配网设备运行监控自动巡视方法、系统及终端设备与流程

1.本技术涉及路径规划技术领域，具体涉及一种配网设备运行监控自动巡视方法、一种配网设备运行监控自动巡视系统、一种机器可读存储介质及一种终端设备。


背景技术：

2.配电物联网现场的二次装备运维管理通常采取计划检修和周期性定期检修制度对二次设备进行维护，巡检不及时和覆盖面不够会导致设备存在隐患未被及时发现的风险，将严重影响供电可靠性。目前，二次设备的维护通常通过人工运维管理实现，但持续增长的配电设备数量和配电运维班组人员短缺已成为日益突出的问题；而现有的便携式运维终端、巡检机器人等新型运维装备虽然能一定程度上提升运维效率，但是因为配网设备存在数量多、分布广、高度不一等特点，且在变电站、配电站房等场景的实际应用中，通常要求运维终端在规划的路线多次停靠完成采集取样，现有的便携式现场运维终端、配电站房智能巡检机器人等新型运维终端难以高效、全面的对现场设备完成巡检。


技术实现要素：

3.本技术实施例的目的是提供一种配网设备运行监控自动巡视方法、系统及终端设备，以解决现有的运维终端难以高效、全面的对现场设备完成巡检的问题。
4.为了实现上述目的，本技术第一方面提供一种配网设备运行监控自动巡视方法，包括：获取预先建立的巡视模型，所述巡视模型包括目标函数及约束条件，所述目标函数用于描述运维终端经巡视路径上的采样点完成对所有配网设备的巡视任务所需的最小巡视时间；通过和声搜索算法计算所述目标函数的当前解，以确定所述运维终端的当前巡视路径，依据所述约束条件确定所述当前巡视路径的采样点，通过所述目标函数确定所述运维终端经所述当前巡视路径的采样点完成对所有配网设备的巡视任务的巡视时间；在满足收敛条件的情况下，确定具有最小巡视时间的巡视路径为最优巡视路径。
5.优选地，依据所述约束条件确定所述当前巡视路径的采样点，包括：构建满足所述约束条件的所有配网设备的样本数据集合；通过聚类算法对所有样本数据进行聚类，依据聚类结果确定所述运维终端在所述当前巡视路径上的采样点。
6.优选地，通过聚类算法对所有配网设备进行聚类，依据聚类结果确定所述运维终端在所述当前巡视路径上的采样点，包括：s100、选取j个初始聚类中心；s110、计算每一样本数据分别与各初始聚类中心的欧式距离；s120、将每一样本数据划分至与其欧式距离最近的聚类中心，生成对应数量的聚类簇；
s130、计算每个聚类簇中所有样本数据到该聚类中心的欧式距离均值，并以得到的均值更新每个聚类簇的聚类中心，直至各个聚类中心位置不再变化或达到最大迭代次数；s140、计算得到的所有聚类簇的误差平方和，若依据肘部法则及得到的所有误差平方和得到最佳聚类簇，执行步骤s150，否则，令j加1，执行步骤s110；s150、确定得到的最佳聚类簇的各聚类中心为所述运维终端在所述当前巡视路径上的采样点，依据得到的最佳聚类簇的各样本数据确定各采样点对应的配网设备的集合。
7.优选地，所述目标函数包括：t=λn+l/v；其中，λ为所述运维终端在采样点停靠的时间常数，λn为所述运维终端在n个采样点停靠采样所需的时间，v为所述运维终端的运行速度，l为巡视路径的总长度。
8.优选地，所述运维终端的巡视路径由若干预设的中转点构成；所述巡视路径的总长度由对该巡视路径中所有相邻中转点之间的距离求和得到。
9.优选地，所述约束条件包括：；其中，x(si)为所述运维终端第i次停靠采样的配网设备的集合，i=1，2，
…
，n，n为采样点数量。
10.优选地，构建满足所述约束条件的所有配网设备的样本数据集合，包括：获取所述运维终端的作业域={o(x，y)，r}，其中，o(x，y)为所述运维终端的坐标，r为所述运维终端的工作半径；依据所述当前巡视路径确定所有配网设备与所述运维终端的作业域在当前巡视路径上的交集，得到所有配网设备的样本数据集合。
11.优选地，通过和声搜索算法计算所述目标函数的当前解，包括：初始化控制参数及和声记忆库，所述控制参数包括记忆库取值概率hmcr、音调微调概率par、所述运维终端在采样点停靠的时间常数λ、所述运维终端的运行速度及所述运维终端的作业域，所述和声记忆库包括依据所述控制参数随机生成的hms个解向量；根据第一预设规则更新所述记忆库取值概率hmcr及所述音调微调概率par；依据更新后的记忆库取值概率hmcr、更新后的音调微调概率par及第二预设规则更新所述和声记忆库中的解向量，得到所述目标函数的当前解。
12.优选地，所述第一预设规则包括：。
13.优选地，所述第一预设规则还包括：；其中，k为当前迭代次数，k
max
为最大迭代次数，hmcr为记忆库取值概率，hmcr
max
为
记忆库取值概率的上限，hmcr
min
为记忆库取值概率的下限，par为音调微调概率，par
max
为音调微调概率的上限，par
min
为音调微调概率的下限。
14.优选地，所述控制参数还包括音调微调带宽bw，所述第二预设规则包括：随机生成一个随机数r1；若r1＜hmcr，从所述和声记忆库中随机获取一个解向量；随机生成一个随机数r2；若r2＜par，依据所述音调微调带宽bw对从所述和声记忆库中随机获取的解向量进行调整，生成新的解向量。
15.优选地，生成新的解向量之后，所述第二预设规则还包括：计算所述和声记忆库中各个解向量对应的适应度值；根据各所述适应度值确定最差解向量；计算所述新的解向量的适应度值；若所述新的解向量的适应度值大于所述最差解向量的适应度值，则将所述最差解向量替换为所述新的解向量；得到所述目标函数的当前解，包括：确定所述和声记忆库中的最优解向量为所述目标函数的当前解。
16.优选地，所述收敛条件包括达到最大迭代次数；在满足收敛条件的情况下，确定具有最小巡视时间的巡视路径为最优巡视路径，包括：将所述目标函数的当前解对应的巡视时间与所述和声记忆库中的前一最优解向量对应的巡视时间进行比较，若所述目标函数的当前解对应的巡视时间小于所述前一最优解向量对应的巡视时间，以所述目标函数的当前解更新前一最优解向量为全局最优解，否则，以所述前一最优解向量为全局最优解；判断是否达到最大迭代次数，若是，确定全局最优解对应的巡视路径为最优巡视路径，否则，重复通过和声搜索算法计算所述目标函数的当前解的步骤，直至达到最大迭代次数，确定全局最优解对应的巡视路径为最优巡视路径。
17.本技术的第二方面，提供一种配网设备运行监控自动巡视系统，包括：数据获取模块，被配置为获取预先建立的巡视模型，所述巡视模型包括目标函数及约束条件，所述目标函数用于描述运维终端经巡视路径上的采样点完成对所有配网设备的巡视任务所需的最小巡视时间；路径计算模块，被配置为通过和声搜索算法计算所述目标函数的当前解，以确定所述运维终端的当前巡视路径，依据所述约束条件确定所述当前巡视路径的采样点，通过所述目标函数确定所述运维终端经所述当前巡视路径的采样点完成对所有配网设备的巡视任务的巡视时间；以及在满足收敛条件的情况下，确定具有最小巡视时间的巡视路径为最优巡视路径。
18.本技术的第三方面，提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的配网设备运行监控自动巡视方法。
19.本技术的第四方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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上述
的配网设备运行监控自动巡视方法。
20.本技术通过建立描述运维终端经巡视路径上的采样点完成对所有配网设备的巡视任务所需的最小巡视时间的目标函数，基于改进的和声搜索算法确定目标函数的最优解，从而能够有效生成运维终端的最优巡视线路，进而能够有效提高配网设备运行监控自动巡视的效率。
21.本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
22.附图是用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本技术实施例，但并不构成对本技术实施例的限制。在附图中：图1为本技术优选实施例提供的配网设备运行监控自动巡视方法的方法流程图；图2为本技术优选实施例提供的运维终端的巡视路径示意图；图3为本技术优选实施例提供的配网设备运行监控自动巡视系统的示意框图；图4为本技术优选实施例提供的终端设备示意图。
23.附图标记说明10-终端设备，100-处理器，101-存储器，102-计算机程序。
具体实施方式
24.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本技术实施例，并不用于限制本技术实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.需要说明的是，本技术各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
26.为了解决上述问题，如图1所示，在本技术第一方面提供一种配网设备运行监控自动巡视方法，包括：获取预先建立的巡视模型，巡视模型包括目标函数及约束条件，目标函数用于描述运维终端经巡视路径上的采样点完成对所有配网设备的巡视任务所需的最小巡视时间；通过和声搜索算法计算目标函数的当前解，以确定运维终端的当前巡视路径，依据约束条件确定当前巡视路径的采样点，通过目标函数确定运维终端经当前巡视路径的采样点完成对所有配网设备的巡视任务的巡视时间；在满足收敛条件的情况下，确定具有最小巡视时间的巡视路径为最优巡视路径。
27.如此，本技术通过建立描述运维终端经巡视路径上的采样点完成对所有配网设备的巡视任务所需的最小巡视时间的目标函数，基于改进的和声搜索算法确定目标函数的最优解，从而能够有效生成运维终端的最优巡视线路，进而能够有效提高配网设备运行监控自动巡视的效率。
28.如图2所示，在通过运维终端对变电站或配电站房的配网设备进行测量、检测或数据采集时，由于配网设备通常数量多、分布广、高度不一致，运维终端通常需要在运行路径上多次停靠以完成对配网设备的数据采集。为了提高运维终端的巡视效率，且保证所有的待检测配网设备均处于运维终端的采集范围内，则需要精确的确定运维终端的运行路径。为了解决该问题，本技术首先构建了描述运维终端经巡视路径上的采样点完成对预设区域内所有待检测的配网设备的巡视任务所需的最小巡视时间的目标函数及约束条件。以巡视现场包括m台配网设备为例，配网设备xm分布在巡视现场的不同位置，预先根据巡视现场的配网设备的位置确定若干中转点，运维终端的自动巡视问题可描述为以运维终端的存放位置s0为巡视路径的起点，合理选择运维终端的巡视路径，其中，运维终端的巡视路径由必须预设的若干中转点中的一个或多个进行中转，运维设备在选择的巡视路径上的n个不同位置即采样点sn进行n次停靠采样，以完成m台配网设备的数据采集，最后返回运维终端的存放点s0，同时要求使得整个巡视过程的时间消耗最小，即要求运维终端平衡最优路径与采样点的制约性，其中，n≤m。
29.本技术中，预先建立的目标函数为：t=λn+l/v；其中，λ为运维终端在采样点停靠的时间常数，λn为运维终端在n个采样点停靠采样所需的时间，v为运维终端的运行速度，l为巡视路径的总长度。其中，由于运维终端的巡视路径由若干预设的中转点构成，各中转点之间的距离已知，因此，巡视路径的总长度可以由对该巡视路径中所有相邻中转点之间的距离求和得到。同时，为了便于分析，本技术中还通过对得到的巡视路径进行均匀差值从而获得巡视路径上离散化的路径点。
30.为了保证运维终端在巡视过程中能够覆盖所有待检测的配网设备，实现对所有配网设备的数据采集，本技术的约束条件为：；其中，x(si)为运维终端第i次停靠采样的配网设备的集合，i=1，2，
…
，n，n为采样点数量。例如，如图2所示，预确定的巡视路径上有sn个采样点，运维终端在采样点s1处能够进行数据采集的配网设备为x1和x2，则x(s1)为{x1，x2}；运维终端在采样点s2处能够进行数据采集的配网设备为x3，则x(s2)为{x3}；运维终端在采样点s3处能够进行数据采集的配网设备为x4、x5及x6，则x(s3)为{x4，x5，x6}。以此类推，约束条件即运维终端在每个采样点能够进行数据采集的配网设备之和，至少包括待检测的所有配网设备，这样，能够保证运维终端在沿着巡视路径进行数据采集时覆盖所有的待检测配网设备。
31.和声算法即hs算法模拟了音乐演奏中乐队和声调谐的原理，每个乐器的音符相当于目标函数中的每个变量，通过反复调整和声记忆库中的解向量，使函数值随着迭代次数的增加不断收敛，从而来完成优化，本技术中，优化的目的是使目标函数达到极小值。
32.本技术中，通过和声搜索算法计算目标函数的当前解，包括：初始化控制参数及和声记忆库，控制参数包括记忆库取值概率hmcr、音调微调概率par、运维终端在采样点停靠的时间常数λ、运维终端的运行速度及运维终端的作业域，和声记忆库包括依据控制参数随机生成的hms个解向量；根据第一预设规则更新记忆库取值概率hmcr及音调微调概率par；
依据更新后的记忆库取值概率hmcr、更新后的音调微调概率par及第二预设规则更新和声记忆库中的解向量，得到目标函数的当前解。
33.首先，初始化hs算法的控制参数及和声记忆库，从变量x的解空间随机生成hms个解向量，即和声x1，x2，
…
，x
hms
，并记录对应的f(x)，其中，x为解向量对应的分量，和声记忆库的形式为：；本技术中，和声记忆库中的每个解向量对应一条运维终端的巡视路径。
34.现有的hs算法通常通过产生一随机数与hmcr和par进行比较来更新和声记忆库中的解向量，但现有技术中，hmcr和par通常为固定值，为了改善hs算法的寻优性能、收敛性及多样性，本技术通过根据迭代次数动态调整hmcr和par，针对每次迭代，都对hmcr和par进行对应调整，从而有效提高了hs算法的寻优性能、收敛性及多样性。
35.具体的，第一预设规则包括：；；其中，k为当前迭代次数，k
max
为最大迭代次数，hmcr为记忆库取值概率，hmcr
max
为记忆库取值概率的上限，hmcr
min
为记忆库取值概率的下限，par为音调微调概率，par
max
为音调微调概率的上限，par
min
为音调微调概率的下限。
36.本技术中，控制参数还包括音调微调带宽bw，第二预设规则包括：随机生成一个随机数r1，若r1＜hmcr，从和声记忆库中随机获取一个解向量；随机生成一个随机数r2，若r2＜par，依据音调微调带宽bw对从和声记忆库中随机获取的解向量进行调整，生成新的解向量。其中，r1与r2为[0，1]之间的随机数。若r1＞hmcr，则从解空间随机生成一个解向量，若r2＞par，则不对和声记忆库进行任何调整。
[0037]
其中，解向量的更新公式表示如下：；；其中，为旧个体分量，为随机生成的个体分量，为新个体分量，rand表示[0，1]上均匀分布的随机数，为新个体分量，rand1表示[0，1]上均匀分布的随机数。
[0038]
初始化控制参数及和声记忆库后，首先根据第一预设规则中动态调整hmcr和par的公式更新解向量的更新公式中的hmcr和par，再通过更新hmcr和par后的解向量的更新公
式更新和声记忆库中的解向量，若生成了新的解向量，在生成新的解向量之后，第二预设规则还包括：根据上述公式生成新的解向量后，首先通过预设的适应度函数计算和声记忆库中每个解向量的适应度值，确定适应度值最小的解向量为最差解向量，同时计算新的解向量的适应度值，将新的解向量的适应度值与最差解向量的适应度值进行比较，若新的解向量的适应度值大于最差解向量的适应度值，则将和声记忆库中的最差解向量替换为新的解向量。比较当前和声记忆库中的所有解向量的适应度值，确定具有最大适应度值的解向量为最优解向量，以最优解向量作为目标函数的当前解，根据目标函数的当前解确定运维终端的当前巡视路径。例如，可以基于目标函数为巡视路径最短建立适应度函数，令巡视路径越短，适应度值越大。
[0039]
获得运维终端的当前巡视路径后，本技术通过聚类算法对配网设备存放点进行聚类以获得运维终端在该路径下的采样停靠点，其中，本技术的聚类算法为k-means++聚类算法，通过k-means++聚类算法将满足约束条件的配网设备聚为一类，通过迭代获得聚类结果，获得的最佳聚类数即为运维终端的采样点。
[0040]
则依据约束条件确定当前巡视路径的采样点，包括：首先，构建满足约束条件的所有配网设备的样本数据集合；可以理解的，根据运维终端的数据采集设备的参数如摄像头参数，能够计算出运维终端的工作范围，即作业域={o(x，y)，r}，其中，o(x，y)为运维终端的坐标，r为运维终端的工作半径，只有当配网设备位于运维终端的作业域内，运维终端才能实现对配网设备的有效采样。因此，本技术中，构建满足约束条件的所有配网设备的样本数据集合，包括：获取运维终端的作业域={o(x，y)，r}，依据当前巡视路径确定所有配网设备与运维终端的作业域在当前巡视路径上的交集，得到所有配网设备的样本数据集合wi，k，i=1，2，m，形成数据集合{w1，k，w2，k
ꢀ…
wm，k }，其中，k表示当前巡视路径为第k次循环得到的巡视路径，wi，k表示第i台配网设备与运维终端在当前巡视路径上的交集。
[0041]
再通过聚类算法对所有样本数据进行聚类，依据聚类结果确定运维终端在当前巡视路径上的采样点，具体包括：s100、从构建的样本数据集合中选取j个初始聚类中心；首先随机确定数据集中的一点为初始聚类中心，分别计算每个样本数据与该初始聚类中心的欧式距离d(w)，计算得到的各欧式距离的累加和∑d(w)，通过公式p(w)=d(w)/ ∑d(w)计算每个样本数据被选为下一个聚类中心的概率，将p(w)的概率依次计算累加和，生成每个样本数据对应的概率区间，随机生成一个0-1 之间的随机数，判断它属于哪个区间，那么该区间对应的序号就是被选择出来的第二个聚类中心，重复上述步骤，直至选出j个聚类中心。
[0042]
s110、分别计算样本数据集合中的每一样本数据与各初始聚类中心的欧式距离。
[0043]
s120、将每一样本数据划分至与其欧式距离最近的聚类中心，生成对应数量的聚类簇。
[0044]
s130、计算每个聚类簇中所有样本数据到该聚类中心的欧式距离均值，并以得到的均值更新每个聚类簇的聚类中心，若聚类中心位置发生变化，则转至步骤s110，否则，转至步骤s140，可以理解的，若各聚类中心位置未满足不再变化的条件，但达到最大迭代次数，转至步骤s140。
[0045]
s140、计算得到的所有聚类簇的误差平方和，若依据肘部法则及得到的所有误差平方和得到最佳聚类簇，执行步骤s150，否则，令j加1，执行步骤s110；其中，所有聚类簇的误差平方和为聚类簇的各簇内误差平方和之和，误差平方和越小，表示每个簇内样本越相似，聚类效果越好。随着聚类数j的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么簇内误差平方和会逐渐变小。当j小于最佳聚类数时，由于聚类数的增大会大幅增加每个簇的聚合程度，故簇内误差平方和的下降幅度会很大，而当j到达最佳聚类数时，再增加j所得到的聚合程度回报会迅速变小，所以簇内误差平方和的下降幅度会骤减，然后随着j值的继续增大而趋于平缓，因此，在聚类数变化过程中会产生拐点，该拐点对应的聚类数即是最佳聚类数。
[0046]
s150、确定得到的最佳聚类簇的各聚类中心为运维终端在当前巡视路径上的采样点，依据得到的最佳聚类簇的各样本数据确定各采样点对应的配网设备的集合。得到最佳聚类簇后，可以确定各聚类簇的聚类中心即为当前巡视路径上的采样点，各聚类簇中的样本数据对应的配网设备即为在该采样点上，运维终端能够采集到数据的配网设备。
[0047]
在得到当前巡视路径的采样点后，将采样点数量n代入目标函数，计算在当前巡视路径下，运维终端完成巡视任务的时间代价，即巡视时间t。可以理解的，本技术中，在每一次迭代中，均通过上述聚类算法计算当前和声记忆库中当前最优解向量对应的巡视路径的n个采样点，该采样点数n即为运维终端在该巡视路径上的停靠次数，将得到的采样点数n代入目标函数计算得到当前最优解向量对应的巡视时间。在得到当前巡视路径对应的巡视时间后，进一步判断是否满足收敛条件，其中，收敛条件包括达到最大迭代次数，具体过程如下：将当前巡视路径对应的巡视时间t与和声记忆库中前一最优解向量对应的巡视路径的巡视时间t0进行比较，若t＜t0，则以目标函数的当前解为全局最优解，否则，以前一最优解向量为全局最优解，判断是否达到最大迭代次数，若达到最大迭代次数，则确定全局最优解对应的巡视路径为最优巡视路径，例如，若确定目标函数的当前解为全局最优解，且达到最大迭代次数，则以根据目标函数的当前解确定的当前巡视路径作为最优巡视路径，输出最优巡视路径l、采样点位集合{s1、s2
…
sn}以及每个采样点对应的配网设备集合x(si)；否则，重复通过和声搜索算法计算目标函数的当前解的步骤，直至达到最大迭代次数，确定全局最优解对应的巡视路径为最优巡视路径。例如，若未达到最大迭代次数，则根据第一预设规则更新解向量的更新公式中的hmcr和par，并通过更新hmcr和par后的解向量的更新公式产生新的解向量，计算各解向量的适应度值，确定最优解向量并得到其对应的巡视路径；通过聚类算法确定该巡视路径上的采样点及采样点对应的配网设备的集合，通过目标函数计算运维终端在当前巡视路径及当前采样点下的巡视时间，将该巡视时间与前一最优解向量对应的巡视时间进行比较，根据比较结果确定当前的全局最优解，判断是否达到最大迭代次数，若达到最大迭代次数，则当前的全局最优解对应的巡视路径为最优巡视路径，若未达到最大迭代次数，则重复上述过程，直至达到最大迭代次数，得到运维终端的最优巡视路径l、采样点位集合{s1、s2
…
sn}以及每个采样点对应的配网设备集合x(si)。
[0048]
如图3所示，本技术的第二方面，提供一种配网设备运行监控自动巡视系统，包括：数据获取模块，被配置为获取预先建立的巡视模型，巡视模型包括目标函数及约
束条件，目标函数用于描述运维终端经巡视路径上的采样点完成对所有配网设备的巡视任务所需的最小巡视时间；路径计算模块，被配置为通过和声搜索算法计算目标函数的当前解，以确定运维终端的当前巡视路径，依据约束条件确定当前巡视路径的采样点，通过目标函数确定运维终端经当前巡视路径的采样点完成对所有配网设备的巡视任务的巡视时间；以及在满足收敛条件的情况下，确定具有最小巡视时间的巡视路径为最优巡视路径。
[0049]
优选地，依据所述约束条件确定所述当前巡视路径的采样点，包括：构建满足所述约束条件的所有配网设备的样本数据集合；通过聚类算法对所有样本数据进行聚类，依据聚类结果确定所述运维终端在所述当前巡视路径上的采样点。
[0050]
优选地，通过聚类算法对所有配网设备进行聚类，依据聚类结果确定所述运维终端在所述当前巡视路径上的采样点，包括：s100、选取j个初始聚类中心；s110、计算每一样本数据分别与各初始聚类中心的欧式距离；s120、将每一样本数据划分至与其欧式距离最近的聚类中心，生成对应数量的聚类簇；s130、计算每个聚类簇中所有样本数据到该聚类中心的欧式距离均值，并以得到的均值更新每个聚类簇的聚类中心，直至各个聚类中心位置不再变化或达到最大迭代次数；s140、计算得到的所有聚类簇的误差平方和，若依据肘部法则及得到的所有误差平方和得到最佳聚类簇，执行步骤s150，否则，令j加1，执行步骤s110；s150、确定得到的最佳聚类簇的各聚类中心为所述运维终端在所述当前巡视路径上的采样点，依据得到的最佳聚类簇的各样本数据确定各采样点对应的配网设备的集合。
[0051]
优选地，所述目标函数包括：t=λn+l/v；其中，λ为所述运维终端在采样点停靠的时间常数，λn为所述运维终端在n个采样点停靠采样所需的时间，v为所述运维终端的运行速度，l为巡视路径的总长度。
[0052]
优选地，所述运维终端的巡视路径由若干预设的中转点构成；所述巡视路径的总长度由对该巡视路径中所有相邻中转点之间的距离求和得到。
[0053]
优选地，所述约束条件包括：；其中，x(si)为所述运维终端第i次停靠采样的配网设备的集合，i=1，2，
…
，n，n为采样点数量。
[0054]
优选地，构建满足所述约束条件的所有配网设备的样本数据集合，包括：获取所述运维终端的作业域={o(x，y)，r}，其中，o(x，y)为所述运维终端的坐标，r为所述运维终端的工作半径；依据所述当前巡视路径确定所有配网设备与所述运维终端的作业域在当前巡视
路径上的交集，得到所有配网设备的样本数据集合。
[0055]
优选地，通过和声搜索算法计算所述目标函数的当前解，包括：初始化控制参数及和声记忆库，所述控制参数包括记忆库取值概率hmcr、音调微调概率par、所述运维终端在采样点停靠的时间常数λ、所述运维终端的运行速度及所述运维终端的作业域，所述和声记忆库包括依据所述控制参数随机生成的hms个解向量；根据第一预设规则更新所述记忆库取值概率hmcr及所述音调微调概率par；依据更新后的记忆库取值概率hmcr、更新后的音调微调概率par及第二预设规则更新所述和声记忆库中的解向量，得到所述目标函数的当前解。
[0056]
优选地，所述第一预设规则包括：。
[0057]
优选地，所述第一预设规则还包括：；其中，k为当前迭代次数，k
max
为最大迭代次数，hmcr为记忆库取值概率，hmcr
max
为记忆库取值概率的上限，hmcr
min
为记忆库取值概率的下限，par为音调微调概率，par
max
为音调微调概率的上限，par
min
为音调微调概率的下限。
[0058]
优选地，所述控制参数还包括音调微调带宽bw，所述第二预设规则包括：随机生成一个随机数r1；若r1＜hmcr，从所述和声记忆库中随机获取一个解向量；随机生成一个随机数r2；若r2＜par，依据所述音调微调带宽bw对从所述和声记忆库中随机获取的解向量进行调整，生成新的解向量。
[0059]
优选地，生成新的解向量之后，所述第二预设规则还包括：计算所述和声记忆库中各个解向量对应的适应度值；根据各所述适应度值确定最差解向量；计算所述新的解向量的适应度值；若所述新的解向量的适应度值大于所述最差解向量的适应度值，则将所述最差解向量替换为所述新的解向量；得到所述目标函数的当前解，包括：确定所述和声记忆库中的最优解向量为所述目标函数的当前解。
[0060]
优选地，所述收敛条件包括达到最大迭代次数；在满足收敛条件的情况下，确定具有最小巡视时间的巡视路径为最优巡视路径，包括：将所述目标函数的当前解对应的巡视时间与所述和声记忆库中的前一最优解向量对应的巡视时间进行比较，若所述目标函数的当前解对应的巡视时间小于所述前一最优解向量对应的巡视时间，以所述目标函数的当前解更新前一最优解向量为全局最优解，否则，以所述前一最优解向量为全局最优解；判断是否达到最大迭代次数，若是，确定全局最优解对应的巡视路径为最优巡视
路径，否则，重复通过和声搜索算法计算所述目标函数的当前解的步骤，直至达到最大迭代次数，确定全局最优解对应的巡视路径为最优巡视路径。
[0061]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。本实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0062]
本技术的第三方面，提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的配网设备运行监控自动巡视方法。
[0063]
本技术的第四方面，提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的配网设备运行监控自动巡视方法。
[0064]
如图4所示是本技术一实施例提供的终端设备的示意图。如图4所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102。处理器100执行计算机程序102时实现上述方法实施例中的步骤。或者，处理器100执行计算机程序102时实现上述各装置实施例中各模块/单元的功能。
[0065]
示例性的，计算机程序102可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器101中，并由处理器100执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序102在终端设备10中的执行过程。例如，计算机程序102可以被分割成数据获取模块和路径计算模块。
[0066]
终端设备10可以是手机、电视、智能终端等具备计算能力的设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图4仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
[0067]
处理器100可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器 (digital signal processor，dsp)、专用集成电路 (application specific integrated circuit，asic)、现成可编程门阵列 (field-programmablegate array，fpga) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0068]
存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。存储器101也可以是终端设备10的外部存储设备，例如终端设备10上配备的插接式硬盘，智能存储卡（smart media card, smc），安全数字（secure digital, sd）卡，闪存卡（flash card）等。进一步地，存储器101还可以既包括终端设备10的内部存储单元也包括外部存储
设备。存储器101用于存储计算机程序以及终端设备10所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
[0069]
综上，本技术首先采用改进的和声算法获得一条完整的巡视路径；其次，基于k-means++聚类算法并结合约束条件对所有待巡检设备进行聚类，计算出运维终端在该巡视路径上的停靠次数；然后，根据目标函数计算出当前巡视路径的时间代价，以时间代价最小对得到的时间代价进行对比分析；最后，将上述过程反复迭代并更新全局最优解从而获得运维终端的最优路径、线路上的停靠采样点位置集合及每个采样点对应的终端集合。本技术通过改进hs算法，采用k-means++对现场配网终端进行聚类，从而得到运维终端的最优巡视路径、采样停靠点集合和各采样点对应的配网设备，能够有效提高运维终端工作效率。
[0070]
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
[0071]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
[0072]
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器（processor）执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（rom，read-onlymemory）、随机存取存储器（ram，random access memory）、磁碟或者光盘等各种可以存储程序代码的介质。
[0073]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，同样应当视为本发明实施方式所公开的内容。