CN116225074A - 一种输电线路无人机巢巡检航线规划方法及系统 - Google Patents
一种输电线路无人机巢巡检航线规划方法及系统 Download PDFInfo
- Publication number
- CN116225074A CN116225074A CN202310518647.2A CN202310518647A CN116225074A CN 116225074 A CN116225074 A CN 116225074A CN 202310518647 A CN202310518647 A CN 202310518647A CN 116225074 A CN116225074 A CN 116225074A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- waypoint
- sequence
- mileage
- 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 230000008859 change Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000010006 flight Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 9
- 230000037431 insertion Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种输电线路无人机巢巡检航线规划方法及系统,其方法通过以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型,对无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程,根据选择概率确定预设生成新解方式,对初始航点序列进行航点变化,求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程,比对巡视总里程与初始巡视总里程之间的里程差,并对航点序列进行更新,按照预设的概率更新函数更新选择概率,进行迭代更新,得到无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径,实现无人机巢高效巡检作业的目的。
Description
技术领域
本发明涉及无人机巡检技术领域,尤其涉及一种输电线路无人机巢巡检航线规划方法及系统。
背景技术
输电线路在电力系统中承担着电能输送的重要任务,而线路的巡检维护是保证其安全运行的重要环节。传统的人工巡检和现有的无人机巡检维护方法存在自动化水平低、工作效率差等问题,因此这些巡检技术越来越难以适应电网快速发展的趋势。无人机巢由于其远程自主巡检和数据回传功能正逐渐成为未来输电线路巡检的重要发展方向之一。
对于输电线路无人机巢巡检,其航线规划是高效作业的关键。由于无人机巢巡检范围一般可以覆盖几公里区域输电线路,区域内输电线路杆塔动辄上百基,杆塔众多,受无人机的航程、续航能力等条件限制,无人机巢单架次巡检作业往往无法满足复杂巡检任务需求,此时就需要多次作业才能完成区域内所有杆塔的巡检任务。
目前,虽然较多学者已经对无人机巡检路径规划、无人机集群作业任务分配等问题进行了分析,但大部分研究只针对少量巡检目标情况,而缺少对无人机巢在输电线路巡检场景的充分研究,当前无人机巡巢巡检航线仍然需要人工计算规划,人工计算效率低、工作量大,而且并不能达到最高巡检效率的效果。同时,输电线路杆塔众多,巡检条件复杂,对于固定的无人机巢,面对多个需要被巡检的线路杆塔时,其制定的巡检路径难以在满足无人机续航能力约束的条件下,高效地完成对所有目标进行巡检的任务。
发明内容
本发明提供了一种输电线路无人机巢巡检航线规划方法及系统,解决了当输电线路杆塔众多,巡检条件复杂,对于固定的无人机巢,面对多个需要被巡检的线路杆塔时,其制定的巡检路径难以在满足无人机续航能力约束的条件下,高效地完成对所有目标进行巡检的任务的技术问题。
有鉴于此,本发明第一方面提供了一种输电线路无人机巢巡检航线规划方法,包括以下步骤:
101、将预设的无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型;
102、将所述巡检航点集合的所有航点信息按照相对无人机巢位置的位置的距离从近至远依次排序,得到初始航点序列;
103、按照最大化每次飞行里程原则对所述初始航点序列中所有航点进行全覆盖巡视,在满足每次飞行最大里程约束下,对所述无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程;
104、根据选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列,并通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程;
105、获取所述预设生成新解方式对应的巡视总里程与所述初始巡视总里程之间的里程差,将所述里程差与预设的里程差阈值进行比较,若所述里程差满足所述预设的里程差阈值时,则将所述新的航点序列对所述初始航点序列进行更新,将所述新的航点序列对应的解更新为所述无人机巢巡检航线规划模型的新的当前解;
106、根据所述里程差以及所述预设生成新解方式按照预设的概率更新函数更新所述选择概率,重复执行步骤104进行迭代更新,直至满足预设的迭代条件,得到所述无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径。
优选地,步骤101具体包括:
根据无人机巢位置和机巢无人机巡视覆盖半径确定无人机巢巡检区域;
将所述无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型的目标函数为:
式中,D为巡视总里程,N为机巢无人机飞行总次数,i为机巢无人机的第i次飞行,i≤N,V为巡检航点集合,j和k均为机巢无人机的航点,j、k∈V,为第j个航点至第k个航点的距离,为决策变量,,其中,表示机巢无人机第i次飞行路径从第j个航点飞至第k个航点,否则,;
确定无人机巢巡检航线规划模型的约束条件为:
1)每条航线中每个航点到达次数的约束为:
2)每条航线中每个航点出发次数的约束为:
3)每条航线的最大里程的约束为:
优选地,本方法还包括计算两航点间的距离的步骤,具体包括:
获取巡检航点集合的航点信息,形成航点信息数组,所述航点信息包括航点名、航点经度和航点纬度;
提取所述航点信息数组中的经度列和纬度列,并分别扩充成m行m列的出发点经度矩阵和出发点纬度矩阵;
将所述出发点经度矩阵和所述出发点纬度矩阵分别进行矩阵转置,形成到达点经度矩阵和到达点纬度矩阵;
通过下式计算两航点间距离为:
式中,d为两航点间距离,R为地球平均半径,a为半正矢值;
其中,
式中,WC为出发点纬度弧度值,WD为到达点纬度弧度值,JC为出发点经度弧度值,JD为到达点经度弧度值,W c 为出发点纬度矩阵,W d 为到达点纬度矩阵,J c 为出发点经度矩阵,J d 为到达点经度矩阵。
优选地,步骤103具体包括:
1032、判断所述第一次飞行路径是否满足每条航线的最大里程的约束,若满足约束,生成第一次飞行路径序列,并表示一次飞行即完成所有航点巡视;若不满足约束,去除所述初始航点序列中最后一个航点,形成飞行路径序列;
1033、按照所述飞行路径序列形成的飞行路径进行飞行,判断所述飞行路径序列是否满足每条航线的最大里程的约束,若满足约束,生成第一次飞行路径序列;若不满足约束,去除所述飞行路径序列中最后一个航点,形成飞行序列,将所述飞行序列更新为所述飞行路径序列,重复执行步骤1033,直至飞行序列满足每条航线的最大里程的约束,生成第一次飞行路径序列,根据第一次飞行路径序列中的所有航点得到第一次飞行的决策变量;
1034、将所述初始航点序列去除所述第一次飞行路径序列中的所有航点,形成新的序列,按照新的序列重复执行步骤1033,生成第二次飞行路径序列,根据第二次飞行路径序列中的所有航点得到第二次飞行的决策变量,以此类推进行循环计算,直至所述初始航点序列没有剩余的航点为止,从而产生多条飞行路径以及其分别对应的决策变量,通过所述无人机巢巡检航线规划模型的目标函数计算多条飞行路径的初始巡视总里程。
优选地,步骤104具体包括:
通过下式的选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列;其中,所述预设生成新解方式为两种,其中,第一种生成新解方式为随机生成方式,第二种生成新解方式为最大3段距离移除和最优3处航点插入方式;
式中,y为概率值,y初始值为0.5;
其中,随机生成方式具体为:在所述初始航点序列中随机删除多个航点,再随机在所述初始航点序列的其它位置插入被删除的多个航点,形成新的航点序列;
其中,最大3段距离移除和最优3处航点插入方式具体为:在所述初始航点序列中选取最大距离的3段航点段,并移除其相应的航点,再对移除的航点分别进行最优插入,形成新的航点序列;
通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程。
优选地,步骤105具体包括:
通过下式获取所述预设生成新解方式对应的巡视总里程与所述初始巡视总里程之间的里程差为:
式中,∆D为里程差,D为初始巡视总里程,Da为预设生成新解方式对应的巡视总里程,其中,当a=1,D1为第一种预设生成新解方式对应的巡视总里程,当a=2,D2为第二种预设生成新解方式对应的巡视总里程;
将所述里程差与零进行比较,若所述里程差小于零,则将所述新的航点序列对所述初始航点序列进行更新,将所述新的航点序列对应的解更新为所述无人机巢巡检航线规划模型的新的当前解。
优选地,步骤106具体包括:
根据所述里程差以及所述预设生成新解方式按照下式的概率更新函数更新所述选择概率为:
根据更新后的选择概率确定预设生成新解方式,重复执行步骤104进行迭代更新,直至满足预设的迭代条件,得到所述无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径,其中,所述预设的迭代条件为迭代次数达到M次后的里程差均大于0。
第二方面,本发明还提供了一种输电线路无人机巢巡检航线规划系统,包括:
模型构建模块,用于将预设的无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型;
航点序列模块,用于将所述巡检航点集合的所有航点信息按照相对无人机巢位置的位置的距离从近至远依次排序,得到初始航点序列;
模型计算模块,用于按照最大化每次飞行里程原则对所述初始航点序列中所有航点进行全覆盖巡视,在满足每次飞行最大里程约束下,对所述无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程;
新解生成模块,用于根据选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列,并通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程;
里程比较模块,用于获取所述预设生成新解方式对应的巡视总里程与所述初始巡视总里程之间的里程差,将所述里程差与预设的里程差阈值进行比较,若所述里程差满足所述预设的里程差阈值时,则将所述新的航点序列对所述初始航点序列进行更新,将所述新的航点序列对应的解更新为所述无人机巢巡检航线规划模型的新的当前解;
最优路径规划模块,用于根据所述里程差以及所述预设生成新解方式按照预设的概率更新函数更新所述选择概率,重复根据选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列,并通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程,并进行迭代更新,直至满足预设的迭代条件,得到所述无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径。
第三方面,本发明还提供了一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如上述的方法。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过考虑机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型,构建初始航点序列,按照最大化每次飞行里程原则对初始航点序列中所有航点进行全覆盖巡视,对无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程,根据选择概率确定预设生成新解方式,按照预设生成新解方式对初始航点序列进行航点变化,得到新的航点序列,求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程,比对巡视总里程与初始巡视总里程之间的里程差,并对航点序列进行更新,按照预设的概率更新函数更新选择概率,进行迭代更新,直至满足预设的迭代条件,得到无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径,从而达到花费最少巡检里程,实现无人机巢覆盖区域内输电线路最优巡检作业,进而实现无人机巢高效巡检作业的目的,解决了当输电线路杆塔众多,巡检条件复杂,对于固定的无人机巢,面对多个需要被巡检的线路杆塔时,其制定的巡检路径难以在满足无人机续航能力约束的条件下,高效地完成对所有目标进行巡检的任务的技术问题。
附图说明
图1为本发明实施例提供的一种输电线路无人机巢巡检航线规划方法的流程图;
图2为本发明实施例提供的输电线路无人机巢巡检航线规划结果示意图;
图3为本发明实施例提供的一种输电线路无人机巢巡检航线规划系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅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。
为了便于理解,请参阅图1,本发明提供的一种输电线路无人机巢巡检航线规划方法,包括以下步骤:
101、将预设的无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型。
其中,无人机巢巡检区域是基于无人机巢位置以及无人机可巡视覆盖半径进行划定。
由于杆塔位置是固定的,也即机巢无人机的每个航点间距离也是固定的,同时,由于机巢无人机续航能力的约束,便可以确定机巢无人机每次飞行最大里程约束。
同时,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,将机巢无人机每次飞行的航点间的飞行路径组合起来,便成为机巢无人机一次巡视的飞行路径。
102、将巡检航点集合的所有航点信息按照相对无人机巢位置的位置的距离从近至远依次排序,得到初始航点序列。
103、按照最大化每次飞行里程原则对初始航点序列中所有航点进行全覆盖巡视,在满足每次飞行最大里程约束下,对无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程。
104、根据选择概率确定预设生成新解方式,按照预设生成新解方式对初始航点序列进行航点变化,得到新的航点序列,并通过无人机巢巡检航线规划模型求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程。
其中,预设生成新解方式可以为多个方式,在本实施例中,预设生成新解方式为两种,根据选择概率确定预设生成新解方式。
105、获取预设生成新解方式对应的巡视总里程与初始巡视总里程之间的里程差,将里程差与预设的里程差阈值进行比较,若里程差满足预设的里程差阈值时,则将新的航点序列对初始航点序列进行更新,将新的航点序列对应的解更新为无人机巢巡检航线规划模型的新的当前解。
其中,新的航点序列对应的解即为新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程。
106、根据里程差以及预设生成新解方式按照预设的概率更新函数更新选择概率,重复执行步骤104进行迭代更新,直至满足预设的迭代条件,得到无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径。
需要说明的是,本发明提供的一种输电线路无人机巢巡检航线规划方法,通过考虑机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型,构建初始航点序列,按照最大化每次飞行里程原则对初始航点序列中所有航点进行全覆盖巡视,对无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程,根据选择概率确定预设生成新解方式,按照预设生成新解方式对初始航点序列进行航点变化,得到新的航点序列,求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程,比对巡视总里程与初始巡视总里程之间的里程差,并对航点序列进行更新,按照预设的概率更新函数更新选择概率,进行迭代更新,直至满足预设的迭代条件,得到无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径,从而达到花费最少巡检里程,实现无人机巢覆盖区域内输电线路最优巡检作业,进而实现无人机巢高效巡检作业的目的,解决了当输电线路杆塔众多,巡检条件复杂,对于固定的无人机巢,面对多个需要被巡检的线路杆塔时,其制定的巡检路径难以在满足无人机续航能力约束的条件下,高效地完成对所有目标进行巡检的任务的技术问题。
在一个具体实施例中,步骤101具体包括:
1011、根据无人机巢位置和机巢无人机巡视覆盖半径确定无人机巢巡检区域。
其中,以无人机巢位置为圆心,机巢无人机巡视覆盖半径为圆半径进行划定,得的无人机巢巡检区域。
1012、将无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型的目标函数为:
式中,D为巡视总里程,N为机巢无人机飞行总次数,i为机巢无人机的第i次飞行,i≤N,V为巡检航点集合,j和k均为机巢无人机的航点,j、k∈V,为第j个航点至第k个航点的距离,为决策变量,,其中,表示机巢无人机第i次飞行路径从第j个航点飞至第k个航点,否则,;
其中,minD表示目标为机巢无人机所有航线合计最小里程。
1013、确定无人机巢巡检航线规划模型的约束条件为:
1)每条航线中每个航点到达次数的约束为:
其中,每条航线中每个航点到达次数的约束限制了每条航线中每个航点最多只到达一次。
2)每条航线中每个航点出发次数的约束为:
每条航线中每个航点出发次数的约束限制了每条航线中每个航点最多只出发一次。
3)每条航线的最大里程的约束为:
其中,每条航线的最大里程的约束限制了每条航线的最大里程。
111、获取巡检航点集合的航点信息,形成航点信息数组,航点信息包括航点名、航点经度和航点纬度。
在一个示例中,提取无人机巢位置和所巡视覆盖杆塔位置集合V的所有航点信息,包括航点名P、航点经度J、航点纬度W, 假设有m个航点,可提取3m个数据,记录形成航点信息数组Pa即
112、提取航点信息数组中的经度列和纬度列,并分别扩充成m行m列的出发点经度矩阵和出发点纬度矩阵。
在一个示例中,提取航点信息数组Pa中经度列和纬度列,并分别扩充成m行m列出发点矩阵,其中,出发点经度矩阵Jc为
出发点纬度矩阵Wc为,
113、将出发点经度矩阵和出发点纬度矩阵分别进行矩阵转置,形成到达点经度矩阵和到达点纬度矩阵。
在一个示例中,将出发点经度矩阵Jc和出发点纬度矩阵Wc转置,形成到达点经度矩阵Jd和到达点纬度矩阵Wd,其中,到达点经度矩阵Jd为
到达点纬度矩阵Wd为
通过下式计算两航点间距离为:
式中,d为两航点间距离,R为地球平均半径,a为半正矢值;
其中,
式中,WC为出发点纬度弧度值,WD为到达点纬度弧度值,JC为出发点经度弧度值,JD为到达点经度弧度值,W c 为出发点纬度矩阵,W d 为到达点纬度矩阵,J c 为出发点经度矩阵,J d 为到达点经度矩阵。
在一个具体实施例中,步骤103具体包括:
1033、按照飞行路径序列形成的飞行路径进行飞行,判断飞行路径序列是否满足每条航线的最大里程的约束,若满足约束,生成第一次飞行路径序列;若不满足约束,去除飞行路径序列中最后一个航点,形成飞行序列,将飞行序列更新为飞行路径序列,重复执行步骤1033,直至飞行序列满足每条航线的最大里程的约束,生成第一次飞行路径序列,根据第一次飞行路径序列中的所有航点得到第一次飞行的决策变量;
1034、将初始航点序列去除第一次飞行路径序列中的所有航点,形成新的序列,按照新的序列重复执行步骤1033,生成第二次飞行路径序列,根据第二次飞行路径序列中的所有航点得到第二次飞行的决策变量,以此类推进行循环计算,直至初始航点序列没有剩余的航点为止,从而产生多条飞行路径以及其分别对应的决策变量,通过无人机巢巡检航线规划模型的目标函数计算多条飞行路径的初始巡视总里程。
第一次计算,令飞行次数i=1,假设第一次飞行路径按照序列顺序进行,令、、……、=1,其它航点置0,根据每条航线的最大里程的约束条件计算判断该飞行路径是否满足航线里程约束,若满足约束,生成第一次飞行路径序列,并且表示一次飞行即可完成所有航点巡视;若不满足约束,去除序列中最后一个航点,形成序列即接着计算。
设第一次飞行路径按照序列顺序进行,同样令、、……、=1,其它航点置0,根据每条航线的最大里程的约束条件计算判断该飞行路径是否满足航线里程约束,若满足约束,生成第一次飞行路径;若不满足约束,去除序列中最后一个航点,形成序列继续计算,以此类推,直至满足每条航线的最大里程的约束条件,生成第一次飞行路径序列。
第二次计算,令飞行次数i=2,将序列中去除第一次飞行路径序列的航点形成新的序列即,重复第一次的计算过程,假设第二次飞行路径按照序列顺序进行,令、、……、=1,其他置0,根据每条航线的最大里程的约束条件计算判断该飞行路径是否满足航线里程约束,若满足约束,生成第二次飞行路径序列,并且表示前两次飞行即可完成所有航点巡视;若不满足约束,去除序列中最后一个航点,形成序列即接着计算,直至满足每条航线的最大里程的约束条件,生成第二次飞行路径序列。
由此循环计算,直至m-1个航点全部覆盖,序列没有剩余航点为止。假设共经过n次计算,表示经过n次飞行,所有杆塔点均已完成巡视,共产生了n条飞行路径,n次飞行的决策变量均在每次计算中得出,并通过目标函数计算n条飞行路径的巡视总里程,初始总里程为。
在一个具体实施例中,步骤104具体包括:
1041、通过下式的选择概率确定预设生成新解方式,按照预设生成新解方式对初始航点序列进行航点变化,得到新的航点序列;其中,预设生成新解方式为两种,其中,第一种生成新解方式为随机生成方式,第二种生成新解方式为最大3段距离移除和最优3处航点插入方式;
式中,y为概率值,y初始值为0.5;
其中,随机生成方式具体为:在初始航点序列中随机删除多个航点,再随机在初始航点序列的其它位置插入被删除的多个航点,形成新的航点序列;
具体地,在一个示例中,随机生成方式即在初始解航点序列中随机删除3个航点,再随机插入删除的3个航点,将初始航点序列随机打乱顺序,计算得出新解。假设打乱顺序后航点序列为,随后按最大化每次飞行里程原则循环计算具体每次飞行路径,依次循环计算每次飞行的决策变量以及计算新解的总里程。
其中,最大3段距离移除和最优3处航点插入方式具体为:在初始航点序列中选取最大距离的3段航点段,并移除其相应的航点,再对移除的航点分别进行最优插入,形成新的航点序列;
根据初始解航点序列即比较相邻航点间距离,即比较、、……距离大小,选取其中最大的3个值,假设、、为相邻航点间距离其中最大的3个值,依次将初始解航点序列中、、航点进行移除得出m-4个航点的序列即。接着分别对移除的航点进行最优插入,将航点插入序列中,有m-3种插入方式,第1种至第m-3种分别生成新的序列、、……,按最大化每次飞行里程原则依次计算每次插入后的具体飞行路径、决策变量和总里程。选出其中的最小总里程,假设为m-3种插入方式中得出的最小总里程,确定航点按这种方式插入,即按第1种方式插入得出新的序列。同样将、航点依次插入序列,经过3次航点最优插入后航点序列,其具体的总里程也在插入第三个航点时算出。
1042、通过无人机巢巡检航线规划模型求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程。
在一个具体实施例中,步骤105具体包括:
1051、通过下式获取预设生成新解方式对应的巡视总里程与初始巡视总里程之间的里程差为:
式中,∆D为里程差,D为初始巡视总里程,Da为预设生成新解方式对应的巡视总里程,其中,当a=1,D1为第一种预设生成新解方式对应的巡视总里程,当a=2,D2为第二种预设生成新解方式对应的巡视总里程;
1052、将里程差与零进行比较,若里程差小于零,则将新的航点序列对初始航点序列进行更新,将新的航点序列对应的解更新为无人机巢巡检航线规划模型的新的当前解。
在一个具体实施例中,步骤106具体包括:
1061、根据里程差以及预设生成新解方式按照下式的概率更新函数更新选择概率为:
1062、根据更新后的选择概率确定预设生成新解方式,重复执行步骤104进行迭代更新,直至满足预设的迭代条件,得到无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径,其中,预设的迭代条件为迭代次数达到M次后的里程差均大于0。
其中,迭代次数达到M次后的里程差均大于0即表示即循环M次均没有更优解出现时,可以判断该解为最优解,即得到最优飞行路径,如图2所示,图2示意了无人机巢巡检航线规划结果。
在一个算例中,其中,初始航点序列:[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,9,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74,75,76,77,78,79,80,81,82,83,84,85,86,87,88,89,90,91,92,93,94,95,96,97,98,99,100,101,102,103104.105,106,107,108,109,110,111,112113,114,115.116,11,118,119,120,121,122,123,124,125,126,127,128,129,130,131,132,133]
优化后总里程:88517
优化后航点序列:[0,7,6,5,4,3,2,1,8,0,24,68,103,115,104,69,25,0,100,101,114,105,70,26,0,16,57,117,13,12,11,10,9,133,38,39,40,41,42,84,0,56,54,95,52,51,50,91,90,89,88,87,86,85,43,44,45,46,47,48,49,92,93,94,53,14,55,15,0,27,71,106,107,113,102,66,22,0,30,31,74,34,35,36,37,76,32,0,28,29,75,79,80,78,77,33,0,82,63,97,64,98,99,65,21,83,0,116,67,23,0, 72,108,109,110,112,111,73,0,81,20,19,58,17,118,119,120,121,122,124,125,126,127,128,129,130,131,132,123,18,59,60,61,62,96]
以上为本发明提供的一种输电线路无人机巢巡检航线规划方法的实施例的详细描述,以下为本发明提供的一种输电线路无人机巢巡检航线规划系统的实施例的详细描述。
为了便于理解,请参阅图3,本发明提供了一种输电线路无人机巢巡检航线规划系统,包括:
模型构建模块100,用于将预设的无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型;
航点序列模块200,用于将巡检航点集合的所有航点信息按照相对无人机巢位置的位置的距离从近至远依次排序,得到初始航点序列;
模型计算模块300,用于按照最大化每次飞行里程原则对初始航点序列中所有航点进行全覆盖巡视,在满足每次飞行最大里程约束下,对无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程;
新解生成模块400,用于根据选择概率确定预设生成新解方式,按照预设生成新解方式对初始航点序列进行航点变化,得到新的航点序列,并通过无人机巢巡检航线规划模型求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程;
里程比较模块500,用于获取预设生成新解方式对应的巡视总里程与初始巡视总里程之间的里程差,将里程差与预设的里程差阈值进行比较,若里程差满足预设的里程差阈值时,则将新的航点序列对初始航点序列进行更新,将新的航点序列对应的解更新为无人机巢巡检航线规划模型的新的当前解;
最优路径规划模块600,用于根据里程差以及预设生成新解方式按照预设的概率更新函数更新选择概率,重复根据选择概率确定预设生成新解方式,按照预设生成新解方式对初始航点序列进行航点变化,得到新的航点序列,并通过无人机巢巡检航线规划模型求解新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程,并进行迭代更新,直至满足预设的迭代条件,得到无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径。
本发明还提供了一种电子设备,包括存储器和处理器,存储器用于存储一条或多条计算机程序指令,其中,一条或多条计算机程序指令被处理器执行以实现如上述的方法。
本发明还提供了一种计算机可读存储介质,计算机可读存储介质内存储有计算机程序,计算机程序被处理器执行时实现上述的方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,电子设备和介质的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以通过一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种输电线路无人机巢巡检航线规划方法,其特征在于,包括以下步骤:
101、将预设的无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型;
102、将所述巡检航点集合的所有航点信息按照相对无人机巢位置的位置的距离从近至远依次排序,得到初始航点序列;
103、按照最大化每次飞行里程原则对所述初始航点序列中所有航点进行全覆盖巡视,在满足每次飞行最大里程约束下,对所述无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程;
104、根据选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列,并通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程;
105、获取所述预设生成新解方式对应的巡视总里程与所述初始巡视总里程之间的里程差,将所述里程差与预设的里程差阈值进行比较,若所述里程差满足所述预设的里程差阈值时,则将所述新的航点序列对所述初始航点序列进行更新,将所述新的航点序列对应的解更新为所述无人机巢巡检航线规划模型的新的当前解;
106、根据所述里程差以及所述预设生成新解方式按照预设的概率更新函数更新所述选择概率,重复执行步骤104进行迭代更新,直至满足预设的迭代条件,得到所述无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径。
2.根据权利要求1所述的输电线路无人机巢巡检航线规划方法,其特征在于,步骤101具体包括:
根据无人机巢位置和机巢无人机巡视覆盖半径确定无人机巢巡检区域;
将所述无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型的目标函数为:
式中,D为巡视总里程,N为机巢无人机飞行总次数,i为机巢无人机的第i次飞行,i≤N,V为巡检航点集合,j和k均为机巢无人机的航点,j、k∈V,为第j个航点至第k个航点的距离,为决策变量,,其中,表示机巢无人机第i次飞行路径从第j个航点飞至第k个航点,否则,;
确定无人机巢巡检航线规划模型的约束条件为:
1)每条航线中每个航点到达次数的约束为:
2)每条航线中每个航点出发次数的约束为:
3)每条航线的最大里程的约束为:
3.根据权利要求2所述的输电线路无人机巢巡检航线规划方法,其特征在于,还包括计算两航点间的距离的步骤,具体包括:
获取巡检航点集合的航点信息,形成航点信息数组,所述航点信息包括航点名、航点经度和航点纬度;
提取所述航点信息数组中的经度列和纬度列,并分别扩充成m行m列的出发点经度矩阵和出发点纬度矩阵;
将所述出发点经度矩阵和所述出发点纬度矩阵分别进行矩阵转置,形成到达点经度矩阵和到达点纬度矩阵;
通过下式计算两航点间距离为:
式中,d为两航点间距离,R为地球平均半径,a为半正矢值;
其中,
式中,WC为出发点纬度弧度值,WD为到达点纬度弧度值,JC为出发点经度弧度值,JD为到达点经度弧度值,W c 为出发点纬度矩阵,W d 为到达点纬度矩阵,J c 为出发点经度矩阵,J d 为到达点经度矩阵。
4.根据权利要求2所述的输电线路无人机巢巡检航线规划方法,其特征在于,步骤103具体包括:
1032、判断所述第一次飞行路径是否满足每条航线的最大里程的约束,若满足约束,生成第一次飞行路径序列,并表示一次飞行即完成所有航点巡视;若不满足约束,去除所述初始航点序列中最后一个航点,形成飞行路径序列;
1033、按照所述飞行路径序列形成的飞行路径进行飞行,判断所述飞行路径序列是否满足每条航线的最大里程的约束,若满足约束,生成第一次飞行路径序列;若不满足约束,去除所述飞行路径序列中最后一个航点,形成飞行序列,将所述飞行序列更新为所述飞行路径序列,重复执行步骤1033,直至飞行序列满足每条航线的最大里程的约束,生成第一次飞行路径序列,根据第一次飞行路径序列中的所有航点得到第一次飞行的决策变量;
5.根据权利要求1所述的输电线路无人机巢巡检航线规划方法,其特征在于,步骤104具体包括:
通过下式的选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列;其中,所述预设生成新解方式为两种,其中,第一种生成新解方式为随机生成方式,第二种生成新解方式为最大3段距离移除和最优3处航点插入方式;
式中,y为概率值,y初始值为0.5;
其中,随机生成方式具体为:在所述初始航点序列中随机删除多个航点,再随机在所述初始航点序列的其它位置插入被删除的多个航点,形成新的航点序列;
其中,最大3段距离移除和最优3处航点插入方式具体为:在所述初始航点序列中选取最大距离的3段航点段,并移除其相应的航点,再对移除的航点分别进行最优插入,形成新的航点序列;
通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程。
8.一种输电线路无人机巢巡检航线规划系统,其特征在于,包括:
模型构建模块,用于将预设的无人机巢巡检区域内的无人机巢位置和所有杆塔位置构成巡检航点集合,并确定机巢无人机的每个航点间距离和每次飞行最大里程约束,设置机巢无人机每次飞行的航点间的飞行路径为决策变量,以巡视总里程最小化为目标,构建无人机巢巡检航线规划模型;
航点序列模块,用于将所述巡检航点集合的所有航点信息按照相对无人机巢位置的位置的距离从近至远依次排序,得到初始航点序列;
模型计算模块,用于按照最大化每次飞行里程原则对所述初始航点序列中所有航点进行全覆盖巡视,在满足每次飞行最大里程约束下,对所述无人机巢巡检航线规划模型进行循环计算,得到多条飞行路径以及分别对应的决策变量和初始巡视总里程;
新解生成模块,用于根据选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列,并通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程;
里程比较模块,用于获取所述预设生成新解方式对应的巡视总里程与所述初始巡视总里程之间的里程差,将所述里程差与预设的里程差阈值进行比较,若所述里程差满足所述预设的里程差阈值时,则将所述新的航点序列对所述初始航点序列进行更新,将所述新的航点序列对应的解更新为所述无人机巢巡检航线规划模型的新的当前解;
最优路径规划模块,用于根据所述里程差以及所述预设生成新解方式按照预设的概率更新函数更新所述选择概率,重复根据选择概率确定预设生成新解方式,按照所述预设生成新解方式对所述初始航点序列进行航点变化,得到新的航点序列,并通过所述无人机巢巡检航线规划模型求解所述新的航点序列对应的多条飞行路径和多次飞行的决策变量以及多条飞行路径的巡视总里程,并进行迭代更新,直至满足预设的迭代条件,得到所述无人机巢巡检航线规划模型的最优解以及其对应的航点序列为机巢无人机的最优飞行路径。
9.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7中任一项所述的方法。
10.一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内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518647.2A CN116225074B (zh) | 2023-05-10 | 2023-05-10 | 一种输电线路无人机巢巡检航线规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310518647.2A CN116225074B (zh) | 2023-05-10 | 2023-05-10 | 一种输电线路无人机巢巡检航线规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116225074A true CN116225074A (zh) | 2023-06-06 |
CN116225074B CN116225074B (zh) | 2023-07-21 |
Family
ID=86570070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310518647.2A Active CN116225074B (zh) | 2023-05-10 | 2023-05-10 | 一种输电线路无人机巢巡检航线规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116225074B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117369522A (zh) * | 2023-12-05 | 2024-01-09 | 华南理工大学 | 一种无人机巢远程控制方法及系统 |
CN117406784A (zh) * | 2023-12-01 | 2024-01-16 | 四川腾盾科技有限公司 | 一种固定翼无人机在线路径规划方法、介质及装置 |
CN117631692A (zh) * | 2024-01-26 | 2024-03-01 | 国网江西省电力有限公司电力科学研究院 | 一种无人机红外自主巡检航线智能推荐方法 |
CN117744994A (zh) * | 2023-12-20 | 2024-03-22 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于樽海鞘算法的巡检无人机-机巢分配调度方法 |
CN118089742A (zh) * | 2024-04-23 | 2024-05-28 | 广东电网有限责任公司云浮供电局 | 面向电力巡检的无人机航线确定方法、装置和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519737A (zh) * | 2018-04-11 | 2018-09-11 | 电子科技大学 | 一种考虑能源补给的无人设备路径规划方法 |
CN110426039A (zh) * | 2019-07-04 | 2019-11-08 | 中国人民解放军陆军工程大学 | 基于任务完成时间最小化的多无人机路径规划方法 |
CN112764427A (zh) * | 2020-12-14 | 2021-05-07 | 广东电网有限责任公司佛山供电局 | 接力的无人机巡检系统 |
KR20210116248A (ko) * | 2020-03-13 | 2021-09-27 | 한국전자통신연구원 | 무인 비행체의 최적 경로 생성 방법 및 장치 |
CN113885573A (zh) * | 2021-10-27 | 2022-01-04 | 云南电网有限责任公司电力科学研究院 | 基于三维模型和北斗cors差分定位的无人机自主巡检方法 |
CN115167442A (zh) * | 2022-07-26 | 2022-10-11 | 国网湖北省电力有限公司荆州供电公司 | 一种输电线路巡检路径规划方法及系统 |
CN115494869A (zh) * | 2022-09-26 | 2022-12-20 | 国电南瑞科技股份有限公司 | 一种变电站无人机自主巡检航线自动分析规划的方法、系统、装置及存储介质 |
CN115542944A (zh) * | 2022-10-24 | 2022-12-30 | 广东电网有限责任公司云浮供电局 | 一种基于配电网环境的多无人机路径规划方法及相关装置 |
CN116088576A (zh) * | 2023-02-21 | 2023-05-09 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机三维路径规划方法 |
-
2023
- 2023-05-10 CN CN202310518647.2A patent/CN116225074B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519737A (zh) * | 2018-04-11 | 2018-09-11 | 电子科技大学 | 一种考虑能源补给的无人设备路径规划方法 |
CN110426039A (zh) * | 2019-07-04 | 2019-11-08 | 中国人民解放军陆军工程大学 | 基于任务完成时间最小化的多无人机路径规划方法 |
KR20210116248A (ko) * | 2020-03-13 | 2021-09-27 | 한국전자통신연구원 | 무인 비행체의 최적 경로 생성 방법 및 장치 |
CN112764427A (zh) * | 2020-12-14 | 2021-05-07 | 广东电网有限责任公司佛山供电局 | 接力的无人机巡检系统 |
CN113885573A (zh) * | 2021-10-27 | 2022-01-04 | 云南电网有限责任公司电力科学研究院 | 基于三维模型和北斗cors差分定位的无人机自主巡检方法 |
CN115167442A (zh) * | 2022-07-26 | 2022-10-11 | 国网湖北省电力有限公司荆州供电公司 | 一种输电线路巡检路径规划方法及系统 |
CN115494869A (zh) * | 2022-09-26 | 2022-12-20 | 国电南瑞科技股份有限公司 | 一种变电站无人机自主巡检航线自动分析规划的方法、系统、装置及存储介质 |
CN115542944A (zh) * | 2022-10-24 | 2022-12-30 | 广东电网有限责任公司云浮供电局 | 一种基于配电网环境的多无人机路径规划方法及相关装置 |
CN116088576A (zh) * | 2023-02-21 | 2023-05-09 | 重庆邮电大学 | 一种基于改进鲸鱼算法的无人机三维路径规划方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117406784A (zh) * | 2023-12-01 | 2024-01-16 | 四川腾盾科技有限公司 | 一种固定翼无人机在线路径规划方法、介质及装置 |
CN117406784B (zh) * | 2023-12-01 | 2024-03-22 | 四川腾盾科技有限公司 | 一种固定翼无人机在线路径规划方法、介质及装置 |
CN117369522A (zh) * | 2023-12-05 | 2024-01-09 | 华南理工大学 | 一种无人机巢远程控制方法及系统 |
CN117369522B (zh) * | 2023-12-05 | 2024-03-15 | 华南理工大学 | 一种无人机巢远程控制方法及系统 |
CN117744994A (zh) * | 2023-12-20 | 2024-03-22 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于樽海鞘算法的巡检无人机-机巢分配调度方法 |
CN117631692A (zh) * | 2024-01-26 | 2024-03-01 | 国网江西省电力有限公司电力科学研究院 | 一种无人机红外自主巡检航线智能推荐方法 |
CN117631692B (zh) * | 2024-01-26 | 2024-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种无人机红外自主巡检航线智能推荐方法 |
CN118089742A (zh) * | 2024-04-23 | 2024-05-28 | 广东电网有限责任公司云浮供电局 | 面向电力巡检的无人机航线确定方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116225074B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116225074B (zh) | 一种输电线路无人机巢巡检航线规划方法及系统 | |
Hu et al. | Binary-representation-based genetic algorithm for aircraft arrival sequencing and scheduling | |
CN107886201B (zh) | 多无人机任务分配的多目标优化方法及装置 | |
Yue et al. | UAV path planning based on k-means algorithm and simulated annealing algorithm | |
CN105841702A (zh) | 一种基于粒子群优化算法的多无人机航路规划方法 | |
CN109506654A (zh) | 低空航路规划方法及装置、飞行器 | |
CN113852405B (zh) | 多波束中继卫星任务调度模型的构建方法及装置 | |
CN108921468A (zh) | 一种物流配送车辆智能排线方法 | |
CN109597839B (zh) | 一种基于航电作战态势的数据挖掘方法 | |
CN115167442A (zh) | 一种输电线路巡检路径规划方法及系统 | |
CN111580561A (zh) | 基于粒子群算法优化的无人机调度方法、系统和可读存储介质 | |
CN114199255B (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 | |
CN114740890A (zh) | 面向土地整治图斑监测的无人机航飞路径优化算法 | |
CN113283827A (zh) | 一种基于深度强化学习的两阶段无人机物流路径规划方法 | |
CN117470240A (zh) | 一种无人机巡检任务自动规划方法、装置、系统及存储介质 | |
Benmad et al. | Data collection in UAV-assisted wireless sensor networks powered by harvested energy | |
Ghorpade | Airspace configuration model using swarm intelligence based graph partitioning | |
CN115542944B (zh) | 一种基于配电网环境的多无人机路径规划方法及相关装置 | |
CN106845700B (zh) | 一种多碎片主动清除离线最优导引算法 | |
CN115826614A (zh) | 一种多无人机能源保障任务分配方法 | |
CN114598721B (zh) | 基于轨迹与资源联合优化的高能效数据收集方法及系统 | |
CN116088586A (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
CN115731748A (zh) | 航班跑道排序方法及存储介质 | |
CN115567606A (zh) | 一种采用无人机收集物联网设备数据的资源分配方法 | |
CN114637331A (zh) | 一种基于蚁群算法的无人机多任务路径规划方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |