CN116307648B - 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 - Google Patents
变电站多巡检机器人巡检任务分配与遍历优化方法及系统 Download PDFInfo
- Publication number
- CN116307648B CN116307648B CN202310588153.1A CN202310588153A CN116307648B CN 116307648 B CN116307648 B CN 116307648B CN 202310588153 A CN202310588153 A CN 202310588153A CN 116307648 B CN116307648 B CN 116307648B
- Authority
- CN
- China
- Prior art keywords
- inspection
- task
- robot
- inspection robot
- energy consumption
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 264
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000005265 energy consumption Methods 0.000 claims abstract description 67
- 210000000349 chromosome Anatomy 0.000 claims abstract description 37
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 230000035772 mutation Effects 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000006978 adaptation Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 27
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000014759 maintenance of location Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 108700003861 Dominant Genes Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Manipulator (AREA)
Abstract
变电站多巡检机器人巡检任务分配与遍历优化方法及系统,包括:利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型;各巡检机器人按设定顺序遍历任务点并累计能耗;将累计能耗不大于最大充电量的各任务点按设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作得到初始种群;基于目标模型计算各染色体个体的适应度,遗传迭代过程中适应度最高的个体不参与交叉、变异,并且替换适应度最低的个体,迭代结束时获取适应度最高的个体作为目标模型的解,即多机器人巡检任务分配及遍历优化方案,提升了变电站智能巡检水平并降低巡检能效代价。
Description
技术领域
本发明属于变电站巡检技术领域,具体地,涉及变电站多巡检机器人巡检任务分配与遍历优化方法及系统。
背景技术
巡检工作是保障变电站安全运行的基础。
现有技术中采用的传统的人工巡检模式具有劳动强度大、工作效率低、巡检质量离散性大等问题;且在雷雨、台风等极端天气条件下,存在较大安全风险。巡检机器人技术应运而生,其借助现代信息通信技术、人工智能技术以及高性能计算技术,实现对站内一、二次设备的状态巡视、红外测温、局放检测、数据传输等功能。当前,巡检机器人已作为重要的资源在变电站巡检实际工作中得到广泛应用。
变电站室外场地巡视时,通过协同多巡检机器人完成巡检任务可以进一步地提升站内巡检资源的利用率、缩短巡检时间、提高巡检效率。但是,现有技术在实现多巡检机器人协同依然存在一些制约因素,最主要的是不同厂家巡检机器人的移动路径一般基于厂家预先设置的模板,其路径较为固定,若直接应用于多机器人协同巡检场景则或将出现任务重复、路径重复、耗时较长等问题。
当前变电站内巡检机器人巡视方案优化主要有三种方法:(1)基于蚁群优化算法与人工势场算法结合的优化方法进行路径规划,实现了单个巡检机器人的最优路径查找。(2)基于改进蚁群-模拟退火算法的优化方法,改善了路径规划在复杂工作环境下收敛速度慢、易陷入局部最优的问题。现有技术(1)和(2)均以单一巡检机器人作为主体,而没有考虑通过协同多巡检机器人完成巡检任务的应用场景。(3)基于传统遗传算法的多机器人巡检优化方法,进行多机器人协同巡检的巡检点位和巡检任务的最优分配。传统的遗传算法具有收敛速度慢和种群适应值低的问题,对于变电站内智能巡检机器人的巡检效率提升效果有限。
发明内容
为解决现有技术中存在的不足,本发明提供一种变电站多巡检机器人巡检任务分配与遍历优化方法及系统,利用所有巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型,基于改进遗传算法求解目标模型得到多机器人巡检任务分配及遍历优化方案,提升了变电站智能巡检水平并降低巡检的能效代价。
本发明采用如下的技术方案。
本发明提出了一种变电站多巡检机器人巡检任务分配与遍历优化方法,包括:
步骤1,利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型;
步骤2,各巡检机器人按设定顺序遍历任务点并累计完成各任务点巡检工作的能耗;将累计能耗不大于最大充电量的各任务点按所述设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作Z次后,生成包含个染色体个体的初始种群;
步骤3,以巡检机器人的移动能耗和移动时间倒数之和作为初始种群中每个染色体个体的适应度;
步骤4,对初始种群进行遗传迭代,迭代过程中适应度最高的个体不参与交叉、变异,并且直接以适应度最高的个体替换适应度最低的个体;当达到最大迭代步数后,获取种群中适应度最高的个体作为目标模型的解;目标模型的解是多机器人巡检任务分配及遍历优化的方案。
步骤1中,巡检机器人数量为,共需巡视/>个任务点;各巡检机器人移动单位距离所消耗的电量均为/>,各巡检机器人的移动速度为/>,/>;在每个任务点执行巡检任务所需消耗的电量为/>,/>;任务点/>至任务点/>的距离为,充电室编号记为0,由此建立多机器人巡检任务分配及遍历优化的优化模型的目标模型,如下:
(1)
(2)
(3)
式中,
为多机器人巡检任务分配及遍历的优化模型的目标函数,其中/>和/>代表模型中具有两个未知数,
为巡检机器人的移动能耗,
为巡检机器人的移动时间,
为巡检机器人/>的移动时间,
为第一决策变量,当巡检机器人/>在任务点/>任务执行完毕再移动到任务点执行任务时,取/>,否则/>,
为目标模型中移动时间的权重系数。
每个巡检机器人的移动时间如下:
(4)
决策变量影响每个巡检机器人所对应的任务点遍历顺序。
目标模型的遍历约束条件如下:
(5)
式中,
为第二决策变量,当巡检机器人/>遍历任务点/>并执行巡检任务时,取,否则/>。
目标模型的能耗约束条件如下:
(6)
为巡检机器人/>考虑了运行中安全裕度的最大充电量。
步骤2中,随机构造长度为且每位数值互不相同的染色体个体,各位数值的取值范围为大于等于1且小于等于/>,染色体各位数值代表任务点序号。
设定顺序是指按照染色体各数位从前至后的顺序。
步骤2包括:在染色体前后两端各加入0值元素,从第一个0值元素开始按设定顺序遍历任务点,并累计完成各任务点巡检工作的能耗,若至第个任务点的累计能耗超过了第一个巡检机器人计及了安全裕度的最大充电量/>,则在第/>个任务点后加入0值元素;至此,第一个0值元素与第/>个任务点后加入的0值元素之间的多个任务点按照遍历顺序排列成第一个巡检机器人的任务子链,任务子链中各任务点及对应的巡检任务均分配由第一个巡检机器人依次遍历并执行;然后,以在第/>个任务点后加入的0值元素开始,再进行能耗累计,重复上述方法得到第二个巡检机器人的任务子链,以此类推,得到直到所有任务点都遍历完成。
任务点子链表示为/>,其中/>分别表示是第/>个巡检机器人对应的第1个任务点、第2个任务点、……第/>个任务点,任务点子链/>的长度为/>,/>个任务点子链按照遍历顺序构成一个染色体编码,如下:
第1个巡检机器人的任务点子链的长度为,第K个巡检机器人的任务点子链的长度为/>。
的取值根据巡检控制精度和速率决定。
种群内个体的适应值如下:
(7)
适应度在考虑权重系数的基础上对移动能耗/>与移动时间/>取倒数。
本发明还提出了一种变电站多巡检机器人巡检任务分配与遍历优化系统,包括:目标模型模块,初始种群模块,适应度计算模块,遗传迭代模块;
目标模型模块,用于利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型;
初始种群模块,用于各巡检机器人按设定顺序遍历任务点并累计完成各任务点巡检工作的能耗;将累计能耗不大于最大充电量的各任务点按所述设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作Z次后,生成包含个染色体个体的初始种群;
适应度计算模块,用于以巡检机器人的移动能耗和移动时间倒数之和作为初始种群中每个染色体个体的适应度;
遗传迭代模块,用于对初始种群进行遗传迭代,迭代过程中适应度最高的个体不参与交叉、变异,并且直接以适应度最高的个体替换适应度最低的个体;当达到最大迭代步数后,获取种群中适应度最高的个体作为目标模型的解;目标模型的解是多机器人巡检任务分配及遍历优化的方案。
一种终端,包括处理器及存储介质;存储介质用于存储指令;处理器用于根据所述指令进行操作以执行所述方法的步骤。
计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述方法的步骤。
本发明的有益效果在于,与现有技术相比,本发明建立了多机器人巡检任务分配及遍历的目标模型,该模型不仅计及了巡检机器人执行巡检任务的能耗还计及了执行巡检任务的时间代价,因此,目标模型的最优解能够充分体现巡检任务分配及遍历的最优方案,通过对任务点进行分配和遍历顺序的优化提升多巡检机器人协同巡检的效率。
任务分配及遍历优化的目标模型是希望能耗与时间代价的综合值越小越好,因此适应值基于目标模型进行了调整。
本发明在迭代过程中为了尽可能保留具有最大适应度值的个体,个体在通过交叉与变异生成新一代种群,在此过程中为避免交叉、变异操作造成当前种群中的最优个体丢失,采用精英保留策略对标准遗传算法进行改进,即保留种群迭代过程中适应度最高的个体不参与交叉、变异,而是直接以其替换经本轮交叉、变异后适应度最低的个体,将上一轮迭代中适应度最大的个体保留至下一轮跌代,而其余被选择进入下一轮迭代的个体则再经过交叉、变异操作,这种机制一定程度上既保证了高适应值个体优秀基因的延续也保证了遗传、变异操作不断产生优化的可能性。
附图说明
图1是本发明提出的变电站多巡检机器人巡检任务分配与遍历优化方法的流程图;
图2是本发明实施例中采用的改进遗传算法的流程图;
图3是本发明实施例中某500kV变电站设备平面布置图;
图4是本发明实施例中变电站设备区域划分及任务点分布示意图;
图5是本发明实施例中栅格化地图;
图6是本发明实施例中遗传算法种群适应值收敛对比曲线图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明的保护范围。
室外巡检机器人在不同的巡检点位执行不同的巡检任务,执行巡检任务时巡检机器人需在一个或多个巡检点位停留,停留期间通过旋转云台角度、调整可见光摄像机或开启红外热成像仪等具体操作执行不同的巡视任务,不同巡检点位上巡检任务量存在差异。因此,可将巡检点位作为巡检机器人为完成巡检任务所需抵达的任务点,通过对任务点进行分配和遍历顺序的优化提升多巡检机器人协同巡检的效率。
本发明提出的变电站多巡检机器人巡检任务分配与遍历优化方法,如图1所示,包括为:
步骤1,利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型。
首先建立优化模型,巡检机器人由充电室出发前往各任务点,并最终回到充电室,每个巡检机器人可巡检一个或多个任务点,且每个任务点只被一个巡检机器人遍历。对每个巡检机器人而言,其能耗包括移动能耗和巡检能耗,移动能耗与移动距离正相关,而巡检能耗则取决于在各任务点执行巡检任务的工作量。
假设立体智能巡检体系下可供协同的巡检机器人数量为,共需巡视/>个任务点。各巡检机器人移动单位距离所消耗的电量均为/>,各巡检机器人的移动速度为/>,;在每个任务点执行巡检任务所需消耗的电量为/>,/>;任务点/>至任务点/>的距离为/>,充电室编号记为0,由此建立多机器人巡检任务分配及遍历优化的优化模型的目标模型,如下:
(1)
(2)
(3)
(4)
(5)
(6)
式中,
为多机器人巡检任务分配及遍历的优化模型的目标函数,其中/>和代表模型中具有两个未知数;
为巡检机器人的移动能耗;
为巡检机器人的移动时间;
为巡检机器人/>的移动时间;
为第一决策变量,当巡检机器人/>在任务点/>任务执行完毕再移动到任务点执行任务时,取/>,否则/>;
为目标模型中移动时间的权重系数,单位为kWh/min,其有单位但没有具体的物理意义,当/>取值1 kWh/min时认为移动能耗与移动时间同样重要,在具体应用中可以根据实际需求调整;
为第二决策变量,当巡检机器人/>遍历任务点/>并执行巡检任务时,取,否则/>;
为巡检机器人/>考虑了运行中安全裕度的最大充电量。
式(1)至(3)为反映移动能耗与移动时间的目标模型,由于执行完所有巡检任务对应的巡检能耗与时间成固定比例关系,因此在定义目标模型时仅计及移动能耗与移动时间/>,以巡检机器人移动能耗与移动时间最优为目标模型。
式(4)是每个巡检机器人完成对应任务所需的移动时间,决策变量直接影响每个巡检机器人所对应的任务点遍历顺序。
式(5)为遍历约束条件,确保每个任务点仅被一个巡检机器人遍历。决策变量直接影响每个巡检机器人所对应的任务点。
式(6)为能耗约束条件,确保每个巡检机器人执行巡检任务所消耗的总工作电量不能超过其考虑了运行中安全裕度的最大充电量。
当前500kV变电站中一般都配置有多个巡检机器人,但巡检工作还是由单个巡检机器人执行,这在一定程度上造成了站内巡检资源的浪费,因此亟需研究多个巡检机器人协同巡检的技术。在协同巡检场景下,多个巡检机器人需要共同完成站内不同电压等级区域的多个巡检任务,因此应当对每个机器人对应哪些任务点、以及任务点的执行顺序进行规划。为此,本发明建立了多机器人巡检任务分配及遍历的目标模型,该模型不仅计及了巡检机器人执行巡检任务的能耗还计及了执行巡检任务的时间代价,因此,目标模型的最优解能够充分体现巡检任务分配及遍历的最优方案。
步骤2,各巡检机器人按设定顺序遍历任务点并累计完成各任务点巡检工作的能耗;将累计能耗不大于最大充电量的各任务点按所述设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作Z次后,生成包含个染色体个体的初始种群。
具体地,目标模型采用遗传算法求解时,随机构造长度为且每位数值互不相同的染色体个体,各位数值的取值范围为大于等于1且小于等于/>,染色体各位数值代表任务点序号。
具体地,设定顺序是指按照染色体各数位从前至后的顺序。
在染色体前后两端各加入0值元素,从第一个0值元素开始按设定顺序遍历任务点,并累计完成各任务点巡检工作的能耗,若至第个任务点的累计能耗超过了第一个巡检机器人计及了安全裕度的最大充电量/>,则在第/>个任务点后加入0值元素;至此,第一个0值元素与第/>个任务点后加入的0值元素之间的多个任务点按照遍历顺序排列成第一个巡检机器人的任务子链,任务子链中各任务点及对应的巡检任务均分配由第一个巡检机器人依次遍历并执行;然后,以在第/>个任务点后加入的0值元素开始,再进行能耗累计,重复上述方法得到第二个巡检机器人的任务子链,以此类推,得到直到所有任务点都遍历完成。
其中,任务点子链表示为/>,其中/>分别表示是第/>个巡检机器人对应的第1个任务点、第2个任务点、……第/>个任务点,可见任务点子链/>的长度为/>,/>个任务点子链按照遍历顺序构成一个染色体编码,如下:
可见,第1个巡检机器人的任务点子链的长度为,第K个巡检机器人的任务点子链的长度为/>。
重复上述步骤次,即生成包含/>个染色体个体的初始种群,/>的取值根据巡检控制精度和速率决定。
本发明为了解决多机器人协同巡检过程中多个任务如何合理分配给巡检机器人,以及机器人应该以怎样的合理顺序先后执行任务构建了任务点分配及遍历的目标模型,模型提出后需对模型进行求解,现有技术中的遗传算法、灰狼算法、蚁群算法等都适用于求解该模型,在非限制性的较优实施例中,本发明采用的是遗传算法,并且针对传统遗传算每一轮迭代最优适应值的个体需经交叉、变异操作进入下一轮迭代或将造成破坏优势基因表达的问题进行了改进,即引入了精英保留策略。
步骤3,以巡检机器人的移动能耗和移动时间倒数之和作为每个染色体个体的适应度。
具体地,利用移动能耗、移动时间以及设定的权重系数计算种群内个体的适应值,如下:
(7)
适应度在考虑权重系数的基础上对移动能耗/>与移动时间/>取倒数。
遗传算法的基本思想是在每轮迭代中选取适应值较大的个体经过交叉、变异操作进入下一轮迭代,通过多轮迭代直至满足收敛条件,因此遗传算法是对适应值函数往大的方向进行优化;而任务分配及遍历优化的目标模型是希望能耗与时间代价的综合值越小越好,这就产生了矛盾,因此适应值基于目标模型进行了调整。
步骤4,采用遗传算法对初始种群进行迭代,迭代过程中适应度最高的个体不参与交叉、变异,并且直接以适应度最高的个体替换适应度最低的个体;当达到最大迭代步数后,获取适应度最高的个体作为目标模型的解;目标模型的解是多机器人巡检任务分配及遍历优化的方案。
具体地,设定最大迭代步数为,基于改进遗传算法求解模型的过程如图2所示,包括:
1)、初始化生成Z个可行染色体个体作为初始种群,令初始迭代次数t=1,个体适应度的初始值;
2)、计算初始种群内个体适应值,获取种群内最高适应度及对应的个体;
3)、比较与/>,若/>则进入下一步,反之则直接以适应度最高的个体替换适应度最低的个体;
4)、若则依据个体适应度计算选择概率生成子代种群,并且t=t+1,并进入下一步;反之则获取适应度最高的个体作为目标模型的解;
其中,基于适应度值计算个体被选择进入下一代种群的概率,其计算公式为:
式中,为第/>个适应度对应个体的选择概率,/>为第/>个适应度,/>为种群内全部个体的适应度之和。
5)、经步骤3)执行后对应的个体直接保留,而剩余个体执行交叉、变异操作;然后返回步骤2)。
在传统算法中上一轮迭代中适应度最大的个体将经过交叉、变异等操作进入下一轮迭代,这样将会导致适应度最大的个体的基因表达被破坏,从而影响遗传算法的优化效果;本发明在迭代过程中为了尽可能保留具有最大适应度值的个体,个体在通过交叉与变异生成新一代种群,在此过程中为避免交叉、变异操作造成当前种群中的最优个体丢失,采用精英保留策略对标准遗传算法进行改进,即保留种群迭代过程中适应度最高的个体不参与交叉、变异,而是直接以其替换经本轮交叉、变异后适应度最低的个体,将上一轮迭代中适应度最大的个体保留至下一轮跌代,而其余被选择进入下一轮迭代的个体则再经过交叉、变异操作,这种机制一定程度上既保证了高适应值个体优秀基因的延续也保证了遗传、变异操作不断产生优化的可能性。
基于某500kV变电站的实际情况提出一个本发明应用实例,如下:
该变电站的设备平面布置如图3所示;首先将巡检区域以不同电压等级设备区进行划分,并对巡检任务点进行标定如图4中黑色圆点所示;接着以10米为一个单位进行栅格化区域划分并对任务点进行编号,共计56个任务点,其地理坐标可由栅格化地图横向、纵向的格点序号表示,如图5所示,五边形表示充电室,黑色方块表示任务点,每个任务点都有编号,白色方块表示可移动区域,灰色长方形表示不可移动区域。不同设备区内任务点对应的巡视能耗存在差异,假设在35kV及主变、220kV和500kV设备区内每一个任务点执行巡检工作分别消耗能量4-5kWh、3-4kWh和2-3kWh;进一步假设在智能立体巡检体系下可协同的巡检机器人数量为3,其考虑运行中安全裕度最大的充电量为50kWh,移动速度为5米/分钟,移动单位距离所对应的能耗为0.1kWh。
基于上述参数,构建目标函数和约束条件搭建任务点分配及遍历顺序优化模型。模型采用遗传算法求解,参数设置种群大小为5000,最大迭代次数为3000,变异概率为0.05,交叉概率为0.8。将本文所提改进遗传算法与标准遗传算法的种群适应值进行对比,如图6所示。
由图6可知,采用改进遗传算法最终能获得更高的种群适应值,且其在约1000次迭代时趋于收敛,较标准遗传算法约1500次迭代趋于收敛而言收敛速度更快。
对最优种群进行解码即为面向多巡检机器人的任务点分配及遍历方案。对该协同巡检方案与实际应用中控制三个巡检机器人分别巡检220kV、主变及35kV、500kV设备区这一传统方案进行对比,结果如表1所示:
表1协同巡检方案与传统巡检方案对比
由表1可知,采用传统巡检方案时所需消耗的移动能耗为27.92kWh,其完成所有任务点处巡检任务并回到充电室的时间为266分钟;而协同巡检方案所需的移动能耗为28.88kWh,时间为203分钟,相比于传统方案,其能耗略高出0.96kWh,但总时间缩短了53分钟,其能耗-时间代价值降低了21.1%,因此协同巡检方案较传统巡检方案具有更高的效率。
本发明还提出了一种变电站多巡检机器人巡检任务分配与遍历优化系统,包括:目标模型模块,初始种群模块,适应度计算模块,遗传迭代模块;
目标模型模块,用于利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型;
初始种群模块,用于各巡检机器人按设定顺序遍历任务点并累计完成各任务点巡检工作的能耗;将累计能耗不大于最大充电量的各任务点按所述设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作Z次后,生成包含个染色体个体的初始种群;
适应度计算模块,用于以巡检机器人的移动能耗和移动时间倒数之和作为初始种群中每个染色体个体的适应度;
遗传迭代模块,用于对初始种群进行遗传迭代,迭代过程中适应度最高的个体不参与交叉、变异,并且直接以适应度最高的个体替换适应度最低的个体;当达到最大迭代步数后,获取种群中适应度最高的个体作为目标模型的解;目标模型的解是多机器人巡检任务分配及遍历优化的方案。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
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其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (13)
1.一种变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,包括:
步骤1,利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型;
巡检机器人数量为,共需巡视/>个任务点;各巡检机器人移动单位距离所消耗的电量均为/>,各巡检机器人的移动速度为/>,/>;在每个任务点执行巡检任务所需消耗的电量为/>,/>;任务点/>至任务点/>的距离为/>,充电室编号记为0,由此建立多机器人巡检任务分配及遍历优化的优化模型的目标模型,如下:
(1)
(2)
(3)
式中,
为多机器人巡检任务分配及遍历的优化模型的目标函数,其中/>和代表模型中具有两个未知数,
为巡检机器人的移动能耗,
为巡检机器人的移动时间,
为巡检机器人/>的移动时间,
为第一决策变量,当巡检机器人/>在任务点/>任务执行完毕再移动到任务点/>执行任务时,取/>,否则/>,
为目标模型中移动时间的权重系数;
步骤2,各巡检机器人按设定顺序遍历任务点并累计完成各任务点巡检工作的能耗;将累计能耗不大于最大充电量的各任务点按所述设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作Z次后,生成包含个染色体个体的初始种群;
步骤3,以巡检机器人的移动能耗倒数与移动时间倒数的和作为初始种群中每个染色体个体的适应度;
步骤4,对初始种群进行遗传迭代,迭代过程中适应度最高的个体不参与交叉、变异,并且直接以适应度最高的个体替换适应度最低的个体;当达到最大迭代步数后,获取种群中适应度最高的个体作为目标模型的解;目标模型的解是多机器人巡检任务分配及遍历优化的方案。
2.根据权利要求1所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
每个巡检机器人的移动时间如下:
(4)
决策变量影响每个巡检机器人所对应的任务点遍历顺序。
3.根据权利要求2所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
目标模型的遍历约束条件如下:
(5)
式中,
为第二决策变量,当巡检机器人/>遍历任务点/>并执行巡检任务时,取/>,否则/>。
4.根据权利要求3所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
目标模型的能耗约束条件如下:
(6)
为巡检机器人/>考虑了运行中安全裕度的最大充电量。
5.根据权利要求1所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
步骤2中,随机构造长度为且每位数值互不相同的染色体个体,各位数值的取值范围为大于等于1且小于等于/>,染色体各位数值代表任务点序号。
6.根据权利要求5所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
设定顺序是指按照染色体各数位从前至后的顺序。
7.根据权利要求6所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
步骤2包括:在染色体前后两端各加入0值元素,从第一个0值元素开始按设定顺序遍历任务点,并累计完成各任务点巡检工作的能耗,若至第个任务点的累计能耗超过了第一个巡检机器人计及了安全裕度的最大充电量/>,则在第/>个任务点后加入0值元素;至此,第一个0值元素与第/>个任务点后加入的0值元素之间的多个任务点按照遍历顺序排列成第一个巡检机器人的任务子链,任务子链中各任务点及对应的巡检任务均分配由第一个巡检机器人依次遍历并执行;然后,以在第/>个任务点后加入的0值元素开始,再进行能耗累计,重复上述方法得到第二个巡检机器人的任务子链,以此类推,得到直到所有任务点都遍历完成。
8.根据权利要求7所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
任务点子链表示为/>,其中/>分别表示是第/>个巡检机器人对应的第1个任务点、第2个任务点、……第/>个任务点,任务点子链/>的长度为/>,/>个任务点子链按照遍历顺序构成一个染色体编码,如下:
第1个巡检机器人的任务点子链的长度为,第K个巡检机器人的任务点子链的长度为/>。
9.根据权利要求1所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
的取值根据巡检控制精度和速率决定。
10.根据权利要求1所述的变电站多巡检机器人巡检任务分配与遍历优化方法,其特征在于,
种群内个体的适应值如下:
(7)
适应度在考虑权重系数的基础上对移动能耗/>与移动时间/>取倒数。
11.一种变电站多巡检机器人巡检任务分配与遍历优化系统,用于实现权利要求1至10任一项所述方法,其特征在于,包括:
目标模型模块,初始种群模块,适应度计算模块,遗传迭代模块;
目标模型模块,用于利用巡检机器人的移动能耗和移动时间建立多机器人巡检任务分配及遍历优化的目标模型;
巡检机器人数量为,共需巡视/>个任务点;各巡检机器人移动单位距离所消耗的电量均为/>,各巡检机器人的移动速度为/>,/>;在每个任务点执行巡检任务所需消耗的电量为/>,/>;任务点/>至任务点/>的距离为/>,充电室编号记为0,由此建立多机器人巡检任务分配及遍历优化的优化模型的目标模型,如下:
(1)
(2)
(3)
式中,
为多机器人巡检任务分配及遍历的优化模型的目标函数,其中/>和/>代表模型中具有两个未知数,
为巡检机器人的移动能耗,
为巡检机器人的移动时间,
为巡检机器人/>的移动时间,
为第一决策变量,当巡检机器人/>在任务点/>任务执行完毕再移动到任务点/>执行任务时,取/>,否则/>,
为目标模型中移动时间的权重系数;
初始种群模块,用于各巡检机器人按设定顺序遍历任务点并累计完成各任务点巡检工作的能耗;将累计能耗不大于最大充电量的各任务点按所述设定顺序排列得到各巡检机器人的任务点子链,所有任务点都遍历后,所有巡检机器人的任务点子链构成一个染色体个体;迭代操作Z次后,生成包含个染色体个体的初始种群;
适应度计算模块,用于以巡检机器人的移动能耗倒数与移动时间倒数的和作为初始种群中每个染色体个体的适应度;
遗传迭代模块,用于对初始种群进行遗传迭代,迭代过程中适应度最高的个体不参与交叉、变异,并且直接以适应度最高的个体替换适应度最低的个体;当达到最大迭代步数后,获取种群中适应度最高的个体作为目标模型的解;目标模型的解是多机器人巡检任务分配及遍历优化的方案。
12.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-10任一项所述方法的步骤。
13.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-10任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588153.1A CN116307648B (zh) | 2023-05-24 | 2023-05-24 | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310588153.1A CN116307648B (zh) | 2023-05-24 | 2023-05-24 | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307648A CN116307648A (zh) | 2023-06-23 |
CN116307648B true CN116307648B (zh) | 2023-09-15 |
Family
ID=86820769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310588153.1A Active CN116307648B (zh) | 2023-05-24 | 2023-05-24 | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307648B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592633B (zh) * | 2024-01-18 | 2024-03-26 | 深圳金智凌轩视讯技术有限公司 | 一种智慧巡检优化方法 |
CN117970932B (zh) * | 2024-04-01 | 2024-06-07 | 中数智科(杭州)科技有限公司 | 一种轨道列车多机器人协同巡检的任务分配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120013057A (ko) * | 2010-08-04 | 2012-02-14 | 중앙대학교 산학협력단 | 로봇 경로 제어 방법 및 장치 |
CN113050422A (zh) * | 2021-03-09 | 2021-06-29 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
CN113705982A (zh) * | 2021-08-06 | 2021-11-26 | 江苏方天电力技术有限公司 | 一种车机协同电力巡检的调度决策方法 |
CN113885555A (zh) * | 2021-09-14 | 2022-01-04 | 安徽送变电工程有限公司 | 面向输电线路密集通道巡检的多机任务分配方法和系统 |
-
2023
- 2023-05-24 CN CN202310588153.1A patent/CN116307648B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120013057A (ko) * | 2010-08-04 | 2012-02-14 | 중앙대학교 산학협력단 | 로봇 경로 제어 방법 및 장치 |
CN113050422A (zh) * | 2021-03-09 | 2021-06-29 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
CN113705982A (zh) * | 2021-08-06 | 2021-11-26 | 江苏方天电力技术有限公司 | 一种车机协同电力巡检的调度决策方法 |
CN113885555A (zh) * | 2021-09-14 | 2022-01-04 | 安徽送变电工程有限公司 | 面向输电线路密集通道巡检的多机任务分配方法和系统 |
Non-Patent Citations (1)
Title |
---|
陈玮光.基于改进遗传算法的变电站巡检机器人行驶轨迹优化.广东电力.2021,第34卷(第6期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116307648A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307648B (zh) | 变电站多巡检机器人巡检任务分配与遍历优化方法及系统 | |
Wu et al. | Deep learning adaptive dynamic programming for real time energy management and control strategy of micro-grid | |
EP3822880A1 (en) | Load prediction method and apparatus based on neural network | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN110972152B (zh) | 一种考虑信号阻隔效应的城市空间5g基站选址优化方法 | |
CN116169698A (zh) | 一种新能源平稳消纳的分布式储能优化配置方法及系统 | |
CN116382304A (zh) | 基于dqn模型的多巡检机器人协同路径规划方法及系统 | |
CN110289631A (zh) | 一种风电场储能装置容量的计算方法及系统 | |
CN112803434A (zh) | 有源配电网的无功优化方法、装置、设备和存储介质 | |
CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
CN115498623A (zh) | 多微电网的储能配置优化方法、装置、设备及存储介质 | |
CN106358300A (zh) | 一种微蜂窝网络中的分布式资源分配方法 | |
CN116957262A (zh) | 一种基于三进程耦合的园区综合能源系统的优化调度方法 | |
CN115511386B (zh) | 基于多目标混合非洲秃鹫优化算法的多能系统调度方法 | |
CN116885795A (zh) | 微电网源网荷储协同调度方法、装置、设备以及存储介质 | |
CN113705707B (zh) | 基站小区节电状态的确定方法、装置及电子设备 | |
Rioual et al. | Reinforcement-learning approach guidelines for energy management | |
CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
CN115660433A (zh) | 一种基于飞虫寻光移动原理的光伏电站规划方法 | |
Navarro-Caceres et al. | An evaluation of a metaheuristic artificial immune system for household energy optimization | |
CN117293825B (zh) | 考虑风电爬坡的风速及功率混合预测方法及装置 | |
CN115528712B (zh) | 一种源网荷储备不同区储能容量平衡方法及系统 | |
CN115833242B (zh) | 一种移动式阵列化光储系统的自适应切换控制方法及系统 | |
CN114186757B (zh) | 分布式能源系统站点选取及储能配置系统 | |
Research on indoor wireless network coverage layout based on hybrid particle swarm optimization algorithm |
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 |