前方和右前方三个方向逐一进行拍摄，左前方和右前方具体为45度角，正面拍摄为在飞行高度下俯视拍摄，左前方和右前方拍摄为从飞行高度垂直下降至最下层导线的过程中连续拍摄，完成杆塔的巡检图像采集。计算表示杆塔所有待巡检点的坐标，实现了精确且与实际相符的三维离散化模型，仿真实验采用MATLAB中的scatter函数对离散的待巡检点进行三维离散化建模，由于多旋翼无人机在长段飞行速度会更快，在短小片段飞行速度会更慢，用三阶多项式表示最小加速度轨迹，利用MATLAB计算无人机飞行动态轨迹路径。能够从无人机配置层面优化无人机巡检路径。

作为优选，基于损耗目标函数建立损耗最优巡检策略模型：以最小总损耗约束条件建立整数线性规划模型，使用自适应大邻域搜索算法求解损耗最优巡检策略模型的最优解，确定无人机巡检优化路径。

本方案中，电力线路无人机巡检路径规划可表示为多-巡集旅行商(MS-TSP)形式，以最小总损耗为约束条件，采用自适应大邻域搜索算法，通过整数线性规划公式求解出多-巡集旅行商(MS-TSP)的最优解，获得无人机巡检优化路径。能够从无人机损耗层面优化无人机巡检路径。

作为优选，最小总损耗约束条件包括：无人机由起始点巡检至目标点结束；起始点和目标点各进出一次；每个无人机进入目标点后会离开目标点；无人机子方阵满足子旅行消除约束。

本方案中，MS-TSP的最优解可以通过求解整数线性规划问题公式得到，最小总损耗约束条件包括：无人机每次巡检从起始点至目标点，起始点和目标点构成巡检线段，保证每次旅行从开始x₀和x₁结束；无人机巡检时每一组巡检线段的起始点和目标点各进出一次；对于每一组线段起始点，所有路径上m所有变量到达目标点的和为1；每个无人机进入目标点后会离开目标点；无人机子方阵满足子旅行消除约束(Miller-Tucker-Zemlin)，每个旅行中包含矩阵T中的元素。能够提高无人机巡检路径的实操性和稳定性。

一种架空线路无人机巡检策略优化系统，包括：

采集模块，用于采集巡检数据；

传输模块，用于传输巡检数据至服务器；

服务器，用于存储巡检数据；

处理模块，用于从服务器提取巡检数据建立映射模型；

配置分析模块，用于创建并求解巡检策略模型得到巡检优化路径；

显示模块，用于展示映射模型和巡检优化路径。

本方案中，采集模块采集巡检数据，传输模块将巡检数据传输至服务器，处理模块从服务器提取巡检数据并根据巡检数据建立映射模型，配置分析模块创建并求解巡检策略模型得到巡检优化路径，巡检策略模型包括效率最优巡检策略模型、配置最优巡检策略模型和损耗最优巡检策略模型，显示模块展示映射模型和巡检优化路径。能够从无人机效率、配置和损耗层面优化无人机巡检路径。

本发明的有益效果是：能够从无人机效率、配置和损耗层面制定和优化无人机巡检路径。

附图说明

图1本发明一种架空线路无人机巡检策略优化系统的示意图。

图2本发明一种架空线路无人机巡检策略优化方法的流程图。

图中1、采集模块；2、传输模块；3、服务器；4、处理模块；5、配置分析模块；6、显示模块。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：如图1所示，一种架空线路无人机巡检策略优化系统，包括：

采集模块1，用于采集巡检数据；

传输模块2，用于传输巡检数据至服务器3；

服务器3，用于存储巡检数据；

处理模块4，用于从服务器3提取巡检数据建立映射模型；

配置分析模块5，用于创建并求解巡检策略模型得到巡检优化路径；

显示模块6，用于展示映射模型和巡检优化路径。

采集模块1用于采集巡检数据，巡检数据包括架空线路中的电力杆塔数据和电力线路数据，巡检数据通过搭载影像采集相机、GPS等模块的无人机进行架空线路精确巡检得到的。巡检数据包括电压等级、线路名称、区域线路长度、区域杆塔数量、杆塔GPS坐标、杆塔高度、区域地形参数、线路投产时间、照片数据和视频数据。传输模块2用于将采集模块1采集的巡检数据传输至服务器3。服务器3用于存储巡检数据。处理模块4用于根据巡检数据建立电力杆塔、电力线路和无人机的映射模型，映射模型可以三维模型或数字孪生模型。若处理模块4建立的映射模型为数字孪生模型，则还需使用云渲染服务器。

配置分析模块5用于配置无人机限制条件、模型参数、约束条件和目标函数，创建并求解效率最优、配置最优和损耗最优的巡检策略数学模型，得到架空线路无人机优化巡检策略。无人机在实际巡检过程中，架空线路相邻两个节点之间存在可达路径是无人机巡检的前置条件，在本实施例中，巡检区域内的任意站点允许任意无人机起飞和降落，无人机均为充电式无人机且具备避障功能，能够在站点进行充电和避免碰撞。更进一步的，无人机沿直线水平飞行，安全距离大于10米。模型参数包括电压等级、线路名称、区域线路长度、区域杆塔数量、杆塔GPS坐标、杆塔高度、区域地形参数和线路投产时间等关键信息，用于规划无人机的巡检区域等。约束条件包括路径规划的高效性约束、可行性约束、周期性约束和安全性约束，能够提高路径规划的有效性。目标函数包括效率目标函数、配置目标函数和损耗目标函数。效率目标函数中，采用多旋翼无人机自主巡检RRT路径规划策略，基于采样改进的RRT算法来启发随机搜索性的A*算法，规划有障碍区域的无人机平稳巡检路径；配置目标函数中，采用三维离散的无人机飞行轨迹巡检策略，基于三维离散化仿真实验，规划无人机最优飞行巡检路径；损耗目标函数中，采用多-巡集旅行商巡检策略，以自适应大邻域搜索算法，规划无人机巡检优化路径。显示模块6用于展示映射模型和巡检优化路径。

如图2所示，一种架空线路无人机巡检策略优化方法，包括以下步骤：

S1：采集巡检数据，将巡检数据传输至服务器3；

S2：从服务器3提取巡检数据并根据巡检数据建立映射模型；

S3：确定模型参数，设置模型参数，建立约束条件和目标函数；

S4：基于目标函数建立并求解巡检策略模型，得到巡检优化路径；

S5：映射模型展示巡检优化路径。

以区域内每个待巡检杆塔节点为一个待巡检目标对象，建立巡检模型并求解获取杆塔上所有待巡检缺陷点坐标，根据待巡检缺陷点坐标与巡检作业目标优化算法，进一步提高精度来完成杆塔的巡检，再继续下一个杆塔同样的巡检过程与航迹规划。杆塔的巡检路径规划是指确定待巡检缺陷点后，考虑无人机与杆塔之间安全距离，根据杆塔塔型、无人机飞行点坐标信息，规划无人机巡检路径，生成自主巡检轨迹。主要包括巡检数据采集、数据分析、数据处理、数学建模与巡检策略优化，以架空线路中的电力杆塔及电力线路数据为依据，通过具有搭载功能的无人机设备精确巡检，建立数学模型与巡检策略优化，该方法以效率最优、配置最优、损耗最低为目标，确定一条数字化架空线路无人机最优巡检路径规划。

S1：采集巡检数据，将巡检数据传输至服务器3；

具体的，采集模块1采集巡检数据，巡检数据包括架空线路中的电力杆塔数据和电力线路数据，巡检数据通过搭载影像采集相机、GPS等模块的无人机进行架空线路精确巡检得到的。巡检数据包括电压等级、线路名称、区域线路长度、区域杆塔数量、杆塔GPS坐标、杆塔高度、区域地形参数、线路投产时间、照片数据和视频数据。采集模块1通过传输模块2将巡检数据传输至服务器3，服务器3存储采集数据。

S2：从服务器3提取巡检数据并根据巡检数据建立映射模型；

具体的，处理模块4从服务器3提取巡检数据，根据巡检数据建立电力杆塔、电力线路和无人机的映射模型，映射模型可以三维模型或数字孪生模型，若为数字孪生模型，则通过云渲染服务器3进行模型渲染。在显示模块6直观展示电力杆塔、电力线路和无人机的位置关系。

S3：设置模型参数，建立约束条件和目标函数；

具体的，配置分析模块5用于设置模型参数，将待巡检区域的巡检数据设置为模型参数，结合无人机巡视飞行过程中准确GPS坐标，实现无人机自主巡检缺陷识别，构建无人机巡检模型与提出最优巡检策略。无人机巡检时对避雷线、防震锤、绝缘子、耐张线夹等重点部位进行检测，同时有效规避高压导线周围强电磁场，以保护搭载在无人机上的电子设备。

建立约束条件，约束条件包括高效性约束、可行性约束、周期性约束和安全性约束。其中，高效性约束表示规划巡检路线是一条从任意站点起飞在任意站点降落的完整路径。在满足巡检任务要求下，避免巡检路径重复、规划航点距离来缩短巡检路径长度、提高飞行速度以缩短巡检时长。可行性约束表示任务进行时，每个任务服务时间不定，参与巡检任务的无人机要在最大续航时间内回到站点，顺利完成巡检路径。避免无人机在巡检途中能耗损失殆尽的情况。周期性约束表示每次巡检任务结束后，每个仓库原有无人机数量保持不变，以保证路径规划方案可周期性使用。安全性约束表示包括无人机飞行自身的安全性和与输电线路和杆塔的安全距离。在实际巡检中，惩罚函数表达式如下：

h＝ax₁+bx₂+cx₃+…+z

上式中，a,b,c,z为常数，x_i为不同的约束条件。

建立目标函数，目标函数包括效率目标函数、配置目标函数和损耗目标函数。

效率目标函数用于最小化巡检总时间(T)。一架无人机的巡检时间为从起飞开始直到降落，所有无人机的巡检时间之和为总巡检时间。假设一条路径有n+1个目标点，效率目标函数表达式如下：

上式中，t_i表示第i段线路的巡检时间，h表示惩罚函数，n为目标点数量。

配置目标函数用于最小化无人机总数量(N)。一条从站点起飞后在站点降落的路径定义为一架无人机的飞行路径，无人机群以队列形式模拟各自的飞行路线。假设一条路径有n+1个目标点，配置目标函数表达式如下：

f₂(x)＝N+h

上式中，N为无人机总数量，h表示惩罚函数。

损耗目标函数用于最小化巡检路径总长度(S)。实际线路巡检中，可以根据无人机达到的两个相邻路径节点，计算整个线路节点总的路径长度，假设一条路径有n+1个目标点，损耗目标函数表达式如下：

上式中，s_i表示第i段线路的巡检路径长度，h表示惩罚函数，n为目标点数量。

结合效率目标函数、配置目标函数和损耗目标函数的表达式，路径规划的目标函数表达式如下：

上式中，f₁(x)为效率目标函数，f₂(x)为配置目标函数，f₃(x)为损耗目标函数。

S4：基于目标函数建立并求解巡检策略模型，得到巡检优化路径。

具体的，基于效率目标函数建立效率最优巡检策略模型。采用多旋翼无人机以最大化飞行距离、飞行高度、最小化直飞距离对无人机巡检路径进行约束，建立效率最优巡检策略模型，基于改进RRT算法以评估函数判断搜索中高度空间，从而确定规划有障碍的无人机平稳巡检路径。

最大化飞行距离约束表示无人机的最大续航能力有限，飞行距离也受电池限制，为了保障飞行安全，应设置最远飞行距离。如果无人机的飞行路径是由飞行轨迹{l_i|i＝1,2,...,n}组成，最大化飞行距离约束表达式如下：

上式中，||l_i||为无人机某一段飞行距离，L_max为无人机最远飞行距离。

飞行高度约束表示当无人机正常飞行时，它由自身性能与飞行区域限制，存在一个最大飞行高度。同时飞行高度也不能太低，目的是避免增加与障碍物碰撞的几率。因此，无人机飞行高度是一个范围约束，飞行高度约束表达式如下：

H_min≤H_i≤H_max

上式中，H_min为无人机最低飞行高度，H_i为无人机轨迹点的高度，H_max为无人机最大飞行高度。

最小化直飞距离约束表示无人机在调整飞行方位之前必须维持某一直飞距离。当直飞距离小于某一固定值时，无人机的风险几率将增加。最小化直飞距离约束表达式如下：

||l_i||≥L_min

上式中，||l_i||为无人机直线飞行距离，L_min为无人机最短直飞距离。

改进RRT算法在保留传统RRT算法的空间随机搜索性的基础上，引入高度方向上的约束以调整搜索方向使其从起点逐渐逼近终点。采样过程的采样点规定在同一高度并在此高度平面进行随机扩展，改进RRT算法具有XYZ轴方向的随机扩展性。改进RRT算法在XYZ轴方向上的随机扩展性由评估函数f(n,t)，表达式如下：

f(n,t)＝g(t)+h(n-t)+R(n-t)

上式中，n为搜索树中包含节点数，t为新生成并添加到搜索树中的节点数，(n-t)为新生成的节点而因不满足要求未能添加到搜索树中的节点数，g(t)为引入的节点t的目标引力函数，h(n-t)为随机采样(n-t)节点所产生的生长函数，R(n-t)为随机采样(n-t)节点是否添加的二元函数变量。

改进RRT算法采用的增量采样方法追踪多旋翼无人机飞行轨迹，以保持其在工作空间中，避免障碍和纳入控制输入的边界。以多项式2n²-degree导出解的最优轨迹。

基于配置目标函数建立配置最优巡检策略模型，按照巡检要求计算得到输电杆塔简易模型中巡检目标检测点的具体坐标，应用MATLAB中的scatter函数对离散的巡检目标检测点进行精确的且与实际相符的三维离散化建模，利用MATLAB计算无人机飞行动态轨迹路径。

无人机根据预先规划的拍摄路径自动生成杆塔巡检的各个拍摄航点，以每个拍摄航点正前方、左前方和右前方三个方向逐一进行拍摄，左前方和右前方具体为45度角，正面拍摄为在飞行高度下俯视拍摄，左前方和右前方拍摄为从飞行高度垂直下降至最下层导线的过程中连续拍摄，至此完成单基杆塔的巡检图像采集工作。

将输电杆塔上所有待巡检点的坐标计算表示出来，实现了精确且与实际相符的三维离散化模型，仿真实验采用MATLAB中的scatter函数对离散的待巡检点进行三维离散化建模，由于多旋翼无人机在长段飞行速度会更快，在短小片段飞行速度会更慢，用三阶多项式表示最小加速度轨迹，利用MATLAB计算无人机飞行动态轨迹路径。三阶多项式的约束条件包括速度、安全性和损耗。

基于损耗目标函数建立损耗最优巡检策略模型，电力线路无人机巡检路径规划可表示为多-巡集旅行商(MS-TSP)形式，以最小总损耗为约束条件，采用自适应大邻域搜索算法，通过整数线性规划公式求解出多-巡集旅行商(MS-TSP)的最优解，获得无人机巡检优化路径。

MS-TSP的最优解可以通过求解整数线性规划问题公式得到，最小总损耗约束条件包括：无人机每次巡检从起始点至目标点，起始点和目标点构成巡检线段，保证每次旅行从开始x₀和x₁结束；无人机巡检时每一组巡检线段的起始点和目标点各进出一次；对于每一组线段起始点，所有路径上m所有变量到达目标点的和为1；每个无人机进入目标点后会离开目标点；无人机子方阵满足子旅行消除约束(Miller-Tucker-Zemlin)，每个旅行中包含矩阵T中的元素。

因此，上述整数线性规划数学模型表示为：

t_m,i-t_m,j+y_m,i,j≤n-1,2≤i≠j≤n_t,0≤m≤n_t

上式中，C为损耗；用具有n个顶点的图上的实例和他们之间预先计算的个体代价表示为二维非对称代价矩阵

具有边代价c(e_i,j),0≤i,j≤n；c_i,j表示前一段的端点到线段端点的飞行时间与电力线检查线段的时间之和，除终点的边；个体可以表述为变量的三维矩阵形式

其中矩阵中元素y_m,i,j表示从i到第j的一次遍历的边m，n_t是最大遍历次数；矩阵Y表示单独旅行经过的边，遍历矩阵

中表示遍历编码，其中元素t_m,i表示顶点i在遍历m中的位置，所以T表示边访问的顺序；起点和终点位置定义为顶点x₀和x₁，对1≤i≤n_s，每段由两个顶点x_2i和x_2i+1表示；C_max为飞行损耗约束条件。

S5：映射模型展示巡检优化路径。

具体的，配置分析模块5解得巡检优化路径后，无人机的映射模型在显示模块6中展示巡检优化路径。显示模块6设有导出巡检优化路径的功能按钮，用于导出配置分析模块5通过巡检策略模型得到的最优解。

以高效性约束、可行性约束、周期性约束和安全性约束建立约束条件，基于约束条件构建惩罚函数，基于惩罚函数构建效率目标函数、配置目标函数和损耗目标函数，基于效率目标函数、配置目标函数和损耗目标函数构建目标函数。基于效率目标函数建立效率最优巡检策略模型：以最大化飞行距离、飞行高度、最小化直飞距离对无人机巡检路径进行约束，基于改进RRT算法以评估函数判断搜索中高度空间，确定无人机巡检优化路径。基于配置目标函数建立配置最优巡检策略模型：按照巡检要求计算巡检目标检测点的具体坐标，应用MATLAB中的scatter函数对离散的巡检目标检测点进行三维离散化建模，在满足连续性约束的最小加速度条件下，确定无人机巡检优化路径。基于损耗目标函数建立损耗最优巡检策略模型：以最小总损耗约束条件建立整数线性规划模型，使用自适应大邻域搜索算法求解损耗最优巡检策略模型的最优解，确定无人机巡检优化路径。能够从无人机效率、配置和损耗层面优化无人机巡检路径。

Claims (10)

1.一种架空线路无人机巡检策略优化方法，其特征在于，包括以下步骤：

S1：采集巡检数据，将巡检数据传输至服务器；

S2：从服务器提取巡检数据并根据巡检数据建立映射模型；

S3：确定模型参数，设置模型参数，建立约束条件和目标函数；

S4：基于目标函数建立并求解巡检策略模型，得到巡检优化路径；

S5：映射模型展示巡检优化路径。

2.根据权利要求1所述的一种架空线路无人机巡检策略优化方法，其特征在于，步骤S1中，巡检数据包括电压等级、线路名称、区域线路长度、区域杆塔数量、杆塔GPS坐标、杆塔高度、区域地形参数、线路投产时间、照片数据和视频数据。

3.根据权利要求1所述的一种架空线路无人机巡检策略优化方法，其特征在于，步骤S2中，映射模型为三维模型和数字孪生模型中的一种或多种。

4.根据权利要求1所述的一种架空线路无人机巡检策略优化方法，其特征在于，步骤S3中，约束条件包括高效性约束、可行性约束、周期性约束和安全性约束，基于约束条件构建惩罚函数；

其中，高效性约束表示巡检路线是一条从任意站点起飞在任意站点降落的完整路径，可行性约束表示无人机巡检时在最大续航时间内回到站点，周期性约束表示巡检结束后仓库无人机数量保持不变，安全性约束表示无人机巡检时自身的安全性和无人机与输电线路和杆塔的安全距离。

5.根据权利要求4所述的一种架空线路无人机巡检策略优化方法，其特征在于，基于惩罚函数构建效率目标函数、配置目标函数和损耗目标函数，基于效率目标函数、配置目标函数和损耗目标函数构建目标函数；

其中，效率目标函数用于最小化巡检总时间，配置目标函数用于最小化无人机总数量，损耗目标函数用于最小化巡检路径总长度。

6.根据权利要求1或4所述的一种架空线路无人机巡检策略优化方法，其特征在于，基于效率目标函数建立效率最优巡检策略模型：以最大化飞行距离、飞行高度、最小化直飞距离对无人机巡检路径进行约束，基于改进RRT算法以评估函数判断搜索中高度空间，确定无人机巡检优化路径。

7.根据权利要求1或4所述的一种架空线路无人机巡检策略优化方法，其特征在于，基于配置目标函数建立配置最优巡检策略模型：按照巡检要求计算巡检目标检测点的具体坐标，应用MATLAB中的scatter函数对离散的巡检目标检测点进行三维离散化建模，在满足连续性约束的最小加速度条件下，确定无人机巡检优化路径。

8.根据权利要求1或4所述的一种架空线路无人机巡检策略优化方法，其特征在于，基于损耗目标函数建立损耗最优巡检策略模型：以最小总损耗约束条件建立整数线性规划模型，使用自适应大邻域搜索算法求解损耗最优巡检策略模型的最优解，确定无人机巡检优化路径。

9.根据权利要求8所述的一种架空线路无人机巡检策略优化方法，其特征在于，最小总损耗约束条件包括：无人机由起始点巡检至目标点结束；起始点和目标点各进出一次；每个无人机进入目标点后会离开目标点；无人机子方阵满足子旅行消除约束。

10.一种架空线路无人机巡检策略优化系统，适用于权利要求1-9任一项所述的一种架空线路无人机巡检策略优化方法，其特征在于，包括：

采集模块，用于采集巡检数据；

传输模块，用于传输巡检数据至服务器；

服务器，用于存储巡检数据；

处理模块，用于从服务器提取巡检数据建立映射模型；

配置分析模块，用于创建并求解巡检策略模型得到巡检优化路径；

显示模块，用于展示映射模型和巡检优化路径。

Images