CN117075634A - 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 - Google Patents
基于改进蚁群算法的配电网多无人机调度巡检方法及装置 Download PDFInfo
- Publication number
- CN117075634A CN117075634A CN202311188754.XA CN202311188754A CN117075634A CN 117075634 A CN117075634 A CN 117075634A CN 202311188754 A CN202311188754 A CN 202311188754A CN 117075634 A CN117075634 A CN 117075634A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- inspection
- task
- pheromone
- 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
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 63
- 238000005265 energy consumption Methods 0.000 claims abstract description 16
- 239000003016 pheromone Substances 0.000 claims description 84
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 241000257303 Hymenoptera Species 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于改进蚁群算法的配电网多无人机调度巡检方法,该方法包括:以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。以此方式,可以将需要巡检的任务目标分配给无人机编队,使其在耗能和时间最少的情况下完成目标巡检,提高工作效率。
Description
技术领域
本发明涉及配电网调度领域,尤其涉及一种基于改进蚁群算法的配电网多无人机调度巡检方法及装置。
背景技术
随着科技的不断发展,电力设备的数量和种类不断增加和改进,因此需要专业人员进行定期巡检,以确保输电系统的正常运行并排除设备隐患。然而,传统的人力巡检方式存在成本高、效率低和安全性无法满足的问题,已经难以适应配电网快速发展和基层减负的需求。因此,无人机自主巡检成为一种解决方案,可以减少现场作业人员的数量,推动传统人工作业向无人化转变。
尽管无人机巡检在电力领域具有广阔的应用前景,但目前仍面临一些关键技术待攻克。其中,续航能力是一个关键问题,由于无人机巡检路径规划不合理,需要频繁进行电池更换操作,导致无法在最短时间内准确定位线路故障,从而无法为配电网灾后抢修提供及时的数据和时间。
发明内容
本发明的目的在于提供一种基于改进蚁群算法的配电网多无人机调度巡检方法及装置,解决无人机巡检路径规划不合理,需要频繁进行电池更换操作,导致无法在最短时间内准确定位线路故障的问题。
根据本公开的一方面,提供了一种基于改进蚁群算法的配电网多无人机调度巡检方法,包括:
以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;
基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;
各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。
在第一方面的一些可实现方式中,所述以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型,包括:
获取预设的无人机数量、调度任务的数量以及各无人机与调度任务之间的距离;
根据所述预设的无人机数量、调度任务的数量以及各无人机与调度任务之间的距离得到多无人机任务调度巡检目标函数;
根据所述多无人机任务调度巡检目标函数得到建立配电网多无人机任务调度巡检模型。
在第一方面的一些可实现方式中,所述多无人机任务调度巡检目标函数J为:
其中,Ui代表第i个无人机,Mj代表第j个调度任务,N表示无人机的数量,K表示调度任务的数量,dij表示无人机与调度任务之间的距离,Cost(Ui,Mj)为蚁群根据任务执行难易程度选择任务i的代价,H(dij,Cost(Ui,Mj))为无人机调度巡检任务分配和路径规划的综合代价。
在第一方面的一些可实现方式中,所述改进的蚁群算法是根据以下方法得到的:
对基础蚁群算法中的信息素更新机制进行优化,将所述多无人机任务调度巡检目标函数代入信息素增量矩阵中,得到改进后的蚁群算法。
在第一方面的一些可实现方式中,所述基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果包括:
S1:初始化蚁群参数,其中,所述参数包括无人机数量、杆塔节点数量、最大迭代次数、信息素重要程度因子、启发函数重要程度因子以及信息素矩阵,其中,信息素矩阵是以无人机数量为行数,杆塔节点数量为列数的矩阵,用所有无人机目标序列表示一个蚂蚁,即一个蚂蚁代表一个无人机分配方案;
S2:各蚂蚁根据状态转移概率和当前信息素矩阵选择下一个待访问目标,直到各蚂蚁均访问完所有目标,根据各蚂蚁所对应的无人机分配方案分别对各蚂蚁所经过的路径进行信息素更新,并计算本次迭代过程中蚁群的信息素增量矩阵;
S3:计算各蚂蚁经过的路径长度,确定本次迭代的最短路径,并根据所述信息素增量矩阵更新当前信息素矩阵。
S4:判断当前迭代次数是否小于预设迭代次数,若是,则清空各蚂蚁经过路径的记录表,返回S2;否则,终止计算,输出最短路径。
在第一方面的一些可实现方式中,根据以下公式对信息素浓度进行更新:
τij(t+1)=(1-ρ)*τij(t)+Δτij(t)
其中,t为当前时刻,m表示无人机总数量,常数ρ表示信息素挥发因子且ρ∈(0,1),1-ρ代表信息素残留因子,τij(t)为当前时刻路径(i,j)的信息素;Δτij(t)表示当前时刻路径(i,j)的信息素增量,表示第k架无人机在本次遍历结束后路径(i,j)的信息素增量,τij(t+1)为下一时刻路径(i,j)的信息素。
在第一方面的一些可实现方式中,所述状态转移概率根据以下公式得到:
其中,allowedk={C-tabuk}表示第k架无人机下一步可以选择的所有巡检目标,C为全部节点集合;tabuk用来记录第k架无人机当前已走过的所有节点,α为信息启发式因子,β称为期望启发因子,ηij(t)表示当前时刻无人机由节点i转移到节点j的期望程度,τij(t)为当前时刻路径(i,j)的信息素。
根据本公开的第二方面,提供一种基于改进蚁群算法的配电网多无人机调度巡检装置,该装置包括:
模型建立模块,用于以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;
获取最优解模块,用于基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;
任务执行模块,用于各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。
根据本公开的第三方面,提供一种电子设备,包括处理器,以及与处理器连接的内存和网络接口;所述网络接口与服务器中的非易失性存储器连接;所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序,并通过所述内存运行所述计算机程序,执行如上述所述的基于改进蚁群算法的配电网多无人机调度巡检方法。
根据本公开的第四方面,提供一种存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如上所述的基于改进蚁群算法的配电网多无人机调度巡检方法。
附图说明
图1示出了根据本发明的实施例的一种基于改进蚁群算法的配电网多无人机调度巡检方法流程图;
图2示出了根据本发明的实施例的基于改进蚁群算法的配电网多无人机调度巡检方法示意图;
图3示出了根据本发明的实施例的改进蚁群算法流程图;
图4示出了根据本发明的实施例的多无人机调度巡检路线图;
图5示出了根据本发明的实施例的改进蚁群算法算法的适应度函数图;
图6示出了本发明的实施例的一种基于改进蚁群算法的配电网多无人机调度巡检装置的框图;
图7出示了根据本公开实施例的计算设备的示意图。
具体实施方式
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。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术中无人机调度巡检方案不合理的问题,本发明提供了一种基于改进蚁群算法的配电网多无人机调度巡检方法,具体包括:以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。以此方式,可以将需要巡检的任务目标分配给无人机编队,使其在耗能和时间最少的情况下完成目标巡检,提高工作效率。
下面结合附图及具体实施例对本公开所提供的基于改进蚁群算法的配电网多无人机调度巡检方法进行更加具体的说明。
图1示出了本公开实施例提供的基于改进蚁群算法的配电网多无人机调度巡检方法流程图;如图1所示,基于改进蚁群算法的配电网多无人机调度巡检方法100可以包括以下步骤:
S110,以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型。
在一些实施例中,为了解决传统的人力巡检方式存在成本高、效率低和安全性无法满足的问题,可以采用无人机自主巡检,将需要巡检的任务目标分配给无人机编队,但是由于无人机往往受到自身电能限制,并且巡检路径规划不合理也会造成无人机资源的浪费。
为了使无人机编队在能源消耗和飞行时间最少的情况下完成目标巡检,提高工作效率,本实施例充分考虑了配电网调度巡检的特殊要求和无人机的能力约束,建立了配电网多无人机任务调度巡检模型。
具体地,配电网多无人机任务调度巡检模型建立过程如下:
首先假设无人机的电能限制约束可以等价其最长飞行时间且无人机在执行任务时不会通信中断或被破坏。
进一步地,可以根据获取的预先设定的无人机数量、调度任务的数量以及各无人机与调度任务之间的距离,确定多无人机任务调度巡检目标函数J。
具体地,目标函数J如式(1)所示:
其中,Ui代表第i个无人机,Mj代表第j个调度任务,N表示无人机的数量,K表示调度任务的数量,dij表示无人机与调度任务之间的距离,Cost(Ui,Mj)为蚁群根据任务执行难易程度选择任务i的代价,H(dij,Cost(Ui,Mj))为无人机调度巡检任务分配和路径规划的综合代价。
与传统的无人机巡检调度建模不同,为了充分利用所有的无人机资源,使调度巡检完成的时间最少,并同时兼顾执行调度任务的优先级别和路径最优的原则,本实施例设置以下约束条件:
N=K (6)
其中,式(2)代表时间约束,tk,n表示无人机k执行任务n的完成时间,Tmax表示最长完成时间;式(3)xk,n代表调度任务n分配到无人机k的值;式(4)代表一个调度任务只需要一台无人机来完成,K为执行无人机调度任务的无人机总数量,式(5)代表每台无人机在选择任务时仍要考虑就近原则,代表第i个无人机的位置,/>表示第i个目标杆塔的位置;N代表所拥有的无人机总数量,M表示调度任务的总数量,即假设对于任务M1来讲,无人机U1和无人机U2均搜索到任务M1,按照任务优先级,此时应该编队U1去执行M1,然而此时编队U2距离M1更近,且若编队U1去执行M1可能会与其他编队的路径出现交叉,会增大编队之间的碰撞的可能性,因此,该约束条件能够实现编队U2去执行M1,编队U1去执行其他任务,式(6)条件是指执行无人机调度任务的无人机数量K和所拥有的无人机总数量N相等,该约束避免了出现无人机没有被分配到任务,从而造成无人机资源浪费的问题。
在一些实施例中,无人机的数量、调度任务的数量以及各无人机与调度任务之间的距离均可以通过预先设置场景参数得到。
具体地,场景参数的设置包括定义各无人机的位置、配电网线路中所包含的杆塔号信息和杆塔坐标信息、无人机飞行速度和最大工作容量、参与多无人机巡检任务分配的无人机数量以及航程、确定巡线起点和终点等。
在一些实施例中,参与多无人机巡检任务分配的各无人机飞行速度相等。
S120,基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果。
在一些实施例中,为了确定参与巡检的无人机编队的巡检调度方案和最优路径,可以基于蚁群算法获取调度巡检模型最优解。
由于传统的蚁群算法信息素更新机制,对于蚂蚁来讲,每个任务对应的信息素浓度增强系数是在同样的条件下进行更新的,即在同样的信息素浓度增强系数的影响下,蚂蚁搜索任务时不会考虑任务的优先级顺序。因此,本实施例为了考虑配电网调度巡检任务优先级顺序和充分利用无人机资源的约束,设计一种新的信息素更新机制。
在一些实施例中,信息素增强度系数Q(i,j)如式(7)所示:
蚂蚁在搜索任务时,如果无人机编号与调度任务编号对应,则其留下的信息素浓度A将会更多,反之,当无人机编队搜索到的任务编号不对应时,其留的信息素浓度B会较少。
同时,为了更有针对性地找到满足本发明需求的目标,改善了传统蚁群算法的随机性和解的最优性,本实施例可以将所期望的多无人机任务调度巡检目标函数加入到信息素增量矩阵中,使蚁群在搜索的过程中有着更多的启发信息。
根据本公开的实施例,通过设计新的信息素更新机制并将多无人机任务调度巡检目标函数加入到信息素增量矩阵中,得到了改进后的蚁群算法,以便根据改进后的蚁群算法获取调度巡检模型的最优解,从而得到各无人机巡检任务最佳分配结果。
在一些实施例中,改进后的蚁群算法流程图如图2所示,通过改进后的蚁群算法获取调度巡检模型最优解包括以下步骤:
S1:初始化蚁群参数,其中,所述参数包括无人机数量、杆塔节点数量、最大迭代次数、信息素重要程度因子、启发函数重要程度因子以及信息素矩阵,其中,信息素矩阵是以无人机数量为行数,杆塔节点数量为列数的矩阵,用所有无人机目标序列表示一个蚂蚁,即一个蚂蚁代表一个无人机分配方案;
在一些实施例中,对改进后的蚁群算法初始化参数配置,以便其适用于本实施例中具体的配电网多无人机调度巡检问题求解。
在一些实施例中,可以采用信息素表示两个杆塔节点之间是否存在线路,信息素取值为0表示不存在线路,即无人机没有飞过该节点,信息素取值为1表示存在线路。
进一步地,可以设置以无人机数量为行数、杆塔节点数量为列数的矩阵作为信息素矩阵,矩阵中的每个元素均为信息素,并初始化信息素矩阵中所有的信息素元素为1,且在信息素增强因子的启示下,蚂蚁在运动过程中散布信息素浓度,更新信息素浓度,。
在一些实施例中,在对无人机进行任务分配时,当信息素小于1时,根据信息素矩阵进行分配,否则进行随机分配。
需要注意的是,当一架无人机所分配任务接近它的最大工作容量时,则停止对该无人机分配任务,以避免无人机自身电能限制,导致整个调度任务无法顺利进行的情况。
S2:各蚂蚁根据状态转移概率和当前信息素矩阵选择下一个待访问目标,直到各蚂蚁均访问完所有目标,根据各蚂蚁所对应的无人机分配方案分别对各蚂蚁所经过的路径进行信息素更新,并计算本次迭代过程中蚁群的信息素增量矩阵。
在一些实施例中,在各蚂蚁对应的无人机分配方案中,可以根据状态转移概率公式获取各无人机从杆塔节点i转移到杆塔节点j的概率,具体地,状态转移概率为:
其中,allowedk={C-tabuk}表示第k架无人机下一步可以选择的所有节点,C为全部杆塔节点集合;tabuk用来记录第k架无人机当前已走过的所有节点,α为信息启发式因子,在算法中代表轨迹相对重要程度,反映路径上的信息量对无人机表示的蚂蚁选择路径所起的影响程度,该值越大,无人机表示的蚂蚁间的协作性就越强;β称为期望启发因子,在算法中代表能见度的相对重要性。ηij是启发函数,在算法中表示由节点i转移到节点j的期望程度,通常可取在蚁群算法运行时每架无人机根据式(8)进行搜索前进。
在一些实施例中,当每个蚂蚁访问完所有目标时,根据蚂蚁所对应的无人机分配方案对蚂蚁所经过的路径进行信息素更新,具体地,可以通过式(9)、式(10)、式(11)更新路径(i,j)上的信息素:
τij(t+1)=(1-ρ)*τij(t)+Δτij(t) (11)
其中,路径(i,j)表示第i个杆塔节点与第j个杆塔节点之间的连线,t为当前时刻,在式(9)中,Q(i,j)为信息素增强度系数,H(dij,Cost(Ui,Mj))为无人机调度巡检任务分配和路径规划的综合代价,Cost(Ui,Mj)为蚁群根据任务执行难易程度选择任务i的代价,dij为第i个节点与第j个节点之间的距离,Δτij k(t)表示第k架无人机在本次遍历结束后路径(i,j)的信息素增量。
在式(10)中Δτij(t)表示所有无人机在本次遍历结束后路径(i,j)的信息素增量m表示无人机总数量,且在初始时刻Δτij(0)=0
在式(11)中,τij常数ρ∈(0,1)表示信息素挥发因子,即路径上信息量的损耗程度,ρ的大小和算法的全局搜索能力和收敛速度相关,用1-ρ代表信息素残留因子,τij(t+1)表示下一次迭代时路径(i,j)的信息素。
在一些实施例中,可以根据各蚂蚁访问完所有目标后的路径(i,j)的信息素增量计算信息素增量矩阵。
S3:计算各蚂蚁经过的路径长度,确定本次迭代的最短路径,并根据所述信息素增量矩阵更新当前信息素矩阵。
在一些实施例中,在各蚂蚁均访问完所有目标后,计算当前迭代过程中蚁群的信息素增量矩阵,并根据信息素增量矩阵更新当前信息素矩阵,根据更新后的信息素矩阵可得到各蚂蚁找到所有目标所走过的路径,即所有无人机找到所有目标所走过的路径,并记录所有无人机对应的飞行距离,确定无人机的最优路径。
S4:判断当前迭代次数是否小于预设迭代次数,若是,则清空各蚂蚁经过路径的记录表,返回S2;否则,终止计算,输出最短路径。
在一些实施例中,预设迭代次数可以为400次。
在一些实施例中,判断当前迭代次数是否小于预设迭代次数,若是,则返回S2,在每次迭代中找到最佳任务分配结果并储存,否则,终止操作,输出最短路径。
S130,各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。
在一些实施例中,各无人机根据巡检任务分配结果确定自己的巡检路径,并按照词路径依次对杆塔进行巡检,实现了在能源消耗最低和飞行时间最小的无人机自主巡检方案。
根据本发明的实施例,实现了以下技术效果:
1、相比于基础蚁群算法,改进的蚁群算法能够在大规模任务分配问题中快速找到最优解,优化无人机调度方案,从而有效提高巡检效率。相比传统的人工调度方法,该算法能够更快速地完成任务分配,减少了任务执行时间,提高了巡检效率。
2、通过合理的任务分配和路径规划,改进蚁群算法可以减少无人机的飞行距离和飞行时间,从而降低了巡检过程中的能源消耗和运营成本。
3、无人机巡检可以减少现场作业人员数量,降低了巡检过程中人员的安全风险。
下面结合图3-图5对本发明的第二实施例进行详细说明。
如图3所示,本实施例首先以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;
其次,为上述配电网多无人机任务调度巡检模型设置场景参数和算法参数,具体地,在60×70(km)的调度任务区域中随机部署了24个配电网杆塔巡检点,并使用了4架无人机进行任务分配、调度和路径规划,其中,4架无人机的速度是预先给定的,并且无人机的飞行速度相同。
蚁群算法中设置参与的蚁群数量为4,迭代次数为400,信息素重要程度因子为1,启发函数重要程度因子为6,信息素挥发因子设为0.1。给定所有配电网杆塔点的位置以及无人机的初始位置。
进一步地,通过设计新的信息素更新机制并将所期望的目标函数加入到信息素增量矩阵中,得到了改进后的蚁群算法,根据改进后的蚁群算法获取配电网多无人机任务调度巡检模型最优解,最终确定无人机的配电网杆塔巡检任务点部署及其路径规划。如图4所示,展示了本实例中使用本方法所得到的一个具体实例的最终路线图。图中使用4种不同形状的线型表示了4架无人机找到任务点时所走的路径。其中无人机的最短距离为486.3034公里,各无人机的最短路径和航程如表1所示。
表1
无人机序号 | 路径 | 航程(km) |
UAV1 | 7→21→8→9→11→13 | 104.7235 |
UAV2 | 15→4→20→23→3→24 | 129.928 |
UAV3 | 12→1→17→2→14→19 | 96.6751 |
UAV4 | 22→10→5→18→6→16 | 154.9769 |
图5展示了各代最短距离和平均距离的对比图。根据对比图可以看到,随着迭代次数的增加,无人机飞行最短距离和平均距离的差距不断增大,当迭代达到50次时,改进蚁群算法已经找到无人机飞行最短路径。
根据本发明的实施例,实现了以下技术效果:
1、改进蚁群算法能够在大规模任务分配问题中快速找到最优解,优化无人机调度方案,从而有效提高巡检效率。相比传统的人工调度方法,该算法能够更快速地完成任务分配,减少了任务执行时间,提高了巡检效率。
2、通过合理的任务分配和路径规划,改进蚁群算法可以减少无人机的飞行距离和飞行时间,从而降低了巡检过程中的能源消耗和运营成本。
3、无人机巡检可以减少现场作业人员数量,降低了巡检过程中人员的安全风险。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
图6示出了本公开实施例的基于改进蚁群算法的配电网多无人机调度巡检装置600的框图,如图6所所示,该装置600包括:
模型建立模块610,用于以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;
获取最优解模块620,用于基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;
任务执行模块630,用于各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。
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,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现本发明实施例提供的光伏发电功率预测模型的训练方法,或者,实现本发明实施例提供的基于改进蚁群算法的配电网多无人机调度巡检方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory,ROM)、闪存、可消除的只读存储器(ErasableRead Only Memory,EROM)、软盘、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于改进蚁群算法的配电网多无人机调度巡检方法,其特征在于,包括:
以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;
基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;
各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。
2.根据权利要求1所述的方法,其特征在于,所述以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型,包括:
获取预设的无人机数量、调度任务的数量以及各无人机与调度任务之间的距离;
根据所述预设的无人机数量、调度任务的数量以及各无人机与调度任务之间的距离得到多无人机任务调度巡检目标函数;
根据所述多无人机任务调度巡检目标函数得到建立配电网多无人机任务调度巡检模型。
3.根据权利要求2所述的方法,其特征在于,所述多无人机任务调度巡检目标函数J为:
其中,Ui代表第个无人机,Mj代表第个调度任务,N表示无人机的数量,K表示调度任务的数量,dij表示无人机与调度任务之间的距离,Cost(Ui,Mj)为蚁群根据任务执行难易程度选择任务i的代价,H(dij,Cost(Ui,Mj))为无人机调度巡检任务分配和路径规划的综合代价。
4.根据权利要求1所述的方法,其特征在于,所述改进的蚁群算法是根据以下方法得到的:
对基础蚁群算法中的信息素更新机制进行优化,将所述多无人机任务调度巡检目标函数代入信息素增量矩阵中,得到改进后的蚁群算法。
5.根据权利要求4所述的方法,其特征在于,所述基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果包括:
S1:初始化蚁群参数,其中,所述参数包括无人机数量、杆塔节点数量、最大迭代次数、信息素重要程度因子、启发函数重要程度因子以及信息素矩阵,其中,信息素矩阵是以无人机数量为行数,杆塔节点数量为列数的矩阵,用所有无人机目标序列表示一个蚂蚁,即一个蚂蚁代表一个无人机分配方案;
S2:各蚂蚁根据状态转移概率和当前信息素矩阵选择下一个待访问目标,直到各蚂蚁均访问完所有目标,根据各蚂蚁所对应的无人机分配方案分别对各蚂蚁所经过的路径进行信息素更新,并计算本次迭代过程中蚁群的信息素增量矩阵;
S3:计算各蚂蚁经过的路径长度,确定本次迭代的最短路径,并根据所述信息素增量矩阵更新当前信息素矩阵;
S4:判断当前迭代次数是否小于预设迭代次数,若是,则清空各蚂蚁经过路径的记录表,返回S2;否则,终止计算,输出最短路径。
6.根据权利要求4所述的方法,其特征在于,根据以下公式对信息素进行更新:
τij(t+1)=(1-ρ)*τij(t)+△τij(t)
其中,t为当前时刻,m表示无人机总数量,常数ρ表示信息素挥发因子且ρ∈(0,1),1-ρ代表信息素残留因子,τij(t)为当前时刻路径(i,j)的信息素;△τij(t)表示当前时刻路径(i,j)的信息素增量,表示第k架无人机在本次遍历结束后路径(i,j)的信息素增量,τij(t+1)为下一时刻路径(i,j)的信息素。
7.根据权利要求6所述的方法,其特征在于,所述状态转移概率根据以下公式得到:
其中,allowedk={c-tabuk}表示第k架无人机下一步可以选择的所有巡检目标,C为全部节点集合;tabuk用来记录第k架无人机当前已走过的所有节点,α为信息启发式因子,β称为期望启发因子,ηij(t)表示当前时刻无人机由节点i转移到节点j的期望程度,τij(t)为当前时刻路径(i,j)的信息素。
8.一种基于改进蚁群算法的配电网多无人机调度巡检装置,其特征在于,包括:
模型建立模块,用于以各无人机耗能最小且巡检时间最短为目标,建立配电网多无人机任务调度巡检模型;
获取最优解模块,用于基于改进的蚁群算法获取所述调度巡检模型最优解,得到各无人机巡检任务分配结果;
任务执行模块,用于各无人机根据所述巡检任务分配结果,执行其对应的巡检任务。
9.一种电子设备,其特征在于,包括处理器,以及与处理器连接的内存和网络接口;所述网络接口与服务器中的非易失性存储器连接;所述处理器在运行时通过所述网络接口从所述非易失性存储器中调取计算机程序,并通过所述内存运行所述计算机程序,以执行上述权利要求1-7任一项所述的方法。
10.一种存储介质,其特征在于:所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188754.XA CN117075634A (zh) | 2023-09-14 | 2023-09-14 | 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311188754.XA CN117075634A (zh) | 2023-09-14 | 2023-09-14 | 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117075634A true CN117075634A (zh) | 2023-11-17 |
Family
ID=88713472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311188754.XA Pending CN117075634A (zh) | 2023-09-14 | 2023-09-14 | 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117075634A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742159A (zh) * | 2024-02-04 | 2024-03-22 | 国网浙江省电力有限公司宁波供电公司 | 无人机巡检路径规划方法、装置、设备及存储介质 |
-
2023
- 2023-09-14 CN CN202311188754.XA patent/CN117075634A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742159A (zh) * | 2024-02-04 | 2024-03-22 | 国网浙江省电力有限公司宁波供电公司 | 无人机巡检路径规划方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111176807A (zh) | 一种多星协同任务规划方法 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
WO2015166637A1 (ja) | メンテナンス時期決定装置、劣化予測システム、劣化予測方法および記録媒体 | |
CN117075634A (zh) | 基于改进蚁群算法的配电网多无人机调度巡检方法及装置 | |
CN113537580B (zh) | 一种基于自适应图学习的公共交通客流预测方法及系统 | |
CN109685386A (zh) | 基于数据信息的多目标作业车间的复杂网络模型构建方法 | |
CN112187554A (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
WO2015145978A1 (ja) | エネルギー量推定装置、エネルギー量推定方法、及び、記録媒体 | |
CN116402002A (zh) | 一种用于芯片布局问题的多目标分层强化学习方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN115293623A (zh) | 一种生产调度模型的训练方法、装置、电子设备及介质 | |
CN114819316A (zh) | 一种面向多智能体任务规划的复杂优化方法 | |
CN114815801A (zh) | 一种基于策略-价值网络及mcts的自适应环境路径规划方法 | |
CN112862216B (zh) | 一种基于深度置信网络的多行业能源需求预测方法 | |
CN117270520A (zh) | 一种巡检路线优化方法及装置 | |
CN114444737B (zh) | 基于迁移学习的路面养护智能规划方法 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN112200366B (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
Wei et al. | Long-term autonomous mission planning of AUV in large-scale complex marine environment | |
CN113673721A (zh) | 一种基于深度强化学习的集群系统预防性维修方法 | |
CN117913867B (zh) | 一种基于边缘计算监控的构网储能控制方法 | |
CN116718198B (zh) | 基于时序知识图谱的无人机集群的路径规划方法及系统 | |
KR20230103077A (ko) | 퍼지 탑시스 및 바이코르 방법을 결합한 공간 통합 다중 모델 앙상블 생성 방법 | |
CN116859912A (zh) | 一种基于杂交育种策略的多负载agv路径规划方法 | |
CN118316021A (zh) | 基于ap聚类与迁移学习的分布式光伏功率预测方法及系统 |
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 |