CN117170394A - 用于换流站巡检的无人机应急控制方法、装置及设备 - Google Patents

Abstract

本发明公开了一种用于换流站巡检的无人机应急控制方法、装置及设备，所述方法应用于无人机，包括：对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；根据所述应急控制策略对所述无人机进行应急控制。本发明能有效提高在恶劣天气下无人机巡检换流站的安全性和可靠性。

Description

用于换流站巡检的无人机应急控制方法、装置及设备

技术领域

本发明涉及用于换流站巡检的无人机应急控制技术领域，尤其涉及一种用于换流站巡检的无人机应急控制方法、装置及设备。

背景技术

在现有的高压直流输电系统中，换流站需要进行定期的巡检以确保其正常运行。为了提高巡检的效率和准确性，无人机被广泛应用于换流站的巡检工作中。然而，由于换流站所处的特殊环境，巡检过程中可能会遭遇到极端天气条件，如雨雪大风等。这些极端天气条件可能导致无人机失控，进而对巡检工作的安全性和有效性产生负面影响。其中，无人机的失控现象包括飞行方向偏离、无法保持稳定的飞行姿态、失去飞行能力等，这将导致无人机无法正确完成巡检任务，同时还可能引发碰撞、坠落或其他危险情况，对设备和人员造成损害。

因此，需要针对无人机在巡检高压直流输电系统中的换流站时可能发生的失控现象进行应急控制，以提高无人机巡检换流站的安全性和可靠性。

发明内容

本发明实施例提供一种用于换流站巡检的无人机应急控制方法、装置及设备，能有效提高在恶劣天气下无人机巡检换流站的安全性和可靠性。

本发明一实施例提供一种用于换流站巡检的无人机应急控制方法，应用于无人机，包括：

对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；

对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；

根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；

根据所述应急控制策略对所述无人机进行应急控制。

作为上述方案的改进，所述飞行状态数据包括：飞行姿态变化率、飞行速度变化率；所述天气环境数据包括：风速、雨量、雪量。

作为上述方案的改进，所述根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略，包括：

对每一飞行状态特征进行特征计算，并对每一天气环境特征进行特征计算，得到融合后的飞行状态特征向量和天气环境特征向量；飞行状态特征进行特征计算公式为：Z＝w1*g+w2*h+b；w1和w2分别为对应参数的权重，b为偏置项,g表示飞行姿态变化率，h表示飞行速度变化率；飞行状态特征进行特征计算公式为：Y＝w3*t+w4*u+w5*v+b’；w3、w4和w5分别为对应参数的权重，b’为偏置项,t表示风速，u表示雨量，v表示雪量；

将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略。

作为上述方案的改进，所述将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略，包括：

将所述飞行状态特征向量和所述天气环境特征向量作为决策树模型的输入；决策树模型为：DecisionTree(a1,a2,...,an,b1,b2,...,bm)→各个叶节点设定的应急控制策略；a1,a2,...,an表示每一个标准的飞行状态特征向量的划分特征和取值范围，b1,b2,...,bm表示每一个标准的天气环境特征向量的划分特征和取值范围；

从所述决策树模型的根节点开始，根据当前节点上对飞行状态特征向量和天气环境特征向量的划分特征和取值范围，并通过对比所述决策树模型当前节点的不同分支上的R值来选择最接近当前计算出来的节点R值的路径；沿着当前节点的符合条件的分支移动到下一个节点，直到达到叶节点；R值用于表示不同飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，当前计算出的R值为：R＝(1-α)*R(c’,d’,a)+α*(r+γ*(R(c’,d’,a)))；其中，R(c’,d’,a)表示在当前节点的飞行状态特征向量c’与天气环境特征向量d’下选择决策树路径a的R值,为预先在训练阶段设定的；α是学习率；r表示当前状态下采取决策树路径a所获得的即时奖励；γ用于衡量未来奖励对当前决策的重要性，取值范围是[0,1]；所述飞行状态特征向量的划分特征包括飞行状态稳定、飞行状态轻度不稳定、飞行状态中度不稳定及飞行状态重度不稳定；所述天气环境特征向量的划分特征包括天气环境正常、天气环境轻度恶劣、天气环境中度恶劣及天气环境重度恶劣；若当前计算出的R值位于当前节点两个分支的R值之间，则选择对无人机失控现象影响程度越恶劣的那一条分支路径；

当到达叶节点时，获取叶节点存储的应急控制策略。

作为上述方案的改进，所述决策树模型的预先训练优化过程包括：

将多组飞行状态特征向量、天气环境特征向量及对应的应急控制策略的数据样本作为训练数据集；

不断递归地将训练数据集分割为不同的子集，在决策树的各个节点处选择最佳划分特征和划分点，并计算更新每处节点的R值并嵌入到决策树的对应节点中，直到满足停止条件，生成的决策树以每个内部节点表示一个特征及其取值范围，每个叶节点中存储了对应的应急控制策略；所述停止条件包括：达到最大深度；所述R值用于表示飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，R值更新计算公式为：R(c,d,a)＝(1-α)*R(c,d,a)+α*(r+γ*max(R(c’,d’,a’)))；其中，R(c,d,a)表示在当前状态下的飞行状态特征向量c与天气环境特征向量d下选择决策树路径e的R值；α是学习率；r表示当前状态下采取决策树路径e所获得的即时奖励；γ用于衡量未来奖励对当前决策的重要性，取值范围是[0,1]；max(R(c’,d’,a’)是指在新的飞行状态特征向量c’和天气环境特征向量d’下所有可选动作的最大R值。

作为上述方案的改进，所述风速的数据通过无人机上安装有的风速检测传感器检测得到；所述雨量和雪量的数据通过无人机上安装有的毫米波雷达检测得到，或者通过联网从后台天气预报系统获取到。

作为上述方案的改进，所述应急控制策略包括以预设优化的飞行参数降低或增高无人机的飞行高度并返航、或以预设优化的飞行参数就近寻找安全点降落，所述飞行参数包括飞行姿态、飞行速度和飞行方向。

本发明另一实施例对应提供了一种用于换流站巡检的无人机应急控制装置，应用于无人机，包括：

数据预处理模块，用于对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；

特征提取模块，用于对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；

决策模块，用于根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；

应急控制模块，用于根据所述应急控制策略对所述无人机进行应急控制。

本发明另一实施例提供了一种用于换流站巡检的无人机应急控制装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的用于换流站巡检的无人机应急控制方法。

本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的用于换流站巡检的无人机应急控制方法。

相比于现有技术，上述技术方案中的一个技术方案具有如下优点：

通过根据对无人机在巡检换流站过程中的飞行状态数据和天气环境数据提取到飞行状态特征和天气环境特征，并基于预先优化的决策树模型，来得到对应的应急控制策略，从而能够针对当前天气环境下无人机的当前飞行状态，来采用对应的应急控制策略对无人机进行应急控制，从而提高在恶劣天气下无人机巡检换流站的安全性和可靠性。

附图说明

图1是本发明一实施例提供的一种用于换流站巡检的无人机应急控制方法的流程示意图；

图2是本发明一实施例提供的一种用于换流站巡检的无人机应急控制装置的结构示意图；

图3是本发明一实施例提供的另一种用于换流站巡检的无人机应急控制装置的结构示意图。

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作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。

参见图1，是本发明一实施例提供的一种用于换流站巡检的无人机应急控制方法的流程示意图。所述用于换流站巡检的无人机应急控制方法，应用于无人机，包括步骤S10至步骤S13：

S10，对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；

其中，在无人机的飞行过程中，不断获取无人机在巡检换流站过程中的飞行状态数据和周围的天气环境数据。具体的，所述飞行状态数据包括：飞行姿态变化率、飞行速度变化率；所述天气环境数据包括：风速、雨量、雪量。作为示例的，所述风速的数据通过无人机上安装有的风速检测传感器检测得到；所述雨量和雪量的数据通过无人机上安装有的毫米波雷达检测得到，或者通过联网从后台天气预报系统获取到。所述飞行姿态变化率通过无人机的姿态检测传感器对当前时刻检测到的飞行姿态角度和上一时刻检测到的飞行姿态角度来计算得到；所述飞行速度变化率通过无人机的速度检测传感器对当前时刻检测到的飞行速度和上一时刻检测到的飞行速度来计算得到。

需要说明的是，通过飞行姿态变化率和飞行速度变化率这两个数据，可以反应出当前的无人机受到外界环境影响的程度，例如，在正常的巡检过程中，无人机的飞行速度和飞行姿态一般是变化不大的，但是若是周围突然发生较大的天气环境变化，那么会对无人机的飞行姿态和飞行速度产生较大影响，因此，本申请创造性地选择了这两个飞行参数，能够比较准确地反应出当前的无人机受到外界环境影响的程度。此外，无人机在飞行过程中，一般会受到大风、下雨或下雪的天气影响，因此，本申请采用了风速、雨量和雪量这三个数据来准确反映出能够影响无人机正常飞行的当前的天气环境状态。

S11，对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；

S12，根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；

其中，所述应急控制策略包括以预设优化的飞行参数降低或增高无人机的飞行高度并返航、或以预设优化的飞行参数就近寻找安全点降落；所述飞行参数包括飞行姿态、飞行速度和飞行方向。需要说明的是，不同的飞行状态特征和天气环境特征，决策树模型所输出的应急控制策略不同，当出现较为恶劣的天气时，为了实现对无人机的应急控制，可以根据飞行状态特征和天气环境特征所代表的天气恶劣程度，来对无人机以对应的飞行参数进行应急控制。例如，天气不太恶劣时，飞行高度升高以远离周围的障碍物，从而避免无人机容易不受控而碰到周围的障碍物；天气比较恶劣时，让无人机以对应的飞行参数进行返航，从而让无人机安全返航；若天气突然非常恶劣，让无人机以对应的飞行参数就近寻找安全点降落，从而最大程度降低无人机巡检飞行或返航过程中所收到的极端恶劣天气的影响。其中，安全点可以是预先设置好的，这样无人机可以根据自身定位及地图上预先设置好的安全点，来就近寻找安全点降落。当然，无人机也可以通过图像识别算法来自行判定附近哪些地点是安全的(例如没有水源、地面没有太多障碍物的地方判定为安全点)。

S13，根据所述应急控制策略对所述无人机进行应急控制。

本发明实施例通过根据对无人机在巡检换流站过程中的飞行状态数据和天气环境数据提取到飞行状态特征和天气环境特征，并基于预先优化的决策树模型，来得到对应的应急控制策略，从而能够针对当前天气环境下无人机的当前飞行状态，来采用对应的应急控制策略对无人机进行应急控制，从而提高在恶劣天气下无人机巡检换流站的安全性和可靠性。

作为其中一个实施例，所述根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略，包括：

对每一飞行状态特征进行特征计算，并对每一天气环境特征进行特征计算，得到融合后的飞行状态特征向量和天气环境特征向量；飞行状态特征进行特征计算公式为：Z＝w1*g+w2*h+b；w1和w2分别为对应参数的权重，b为偏置项,g表示飞行姿态变化率，h表示飞行速度变化率；飞行状态特征进行特征计算公式为：Y＝w3*t+w4*u+w5*v+b’；w3、w4和w5分别为对应参数的权重，b’为偏置项,t表示风速，u表示雨量，v表示雪量；

将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略。

在本实施例中，通过按照上述的特征计算公式将每一飞行状态特征进行特征计算，能够准确提取出当前无人机的飞行状态的综合情况，例如是飞行状态稳定、飞行状态轻度不稳定、飞行状态中度不稳定及飞行状态重度不稳定；通过按照上述的特征计算公式将每一天气环境特征进行特征计算，能够准确提取出当前天气环境的综合情况，例如是天气环境正常、天气环境轻度恶劣、天气环境中度恶劣及天气环境重度恶劣。其中，上述的权重和偏置项是预先设置好的相关参数值。

作为其中一个实施例，所述将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略，包括步骤S120至步骤S122：

S120，将所述飞行状态特征向量和所述天气环境特征向量作为决策树模型的输入；决策树模型为：DecisionTree(a1,a2,...,an,b1,b2,...,bm)→各个叶节点设定的应急控制策略；a1,a2,...,an表示每一个标准的飞行状态特征向量的划分特征和取值范围，b1,b2,...,bm表示每一个标准的天气环境特征向量的划分特征和取值范围；

其中，每一个标准的飞行状态特征向量的划分特征及其取值范围可以是预先划分并设定好的，例如可以在决策树模型训练阶段来预先划分并设定好。例如，飞行状态特征向量的划分特征包括飞行状态稳定、飞行状态轻度不稳定、飞行状态中度不稳定及飞行状态重度不稳定；其中，飞行状态特征向量为飞行状态稳定的数值范围为0-0.1；飞行状态特征向量为飞行状态轻度不稳定的数值范围为0.1-0.3；飞行状态特征向量为飞行状态中度不稳定的数值范围为0.3-0.6；飞行状态特征向量为飞行状态重度不稳定的数值范围为0.6-0.8；飞行状态特征向量为飞行状态稳定的数值范围为0.8-1。又例如，所述天气环境特征向量的划分特征包括天气环境正常、天气环境轻度恶劣、天气环境中度恶劣及天气环境重度恶劣；天气环境特征向量为天气环境正常的数值范围为第一特征数值范围，天气环境特征向量为天气环境轻度恶劣的数值范围为第二特征数值范围，天气环境特征向量为天气环境中度恶劣的数值范围为第三特征数值范围，天气环境特征向量为天气环境重度恶劣的数值范围为第四特征数值范围，第一特征数值范围、第二特征数值范围、第三特征数值范围、第四特征数值范围的数值范围依次变大，并可以根据实际情况来调整设置数值，数值越大，表示天气环境越恶劣。

S121，从所述决策树模型的根节点(根节点不设置R值)开始，根据当前节点上对飞行状态特征向量和天气环境特征向量的划分特征和取值范围，并通过对比所述决策树模型当前节点的不同分支上的R值来选择最接近当前计算出来的节点R值的路径；沿着当前节点的符合条件的分支移动到下一个节点，直到达到叶节点；R值用于表示不同飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，当前计算出的R值为：R＝(1-α)*R(c’,d’,a)+α*(r+γ*(R(c’,d’,a)))；其中，R(c’,d’,a)表示在当前节点的飞行状态特征向量c’与天气环境特征向量d’下选择决策树路径a的R值,为预先在训练阶段设定的(参见表1)；α是学习率；r表示当前状态下采取决策树路径a所获得的即时奖励；γ用于衡量未来奖励对当前决策的重要性，取值范围是[0,1]；所述飞行状态特征向量的划分特征包括飞行状态稳定、飞行状态轻度不稳定、飞行状态中度不稳定及飞行状态重度不稳定；所述天气环境特征向量的划分特征包括天气环境正常、天气环境轻度恶劣、天气环境中度恶劣及天气环境重度恶劣；若当前计算出的R值位于当前节点两个分支的R值之间，则选择对无人机失控现象影响程度越恶劣的那一条分支路径；

其中，上述公式通过设置学习率、奖励系数和奖励对当前决策的重要性系数，能够重新评估当前的飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度。选择最接近当前节点R值的分支路径意味着选择具有最接近预期价值的应急控制策略。R值可以视为评估该分支路径的优劣程度的指标，计算出来的R值与当前节点R值越接近，表示对于特定状态的预期回报较大，因此更有可能选择该路径。若当前计算出的R值位于当前节点两个分支的R值之间，则选择对无人机失控现象影响程度越恶劣的那一条分支路径，从而能够给无人机的应急控制提供更大的安全回旋空间。

S122，当到达叶节点时，获取叶节点存储的应急控制策略。

在本实施例中，通过基于飞行状态特征向量和所述天气环境特征向量，并利用预先优化好的决策树模型，同时在寻找叶节点时，使用R值作为衡量决策质量的指标来嵌入到决策树节点中，并计算当前节点的R值以进行当前节点各个分支的R值的比对，从而能够选择更优的决策路径，并最终能够根据当前的飞行状态和天气环境找到最优且最可靠的应急控制策略，从而实现对无人机的更可靠的应急控制。为了便于理解，在此根据上述的飞行状态特征向量和天气环境特征向量的划分特征及决策树的每个节点的R值，来设置决策树的每条路径的叶节点所存储的应急控制策略，具体详见表1。

表1

例如，当前节点的飞行状态特征向量为飞行状态稳定，天气环境特征向量为天气环境中度恶劣，设定的R值为0.7，若重新计算出的当前节点的R值为0.6，位于0.5与0.7之间，表明当前无人机的应急情况可能中度严重也可能轻度严重，此时为了预留更大的回旋空间，则选择该节点的R值为0.5的分支的叶节点所对应的飞行控制策略“进一步调高飞行高度，以预留更大的安全飞行空间余量”；又例如，当前节点的飞行状态特征向量为飞行状态稳定，天气环境特征向量为天气环境中度恶劣，计算出的当前节点的R值为0.62，表明当前无人机的应急情况可能并没有那么严重，此时则选择该节点的R值为0.7的分支的叶节点所对应的飞行控制策略“适应当前天气条件，适当调高飞行高度，以预留一定的安全飞行空间余量”。由此可见，通过基于飞行状态特征向量和所述天气环境特征向量，并利用预先优化好的决策树模型，同时在寻找叶节点时，使用R值作为衡量决策质量的指标来嵌入到决策树节点中，并计算当前节点的R值以进行当前节点各个分支的设定R值的比对，从而能够选择更优的决策路径，并最终能够根据当前的飞行状态和天气环境找到最优且最可靠的应急控制策略，从而实现对无人机的更可靠的应急控制。

当然，也可以不用R值，而是直接根据上面表格的飞行状态特征和天气环境特征来选择对应的应急控制策略。

作为其中一个实施例，所述决策树模型的预先训练优化过程包括：

将多组飞行状态特征向量、天气环境特征向量及对应的应急控制策略的数据样本作为训练数据集；

不断递归地将训练数据集分割为不同的子集，在决策树的各个节点处选择最佳划分特征和划分点，并计算更新每处节点的R值并嵌入到决策树的对应节点中，直到满足停止条件，生成的决策树以每个内部节点表示一个特征及其取值范围，每个叶节点中存储了对应的应急控制策略；所述停止条件包括：达到最大深度；所述R值用于表示飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，R值更新计算公式为：R(c,d,a)＝(1-α)*R(c,d,a)+α*(r+γ*max(R(c’,d’,a’)))；其中，R(c,d,a)表示在当前状态下的飞行状态特征向量c与天气环境特征向量d下选择决策树路径e的R值；α是学习率；r表示当前状态下采取决策树路径e所获得的即时奖励；γ用于衡量未来奖励对当前决策的重要性，取值范围是[0,1]；max(R(c’,d’,a’)是指在新的飞行状态特征向量c’和天气环境特征向量d’下所有可选动作的最大R值。

具体的，在训练决策树模型的过程中，还可以使用现有的强化学习算法来训练模型，在每个飞行状态和天气环境状态下设定最佳的应急控制策略。在训练过程中，计算并更新每种飞行状态、天气环境状态和应急控制策略所对应的R值并作为对应节点的嵌入特征值，每个R值表示在特定状态下采取某个应急控制策略的价值估计。关于决策树模型的具体训练过程还可以参考现有技术，在此不做进一步赘述。具体的R值计算更新举例如下：

假设我们有一个初始的样本数据表，通过以下样本进行R值的更新，如下所示：

飞行状态特征向量	天气环境特征向量	R值
			飞行状态不稳定	天气环境中度恶劣	0.6
飞行状态不稳定	天气环境中度恶劣	0.4
			...	...	...

现在，我们面临的情况是"飞行状态轻度不稳定，天气环境中度恶劣"，根据这个情况，我们假设当前状态已知为：飞行状态特征向量c为飞行状态轻度不稳定，天气环境特征向量d为天气环境中度恶劣，采取的应急控制策略为a。假设我们得到了即时奖励R＝-1，新状态(飞行状态特征向量c’和天气环境特征向量d’)已知，并且根据策略选择了新的应急控制策略a'。现假设γ＝0.8和α＝0.5。

按照公式，我们可以进行R值的更新计算：

R(c,d,a)＝(1-α)*R(c,d,a)+α*(r+γ*max(R(c’,d’,a’)))

假设我们需要更新当前状态的R值为第二列中的0.4，那么计算过程如下：

R(c,d,a)＝(1-0.5)*0.4+0.5*(-1+0.8*max(R(c’,d’,a’)))

其中max(R(c’,d’,a’)是指在新样本状态(飞行状态特征向量c’和天气环境特征向量d’)下所有可选动作的最大R值(如样本数据表中选0.6)。

假设在新样本状态(飞行状态特征向量c’和天气环境特征向量d’)下的可选应急控制策略a'中，最大的R值为0.6，那么计算过程继续：

R(c,d,a)＝0.5*0.4+0.5*(-1+0.8*0.6)

最终计算得到的结果就是更新后的R值。

其中，通过更新R值可以使得根据当前的经验和奖励获得更准确和优化的估计。

参见图2，是本发明一实施例提供的一种用于换流站巡检的无人机应急控制装置的结构示意图，包括：

数据预处理模块10，用于对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；

特征提取模块11，用于对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；

决策模块12，用于根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；

应急控制模块13，用于根据所述应急控制策略对所述无人机进行应急控制。

本发明实施例通过根据对无人机在巡检换流站过程中的飞行状态数据和天气环境数据提取到飞行状态特征和天气环境特征，并基于预先优化的决策树模型，来得到对应的应急控制策略，从而能够针对当前天气环境下无人机的当前飞行状态，来采用对应的应急控制策略对无人机进行应急控制，从而提高在恶劣天气下无人机巡检换流站的安全性和可靠性。

可以理解的是，上述的用于换流站巡检的无人机应急控制装置实施例的其他内容，可以对应参考上述的用于换流站巡检的无人机应急控制方法实施例的相关内容，在此不再赘述。

参见图3，是本发明一实施例提供的用于换流站巡检的无人机应急控制装置的示意图。该实施例的用于换流站巡检的无人机应急控制装置包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序，例如用于换流站巡检的无人机应急控制程序。所述处理器100执行所述计算机程序时实现上述各个用于换流站巡检的无人机应急控制方法实施例中的步骤。或者，所述处理器100执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述用于换流站巡检的无人机应急控制装置中的执行过程。

所述用于换流站巡检的无人机应急控制装置可以是无人机的控制主板。所述用于换流站巡检的无人机应急控制装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是用于换流站巡检的无人机应急控制装置的示例，并不构成对用于换流站巡检的无人机应急控制装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述用于换流站巡检的无人机应急控制装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述用于换流站巡检的无人机应急控制装置的控制中心，利用各种接口和线路连接整个用于换流站巡检的无人机应急控制装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述用于换流站巡检的无人机应急控制装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart MediaCard,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述用于换流站巡检的无人机应急控制装置集成的模块/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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种用于换流站巡检的无人机应急控制方法，其特征在于，应用于无人机，包括：

对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；

对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；

根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；

根据所述应急控制策略对所述无人机进行应急控制。

2.如权利要求1所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述飞行状态数据包括：飞行姿态变化率、飞行速度变化率；所述天气环境数据包括：风速、雨量、雪量。

3.如权利要求2所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略，包括：

对每一飞行状态特征进行特征计算，并对每一天气环境特征进行特征计算，得到融合后的飞行状态特征向量和天气环境特征向量；飞行状态特征进行特征计算公式为：Z＝w1*g+w2*h+b；w1和w2分别为对应参数的权重，b为偏置项,g表示飞行姿态变化率，h表示飞行速度变化率；飞行状态特征进行特征计算公式为：Y＝w3*t+w4*u+w5*v+b’；w3、w4和w5分别为对应参数的权重，b’为偏置项,t表示风速，u表示雨量，v表示雪量；

将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略。

4.如权利要求3所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略，包括：

将所述飞行状态特征向量和所述天气环境特征向量作为决策树模型的输入；决策树模型为：DecisionTree(a1,a2,...,an,b1,b2,...,bm)→各个叶节点设定的应急控制策略；a1,a2,...,an表示每一个标准的飞行状态特征向量的划分特征和取值范围，b1,b2,...,bm表示每一个标准的天气环境特征向量的划分特征和取值范围；

从所述决策树模型的根节点开始，根据当前节点上对飞行状态特征向量和天气环境特征向量的划分特征和取值范围，并通过对比所述决策树模型当前节点的不同分支上的R值来选择最接近当前计算出来的节点R值的路径；沿着当前节点的符合条件的分支移动到下一个节点，直到达到叶节点；R值用于表示不同飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，当前计算出的R值为：R＝(1-α)*R(c’,d’,a)+α*(r+γ*(R(c’,d’,a)))；其中，R(c’,d’,a)表示在当前节点的飞行状态特征向量c’与天气环境特征向量d’下选择决策树路径a的R值,为预先在训练阶段设定的；α是学习率；r表示当前状态下采取决策树路径a所获得的即时奖励；γ用于衡量未来奖励对当前决策的重要性，取值范围是[0,1]；所述飞行状态特征向量的划分特征包括飞行状态稳定、飞行状态轻度不稳定、飞行状态中度不稳定及飞行状态重度不稳定；所述天气环境特征向量的划分特征包括天气环境正常、天气环境轻度恶劣、天气环境中度恶劣及天气环境重度恶劣；若当前计算出的R值位于当前节点两个分支的R值之间，则选择对无人机失控现象影响程度越恶劣的那一条分支路径；

当到达叶节点时，获取叶节点存储的应急控制策略。

5.如权利要求4所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述决策树模型的预先训练优化过程包括：

将多组飞行状态特征向量、天气环境特征向量及对应的应急控制策略的数据样本作为训练数据集；

不断递归地将训练数据集分割为不同的子集，在决策树的各个节点处选择最佳划分特征和划分点，并计算更新每处节点的R值并嵌入到决策树的对应节点中，直到满足停止条件，生成的决策树以每个内部节点表示一个特征及其取值范围，每个叶节点中存储了对应的应急控制策略；所述停止条件包括：达到最大深度；所述R值用于表示飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，R值更新计算公式为：R(c,d,a)＝(1-α)*R(c,d,a)+α*(r+γ*max(R(c’,d’,a’)))；其中，R(c,d,a)表示在当前状态下的飞行状态特征向量c与天气环境特征向量d下选择决策树路径e的R值；α是学习率；r表示当前状态下采取决策树路径e所获得的即时奖励；γ用于衡量未来奖励对当前决策的重要性，取值范围是[0,1]；max(R(c’,d’,a’)是指在新的飞行状态特征向量c’和天气环境特征向量d’下所有可选动作的最大R值。

6.如权利要求2-5任一项所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述风速的数据通过无人机上安装有的风速检测传感器检测得到；所述雨量和雪量的数据通过无人机上安装有的毫米波雷达检测得到，或者通过联网从后台天气预报系统获取到。

7.如权利要求2-5任一项所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述应急控制策略包括以预设优化的飞行参数降低或增高无人机的飞行高度并返航、或以预设优化的飞行参数就近寻找安全点降落，所述飞行参数包括飞行姿态、飞行速度和飞行方向。

8.一种用于换流站巡检的无人机应急控制装置，其特征在于，应用于无人机，包括：

数据预处理模块，用于对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；

特征提取模块，用于对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；

决策模块，用于根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；

应急控制模块，用于根据所述应急控制策略对所述无人机进行应急控制。

9.一种用于换流站巡检的无人机应急控制装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的用于换流站巡检的无人机应急控制方法。

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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的用于换流站巡检的无人机应急控制方法。