一种车机协同电力巡检的调度决策方法与流程

1.本发明涉及无人机电力巡检技术领域，具体而言涉及一种车机协同电力巡检的调度决策方法。


背景技术：

2.长期以来，我国输电线路巡检作业普遍采用人工巡检的方式，但电网的快速发展对传统人工巡检方式提出了巨大挑战，人工巡检已不能满足现代化电网的发展和安全运行的需要。
3.无人机凭借其作业效率高、机动性强等优势，目前已广泛应用于电力巡检领域。现阶段，无人机输电线路巡检主要通过人工手动操控单架无人机进行作业，需由巡检人员人工携带无人机沿着输电线路移动，极大程度制约了无人机电力巡检的作业效率。
4.为了解决无人机续航时间短、远距离机动性弱等问题，目前部分电力公司推行车机协同电力巡检作业模式，即由一辆巡检车携带多架无人机进行协同作业，巡检车作为无人机的电量补给站及移动载具，在各作业区域内放飞并回收无人机，由无人机完成杆塔的巡检任务。目前，车机协同电力巡检作业模式主要依赖巡检人员经验决定巡检车的行驶路径、驻车位置，缺乏标准的巡检车管理方法，车机协同巡检效率仍有较大提升空间。


技术实现要素：

5.本发明针对现有技术中的不足，提供一种车机协同巡检的调度决策方法。本发明实现了在已知运维区域全部待巡检杆塔坐标及巡检车相关作业参数的情况下，通过本发明提供的调度决策方法求解得出巡检车在整片运维区域内的各次驻车位置及访问所有驻车点的最短路径，以达到缩短巡检车的行驶时间以提升车机协同巡检作业效率的目的。
6.本发明以实际车机协同电力巡检情况为基础，可直接根据待巡检杆塔的经纬度坐标进行计算，无需转换成相对坐标，最终求解出的驻车点提供了巡检车在各作业区域的驻车位置，巡检车最短路径提供了访问所有驻车点的最优序列，能够极大程度上便利巡检人员对巡检车行驶路、停车位置的选择，同时也能为电力企业提供巡检车作业计划排班的决策方法，有利于电力企业实现对车机协同电力巡检作业的规范化管理。
7.为实现上述目的，本发明采用以下技术方案：
8.一种车机协同电力巡检的调度决策方法，包括：
9.步骤1，获取巡检任务及可执行任务的设备参数，巡检任务中包含有待巡检杆塔的坐标，可执行任务的设备参数包括巡检车平均行驶速度、携带的无人机架数相关作业参数；
10.步骤2，作业区域划分，采用改进的k
‑
means聚类算法即k均值聚类算法对所有待巡检杆塔进行聚类，聚类生成的每一个簇即为一个作业区域；
11.步骤3，各作业区域的驻车点选址，采用多维重心法计算每个作业区域待巡杆塔的理论重心作为初始驻车点，结合实际地理环境对初始驻车点进行优化调整得到各作业区域的驻车点；
12.步骤4，巡检车行驶路径规划，根据车机协同作业模式实际约束，建立巡检车路径规划模型，采用遗传算法对巡检车路径规划模型进行求解，确定巡检车的最短行驶路径；
13.步骤5，将计算出的巡检车驻车点、行驶路径导入电力巡检调度系统中，便于电力企业对巡检车的统一管理及调度。
14.进一步地，步骤2中，所述作业区域为巡检车单次驻车的作业范围，该作业范围内所有待巡杆塔均可由巡检车单次驻车并放飞所携带的无人机来进行巡检。
15.进一步地，步骤2中，所述作业区域划分采用的改进的k
‑
means聚类方法的具体流程为：初始设置一个最大聚类个数上限m，实际聚类个数k从1开始进行聚类，即将运维区域划分为k个簇，若每个簇中任意两点距离超过巡检车作业半径，则将聚类个数加1，即为k 1，重复上述步骤，直至所有簇中任意两点距离均小于巡检车作业半径时，得出簇的最终结果，若k值达到最大聚类个数上限m时，仍存在簇中任意两点距离大于巡检车作业半径的情况，则重新设置一个更大的m，重新聚类。
16.进一步地，步骤3中，多维重心法如公式(1)、公式(2)所示，其中，分别为所要确定的驻车点的纬度和经度；x
i
、y
i
分别为单次作业圆内各待巡检杆塔的纬度和经度，w
i
是需求量权重，即每个待巡检杆塔的巡检时间，h
i
为距离系数，由于本文的多维重心法确定的是无人机的起降点，与各待巡检杆塔之间的距离可采用直线距离，所以h
i
均取1，
[0017][0018][0019]
进一步地，步骤4中，所述巡检车路径规划模型如公式(3)至公式(8)所示，
[0020][0021][0022][0023][0024][0025][0026]
其中，d为巡检车访问运维区域内所有驻车点的总行驶距离，c为运维站集合，p为巡检车驻车点集合，d
ij
为巡检车路径点i与路径点j之间的地理直线距离，i∈p∪c，j∈p∪c，x
ij
为0
‑
1变量，当巡检车从路径点i行驶至路径点j时为1，否则为0，y
i
为0
‑
1变量，当巡检车访问驻车点i时为1，否则为0；
[0027]
式(3)为目标函数，表示最小化巡检车访问运维区域内所有驻车点的总行驶距离；
[0028]
式(4)表示每个驻车点均被访问；
[0029]
式(5)表示每个驻车点只被访问一次；
[0030]
式(6)表示巡检车到达每个驻车点后都会离开该驻车点；
[0031]
式(7)、式(8)为决策变量约束。
[0032]
进一步地，步骤4中，所述车机协同作业模式采用巡检车和无人机协同作业的方式对输电线路进行巡检，巡检车作为无人机的补给站和移动载具，负责给无人机提供电量补给并运载无人机前往各个作业区域，在每个作业区域内放飞并回收其运载的无人机；无人机作为拍摄工具直接对输电线路进行巡检，在每个作业区域内由巡检车配备的起降平台上起飞，前往目标杆塔执行完固定巡检流程后降落至巡检车起降平台，并由巡检人员为其更换电池后继续进行后续巡检作业或由巡检车运载至下一作业区域。
[0033]
进一步地，步骤4中，所述遗传算法的染色体编码方式为简单直观的自然数编码，用0表示运维站，用1,2，
……
，n表示各待访问驻车点，用1,2，
……
，n这n个互不重复的自然数的随机排列组成的1行n列的数列并在数列首尾两端分别加上0组成1行n 2列的数列表示巡检车的路径点访问序列；所述遗传算法以公式(3)作为适应度函数,选择操作采用轮盘赌法选择种群中的个体产生子代个体，变异操作采用2
‑
opt的方式，产生变异个体；交叉操作采用边移动、交换点和点、交换点和边、交换边和边四种交叉方式，并选择适应度函数值更低的个体作为返回的交叉个体，其中，每个个体编码的首尾两个元素不参与交叉和变异操作，因为巡检车的行驶路径必须满足从运维站出发并最终返回运维站，所述遗传算法在固定迭代次数下求取最佳可行解，并将求取结果作为巡检车路径规划的结果，即巡检车从运维站出发访问所有驻车点后返回运维站的最短路径，也即巡检车访问驻车点的最优序列。
[0034]
本发明的有益效果是：本发明提及的车机协同电力巡检调度决策方法，在电力企业实际巡检调度过程中，可使用本发明提供的方法预先对公司运维区域划分，确定各作业区域的驻车点并形成巡检车的标准路径方案，从而形成固定的巡检车作业排班计划。在日后的实际巡检过程中，根据预先确定的巡检车作业排班计划，结合实际情况进行调整，可保证巡检车作业排班的科学性及可行性；本发明应用车机协同电力巡检作业模式对电力企业所辖运维区域内的输电线路进行巡检，提供了巡检车的驻车位置及行驶路径，通过缩短巡检车行驶时间的方式提升巡检效率；本发明提出的车机协同电力巡检的调度决策方法，可以便于电力企业预先确定巡检车的作业排班计划，实现对巡检车作业的规范化管理。
附图说明
[0035]
图1是本发明提出的车机协同巡检的调度决策方法的流程图；
[0036]
图2是本发明中作业区域划分步骤采用的改进的k
‑
means聚类算法流程图；
[0037]
图3是本发明中巡检车路径规划方法采用的遗传算法的流程图；
[0038]
图4是本发明提供的具体实施例中所有待巡杆塔及运维站位置分布图；
[0039]
图5为本发明提供的具体实施例中作业区域划分结果图；
[0040]
图6为本发明提供的具体实施例中各作业区域驻车点选址结果图；
[0041]
图7为本发明提供的具体实施例中巡检车路径规划结果图。
具体实施方式
[0042]
现在结合附图对本发明作进一步详细的说明。
[0043]
如图1所示，发明提供一种车机协同巡检的调度决策方法，总体方案如下：
[0044]
步骤1：获取巡检任务及可执行任务的设备参数，巡检任务中包含有待巡检杆塔的坐标，可执行任务的设备参数包括巡检车平均行驶速度、携带的无人机架数相关作业参数；
[0045]
步骤2：作业区域划分，采用改进的k
‑
means聚类算法即k均值聚类算法对所有待巡检杆塔进行聚类，聚类生成的每一个簇即为一个作业区域；
[0046]
步骤3：各作业区域驻车点选址，巡检车在每个作业区域需驻车一次，在驻车点处放飞并回收无人机，采用多维重心法计算各作业区域的初始驻车点并根据实际地理环境进行调整，得到各作业区域切实可行的驻车点；
[0047]
步骤4：巡检车路径规划，根据已确定的各作业区域的驻车点，以最小化巡检车行驶路径为优化目标建立巡检车路径规划模型，并采用遗传算法进行求解，得到巡检车从运维站出发访问所有驻车点后返回运维站的最短路径；
[0048]
步骤5:将计算出的巡检车驻车点、行驶路径导入电力巡检调度系统中，便于电力企业对巡检车的统一管理及调度。
[0049]
步骤2中，所述改进的k
‑
means聚类算法流程如图2所示，具体而言，初始设置一个最大聚类个数上限m，实际聚类个数k从1开始进行聚类，即将运维区域划分为k个簇，若每个簇中任意两点距离超过巡检车作业半径，则k 1，重复上述步骤，直至所有簇中任意两点距离均小于巡检车作业半径时，得出簇的最终结果。若k值达到最大聚类个数上限m时，仍存在簇中任意两点距离大于巡检车作业半径的情况，则重新设置一个更大的m，重新聚类。
[0050]
所述改进的k
‑
means聚类算法能够解决实际电力巡检工作中难以确定初始聚类个数的问题，并能以最小的聚类个数划分电力工作运维区域，从而减少巡检车的驻车次数，提高作业效率。
[0051]
步骤3中，所述的多维重心法计算公式如式(1)和式(2)所示，其中，分别为所要确定的驻车点的纬度和经度；x
i
、y
i
分别为单次作业圆内各待巡检杆塔的纬度和经度，w
i
是需求量权重，即每个待巡检杆塔的巡检时间，h
i
为距离系数，由于本文的多维重心法确定的是无人机的起降点，与各待巡检杆塔之间的距离可采用直线距离，所以h
i
均取1。
[0052][0053][0054]
所述的多维重心法对各作业区域初始驻车点位置进行选址，使得驻车点位置在各作业区域的物理中心，可缩短所有无人机在该作业区域的总飞行距离，从而达到缩短各作业区域总巡检时间的优化目标。
[0055]
所述的多维重心法计算出的各作业区域的初始驻车点仅为理论最优驻车点，需根据实际地理环境对初始驻车点位置进行优化调整，得到满足巡检车停车约束的实际最优驻车点。
[0056]
步骤4中，所述车机协同电力巡检是以车机协同作业模式完成输电线路巡检作业任务，所述车机协同作业模式是指采用巡检车和无人机协同作业的方式对输电线路进行巡检。其中，巡检车作为无人机的补给站和移动载具，负责给无人机提供电量补给并运载无人机前往各个作业区域，在每个作业区域内放飞并回收其运载的无人机；无人机作为拍摄工
具直接对输电线路进行巡检，在每个作业区域内由巡检车配备的起降平台上起飞，前往目标杆塔执行完固定巡检流程后降落至巡检车起降平台，并由巡检人员为其更换电池后继续进行后续巡检作业或由巡检车运载至下一作业区域。
[0057]
步骤5中，所述巡检车路径规划模型以最小化巡检车访问所有驻车点的总行驶距离为优化目标。
[0058]
根据巡检车实际作业情况，所述巡检车路径规划模型的基本假设有：受成本及实际情况的限制，目前各电力公司只配备一辆巡检车，单辆巡检车搭载四架同质多旋翼无人机及多块无人机电池，可充分满足所有无人机巡检作业需求；每个驻车点有且只有一辆巡检车访问一次；巡检车从运维站驶出并最终返回运维站。
[0059]
参见上述步骤，建立巡检车路径规划模型，如公式(3)至公式(8)所示。
[0060][0061][0062][0063][0064][0065][0066]
其中，d为巡检车访问运维区域内所有驻车点的总行驶距离，c为运维站集合，p为巡检车驻车点集合，d
ij
为巡检车路径点i与路径点j之间的地理直线距离，i∈p∪c，j∈p∪c，x
ij
为0
‑
1变量，当巡检车从路径点i行驶至路径点j时为1，否则为0，y
i
为0
‑
1变量，当巡检车访问驻车点i时为1，否则为0；
[0067]
式(3)为目标函数，表示最小化巡检车访问运维区域内所有驻车点的总行驶距离；
[0068]
式(4)表示每个驻车点均被访问；
[0069]
式(5)表示每个驻车点只被访问一次；
[0070]
式(6)表示巡检车到达每个驻车点后都会离开该驻车点；
[0071]
式(7)、式(8)为决策变量约束。
[0072]
优选的，所述遗传算法具体步骤如图3所示，具体如下
[0073]
step 1：种群初始化，输入相关参数，包括迭代次数、变异概率以及交叉概率等。
[0074]
step 2：个体评价及种群选择。
[0075]
step 3：交叉操作。
[0076]
step 4：变异操作。
[0077]
step 5：终止条件判断。若迭代次数大于最大迭代次数，则转到step 6，否则转到step 3。
[0078]
step 6：输出结果。
[0079]
具体的，所述遗传算法的编码方式采用简单直观的自然数编码，用0表示运维站，用1,2，
……
，n表示各待访问驻车点。用1,2，
……
，n这n个互不重复的自然数的随机排列组
成的1行n列的数列并在数列首尾两端分别加上0组成1行n 2列的数列表示巡检车的路径点访问序列。
[0080]
所述遗传算法的适应度函数按式(3)定义为巡检车的从电力公司出发，访问完所有驻车点后返回电力公司的总行驶距离。行驶距离越长，则适应度函数值越大。
[0081]
所述遗传算法中每个个体的适应度函数值为个体编码数列中所有两两相邻元素代表的巡检车路径点之间的行驶距离之和，即巡检车按该编码确定的路径点访问序列进行作业的总行驶距离。
[0082]
所述遗传算法的选择操作采用轮盘赌法选择种群中的个体产生子代个体，个体被选中的概率与其适应度函数成比例。规模为n
p
的种群，适应度函数值为f
i
,i＝1,2,
…
,n
p
的个体i,i＝1,2,
…
,n
p
被选择的概率p
i
,i＝1,2,
…
,n
p
如公式(9)所示，表示适应度函数值越高的个体被选择的概率越小。
[0083][0084]
所述遗传算法的变异操作采用2
‑
opt的方式，产生变异个体；交叉操作采用边移动、交换点和点、交换点和边、交换边和边四种交叉方式，并选择适应度函数值更低的个体作为返回的交叉个体，其中，每个个体编码的首尾两个元素不参与交叉和变异操作，因为巡检车的行驶路径必须满足从运维站出发并最终返回运维站。
[0085]
下面通过一个具体实例，详细说明如何根据上述车机协同巡检的调度决策方法求取巡检车的驻车位置及行驶路径。本发明提供的该实施例以实际电力巡检情况及实际电力杆塔坐标为基础设计而成，所有杆塔坐标在真实杆塔位置的基础上随机化而得，旨在通过具体实例说明本发明提供的方法的有效性。
[0086]
在matlab仿真条件下，假设有1辆巡检作业车携带多架无人机对某电力企业所辖运维区域进行巡检作业，该区域内所有待巡杆塔和运维站坐标已知。
[0087]
本发明实施例提供的某电力企业所辖运维区域内待巡杆塔和运维站分布如图4所示，图中横轴表示经度，纵轴表示纬度，图中各点代表待巡杆塔或运维站的实际地理位置。
[0088]
根据所述车机协同电力巡检的调度决策方法中步骤s2，对该运维区域进行作业区域划分，采用改进的k
‑
means聚类算法对所有杆塔进行聚类，设置最大聚类个数上限为30，以每个作业区域的直径小于巡检车作业半径为聚类是否可行的判断标准，保证了后续选择的驻车点与该作业区域内任意一点的距离均小于巡检车作业半径。对于该电力公司运维区域进行聚类，聚类的结果如图5所示，图中横轴表示经度，纵轴表示纬度，图中各点代表待巡杆塔的实际地理位置。进一步地，图中用不同线型及标记区分不同作业区域，如soc
‑
1即表示第一个作业区域。由图6可知，该方法将整个运维区域分成了18个簇，即划分为18个作业区域。
[0089]
根据所述车机协同电力巡检的调度决策方法中步骤s3，对每个作业区域进行驻车点选址，采用多维重心法计算出初始驻车点，并结合实际地理环境对初始驻车点位置进行调整，得出的每个作业区域的驻车点位置如图6所示，图中横轴表示经度，纵轴表示纬度，图中各点代表待巡杆塔或驻车点的实际地理位置。
[0090]
根据所述车机协同电力巡检的调度决策方法中步骤s4，对巡检车行驶路径进行规划，采用遗传算法求解巡检车的最短路径，求解结果如图7所示，图中横坐标表示经度，纵坐标表示纬度，图中星型标记点代表各作业区域驻车点的实际地理位置，星型标记点之间的线段表示巡检车的行驶路径。由图7可以看出，本实施例求取的巡检车的行驶路径为：
[0091]
the power company
‑
soc7
‑
soc9
‑
soc16
‑
soc6
‑
soc8
‑
soc2
‑
soc13
‑
soc17
‑
soc1
‑
soc12
‑
soc11
‑
soc18
‑
soc10
‑
soc5
‑
soc3
‑
soc14
‑
soc4
‑
soc15
‑
the power company.
[0092]
由本发明提供的具体实例的计算结果可知，本发明提供的一种车机协同巡检的调度决策方法，能够根据运维区域内待巡杆塔坐标实现作业区域划分，每个作业区域即为巡检车单次驻车的巡检范围；根据各作业区域内待巡杆塔的分布结合实际地理环境可以确定各作业区域的驻车点，作为巡检车的驻车位置并在该处放飞并回收无人机；基于所有驻车点位置，采用遗传算法，能够确定巡检车的最短路径。
[0093]
综上所述，本发明以车机协同电力巡检作业模式为研究对象，提出了一种车机协同巡检的调度决策方法，能够确定巡检车在整片运维区域内的驻车位置及最短行驶路径，能够便于电力企业预先进行巡检车作业计划排班，通过缩短巡检车的行驶距离来提升巡检效率。
[0094]
本发明提供一个以实际电力巡检情况及实际电力杆塔坐标为基础设计而成，所有杆塔坐标在真实杆塔位置的基础上随机化而得的具体实施例，详细说明如何根据上述上述车机协同巡检的调度决策方法求取巡检车的驻车位置及行驶路径，旨在通过具体实例说明本发明提供的方法的有效性。
[0095]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。