输电线路固定翼无人机多目标巡检线路优化

程登峰,林世忠,尚文迪

(1.国网安徽省电力有限公司宣城供电公司,安徽 宣城 242000,2.安徽送变电工程有限公司,安徽 合肥 230000)

0 引言

固定翼无人机在一次巡检过程中可以使用多目标巡检方式完成对输电线路监测区域的全面检测[1-5]。因此,运用合适的方法优化巡检线路并寻找最短巡检线路,对巡检范围内多个目标完成全覆盖巡检,同时规避飞行风险尤为重要[6]。

针对输电线路巡检优化问题,曾懿辉等[7]使用载波相位差分定位技术的多旋翼无人机巡检方法,优化巡检过程中存在的巡检用时长、自动化程度低等问题。该方法依据载波相位差分法具有的高准确度等优点制定相应计划,得到智能化、规范化输电线路巡检线路。梁文勇等[8]使用Douglas-Peucker算法提升多旋翼无人机的输电线路巡检效率,将各杆塔视作一个巡检单元,并依据设置的中心接入点得出最优巡检路线。以上两种方法虽然可以得出最优线路,但均存在运算时间长、运算过程不稳定等问题,会影响无人机巡检路线的优化效果。

粒子群算法又称鸟群算法。其本质是遗传算法和群智算法。粒子群算法的原理是使用总群体中每个个体之间的协同合作与信息交互,得到总群体中的最优解[9]。其具备可快速定位最优解范围,并在此范围内准确搜寻以找出全局最优解的优势。为此,本文提出了基于改进粒子群算法的输电线路固定翼无人机多目标巡检线路优化方法。该方法利用粒子群算法的优势,得到最优巡检线路,从而实现对输电线路多目标巡检线路的优化。

1 巡检线路优化

1.1 构建多目标巡检线路优化模型

想要对固定翼无人机巡检线路进行规划,就需要对线路长度和线路威胁进行优化[10]。线路长度与线路威胁之间呈现相对关系,即线路越长威胁越小、线路越短威胁越大[11]。对输电线路多目标巡检进行优化时,需先计算出全局最优解,以寻找一组最优线路,再计算出个体最优解,从而选出该组中某条最优线路。

本文以线路长度与线路威胁作为优化指标,构建固定翼无人机输电线路多目标巡检线路优化模型。

线路长度一般由多段航迹路线相加得出。出于机载油量、成本、耗时等方面的考虑,在设置线路长度时应尽量挑选最短线路长度[12]。

本文设置Wvar为航迹点数、Wvar-1为一条线路上航迹段个数、Bi为第i段航迹段长度,则线路长度可表示为:

(1)

Bi可用欧式距离表示为:

(2)

式中:(xi,yi)、(xi+1,yi+1)分别为航迹段的首、尾点坐标。

线路威胁主要是巡检线路中存在的威胁区域,一般包括雷达、信号干扰、禁飞区域等[13]。本文设置Wum为威胁区数量、rk为第k个威胁区的半径、dkj为第j个航迹点与第k个威胁区的相对距离。本文使用信号干扰程度表示威胁区域威胁值的大小。威胁值可表示为:

(3)

每个航迹点威胁值相加,可得出线路整体威胁值。固定翼无人机航迹点fT越大,说明固定翼无人机与威胁源的间距越小[14]。当威胁值超过设置值时,就需要通过加大线路长度以规避当前所面对的威胁区域,从而避免发生飞行危险。

在构建线路规划模型时,除了考虑上述两个指标以外,还需要对最小航迹段长度、最大航迹段长度、最大转弯角进行约束。

巡检线路优化目标函数如下。

f(R)=min[R=(fB,fT)]

(4)

式中:R为目标向量。

(5)

式中:βi为转弯角度,(°);βmax为转弯角度极大值,(°);Bmin、Bmax分别为航迹段长度的极小、极大值,m。

1.2 无人机多目标巡检线路优化

基于上述多目标巡检线路优化模型,本文使用粒子群算法求出最优输电线路多目标巡检线路。因粒子群算法在运算过程中容易造成局部最优解的情况,所以本文对粒子群算法作出了相应调整。

1.2.1 粒子群算法

(6)

1.2.2 改进粒子群算法

上述粒子群算法在后期搜寻时可能会因为粒子缺乏多元化导致中断运算的问题。这就会造成得到的最优解存在局部最优的情况,使获取的优化结果并非最佳固定翼无人机多目标巡检线路优化结果。所以本文对原有粒子群算法作了相应调整,以避免上述问题的发生。本文通过调整惯性权重来解决上述问题,在取最小权重值的情况下,方便粒子精准搜寻当前区域;在取最大权重值的情况下,粒子可以脱离局部最优解。应用粒子群算法时,迭代具有前期短后期长的特点,所以本文设置前期大后期小的惯性权重值。

(7)

式中:φ为惯性权重前期在整体迭代中的占比。

在面对各种优化问题时,每种问题的精度、复杂度与最大迭代次数要求各有不同。在最优情况下,算法需要快速定位最优解范围并在此范围进行准确搜寻,所以其在迭代过程中后期占用时间较长。本文取φ>0.5,以最大程度提升固定翼无人机多目标巡检线路的优化效率与精度。

算法中需要引进参数μ,以减少运算过程。全局最优解应满足邻近的两次适应度最优函数值之差小于μ值,并记录其位置信息再进行初始化。当两者之差又一次小于μ时,再次记录相关信息并进行初始化。如此循环往复,直至迭代终止。

在每次迭代混合中,为使计算方法惯性寻优,需要结合遗传算法选择定量粒子输入至混合池。在混合池中把粒子进行无规律杂交,得出同等个数的后代粒子即子代c,以代替亲本粒子即亲代p。其中,亲代p1(x)与p2(x)位置相交得出子代c(x)位置。xc1和xc2可表示为:

xc1=ogxp1(x)+(1-o)gxp2

(8)

式中:o为在[0.1]区间内的任意数。

xc2=(1-o)gxp1+ogxp2

(9)

子代速度vc1和vc2可表示为:

(10)

式中:vp1为亲代p1(x)的占用速度;vp2为亲代p2(x)的占用速度。

(11)

1.2.3 最优无人机多目标巡检线路生成

本文以使用固定翼无人机对输电线路进行多目标巡检时获取其最优巡检线路为研究目的。上述改进粒子群算法可以寻出某区域内的线路最优解。因此,上述改进粒子群算法可应用于无人机多目标巡检线路优化。

①设置无人机飞行的起始点位,初始化粒子群的位置和速度,并设置z、φ、c1、c2、r1、r2等粒子群算法参数。

②计算巡检线路优化模型目标函数值,并将其作为各粒子的适应度值。

③根据适应度值更新个体与全局的极值。

④计算粒子全局最优解。

⑤判断相邻适应度之差是否小于μ:如是,记录位置信息并重置粒子,再返回至步骤①进行迭代;否则,继续步骤⑥。

⑥结合遗传算法选择定量粒子输入至混合池,按照式(7)～式(10)进行杂交运算。

⑦判断是否满足最大迭代次数,是则输出最优解,即最优固定翼无人机多目标巡检路径,以完成优化;否则返回步骤③。

改进粒子群算法寻找最优巡检线路流程如图1所示。

图1 改进粒子群算法寻找最优巡检线路流程图

2 试验分析

某输电线有限公司成立于2009年,主要从事电缆线开发与服务等业务。其主营业务范围主要包括输电线、电缆、输电线配件与有色金属线杆等制品的研究、开发与生产,输电线路网络已扩展至国内多个城市。本文以该公司在某城市的输电线路网络为研究对象,使用固定翼无人机对该网络中多条输电线路进行巡检。无人机巡检环境在300 m×300 m正方形范围内,并将此范围平均分成8×8的格栅矩阵。矩阵中,阴影部分表示威胁源。无人机起始与终止点位分别是(1,1)和(8,8)。本文分别对该公司原有巡检路线与所提方法的优化巡检路线进行比较,以验证所提方法的优势。试验设置粒子群种群规模K为25、维数H为7、最大迭代次数为150。

试验主要测试使用所提方法后,固定翼无人机对范围内故障源的规避能力及对巡检线路长度的优化。优化前后无人机规划线路如图2所示。

图2 优化前后无人机规划线路

图2中:灰色块表示障碍体;实线为优化前无人机在(1,1)至(8,8)的输电线巡检线路;虚线为所提方法优化后无人机在(1,1)至(8,8)的输电线巡检线路。由图2可知,在相同环境下:优化前巡检线路无法全部规避巡检范围内存在的所有威胁源;优化后的无人机在巡检过程中并未存在与威胁源相交的情况,且优化后无人机从起点到终点的巡检线路长度明显小于优化前的巡检线路长度。优化前后巡检路径属性值如表1所示。

表1 优化前后巡检路径属性值

由表1可知,所提方法在使用固定翼无人机对输电线路进行巡检的过程中可以有效规避巡检范围内的威胁源、大幅缩短无人机巡检线路长度、降低固定翼无人机飞行成本,同时保证巡检过程安全、平稳。试验采用所研究公司原有巡检路线和所提方法优化后的巡检线路作比较,测试优化前后巡检线路对巡检范围内所有输电线路设备的巡检覆盖情况。试验以(1,1)为起点进行巡检,并在巡检结束后回到起点。

优化前后巡检线路覆盖范围如图3所示。图3中:灰色块表示障碍体;黑色圆表示输电线路点位;实线表示优化前路径;虚线表示优化后路径。在同一范围内,所研究公司原有巡检线路存在遗漏输电线点位的情况。所提方法优化后的巡检线路可以完成在此范围内全部输电线路点位的巡检任务,由此说明所提方法可以实现对巡检范围内输电线路的有效巡检。

图3 优化前后巡检线路覆盖范围

在每100 m2范围内,使用所提方法对输电线路进行巡检,通过设置不同数量的航迹点数,测试所提方法在同一范围内的巡检线路优化效果。航迹点数分别设置为15个、25个、35个、45个。不同数量航迹点数下的输电线路优化效果如表2所示。

表2 不同数量航迹点数下的输电线路优化效果

由表2可知,在同一范围内,固定翼无人机对巡检线路中的最短线路长度与最短巡检时间的优化效果随航迹点数的增加而增加,而威胁值随着航迹点数的增加而减小。这说明在一定范围内设置的航迹点数越大,威胁越小。同时,出于对成本、人力等因素的考虑,如果点位数量设置过多会造成资源浪费,也会导致巡检用时过高。由表2可知,当点位数量设置在15个时,威胁值最高;当点位数量设置在35个、45个时,虽然威胁值降低明显,但是最短线路长度较25个时增加数量分别为106 m和244 m,巡检用时优化效果较25个时增加数量分别为14 s和38 s;当点位数量设置在25个时,最短线路长度较15个时增加4 m,巡检用时优化效果较15个时增加7 s,且威胁值降低明显。所以在对输电线路进行固定翼无人机多目标巡检时,当每100 m2范围内设置点位数量在25个时,所提方法对巡检线路的优化效果最适宜。

本文以所研究公司给出的上述某城市输电线路为试验对象、以原始粒子群算法为对比,测试本文调整后的粒子群算法的总体性能。一般情况下,在粒子群算法中,代价数值越小,说明运用算法得出的最优解越好。改进前后算法的收敛曲线如图4所示。

图4 改进前后算法的收敛曲线

由图4可知:前期两者收敛速度相差不明显,都呈现较快的趋势;但在后期,原始粒子群算法的收敛速度明显变缓。当达到最大迭代值时,代价值为250。这说明算法可能进入了局部最优解的情况。所提方法应用后,后期收敛速度明显优于改进前,当达到最大迭代时代价值为175,明显小于原始粒子群算法的代价值。由此说明,所提方法调整后的粒子群算法可以有效加快后期收敛速度,保证算法的惯性寻优。

3 结论

本文利用粒子群算法完成输电线路固定翼无人机多目标巡检线路优化,但原始粒子群算法会因为粒子缺乏多样性导致最优解存在局部性。本文通过改进惯性权重解决局部最优解问题,同时结合遗传算法提升无人机巡检线路的优化效果,使算法具有稳定性。本文利用改进粒子群算法虽然可以搜寻出无人机最优巡检线路,但算法在实时运算巡检路线的问题上仍有待提高。下一步可以将实时更新巡检路线作为研究方向,以进一步研究固定翼无人机在多目标巡检中的最优线路规划。