CN109872010A - 变电站巡检机器人任务分配方法 - Google Patents
变电站巡检机器人任务分配方法 Download PDFInfo
- Publication number
- CN109872010A CN109872010A CN201910198217.0A CN201910198217A CN109872010A CN 109872010 A CN109872010 A CN 109872010A CN 201910198217 A CN201910198217 A CN 201910198217A CN 109872010 A CN109872010 A CN 109872010A
- Authority
- CN
- China
- Prior art keywords
- point
- task
- guarantee
- intelligent mobile
- mobile robot
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007689 inspection Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims description 37
- 238000010586 diagram Methods 0.000 claims description 32
- 230000003044 adaptive effect Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004888 barrier function Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 11
- 238000012804 iterative process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请涉及一种变电站巡检机器人任务分配方法。所述变电站巡检机器人任务分配方法包括：构建任务点集合，所述任务点集合包括任务点位置和任务点巡检任务量。设置巡检机器人的保障点数量。依据所述任务点巡检任务量构建所述保障点的选址优化模型。依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配。所述变电站巡检机器人任务分配方法结合所述保障点的选址优化模型和预设的所述保障点数量，通过粒子群算法和加权Voronoi图算法对所述保障点位置和所述保障点任务分配进行优化，得到最优位置和任务分配方案，从而提高变电站巡检机器人的巡检效率。
Description
技术领域
本申请涉及变电站巡检机器人技术领域，特别是涉及一种变电站巡检机器人任务分配方法。
背景技术
变电站设备长期处于运行状态时，为了确保电气设备的安全稳定运行并及时发现设备的缺陷或隐患，需运行人员对现场设备进行巡检。但人工巡检的工作量大、效率低，且检测结果往往达不到预期效果。变电站巡检机器人在一定程度上可实现变电站的智能巡检，但对于区域面积大、巡检任务多的场景，相关技术中存在巡检机器人任务分配不均匀且巡检效率低下的问题。
发明内容
基于此，有必要针对相关技术中巡检机器人任务分配不均匀且巡检效率低下的问题，提供一种变电站巡检机器人任务分配方法。
一种变电站巡检机器人任务分配方法，包括：
构建任务点集合，所述任务点集合包括任务点位置和任务点巡检任务量；
设置巡检机器人的保障点数量；
依据所述任务点巡检任务量构建所述保障点的选址优化模型；
依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配。
上述变电站巡检机器人任务分配方法，结合所述保障点的选址优化模型和预设的所述保障点数量，通过粒子群算法和加权Voronoi图算法对所述保障点位置和所述保障点任务分配进行优化，得到最优的所述保障点任务分配方案，从而提高变电站巡检机器人的巡检效率。
在其中一个实施例中，所述依据所述任务点巡检任务量构建所述保障点的选址优化模型的步骤包括：
计算不同保障点之间的巡检机器人平均巡检任务量最大差值的归一化值作为任务均衡参数Qcost；
计算巡检机器人的通讯距离对所述选址优化模型的影响参数作为通讯距离限制参数Dcost；
依据所述任务均衡参数Qcost和所述通讯距离限制参数Dcost构建所述选址优化模型minZ＝αQcost+(1-α)Dcost，α为权重。
在其中一个实施例中，所述通讯距离限制参数Dcost为：
其中，Dcomm为巡检机器人的实际最大通讯距离，D为巡检机器人的额定最大通讯距离。
在其中一个实施例中，所述依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配的步骤，包括：
初始化种群，并将所述种群中的粒子位置作为所述保障点位置；
依据加权Voronoi图算法调整所述保障点任务分配；
依据所述选址优化模型计算每个所述保障点的适应值，并分别记录每个所述保障点的历史最优解和所述种群的全局最优解；
更新每个所述保障点位置和速度，并返回依据加权Voronoi图算法调整所述保障点任务分配的步骤，直至满足迭代终止条件并输出所述保障点位置和所述保障点任务分配。
在其中一个实施例中，依据加权Voronoi图算法调整所述保障点任务分配的步骤，包括：
依据任务点分配方式将任务点分配至所述保障点；
依据所述任务点巡检任务量，以及所述保障点与所分配的所述任务点之间的最大通讯距离对所述保障点任务分配进行自适应权重调节。
在其中一个实施例中，所述自适应权重调节的调节准则为：
当时，所述保障点的权重依据自适应调节步长减小；
当且时，所述保障点的权重依据自适应调节步长增加；
当且时，所述保障点位置不能满足巡检要求，更新每个所述保障点位置和速度，并返回依据加权Voronoi图算法调整所述保障点任务分配的步骤；
其中，Qi为编号为i的保障点所分配的任务量，Qstd为单个巡检机器人的额定巡检任务量，di为编号为i的保障点与所分配任务点之间的最大通讯距离，D为巡检机器人的额定最大通讯距离，t-1为迭代次数。
在其中一个实施例中，自适应调节步长的范围为0.05～0.15。
在其中一个实施例中，所述任务点分配方式为：
其中，x为任意任务点，pi、pj分别为编号为i、j的保障点，λi、λj分别为保障点pi、pj的权重，d(x,pi)、d(x,pj)分别为任意任务点与保障点pi、pj之间的欧氏距离。
在其中一个实施例中，所述迭代终止条件为：当前迭代次数k与预设最大迭代次数kmax相等。
在其中一个实施例中，所述保障点位置和速度的更新方式为：
ω＝ωmax-0.1*(ωmax-ωmin)*exp(k/kmax)
其中，为编号为i的保障点第k次迭代的速度，为编号为i的保障点第k+1次迭代的速度，ω为惯性因子，r(1)和r(2)为介于[0,1]之间的随机数，c1、c2为学习因子，和分别为编号为i的保障点和所述种群的历史最优解，为第k次迭代的所述保障点位置的集合，为第k+1次迭代的所述保障点位置的集合。
在其中一个实施例中，所述任务点位置为巡检对象的位置，所述任务点巡检任务量为巡检机器人巡检所述任务点的作业时间。
在其中一个实施例中，所述设置巡检机器人的保障点数量的步骤，包括：
依据巡检任务区域面积、巡检任务量、人员配备和巡检机器人数量设置巡检机器人的所述保障点数量。
一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述变电站巡检机器人任务分配方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述变电站巡检机器人任务分配方法的步骤。
附图说明
图1为本申请实施例提供的一种变电站巡检机器人任务分配方法流程图；
图2为本申请实施例提供的一种依据所述任务点巡检任务量构建所述保障点的选址优化模型的流程图；
图3为本申请实施例提供的一种自定义Dcost和标准Dcost曲线对比图；
图4为本申请实施例提供的一种依据粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解的流程图；
图5为本申请实施例提供的一种依据加权Voronoi图算法调整所述保障点任务分配的流程图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似改进，因此本申请不受下面公开的具体实施的限制。
需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参见图1，本申请提供一种变电站巡检机器人任务分配方法。所述变电站巡检机器人任务分配方法包括：S10，构建任务点集合，所述任务点集合包括任务点位置和任务点巡检任务量。S20，设置巡检机器人的保障点数量。S30，依据所述任务点巡检任务量构建所述保障点的选址优化模型。S40，依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配。
在所述步骤S10中，首先对变电站的任务区域进行离散化处理，得到变电站的任务区域离散地图。所述离散化处理为根据巡检对象的巡检任务量以及巡检对象的位置构建任务点集合。可以理解，所述任务点位置对应所述巡检对象的位置，所述任务点巡检任务量对应所述巡检对象的巡检任务量。在一个实施例中，所述任务点位置为巡检对象的位置，所述任务点巡检任务量为巡检机器人巡检所述任务点的作业时间。可以理解，所述任务点巡检任务量可以按照巡检机器人巡检所述任务点的作业时间来进行计算。
在所述步骤S20中，为巡检机器人提供支撑的所述保障点的数量通常依据变电站的实际情况和经验进行设定。可以理解，所述保障点的数量为固定值，且所述变电站巡检机器人任务分配方法的后续计算过程中不再对所述保障点的数量进行优化。在一个实施例中，所述设置巡检机器人的保障点数量的步骤包括：依据巡检任务区域面积、巡检任务量、人员配备和巡检机器人数量设置巡检机器人的所述保障点数量。可以理解，所述保障点可以为能量即将耗尽的巡检机器人补充或更换能量源，并可以作为巡检机器人首次或多次开始巡检任务的出发点。
在所述步骤S30中，依据所述任务点巡检任务量构建所述保障点的选址优化模型。所述选址优化模型需要考虑各个所述保障点任务分配的均衡性。同时也需要考虑所述保障点与巡检机器人之间通信距离的限制。通过设置任务均衡参数和通讯距离限制参数，构建所述粒子群算法的目标函数。可以理解，所述任务分配为将各个所述任务点分配给各个所述保障点。
在所述步骤S40中，结合预先设定的所述保障点的数量，并采用所述选址优化模型作为所述粒子群算法的目标函数，可以通过粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解。通过对所述保障点位置和所述保障点任务分配进行不断迭代优化，可以得到所述保障点位置和所述保障点任务分配的最优解。在一个实施例中，所述变电站巡检机器人任务分配方法的输出结果可以包括最优粒子位置、Voronoi图权重以及任务点分配。所述最优粒子位置为所述保障点的位置。所述Voronoi图权重为优化迭代后的权重值。所述任务点分配为各个所述任务点被分配到各个所述保障点的方案。
所述变电站巡检机器人任务分配方法结合了所述保障点的选址优化模型和预设的所述保障点的数量，通过粒子群算法和加权Voronoi图算法对所述保障点位置和所述保障点任务分配进行优化，得到最优位置和任务分配方案，从而可以提高变电站巡检机器人的巡检效率。所述变电站巡检机器人任务分配方法可以针对变电站巡检区域大、巡检任务多的问题，对为巡检机器人提供支持的所述保障点进行合理规划，及为所述保障点分配合理的任务区域。此外，所述变电站巡检机器人任务分配方法可以将粒子群算法与Voronoi图结合，从而克服了多巡检机器人任务分配不均匀且巡检效率低下的问题，可以实现对所述保障点位置以及所述保障点任务分配的优化。
请一并参见图2，在一个实施例中，所述依据所述任务点巡检任务量构建所述保障点的选址优化模型的步骤包括：S310，计算不同保障点之间的巡检机器人平均巡检任务量最大差值的归一化值作为任务均衡参数Qcost。S320，计算巡检机器人的通讯距离对所述选址优化模型的影响参数作为通讯距离限制参数Dcost。S330，依据所述任务均衡参数Qcost和所述通讯距离限制参数Dcost构建所述选址优化模型minZ＝αQcost+(1-α)Dcost。
在所述步骤S310中，所述任务均衡参数为：
Qcost为同一个解空间中单个巡检机器人巡检任务量最大差值的归一化结果，所述归一化结果反应的是不同巡检机器人任务量的不平衡性。可以理解，当所有巡检机器人任务量相等时可以大幅提升巡检效率。其中，kij表示编号为j的任务点由编号为i的保障点提供巡检支持。Tj为任务点j处的巡检任务量。Wi为编号为i的保障点所分配的巡检机器人数量。Qstd为单个巡检机器人的额定巡检任务量，可以表示为：
在所述步骤S320中，通讯距离限制参数Dcost反应了巡检机器人的通讯距离对所述选址优化模型解空间的影响。在一个实施例中，所述通讯距离限制参数Dcost为：
其中，Dcomm为巡检机器人的实际最大通讯距离，D为巡检机器人的额定最大通讯距离。绘制Dcost的曲线，所述曲线表明：当解空间的最大通讯距离满足约束条件时，Dcost的变化对目标函数值影响较小。当最大通讯距离不满足约束条件时，Dcost对目标函数值的影响急剧增大。同时，请一并参见图3，绘制标准Dcost曲线进行对比，标准Dcost曲线可以表示为：
本申请中对最大通讯距离的处理可以为粒子群算法中粒子群的演化方向提供引导，并使所述保障点的规划和任务点分配在满足约束条件时仍能向使最大通讯距离减小的方向迭代更新，从而进一步保证所述保障点位置和所述保障点任务分配结果的优异性。
在所述步骤S330中，构建的所述选址优化模型可以同时考虑任务均衡以及巡检机器人的通讯距离限制。所述选址优化模型可以转化为一个最优化问题。所述最优化问题的目标函数为minZ。可以理解，字母Z的没有特定含义。α表示任务均衡参数的调节权重，其取值范围为(0,1)。采用不同的α值表示所述目标函数中不同的着重考虑的优化目标。在一个实施例中，α可以为0.8，该值可以依据经验进行设定。
请一并参见图4，在一个实施例中，所述依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配的步骤，包括：S410，初始化种群，并将所述种群中的粒子位置作为所述保障点位置。S420，依据加权Voronoi图算法调整所述保障点任务分配。S430，依据所述选址优化模型计算每个所述保障点的适应值，并分别记录每个所述保障点的历史最优解和所述种群的全局最优解。S440，更新每个所述保障点位置和速度，并返回依据加权Voronoi图算法调整所述保障点任务分配的步骤，直至满足迭代终止条件并输出所述保障点位置和所述保障点任务分配。在一个实施例中，所述迭代终止条件为：当前迭代次数k与预设最大迭代次数kmax相等。
在所述步骤S410中，对粒子群算法进行种群初始化。所述初始化种群包括设置种群规模，所述种群规模为巡检机器人的所述保障点数量。可以理解，在种群初始化时，可以设置粒子群算法的最大迭代次数kmax，并将当前迭代次数k是否达到最大迭代次数kmax作为迭代终止条件。所述初始化种群还包括设置目标函数解的形式，所述解的形式为算法最终求解结果的形式。在一个实施例中，所述目标函数为所述选址优化模型。所述解的形式可以为所述保障点位置与所述保障点任务分配。可以理解，所述保障点位置即为巡检机器人起始点位置，所述目标函数为粒子群算法的适应度计算函数。
在所述步骤S420至所述步骤S430中，可以理解，依据加权Voronoi图算法依据初始权重可以调整所述保障点任务分配的方案。在一个实施例中，加权Voronoi图算法的初始权重可以设置为1。通过粒子群算法的迭代过程，加权Voronoi图算法可以在所述保障点进行任务分配时进行自适应权重调节。在一个实施例中，在每一次迭代过程中，加权Voronoi图算法可以完成一次自适应权重调节过程。通过粒子群算法的多次迭代，可以使解不断趋近最优解，从而得到待求解的最佳方案。可以理解，在粒子群算法的迭代过程中依据所述选址优化模型计算每个所述保障点的适应值，每个所述保障点的适应值为粒子群算法的目标函数值。同时，可以记录各个所述保障点的历史最优解和所述种群的全局最优解。
在所述步骤S440中，可以理解，在粒子群算法的每次迭代过程中可以依据迭代终止条件判断是否结束粒子群算法的迭代过程。在一个实施例中，所述迭代条件可以为判断是否满足k＝kmax。若满足，则输出计算结果。否则更新每个所述保障点位置和速度并重复执行依据加权Voronoi图算法调整所述保障点的任务点分配方案的步骤，直至满足迭代终止条件并输出所述保障点的最优位置、Voronoi图权重和所述保障点的任务分配方案。
请一并参见图5，在一个实施例中，依据加权Voronoi图算法调整所述保障点任务分配的步骤，包括：S421，依据任务点分配方式将任务点分配至所述保障点。S422，依据所述任务点巡检任务量，以及所述保障点与所分配的所述任务点之间的最大通讯距离对所述保障点任务分配进行自适应权重调节。在一个实施例中，所述任务点分配方式为：
其中，x为任意任务点，pi、pj分别为编号为i、j的保障点，λi、λj分别为保障点pi、pj的权重，d(x,pi)、d(x,pj)分别为任意任务点与保障点pi、pj之间的欧氏距离。
在一个实施例中，所述自适应权重调节的调节准则为：当时，所述保障点的权重依据自适应调节步长减小。当且时，所述保障点的权重依据自适应调节步长增加。当且时，所述保障点位置不能满足巡检要求，更新每个所述保障点位置和速度，并返回依据加权Voronoi图算法调整所述保障点任务分配的步骤。其中，Qi为编号为i的保障点所分配的任务量，Qstd为单个巡检机器人的额定巡检任务量，di为编号为i的保障点与所分配任务点之间的最大通讯距离，D为巡检机器人的额定最大通讯距离，t-1为迭代次数。在一个实施例中，自适应调节步长的范围为0.05～0.15。
可以理解，所述自适应权重的调节准则可以根据区域的巡检任务量、最大通讯距离约束进行调节，从而合理化分配各个所述保障点的任务区域。可以理解，分配各个所述保障点的任务区域为所述保障点分配的所述任务点的具体情况。所述自适应权重的调节准则可以直观表述如表1。可以理解，自适应调节步长为Δ，其取值范围为0.05～0.15。当权重增加时，执行当权重减小时，执行当与同时成立，则表明当前的选址方案不能满足巡检要求，自适应权重的调节过程结束。可以理解，当与同时成立，可以重新为所述保障点分配任务点。
表1调节准则
在一个实施例中，所述保障点位置和速度的更新方式为：
ω＝ωmax-0.1*(ωmax-ωmin)*exp(k/kmax)
其中，为编号为i的保障点第k次迭代的速度，为编号为i的保障点第k+1次迭代的速度，ω为惯性因子，r(1)和r(2)为介于[0,1]之间的随机数，c1、c2为学习因子，和分别为编号为i的保障点和所述种群的历史最优解，为第k次迭代的所述保障点位置的集合，为第k+1次迭代的所述保障点位置的集合。
可以理解，ω为惯性因子，则ωmax和ωmin分别为惯性权重最大值和最小值。在一个实施例中，ωmax＝0.8，ωmin＝0.4。所述学***衡。
本申请提供一种计算机设备。所述计算机设备包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述变电站巡检机器人任务分配方法的步骤。本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述变电站巡检机器人任务分配方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是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非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (14)
1.一种变电站巡检机器人任务分配方法，其特征在于，包括：
构建任务点集合，所述任务点集合包括任务点位置和任务点巡检任务量；
设置巡检机器人的保障点数量；
依据所述任务点巡检任务量构建所述保障点的选址优化模型；
依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配。
2.根据权利要求1所述的变电站巡检机器人任务分配方法，其特征在于，所述依据所述任务点巡检任务量构建所述保障点的选址优化模型的步骤包括：
计算不同保障点之间的巡检机器人平均巡检任务量最大差值的归一化值作为任务均衡参数Qcost；
计算巡检机器人的通讯距离对所述选址优化模型的影响参数作为通讯距离限制参数Dcost；
依据所述任务均衡参数Qcost和所述通讯距离限制参数Dcost构建所述选址优化模型minZ＝αQcost+(1-α)Dcost，α为权重。
3.根据权利要求2所述的变电站巡检机器人任务分配方法，其特征在于，所述通讯距离限制参数Dcost为：
其中，Dcomm为巡检机器人的实际最大通讯距离，D为巡检机器人的额定最大通讯距离。
4.根据权利要求1所述的变电站巡检机器人任务分配方法，其特征在于，所述依据所述保障点数量，结合粒子群算法和加权Voronoi图算法对所述选址优化模型进行求解，得到保障点位置和保障点任务分配的步骤，包括：
初始化种群，并将所述种群中的粒子位置作为所述保障点位置；
依据加权Voronoi图算法调整所述保障点任务分配；
依据所述选址优化模型计算每个所述保障点的适应值，并分别记录每个所述保障点的历史最优解和所述种群的全局最优解；
更新每个所述保障点位置和速度，并返回依据加权Voronoi图算法调整所述保障点任务分配的步骤，直至满足迭代终止条件并输出所述保障点位置和所述保障点任务分配。
5.根据权利要求4所述的变电站巡检机器人任务分配方法，其特征在于，依据加权Voronoi图算法调整所述保障点任务分配的步骤，包括：
依据任务点分配方式将任务点分配至所述保障点；
依据所述任务点巡检任务量，以及所述保障点与所分配的所述任务点之间的最大通讯距离对所述保障点任务分配进行自适应权重调节。
6.根据权利要求5所述的变电站巡检机器人任务分配方法，其特征在于，所述自适应权重调节的调节准则为：
当时，所述保障点的权重依据自适应调节步长减小；
当且时，所述保障点的权重依据自适应调节步长增加；
当且时，所述保障点位置不能满足巡检要求，更新每个所述保障点位置和速度，并返回依据加权Voronoi图算法调整所述保障点任务分配的步骤；
其中，Qi为编号为i的保障点所分配的任务量，Qstd为单个巡检机器人的额定巡检任务量，di为编号为i的保障点与所分配任务点之间的最大通讯距离，D为巡检机器人的额定最大通讯距离，t-1为迭代次数。
7.根据权利要求6所述的变电站巡检机器人任务分配方法，其特征在于，所述自适应调节步长的范围为0.05～0.15。
8.根据权利要求5所述的变电站巡检机器人任务分配方法，其特征在于，所述任务点分配方式为：
其中，x为任意任务点，pi、pj分别为编号为i、j的保障点，λi、λj分别为保障点pi、pj的权重，d(x,pi)、d(x,pj)分别为任意任务点与保障点pi、pj之间的欧氏距离。
9.根据权利要求4所述的变电站巡检机器人任务分配方法，其特征在于，所述迭代终止条件为：当前迭代次数k与预设最大迭代次数kmax相等。
10.根据权利要求4所述的变电站巡检机器人任务分配方法，其特征在于，所述保障点位置和速度的更新方式为：
ω＝ωmax-0.1*(ωmax-ωmin)*exp(k/kmax)
其中，为编号为i的保障点第k次迭代的速度，为编号为i的保障点第k+1次迭代的速度，ω为惯性因子，r(1)和r(2)为介于[0,1]之间的随机数，c1、c2为学习因子，和分别为编号为i的保障点和所述种群的历史最优解，为第k次迭代的所述保障点位置的集合，为第k+1次迭代的所述保障点位置的集合。
11.根据权利要求1所述的变电站巡检机器人任务分配方法，其特征在于，所述任务点位置为巡检对象的位置，所述任务点巡检任务量为巡检机器人巡检所述任务点的作业时间。
12.根据权利要求1所述的变电站巡检机器人任务分配方法，其特征在于，所述设置巡检机器人的保障点数量的步骤，包括：
依据巡检任务区域面积、巡检任务量、人员配备和巡检机器人数量设置巡检机器人的所述保障点数量。
13.一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至12中任一项所述变电站巡检机器人任务分配方法的步骤。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至12中任一项所述变电站巡检机器人任务分配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910198217.0A CN109872010B (zh) | 2019-03-15 | 2019-03-15 | 变电站巡检机器人任务分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910198217.0A CN109872010B (zh) | 2019-03-15 | 2019-03-15 | 变电站巡检机器人任务分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109872010A true CN109872010A (zh) | 2019-06-11 |
| CN109872010B CN109872010B (zh) | 2021-05-25 |
Family
ID=66920622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910198217.0A Active CN109872010B (zh) | 2019-03-15 | 2019-03-15 | 变电站巡检机器人任务分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109872010B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115952942A (zh) * | 2023-03-13 | 2023-04-11 | 季华实验室 | 多目标巡检调度规划方法、装置、电子设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880921A (zh) * | 2012-10-16 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 一种电动汽车充电站选址优化方法 |
| CN104680427A (zh) * | 2015-03-06 | 2015-06-03 | 国家电网公司 | 地区配电网综合优化规划*** |
| CN105389633A (zh) * | 2015-12-01 | 2016-03-09 | 上海电力学院 | 一种计及分布式电源的变电站优化规划方法 |
| CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
-
2019
- 2019-03-15 CN CN201910198217.0A patent/CN109872010B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102880921A (zh) * | 2012-10-16 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 一种电动汽车充电站选址优化方法 |
| CN104680427A (zh) * | 2015-03-06 | 2015-06-03 | 国家电网公司 | 地区配电网综合优化规划*** |
| CN105389633A (zh) * | 2015-12-01 | 2016-03-09 | 上海电力学院 | 一种计及分布式电源的变电站优化规划方法 |
| CN107886186A (zh) * | 2017-10-16 | 2018-04-06 | 清华大学 | 一种基于行车数据及维诺图划分区域的充电桩设置方法 |
Non-Patent Citations (5)
| Title |
|---|
| NOR AZLINA BT. AB AZIZ等: "A Wireless Sensor Network Coverage Optimization Algorithm Based on Particle Swarm Optimization and Voronoi Diagram", 《2009 INTERNATIONAL CONFERENCE ON NETWORKING, SENSING AND CONTROL》 * |
| 彭向阳 等: "变电站机器人智能巡检***设计及应用", 《中国电力》 * |
| 董彦君 等: "基于加权Voronoi图和自适应PSO算法的电动汽车充换电站联合规划", 《电源学报》 * |
| 路志英 等: "基于粒子群优化的加权伏罗诺伊图变电站规划", 《中国电机工程学报》 * |
| 魏秀岭 等: "基于粒子群算法加权的Voronoi 图电动汽车充网络优化规划", 《数字技术与应用》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115952942A (zh) * | 2023-03-13 | 2023-04-11 | 季华实验室 | 多目标巡检调度规划方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109872010B (zh) | 2021-05-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107944594B (zh) | 一种基于斯皮尔曼等级与rkelm微网短期负荷预测方法 | |
| CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
| CN109412202A (zh) | 分布式电源协调控制方法及*** | |
| Sun et al. | Escaping local optima in a class of multi-agent distributed optimization problems: A boosting function approach | |
| CN109872010A (zh) | 变电站巡检机器人任务分配方法 | |
| CN112784493A (zh) | 基于自适应深度q网络的地理空间预测方法及*** | |
| CN115204937A (zh) | 一种基于粒子群算法的配电台区售电量精准预测方法 | |
| Mayer et al. | Cooperative and hierarchical fuzzy MPC for building heating control | |
| CN110994643B (zh) | 水电机组调速器的控制参数调节方法和装置 | |
| Li et al. | Research on task allocation in multiple logistics robots based on an improved ant colony algorithm | |
| CN109523136A (zh) | 一种面向智能制造的调度知识管理*** | |
| Skobtsov et al. | Synthesis production schedules based on ant colony optimization method | |
| Hashim et al. | Greedy spiral dynamic algorithm with application to controller design | |
| CN115310709A (zh) | 一种基于粒子群算法的电力工程项目信息优化方法 | |
| CN108181503A (zh) | 电力计量装置运维计划获取方法、装置、存储介质和设备 | |
| Lehnhoff | Towards fully decentralized multi-objective energy scheduling | |
| Wang et al. | Weight optimization for LQG controller based on the artificial bee colony algorithm | |
| CN113852080A (zh) | 一种智能电网的潮流优化方法、***、设备及存储介质 | |
| Fagan et al. | Dynamic multi-agent reinforcement learning for control optimization | |
| Yetkin et al. | Use of the particle swarm optimization algorithm for second order design of levelling networks | |
| Benmiloud et al. | Hybrid method for determination of power systems dynamic equivalents based on measurements | |
| Katipoğlu et al. | Design of Optimal FOPI Controller for Two-Area Time-Delayed Load Frequency Control System with Demand Response | |
| CN112598312B (zh) | 基于天牛须搜索算法的电动汽车充电调度方法和装置 | |
| Al-Naima et al. | PSO based indoor RFID network planning | |
| Sharifi et al. | Scheduling EVs for Wind Integration Using Reinforcement Learning and Optimization |
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 |