CN113011780A - 一种多无人机协同电力巡检的任务分配方法 - Google Patents
一种多无人机协同电力巡检的任务分配方法 Download PDFInfo
- Publication number
- CN113011780A CN113011780A CN202110394113.4A CN202110394113A CN113011780A CN 113011780 A CN113011780 A CN 113011780A CN 202110394113 A CN202110394113 A CN 202110394113A CN 113011780 A CN113011780 A CN 113011780A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- task
- aerial vehicle
- tower
- parking point
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002068 genetic effect Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 210000000349 chromosome Anatomy 0.000 claims description 47
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 11
- 230000035772 mutation Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Genetics & Genomics (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多无人机协同电力巡检的任务分配方法,包括:获取驻车点位置、任务集合与无人机集合;计算各任务杆塔与驻车点的实际距离;构建多无人机协同电力巡检的任务分配模型,分配模型以用时最长的无人机完成所分配任务子集的时间最小化为优化目标,任务分配模型的假设及约束条件根据电力巡检实际情况设定;采用遗传算法求解任务分配模型,得到实现优化目标且满足约束条件的整体最优解。本发明根据现有电力巡检实际情况以及无人机电力巡检任务要求,能够实现输入相关坐标及参数信息,求解得出无人机的任务序列,并保证多架无人机任务时间相近,减少无人机的等待浪费,最小化单个驻车点所有无人机完成全部巡检任务的总时间,提升电力巡检效率。
Description
技术领域
本发明涉及无人机电力巡检技术领域,具体地说,涉及一种多无人机协同电力巡检的任务分配方法。
背景技术
小型多旋翼无人机凭借重量轻、体积小、机动性高、受地形限制影响小、可空中悬停拍摄图像等优点,在电力巡检领域受到了广泛的应用。无人机电力巡检的巡检效率和质量较传统人工巡检有巨大提升。
特别地,我国无人机在电力巡检方面经过多年的发展,相继经过了成立试点、部署+试点推广、人巡为主,机巡为辅、机巡为主,人巡为辅四个阶段。并且伴随着互联网5G通信的推广以及无人机控制技术的发展,无人机自主巡检成为可能,将能够很大程度上节省人力物力,提升巡检效率,各省市电网公司未来也将通过引入成套巡检设备等方式提升无人机自主巡检占输电线路巡检的比例。
但当前无人机电力巡检仍处于起步阶段,主要靠飞手手动操作无人机进行巡检,且受限于小型多旋翼无人机续航时间短,远距离机动性差等缺点,无人机电力巡检效率仍有较大提升空间。
当下,部分省市电力公司提出“无人机+作业车”协同巡检的新模式,作业车作为无人机的载体和补给站,与无人机优势互补,可作为电力巡检成套设备投入实际电力巡检工作中。同时,部分省市电力公司已开展“无人机+作业车”协同巡检试点工作,实际试点工作中出现无人机任务分配混乱、作业车行驶路径随意等问题。通过查阅相关文献及资料,据我们所知,目前国内外对“无人机+作业车”协同巡检的理论研究较少,无法为实际电力巡检工作提供理论指导。
发明内容
(一)解决的技术问题
针对上述提出的技术问题,本发明提供一种多无人机协同电力巡检的任务分配方法。本发明实现了在已知待巡检杆塔坐标及无人机相关飞行参数的情况下,通过本发明提供的多无人机协同电力巡检任务分配方法求解得出每架无人机的任务序列,以达到最小化耗时最长的无人机任务时间的优化目标。
本发明以实际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,最终求解出的任务分配结果提供每架无人机对应的任务序列,能够极大程度上便利巡检人员的作业过程。
(二)技术方案
为实现以上目的,本发明采用的技术方案如下:
本发明提供一种多无人机协同电力巡检的任务分配方法,其特征在于,包括:
获取驻车点位置坐标、待巡检区域的电力巡检任务集合和当前可执行巡检任务的无人机集合;
计算待巡检区域的电力巡检任务集合中每个电力杆塔到驻车点的地理直线距离;
基于无人机电力巡检实际情况和任务场景要求,构建具有多重约束的多无人机协同电力巡检任务分配模型;
针对任务的独特性和无人机的同质性,采用实数编码方式,将任意一个适用于任务分配问题的可行解编码为一个直线形式的完整染色体;
根据多无人机协同电力巡检任务分配模型信息和遗传算法的编码方式,生成符合模型约束方程的预设规模的初始种群。
采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,在最大迭代次数下求得的最优解即为多无人机巡检***的最佳任务分配方案。
进一步地,所述驻车点为作业车的停车点,作业车在驻车点放飞并回收无人机,使得无人机可访问驻车点作业半径内的待巡检杆塔。
进一步地,所述无人机从驻车点到所有所述电力杆塔的地理直线距离通过公式(1)计算得到:
d0i=R*arccos[sin(x0)*sin(xi)+cos(x0)*cos(xi)*cos(y0-yi)] 公式(1)
其中,d0i表示电力杆塔i到驻车点0的地理直线距离;(y0,x0)表示驻车点0的经纬度坐标,y0为驻车点0的经度,x0为驻车点0的纬度;(yi,xi)表示杆塔i的经纬度坐标,yi为杆塔i的经度,xi为杆塔i的纬度;R为地球半径,取6371.004km。
进一步地,所述多无人机协同电力巡检任务分配模型目标函数采用最小化耗时最长的无人机的任务时间值来表示,如公式(2)所示:
Minimize:max{Z0} 公式(2)
进一步地,所述多无人机协同电力巡检任务分配模型的约束条件采用公式(3)至(6)来表示:
其中,0表示作业车的驻车点编号,T={T1,T2,...,Tn}为驻车点作业半径内所有待巡杆塔的集合,待巡杆塔总数为n,驻车点0处可执行巡检任务的无人机集合为U={U1,U2,...,Um};f0i表示无人机i在驻车点0处起飞的次数;d0j为杆塔Tj与驻车点0的地理直线距离;v为无人机往返驻车点与电力杆塔时的飞行速度;xij为0-1变量,当无人机Ui访问杆塔Tj时为1,否则为0;Cj为无人机在杆塔Tj处的巡检时间;
公式(3)表示每个杆塔有且仅有一架无人机访问一次;
公式(4)表示所有无人机在驻车点0处起飞的次数之和等于待巡杆塔总数,即每架无人机每次起飞只巡检一基杆塔;
公式(5)表示每架无人机的任务时间等于往返飞行时间之和加上杆塔处巡检时间之和;
公式(6)为决策变量约束。
进一步地,所述采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,可获得多无人机巡检***的最佳任务分配方案。
进一步地,由于每个无人机在杆塔处的巡检时间可视为近似相等且远大于往返驻车点与电力杆塔间的飞行时间,所以在最小化耗时最长的无人机任务时间的优化目标下,尽可能使每个无人机的任务杆塔数相近并且每个无人机往返飞行总距离相近,则能保证每架无人机的任务时间相近,故在染色体编码时尽量保证每个无人机对应的染色体段长度相近。
进一步地,所述遗传算法的染色体编码方式为实数编码,每个染色体都被编码为一个1行n列的数列,其中n为待巡检杆塔的总数。将每个染色体按比例平均分成m段,其中m为可执行任务的无人机的总数,则每段染色体代表一架无人机任务序列。例如,染色体A的第j段,用Aj表示,代表个体A中第j个无人机的任务序列。
可选地,初始染色体生成方式为生成1~n的随机数列B,其中n为待巡检杆塔总数;m为可执行巡检任务的无人机总架数,计算n/m并将结果圆整为a,则前m-1架无人机的任务杆塔数均为a,最后一架无人机的任务杆塔数为n-(m-1)*a,则第一架无人机的任务序列为B中的第1~a个元素,第二架无人机的任务序列为B中的第a+1~2*a个元素,依次类推,最后一架无人机的任务序列为B中剩余的所有元素。
进一步地,所述遗传算法以公式(2)作为适应度函数,通过改进遗传算法的选择、交叉、变异等遗传操作对初始种群进行最小化适应度函数的寻优过程,在固定迭代次数下求取最佳的可行解,并将求取结果作为多无人机协同电力巡检任务分配的结果。
(三)有益成果
较现有优化方案相比,本发明具有以下优点:
1、本发明以实际电力巡检中存在的多架无人机任务分配混乱为背景,通过建立多无人机协同电力巡检任务分配模型并采用遗传算法进行求解,优化目标为最小化耗时最长的无人机的任务时间,通过将优化目标转换成每架无人机的任务时间相近来减少无人机的等待浪费,最大化利用无人机资源,能够有效提升无人机电力巡检的效率。
2、本发明提供的多无人机协同电力巡检任务分配方法可以直接利用实际电力杆塔的经纬度坐标进行计算,极大程度上方便了电力公司的实际应用。
3、本发明提供的一种多无人机协同电力巡检任务分配方法,能够实现输入驻车点及待巡检区域电力杆塔坐标,得出无人机的最优任务分配方案,所述任务分配方案为每架无人机的任务序列,具有较大的实际应用价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供多无人机协同电力巡检任务分配方法流程图;
图2为本发明所提供多无人机协同电力巡检任务分配方法采用的遗传算法流程图;
图3为本发明所提供的多无人机协同电力巡检任务分配方法具体实施例应用场景;
图4为本发明使用的遗传算法中染色体编码方式实例;
图5为本发明使用的遗传算法中初始染色体编码方式实例;
图6为本发明使用的遗传算法中交叉操作实例;
图7为本发明使用的遗传算法中变异操作实例。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施案例仅仅是本发明一部分实施例,而不是全部的实施案例。以下对至少一个示例性实施案例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施案例,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,都属于本发明保护范围。
本发明提供一种多无人机协同电力巡检任务分配方法,总体方案如下:
获取驻车点位置、任务集合与无人机集合;计算各任务杆塔与驻车点的地理直线距离;构建多无人机协同电力巡检的任务分配模型,分配模型以用时最长的无人机完成所分配任务子集的时间最小化为优化目标,任务分配模型的假设及约束条件为根据电力巡检实际情况而设定;采用遗传算法求解所述任务分配模型,遗传算法采用实数编码方式,得到实现所述优化目标且满足所述约束条件的整体最优解,整体最优解表征各个无人机的任务子集。
为更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
图1是根据本发明提供的多无人机协同电力巡检任务分配方法流程图,参见图1可知,本发明提供的多无人机协同电力巡检任务分配方法包括:
步骤S1:获取驻车点位置坐标、待巡检区域的电力巡检任务集合和当前可执行巡检任务的无人机集合;
步骤S2:计算待巡检区域的电力巡检任务集合中每个电力杆塔到驻车点的地理直线距离;
步骤S3:基于无人机电力巡检实际情况和任务场景要求,构建具有多重约束的多无人机协同电力巡检任务分配模型;
步骤S4:针对任务的独特性和无人机的同质性,采用实数编码方式,将任意一个适用于任务分配优化问题的可行解编码为一个直线形式的完整染色体;
步骤S5:根据多无人机协同电力巡检任务分配模型信息和遗传算法的编码方式,生成符合模型约束方程的预设规模的初始种群。
步骤S6:采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,在最大迭代次数下求得的最优解即为多无人机巡检***的最佳任务分配方案。
进一步地,驻车点为作业车的停车点,作业车在驻车点放飞并回收无人机,使得无人机可访问驻车点作业半径内的待巡检杆塔。
进一步地,待巡检区域的电力巡检任务集合包括待巡检区域所有待巡检电力杆塔的编号、位置坐标及各杆塔需要巡检的时间;可执行巡检任务的无人机集合包括无人机数量、编号、飞行速度。
进一步地,地理直线距离是现实环境下两点之间的直线距离。计算每个电力杆塔到驻车点的地理直线距离,并使用一维矩阵进行存储,记做一维距离矩阵Dmat。
进一步地,电力杆塔到驻车点的地理直线距离通过公式(1)计算得到:
d0i=R*arccos[sin(x0)*sin(xi)+cos(x0)*cos(xi)*cos(y0-yi)] 公式(1)
其中,d0i表示电力杆塔i到驻车点0的地理直线距离;(y0,x0)表示驻车点0的经纬度坐标,y0为驻车点0的经度,x0为驻车点0的纬度;(yi,xi)表示杆塔i的经纬度坐标,yi为杆塔i的经度,xi为杆塔i的纬度;R为地球半径,取6371.004km。
进一步地,一维距离矩阵为n行1列的矩阵,n为待巡检区域中待巡检杆塔的总数,所述一维距离矩阵中的每一行存储了每个杆塔到驻车点的地理直线距离,如表1所示。
表1一维距离矩阵
行序号 | 一维距离矩阵Dmat |
1 | d<sub>01</sub> |
2 | d<sub>02</sub> |
3 | d<sub>03</sub> |
··· | ··· |
n | d<sub>0n</sub> |
进一步地,多无人机协同电力巡检任务分配模型的优化目标为最小化耗时最长的无人机的任务时间,即尽量保证每架无人机的任务时间接近,避免出现某架无人机任务时间较长,造成其他无人机等待的现象,从而最大化利用无人机资源,优化所有无人机完成全部巡检任务的总时间。
进一步地,根据实际电力巡检情况,多无人机协同电力巡检任务分配的模型的基本假设有:无人机从同一驻车点起降;每架无人机是同质的,往返驻车点与目标杆塔间的速度相同,每架无人机单次起降与单次更换电池的时间相同;由于现阶段无人机续航约束及出于安全返航的考虑,每架无人机单次起飞只访问一基杆塔;每架无人机在电力杆塔处的巡检时间近似相等且远大于往返驻车点与杆塔间的飞行时间。
进一步地,根据实际电力巡检情况,所述多无人机协同电力巡检任务分配的模型的约束条件有:每基杆塔有且仅有一架无人机访问一次;所有无人机在该待巡区域的总起飞次数等于待巡区域内所有待巡杆塔的总数即每架无人机单次起飞只巡检一基杆塔。
参见上述步骤,建立多无人机协同电力巡检任务分配模型,如公式(2)~公式(6)来表示:
Minimize:max{Z0} 公式(2)
其中,0表示作业车的驻车点编号,集合为所有无人机在驻车点0的任务时间的集合,为无人机Ui在驻车点0的任务时间,Ui∈U={U1,U2,...,Um}为无人机的编号,T={T1,T2,...,Tn}为驻车点作业半径内所有待巡杆塔的集合,待巡杆塔总数为n;f0i表示无人机Ui在驻车点0处起飞的次数;d0j为杆塔Tj与驻车点0的地理直线距离;v为无人机往返驻车点与电力杆塔时的飞行速度;xij为0-1变量,当无人机Ui访问杆塔Tj时为1,否则为0;Cj为无人机在杆塔Tj处的巡检时间;
公式(2)表示模型的目标函数为最小化耗时最长的无人机的任务时间;
公式(3)表示每个杆塔有且仅有一架无人机访问一次;
公式(4)表示所有无人机在驻车点0处起飞的次数之和等于待巡杆塔总数,即每架无人机每次起飞只巡检一基杆塔;
公式(5)表示每架无人机的任务时间等于往返飞行时间之和加上杆塔处巡检时间之和;
公式(6)为决策变量约束。
进一步地,由于每个无人机在杆塔处的巡检时间远大于往返驻车点与电力杆塔间的飞行时间,所以在最小化耗时最长的无人机任务时间的优化目标下,尽可能使每个无人机的任务杆塔数相近并且每个无人机往返飞行总距离相近,则能保证每架无人机的任务时间相近,故在染色体编码时尽量保证每个无人机对应的染色体段长度相近。
进一步地,每个染色体都被编码为一个1行n列的数列,其中n为待巡检杆塔的总数。将每个染色体按比例平均分成m段,其中m为可执行任务的无人机的总数,则每段染色体代表一架无人机任务序列。例如,染色体A的第j段,用Aj表示,代表个体A中第j个无人机的任务序列。
可选地,初始染色体生成方式为生成1~n的随机数列B,其中n为待巡检杆塔总数;m为可执行巡检任务的无人机总架数,计算n/m并将结果圆整为a,则前m-1架无人机的任务杆塔数均为a,最后一架无人机的任务杆塔数为n-(m-1)*a,则第一架无人机的任务序列为B中的第1~a个元素,第二架无人机的任务序列为B中的第a+1~2*a个元素,依次类推,最后一架无人机的任务序列为B中剩余的所有元素。
进一步地,由于多无人机协同电力巡检任务分配问题是NP-Hard问题,采用启发式算法进行求解能够得到较优的解,并且求解速度较快。参见以上步骤S5,采用遗传算法对初始的任务分配方案进行优化求解以获得每架无人机的最优任务分配方案。
采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,以公式(2)为个体适应度函数,通过改进遗传算法的选择、交叉、变异等遗传操作对初始种群进行最小化适应度函数的寻优过程,在固定迭代次数下求取最佳的可行解,并将求取结果作为多无人机协同电力巡检任务分配的结果。遗传算法的流程图如图(2)所示。图(2)中涉及的染色体编码和种群初始化如步骤S4和步骤S5所示。选择、交叉及变异遗传操作规则如下:
选择操作:通过轮盘赌法选择种群中的个体进行交叉及变异操作。本发明的多无人机协同电力巡检任务分配方法的目的是最小化耗时最长的无人机的任务时间,也即最小化适应度函数值,且轮盘赌法中个体被选择的概率与其适应度值成比例。因此,规模为NP的种群,适应度函数值为fi,i=1,2,...,Np;个体i被选择的概率pi,i=1,2...,NP如公式(7)所示,表示适应度函数值越高的个体被选择的概率越小。
其中,个体i,i=1,2...,NP的适应度函数fi计算方法如公式(8)所示:
fi=max{Z0} 公式(8)
其中,T={T1,T2,...,Tn}为待巡杆塔集合;d0j为杆塔Tj与驻车点0的地理直线距离;v为无人机往返驻车点与电力杆塔时的飞行速度;xij为0-1变量,当无人机Ui访问杆塔Tj时为1,否则为0;Cj为无人机在杆塔Tj处的巡检时间。
交叉操作:通过轮盘赌法选择父代中适应度函数值最低的个体,该个体的染色体即为父染色体。本发明使用2-opt交叉方法从父代染色体生成子代染色体。交叉操作的引入,增强了遗传算法的搜索能力。
进一步地,2-opt交叉方法是在父代染色体中随机选取两点M和N,将M之前的染色体不变添加到新的染色体中,将M和N之间的染色体反转编号后添加到新的染色体中,将N之后的序列不变添加到新的序列中。
变异操作:本发明采用随机选取两对不相邻基因位互换基因值的方法进行变异操作。变异操作的引入,维持了遗传算法的种群多样性。
下面通过一个具体实例,详细说明如何根据上述多无人机协同电力巡检任务分配方法求取每架无人机的任务序列。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。
在MATLAB仿真条件下,假设有m=4架可执行巡检任务的同质无人机,待巡检区域有n=20基待巡检杆塔,驻车点及待巡检杆塔位置坐标如表2所示。其中,由于待巡检电力杆塔为同质的,所以每个杆塔Tj需要巡检的时间Cj均相同。
进一步地,本发明实施例提供的应用场景如图3所示,其中编号0代表作业车驻车点,编号1-20代表待巡检区域电力杆塔的位置。
进一步地,本发明实施例中遗传算法的相关参数设置如下:种群大小为80,交叉概率为0.9,变异概率为0.01,迭代次数为500。
表1驻车点及待巡检区域杆塔经纬度坐标
序号 | 经度 | 纬度 | 序号 | 经度 | 纬度 |
驻车点0 | 117.1530 | 33.8807 | 杆塔T<sub>11</sub> | 117.166742 | 33.859388 |
杆塔T<sub>1</sub> | 117.139713 | 33.903043 | 杆塔T<sub>12</sub> | 117.155077 | 33.869381 |
杆塔T<sub>2</sub> | 117.159363 | 33.886134 | 杆塔T<sub>13</sub> | 117.163622 | 33.895509 |
杆塔T<sub>3</sub> | 117.147162 | 33.87538 | 杆塔T<sub>14</sub> | 117.177978 | 33.892562 |
杆塔T<sub>4</sub> | 117.122702 | 33.892001 | 杆塔T<sub>15</sub> | 117.165139 | 33.858737 |
杆塔T<sub>5</sub> | 117.120785 | 33.880803 | 杆塔T<sub>16</sub> | 117.174174 | 33.868737 |
杆塔T<sub>6</sub> | 117.111862 | 33.878634 | 杆塔T<sub>17</sub> | 117.134719 | 33.884602 |
杆塔T<sub>7</sub> | 117.151833 | 33.888902 | 杆塔T<sub>18</sub> | 117.171926 | 33.88485 |
杆塔T<sub>8</sub> | 117.146367 | 33.856802 | 杆塔T<sub>19</sub> | 117.186436 | 33.862767 |
杆塔T<sub>9</sub> | 117.154065 | 33.903407 | 杆塔T<sub>20</sub> | 117.18737 | 33.892182 |
杆塔T<sub>10</sub> | 117.123327 | 33.880778 |
具体分配步骤如下:
获取到驻车点经纬度坐标为(117.1530,33.8807),待巡检区域的电力巡检任务集合为T={T1,T2,...,T20},当前可执行巡检任务的无人机集合{U1,U2,U3,U4}。
计算集合T中每个元素与驻车点0的地理直线距离,并存储在一维距离矩阵Dmat中。则本发明提供的实施例中的一维距离矩阵Dmat可用以下形式表示,为了方便展示,这里用Dmat矩阵的转置矩阵形式进行表示。
DmatT=[2.7706,0.8427,0.8003,3.0661,2.9739,3.8046,0.9184,2.7270,2.5268,2.7392,2.6880,1.2731,1.9165,2.6563,2.6871,2.3648,1.7424,1.8070,3.6750,3.4199]
建立多无人机协同电力巡检任务分配模型,如所述公式(2)~公式(6)所示。
采用实数编码方式建立直线形式的染色体。本发明提供的实施例的染色体编码方式实例如图4所示。具体的,每个个体的染色体编码为一个一维数组,数组长度与待巡检区域电力杆塔总数相等。由于本发明提供的任务分配方法的优化目标是使得每架无人机的任务时间尽量相近,即每架无人机任务序列的长度相近且往返飞行的总距离相近,所以每个个体的染色体按照可执行巡检任务的无人机数量m均匀的分为m段,每段染色体即为每个无人机的任务序列。在本实施例中,每个个体的染色体可均匀分为4段,每段染色体代表每个无人机的任务序列。
生成符合模型约束方程的预设规模的初始种群。初始染色体为1~n的随机数列,初始染色体的编码如图5所示。
采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,包括选择、交叉和变异操作,在最大迭代次数下求得的最优解即为多无人机巡检***的最佳任务分配方案。
其中,交叉操作的具体实施例可如图6所示,具体地,使用2-opt交叉方法从父代染色体生成子代染色体,本实施例以随机选择图4染色体的“8”和“4”进行交叉,交叉结果如图6所示。
其中,变异操作的具体实施例可如图7所示,具体地,采用随机选取两对不相邻基因位互换基因值的方法进行变异操作。本实施例以随机选择图4染色体的“8”和“4”、“16”和“9”两对不相邻基因位进行变异操作,变异结果如图7所示。
在MATLABR2014a仿真环境下运行遗传算法的代码,所得分配结果如表3所示。
表3多无人机协同电力巡检任务分配结果
由于本发明提供的多无人机协同电力巡检任务分配方法的优化目标是最小化耗时最长的无人机的任务时间,即使每架无人机的任务时间尽量相近,又因为无人机在杆塔处的巡检时间相等且远大于往返杆塔与驻车点间的飞行时间,所以为了保证每架无人机的任务时间相近则需要保证:(1)每架无人机的任务序列中的杆塔数相近;(2)每架无人机的往返飞行总距离相近。
所以,从分配结果可以看出,当待巡检区域杆塔总数是可执行巡检任务的无人机总数的整数倍时,每架无人机可以分配相同数量的电力杆塔,则可以将本发明提供的多无人机协同电力巡检任务分配模型的优化目标从最小化耗时最长的无人机任务时间转换成最小化往返飞行距离最长的无人机的飞行总距离,也即最小化往返飞行总距离最长的无人机的飞行距离与往返飞行总距离最短的无人机的飞行距离之差。在本实施例中,最小的距离之差为0.0348km,可保证四架无人机的任务时间相近,减少无人机的等待浪费,最大化利用无人机资源。
进一步地,当待巡检区域杆塔总数不是可执行巡检任务的无人机总数的整数倍时,通过获取无人机往返飞行速度与在每个杆塔处的巡检时间代入多无人机协同电力巡检任务分配模型及求解算法中,可以得到以最小化耗时最长的无人机任务时间为优化目标的每架无人机最优任务分配方案。
综上所述,本发明以实际电力巡检中存在的多架无人机任务分配混乱为背景,通过建立多无人机协同电力巡检任务分配模型并采用遗传算法进行求解,优化目标为最小化耗时最长的无人机的任务时间,通过将优化目标转换成每架无人机的任务时间相近来减少无人机的等待浪费,最大化利用无人机资源,能够有效提升无人机电力巡检的效率。
进一步地,本发明提供的多无人机协同电力巡检任务分配方法可以直接利用实际电力杆塔的经纬度坐标进行计算,极大程度上方便了电力公司的实际应用。
进一步地,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多无人机协同电力巡检任务分配方法求取每架无人机的任务序列,旨在通过具体实例说明本发明提供的方法的有效性。
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“包括一个……”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。
最后应说明的是:以上各实施案例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施案例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施案例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施案例技术方案的范围。
Claims (6)
1.一种多无人机协同电力巡检的任务分配方法,其特征在于,包括:
获取驻车点位置坐标、待巡检区域的电力巡检任务集合和当前可执行巡检任务的无人机集合;
计算待巡检区域的电力巡检任务集合中每个电力杆塔到驻车点的地理直线距离;
基于无人机电力巡检实际情况和任务场景要求,构建具有多重约束的多无人机协同电力巡检任务分配模型;
针对任务的独特性和无人机的同质性,采用实数编码方式,将任意一个适用于任务分配问题的可行解编码为一个直线形式的完整染色体;
根据多无人机协同电力巡检任务分配模型信息和遗传算法的编码方式,生成符合模型约束方程的预设规模的初始种群;
采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,在最大迭代次数下求得的最优解即为多无人机巡检***的最佳任务分配方案。
2.根据权利要求1所述的一种多无人机协同电力巡检的任务分配方法,其特征在于,所述驻车点为作业车的停车点,作业车在驻车点放飞并回收无人机,使得无人机可访问驻车点作业半径内的待巡检杆塔。
3.根据权利要求1所述的一种多无人机协同电力巡检的任务分配方法,其特征在于,所述待巡检区域的电力巡检任务集合中每个电力杆塔到驻车点的地理直线距离通过公式(1)计算得到
d0i=R*arccos[sin(x0)*sin(xi)+cos(x0)*cos(xi)*cos(y0-yi)] 公式(1)
其中,d0i表示电力杆塔i到驻车点0的地理直线距离;(y0,x0)表示驻车点0的经纬度坐标,y0为驻车点0的经度,x0为驻车点0的纬度;(yi,xi)表示杆塔i的经纬度坐标,yi为杆塔i的经度,xi为杆塔i的纬度;R为地球半径,取6371.004km。
5.根据权利要求4所述的一种多无人机协同电力巡检的任务分配方法,其特征在于,所述多无人机协同电力巡检任务分配模型的约束条件采用公式(3)至(6)来表示:
其中0表示作业车的驻车点编号,T={T1,T2,...,Tn}为驻车点作业半径内所有待巡杆塔的集合,待巡杆塔总数为n,驻车点0处可执行巡检任务的无人机集合为U={U1,U2,...,Um};f0i表示无人机i在驻车点0处起飞的次数;d0j为杆塔Tj与驻车点0的地理直线距离;v为无人机往返驻车点与电力杆塔时的飞行速度;xij为0-1变量,当无人机Ui访问杆塔Tj时为1,否则为0;Cj为无人机在杆塔Tj处的巡检时间;
公式(3)表示每个杆塔有且仅有一架无人机访问一次;
公式(4)表示所有无人机在驻车点0处起飞的次数之和等于待巡杆塔总数,即每架无人机每次起飞只巡检一基杆塔;
公式(5)表示每架无人机的任务时间等于往返飞行时间之和加上杆塔处巡检时间之和;
公式(6)为决策变量约束。
6.根据权利要求5所述的一种多无人机协同电力巡检的任务分配方法,其特征在于,所述采用遗传算法对多无人机协同电力巡检任务分配模型进行求解,可获得多无人机巡检***的最佳任务分配方案,包括:
所述遗传算法的染色体编码方式为实数编码,每个染色体代表一个个体的基因,表示一个任务分配方案,每个染色体都被编码为一个1行n列的数列,其中n为待巡检杆塔的总数;将每个染色体按比例平均分成m段,其中m为可执行任务的无人机的总数,则每段染色体代表一架无人机任务序列;
所述遗传算法以公式(2)作为适应度函数,通过改进遗传算法的选择、交叉、变异对初始种群进行最小化适应度函数的寻优过程,在固定迭代次数下求取最佳可行解,并将求取结果作为多无人机协同电力巡检任务分配的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394113.4A CN113011780B (zh) | 2021-04-13 | 2021-04-13 | 一种多无人机协同电力巡检的任务分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110394113.4A CN113011780B (zh) | 2021-04-13 | 2021-04-13 | 一种多无人机协同电力巡检的任务分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113011780A true CN113011780A (zh) | 2021-06-22 |
CN113011780B CN113011780B (zh) | 2022-05-31 |
Family
ID=76388677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110394113.4A Active CN113011780B (zh) | 2021-04-13 | 2021-04-13 | 一种多无人机协同电力巡检的任务分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011780B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885555A (zh) * | 2021-09-14 | 2022-01-04 | 安徽送变电工程有限公司 | 面向输电线路密集通道巡检的多机任务分配方法和*** |
CN114185363A (zh) * | 2021-12-09 | 2022-03-15 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于5g链路的电力巡检无人机多机综合管理*** |
CN114442664A (zh) * | 2022-01-17 | 2022-05-06 | 江苏方天电力技术有限公司 | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 |
CN115454148A (zh) * | 2022-11-08 | 2022-12-09 | 四川腾盾科技有限公司 | 固定翼集群无人机区域覆盖路径规划方法、介质及装置 |
CN118151671A (zh) * | 2024-05-13 | 2024-06-07 | 江西师范大学 | 一种车载无人机边缘协同电力巡检方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404938A (zh) * | 2015-11-30 | 2016-03-16 | 国网山东省电力公司烟台供电公司 | 一种缩短输电线路巡视时间的巡线路径优化方法 |
CN108844541A (zh) * | 2018-03-09 | 2018-11-20 | 广东电网有限责任公司机巡作业中心 | 一种基于巡检场景的机巡路径规划方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
US20210020051A1 (en) * | 2017-07-27 | 2021-01-21 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
-
2021
- 2021-04-13 CN CN202110394113.4A patent/CN113011780B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105404938A (zh) * | 2015-11-30 | 2016-03-16 | 国网山东省电力公司烟台供电公司 | 一种缩短输电线路巡视时间的巡线路径优化方法 |
US20210020051A1 (en) * | 2017-07-27 | 2021-01-21 | Beihang University | Airplane flight path planning method and device based on the pigeon-inspired optimization |
CN108844541A (zh) * | 2018-03-09 | 2018-11-20 | 广东电网有限责任公司机巡作业中心 | 一种基于巡检场景的机巡路径规划方法 |
CN111220159A (zh) * | 2020-02-10 | 2020-06-02 | 合肥工业大学 | 多无人机协同巡检任务的路径优化方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885555A (zh) * | 2021-09-14 | 2022-01-04 | 安徽送变电工程有限公司 | 面向输电线路密集通道巡检的多机任务分配方法和*** |
CN114185363A (zh) * | 2021-12-09 | 2022-03-15 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于5g链路的电力巡检无人机多机综合管理*** |
CN114185363B (zh) * | 2021-12-09 | 2024-04-05 | 国网江苏省电力有限公司泰州供电分公司 | 一种基于5g链路的电力巡检无人机多机综合管理*** |
CN114442664A (zh) * | 2022-01-17 | 2022-05-06 | 江苏方天电力技术有限公司 | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 |
CN114442664B (zh) * | 2022-01-17 | 2023-09-26 | 江苏方天电力技术有限公司 | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 |
CN115454148A (zh) * | 2022-11-08 | 2022-12-09 | 四川腾盾科技有限公司 | 固定翼集群无人机区域覆盖路径规划方法、介质及装置 |
CN118151671A (zh) * | 2024-05-13 | 2024-06-07 | 江西师范大学 | 一种车载无人机边缘协同电力巡检方法 |
CN118151671B (zh) * | 2024-05-13 | 2024-07-30 | 江西师范大学 | 一种车载无人机边缘协同电力巡检方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113011780B (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113011780B (zh) | 一种多无人机协同电力巡检的任务分配方法 | |
Marinelli et al. | En route truck–drone parcel delivery for optimal vehicle routing strategies | |
CN112016812B (zh) | 多无人机任务调度方法、***及存储介质 | |
CN108229719B (zh) | 无人机编队任务分配与航迹规划的多目标优化方法及装置 | |
Gao et al. | Multi-UAV reconnaissance task allocation for heterogeneous targets using grouping ant colony optimization algorithm | |
CN107579518B (zh) | 基于mhba的电力***环境经济调度方法和装置 | |
CN107622327A (zh) | 基于文化蚁群搜索机制的多无人机航迹规划方法 | |
CN113705982A (zh) | 一种车机协同电力巡检的调度决策方法 | |
CN113885555A (zh) | 面向输电线路密集通道巡检的多机任务分配方法和*** | |
CN113485409B (zh) | 一种面向地理公平性的无人机路径规划分配方法及*** | |
CN110059875A (zh) | 基于分布式鲸鱼优化算法的公共自行车需求量预测方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及*** | |
CN113934686B (zh) | 面向海量机载激光点云的分布式多级空间索引方法 | |
Sun et al. | Task scheduling system for UAV operations in agricultural plant protection environment | |
CN114020005A (zh) | 多无人机协同巡检配网线路的航迹规划方法和*** | |
CN114442664B (zh) | 一种计及空域冲突的输电线路无人机编队协同巡检任务分配方法 | |
CN116203982A (zh) | 无人机电力巡查航迹规划方法及*** | |
CN113934228B (zh) | 基于协商共识的集群四旋翼无人机任务规划方法 | |
Li et al. | A hybrid large neighborhood search algorithm for solving the multi depot UAV swarm routing problem | |
Peng et al. | Modeling and solving the dynamic task allocation problem of heterogeneous UAV swarm in unknown environment | |
CN109784585A (zh) | 一种无人机无人艇的混合布放调度方法 | |
CN117993672A (zh) | 一种基于任务自适应聚类优化的多机电力巡检滚动调度算法 | |
CN117455030A (zh) | 无人机机巢仿生规划方法、装置及存储介质 | |
Li et al. | Cooperative mapping task assignment of heterogeneous multi-UAV using an improved genetic algorithm | |
CN116805201A (zh) | 一种无人机的能源补给站部署方法 |
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 |