输电线路巡检路径优化方法及系统与流程

本发明涉及输电线路巡检，特别是涉及一种输电线路巡检路径优化方法及系统。

背景技术：

1、输电线路是用变压器将发电机发出的电能升压后，再经断路器等控制设备接入输电线路来实现。按照结构形式划分，现有的输电线路可以分为架空输电线路和电缆线路。输电线路的日常巡检是保障供电可靠的一项基础而重要的工作，近年来，多采用无人机(uav)代替人力巡检。由于uav巡检受限于遥控的控制范围和续航能力，导致无法进行超远距离飞行和长时间巡检，且输电线路的巡检任务体量较大，一般需分配多个巡检组完成巡检任务，因此需对多巡检组的巡检路径进行规划，减少工作时间，保证uav在能耗范围内高效完成巡检任务。

2、然而，传统的输电线路巡检路径规划中，尤其在多巡检组路径规划中，各巡检组的工作量可能存在不平衡问题，可能导致巡检任务效率低下甚至无法完成。因此，传统的输电线路巡检存在巡检效率低的问题。

技术实现思路

1、基于此，为了解决上述技术问题，提供一种输电线路巡检路径优化方法及系统，可以提高输电线路的巡检效率。

2、一种输电线路巡检路径优化方法，所述方法包括：

3、获取巡检出发节点以及巡检目标节点，并根据所述巡检出发节点、所述巡检目标节点构建输电线路巡检模型，并为所述输电线路巡检模型构建约束条件；

4、根据所述输电线路巡检模型得到最小巡检组数量；

5、基于所述最小巡检组数量以及所述输电线路巡检模型，通过改进的k-means算法以及混合遗传模拟退火算法，对每个巡检组的巡检路径进行优化，得到优化后的巡检路径；

6、根据所述优化后的巡检路径分别计算各个所述巡检组的巡检总时间，并根据各个所述巡检总时间对所述巡检组中的巡检节点进行调整，得到调整后的巡检组；

7、将所述调整后的巡检组再次根据所述混合遗传模拟退火算法进行巡检路径优化，直至得到最优路径。

8、在其中一个实施例中，所述输电线路巡检模型描述公式为：g＝(n，s，t)，其中，g表示所构建的输电线路巡检模型；n表示由所述巡检出发节点和巡检目标节点构成的节点集合，n＝{n0，n1，n2，，...，nn}，n0表示所述巡检出发节点；s表示边集合，sij＝{(ni，nj)|n1，n2∈n，i≠j}，sij表示节点ni和nj之间的边；t表示路程时间矩阵，t＝r(n+1)×(n+1)，t中元素tij代表从节点ni到nj的路程时间。

9、在其中一个实施例中，所述约束条件定义为：其中，

10、保证巡检组数量为k：

11、保证任一巡检目标节点的访问前仅有一个被访问节点，且之后仅有一个待访问节点：

12、采用mtz约束消除子环路：其中，ui代表对巡检目标节点i按序访问的等级，q代表任一巡检组可检查的最大数量；

13、tp＜tmax，其中，tp表示第p个巡检组巡检路程和检查需要的总时间，其中，p∈{1，2，...，k}，k为巡检组数量，每个巡检组需要的总时间不可超过最长工作时间tmax；

14、tmd＜β，其中，tmd表示各巡检组需要总时间的最大差异，β代表巡检组之间工作时间最大差值的阈值。

15、在其中一个实施例中，所述最小巡检组数量k定义为：

16、其中，(ttr+ntc)/tmax＝1，ttr表示单巡检组最优路径时间，tav表示从巡检出发节点到各巡检目标节点的平均往返时间；tc表示uav检查传输线路所需时间，单巡检组完成任务所需时间为ttr+ntc；tmax表示uav最长工作时间。

17、在其中一个实施例中，所述根据混合遗传模拟退火算法，对每个所述巡检组的巡检路径进行优化，得到优化后的巡检路径，包括：

18、进行参数初始化，所述参数包括种群大小k、交叉概率pc、变异概率pn、初始温度t0；

19、采用随机生成方式进行种群初始化，并根据所述约束条件计算种群个体适应度；其中，初始化种群为p0；

20、对当前种群进行选择操作，选择适应度在前10％的个体记为p1，作为最优个体直接复制进入下一代，剩余个体进入交叉变异操作；

21、对当前种群进行交叉、变异操作后，得到种群p2；对当前种群进行模拟退火操作得到p3；

22、将最优个体种群p1和混合遗传模拟退火产生的解p3合并成为新种群p4；

23、根据约束对种群p4进行终止条件判断，若符合条件则输出优化后的巡检路径，若不符合则再次对当前种群进行交叉、变异操作、模拟退火操作，并再次合成新种群p4，直到输出优化后的巡检路径。

24、在其中一个实施例中，在对当前种群进行交叉操作时，采用两点交叉，包括：

25、在亲代染色体上根据交叉概率随机选取两点，分别为点1和点2，交换交叉点1、点2的中间部分，交叉后保持点1和点2的中间部分基因不动，对子代染色体的点1前和点2后两部分进行基因冲突检测和修正，包括：

26、根据交叉点1、点2中间部分获得基因点之间的映射关系，对子代染色体进行修正，顺序为从第一个节点开始到交叉点1，从交叉点2到最后，判断每一个节点是否与交叉后的基因发生冲突，并根据映射关系进行修正。

27、在其中一个实施例中，在对当前种群进行变异操作时，采用两点变换变异，包括：

28、对染色体进行遍历，每个基因都根据变异概率判定一次是否变异；

29、如果基因位置发生变异，则随机选择染色体另一位置基因，对二者进行交换。

30、在其中一个实施例中，所述通过改进的k-means算法以及混合遗传模拟退火算法，对每个巡检组的巡检路径进行优化，得到优化后的巡检路径，包括：

31、进行参数初始化，包括总时间初始值为无穷大，最大迭代次数nmax，以及所述混合遗传模拟退火算法中的参数；

32、进行初始分类，随机选择k个巡检目标节点添加至k个集合，并根据与所选择k个节点的最短路径长度将其他节点填入集合中；

33、根据所述混合遗传模拟退火算法，对每个巡检组的巡检路径进行优化，得到优化后的巡检路径。

34、在其中一个实施例中，所述根据所述优化后的巡检路径分别计算各个所述巡检组的巡检总时间，并根据各个所述巡检总时间对所述巡检组中的巡检节点进行调整，得到调整后的巡检组，将所述调整后的巡检组再次根据所述混合遗传模拟退火算法进行巡检路径优化，直至得到最优路径，包括：

35、步骤一，计算各个所述巡检组的巡检总时间ttotal；

36、步骤二，若各巡检组花费时间tp不超过设定阈值，且巡检组间花费时间的最大差异值tdiff不超设定阈值，同时总时间ttotal小于上一次迭代时计算的值，则将当前值作为优化结果，并进行步骤五；

37、步骤三，若最大差异值tdiff和巡检组花费时间tp的约束条件仅满足一个，则仍保留上一次迭代得出的优化结果，并进行步骤五；

38、步骤四，若最大差异值tdiff和巡检组花费时间tp的约束条件均不满足，但当前总时间小于上一次迭代计算结果，且tp的标准差小于上一次迭代结果的标准差，则将当前值作为优化结果，并进行步骤五；

39、步骤五，从花费时间最长的巡检组集合中随机选择一个目标节点，将其移动到花费时间最短的集合，并重复步骤一至四；当迭代次数达到最大值nmax，则将当前结果作为最终优化结果。

40、一种输电线路巡检路径优化系统，应用于无人机，所述系统包括：

41、构建模块，用于获取巡检出发节点以及巡检目标节点，并根据所述巡检出发节点、所述巡检目标节点构建输电线路巡检模型，并为所述输电线路巡检模型构建约束条件；

42、巡检组数量计算模块，用于根据所述输电线路巡检模型得到最小巡检组数量；

43、巡检路径优化模块，用于基于所述最小巡检组数量以及所述输电线路巡检模型，通过改进的k-means算法以及混合遗传模拟退火算法，对每个巡检组的巡检路径进行优化，得到优化后的巡检路径；

44、巡检组调整模块，用于根据所述优化后的巡检路径分别计算各个所述巡检组的巡检总时间，并根据各个所述巡检总时间对所述巡检组中的巡检节点进行调整，得到调整后的巡检组；

45、最优路径获取模块，用于股将所述调整后的巡检组再次根据所述混合遗传模拟退火算法进行巡检路径优化，直至得到最优路径。

46、上述输电线路巡检路径优化方法及系统，通过获取巡检出发节点以及巡检目标节点，并根据所述巡检出发节点、所述巡检目标节点构建输电线路巡检模型，并为所述输电线路巡检模型构建约束条件；根据所述输电线路巡检模型得到最小巡检组数量；基于所述最小巡检组数量以及所述输电线路巡检模型，通过改进的k-means算法以及混合遗传模拟退火算法，对每个巡检组的巡检路径进行优化，得到优化后的巡检路径；根据所述优化后的巡检路径分别计算各个所述巡检组的巡检总时间，并根据各个所述巡检总时间对所述巡检组中的巡检节点进行调整，得到调整后的巡检组；将所述调整后的巡检组再次根据所述混合遗传模拟退火算法进行巡检路径优化，直至得到最优路径。通过构建输电线路巡检模型以及约束条件，再求解得到理论最小巡检组数量，结合混合遗传模拟退火算法以及改进的k-means算法，可以对多巡检组的巡检路径进行规划，并对每个巡检组的工作量进行平衡，可以采用最小数量的巡检组高效完成输电线路的巡检任务，提高了输电线路的巡检效率。