面向变电站巡检的无人机路径规划方法研究

0引言

变电站巡检是维护电力系统安全稳定运行的重要方式[1-2], 目前无人机巡检因具备成本低、建设周期短、可大规模推广应用的特点正成为变电站主流的智能巡检方法[3]。无人机的优势在于能弥补高空巡视存在盲区的缺陷且航线灵活可调整,但变电站内复杂的障碍对飞行路径选择有较大影响,因此无人机的路径规划成为变电站巡检重要的科研内容。如何在复杂变电站环境下寻找一条最优巡检路径,在最短时间内安全高效地完成巡检任务是亟待解决的关键问题。

无人机路径规划是此项任务的关键,现有研究主要分为图搜索算法与群体智能算法[4]。A*等图搜索算法虽能保证最优解,但在变电站这类障碍密集的环境中,其搜索节点繁多,计算效率低下[5-6]。而蚁群算法[7-8]、灰狼优化算法(Grey Wolf Optimization,GWO)[9]等群体智能算法虽收敛快,却易陷入局部最优,难以平衡遍历所有点位和规避复杂障碍的需求[10]。针对现有研究,设计出一种面向变电站巡检场景的融合A*算法和灰狼优化算法的路径规划算法,同时兼顾了遍历巡检点位和变电站复杂环境下避障路径规划问题。灰狼算法采用改进的Tent混沌映射进行种群初始化,通过引入自适应位置更新策略和精英灰狼优化策略保证了算法的收敛速度并避免陷入局部最优,实现遍历路径的最优化;利用评价函数动态加权优化的改进A*算法进一步完善节点间路径,完成避障路径的优化。在变电站虚拟地图中进行实验仿真,验证了A*-灰狼算法的可行性和有效性。

1 变电站无人机路径规划问题分析

无人机对智能变电站内的m个巡检任务进行巡检,设T={1,2,…,j,… ,m}为变电站巡检区域内的m个巡检任务索引集合。无人机的飞行距离影响着变电站巡检总时长,为了最小化变电站巡检总时长,本文将每两个节点间距离之和作为目标函数,即无人机的总航程,目标函数C如式(1)所示:

式中:Di=[xi,yi]和Di+1=[xi+1,yi+1]为每段飞行路径两端的节点坐标;n为飞行节点数量。

定义巡检任务j的权重系数为vj。因为在变电站无人机巡检问题中每个巡检任务具有相同的优先级,所以vj=1。定义w为巡检无人机的距离惩罚因数,规划的路径目标函数值需要满足随迭代次数增加单调减小,故w的值应小于1,本文取w=0.9。无人机遍历所有巡检点位的总奖励策略可以表示为式(2):

式中:di为无人机在两个巡检点位之间的最短避障路径长度。

针对障碍物的规避,采用最短避障路径策略,引入安全系数来确保无人机的安全飞行,安全策略表达式f2如下:

式中:M0为初始条件;M为总安全度量;Mi为基础计算单元;MT为安全系数;Dc为障碍物的坐标集合。

当无人机路径经过障碍物坐标区域时,表示路径与障碍物发生碰撞,安全系数降低,则增大该路径的最短避障路径,直至绕过障碍物,保证无人机飞行安全。

2 融合A*-灰狼优化算法

A*算法在点与点之间的路径搜索中被广泛应用[11]。针对大规模环境下A*算法会陷入冗杂的搜索中的问题,融合灰狼算法对全局进行遍历路径规划,采用改进Tent混沌映射种群初始化策略,并引入自适应位置更新策略和精英灰狼优化策略,既保证了搜索路径的质量,也不会产生冗杂的迭代,因此提出一种融合A*-灰狼优化算法。

2.1 改进A*算法

由于无人机的灵活性,变电站巡检中采用八邻域搜索的方式进行节点搜索,通过代价评估的方式选择路径代价最小的节点作为下一个节点,并逐个节点搜索直到达到目标巡检点。A*算法的评价函数如式(4)所示:

式中:f(n)为始发点到当前节点与当前节点到目标节点的代价总和;g(n)为由始发点到当前节点的实际消耗代价值;h(n)为当前节点到目标节点的预估消耗代价。

实际代价函数g(n)通常用欧氏距离表示,启发函数h(n)常用的表达方式为曼哈顿距离,如式 (5)

(6)所示:

式中:XT为目标节点横坐标;YT为 目标节点纵坐标;XN为当前节点横坐标;YN为当前节点纵坐标。

针对变电站不同区域内障碍的复杂程度不同,难以在路径搜索时平衡避障和选择最短路径的问题,在h(n)前引入一个动态权重系数w(n),根据节点位置信息动态地改变预估价值的权重,达到平衡实际价值和预估价值的效果。考虑到预估价值受到障碍物的影响,因此权重系数应同时考虑距离及障碍影响,得出改进评价函数如式(7)所示:

式中:O为目标节点与现节点之间的欧氏距离;P为起始点与现节点的距离;0.8为预估消耗代价的初始权重系数,表示在接近终点时将优先考虑最优路径;Q为以目标节点和现节点为对角线的矩阵区域内的栅格数量;S为该矩阵区域内的障碍栅格数量。

2.2 改进灰狼算法

GWO算法是基于模拟自然界灰狼的社会等级和捕猎机制而发展起来的一种群体智能优化算法[9]。通过生成一组初始的随机候选解来进行初始化,狼群逐渐接近猎物的数学模型如式(8)所示:

式中:xt+1和xt分别为狼在第t+1次和第t次迭代时的位置,t为当前迭代次数;xrey为猎物在第t次迭代时的位置;A×|C×xtprey-xt| 为封闭的步骤,其中A和C的定义如式(9)(10)所示:

式中:A和C为系数;a为距离控制参数,随着迭代次数的增加从2至0线性减小;r1和r2为[0,1]的随机数。

本文采用改进后的Tent混沌映射的方式对GWO进行初始化,具有更好的随机性,且结构更简单,可保证初始解生成的质量和算法的收敛速度[12],同时避免了Tent映射存在小周期,容易在迭代后期衰退为周期序列的问题。改进后的Tent混沌映射如式(11)所示:

式中:zk为第k次映射的函数值,k为映射次数;rand (0,1)为引入的随机变量,在增加Tent混沌可控的随机性的同时,也保证了映射的规律性。

为了进一步提高GWO算法的收敛速度,本文提出自适应位置更新策略, 自适应地根据灰狼个体的适应度值调整灰狼个体的位置,改进策略方程如式(12)(13)所示:

式中:Lα、Lβ和Lδ分别为α狼、β狼和δ狼的适应度值;X1、X2和X3分别为受α狼、β狼和δ狼指挥后,其他狼需调整的参考位置;L为调和平均归__化因子;LI 为当前灰狼个体的适应度值;Lavg为灰狼种群的平均适应度值。

当灰狼个体的适应度低于灰狼种群的平均适应度时,则在位置更新的过程中α狼、β狼和δ狼做出与之前相同的贡献;若某灰狼个体的适应度高于平均适应度,则在位置更新的过程中,根据适应度的大小,灰狼做出不同的贡献。

2.3 融合算法流程

融合A*-灰狼算法流程如图1所示。

图1融合算法流程

具体步骤如下:1)利用栅格图法进行环境建模,添加障碍物区域,确定起始点和目标点;2)初始化灰狼参数,引入Tent混沌映射改进种群初始化的随机性和种群多样性;3)计算灰狼个体的适应度值并排序 ,判断是否需要更新灰狼位置及参数 ,若是则跳转到第4)步 ,若否则跳转到第5)步;4)引入自适应位置更新策略 ,根据式(12)(13)对位置信息进行自适应更新 ,利用精英灰狼优化策略优化首领灰狼的适应度值;5)是否达到迭代终止条件 ,满足则输出最优值 ,不满足则重复上述步骤直至满足条件;6)灰狼群体搜索后比较相应位置信息 ,迭代筛选 ,获得遍历节点路径;7)A*算法八邻域搜索节点间路径 ,评价函数动态加权对其进行优化;8)生成最优路径 ,并在虚拟地图中完成绘制。

3   仿真及结果分析

结合变电站的设备布置图 ,根据安全距离划分出无人机的飞行区和禁飞区 ,绘制出算法运行变电站巡检虚拟地图 , 得到30×30的栅格地图如图2所示。黑色区域为变电站边界 ,灰色区域代表电力设备或围栏等障碍区与禁飞区 , 白色区域代表允许通行的区域 。在已建立好的30×30栅格地图中确定起始点和目标点 ,起始点为(7,3),用三角符号表示;任务目标点用圆形符号表示 。地图总计有900个栅格节点 , 除去边界框的障碍物栅格节点有225个 ,可通行栅格节点有675个 ,障碍占比为25%,设置23个巡检任务点。本文采用Matlab R2023a软件对改进融合A*-灰狼算法在变电站模拟环境下应用的有效性进行仿真验证。

3.1    仿真结果分析

根据图2的任务目标点位置 ,算法第__阶段先利用改进的灰狼优化算法对全局任务点进行优化排序 ,任务点路径优化排序如图3所示 ,但尚未应用于栅格环境内 ,也暂未考虑障碍物及禁飞区的影响。根据任务点的初始排序优化 ,混合算法第二阶段继续对障碍物规避和节点间的路径进行细化 ,迭代生成最优路径 ,生成的任务目标点路径规划如图4所示。

结果显示 ,所提算法应用于变电站模拟环境具有较强的鲁棒性 ,可根据模拟地图中的障碍物和禁飞区选择合适的路径进行避障和 目标点遍历 ,最终回到起飞点 。路径计算的最短距离和平均距离的算法收敛图如图5所示。

3.2 算法有效性验证分析

为进一步验证本文所提算法的有效性,将不同算法的最优路径和平均路径长度进行对比,结果如表1所示。改进A*算法相比传统A*算法可以获得更好的计算效果,而灰狼虽然相比两种A*算法都有更好的求解质量,但需要较高的迭代次数和计算时长,混合A*—灰狼算法在路径长度的求解质量和平均迭代次数上都要优于其他算法,相较于A*和灰狼算法,混合A*—灰狼算法在最优路径长度上缩短了11.24%和4.90%,表明其搜索能力更强,能够跳出局部最优,规划出更优的路径。

由图6可以看出,对于较少的任务点数,A*算法有着较快的计算速度,但是随着任务点数的增加,A*算法陷入了冗杂的遍历计算中,计算用时大幅增加;经过改进后A*算法的运算时间得到部分降低,但在点数较多的情况下仍处于较高水平。灰狼算法随着任务点数的增加呈现出较小的增幅,表明其在复杂作业环境下的搜索能力优于A*算法。融合A*—灰狼算法受到节点数量的制约程度小,随着任务点数量的增加,A*-灰狼算法的计算速度优势逐渐增大。相较于A*和灰狼算法,A*-灰狼算法在25任务点路径规划求解速度上优化了41.07%和30.16%。

为验证算法在不同变电站中的适用性,更改障碍物在整个网格环境中的比例,模拟不同变电站内设备排布的复杂程度。保持任务节点数一致,改变障碍占比,对算法进行仿真测试,测试算法运行时间随障碍占比(20%~40%)变化的曲线如图7所示。可以看出,随着障碍占比的增加,算法的运行速度逐步变慢。在20%~25%时运行时间的增速较大,A*-灰狼算法在25%~40%时增速减缓,而其余算法的运行时间随着障碍占比增大仍有较大的增幅。无论是高障碍占比时的运行时间,还是曲线末尾的变化趋势,A*-灰狼算法都有较大的优势,说明了所提算法受环境影响相对较小,可以很好地应用于多种变电站场景。

4结论

本文针对变电站无人机巡检点位众多,环境复杂度高,传统单一算法搜索能力较低等问题,提出了一种改进融合A*-灰狼算法的变电站巡检无人机路径规划方法。该方法结合了A*算法的局部路径寻优能力和GWO算法的全局高效搜索特性,有效弥补了单一算法的缺陷。仿真结果表明,该融合算法在性能上有显著提升:与传统A*和GWO算法相比,其计算时间分别缩短了41.07%和30.16%,规划出的最优路径长度分别减少了11.24%和4.90%,能有效避免陷入局部最优解。该算法在复杂环境中表现出优良的适应性,显示出较强的工程实用价值,能高效、稳定地应用于各类变电站的巡检任务。

[参考文献]

[1]毛建旭,贺振宇,王耀南,等.电力巡检机器人路径规划技术及应用综述[J].控制与决策,2023,38(11):3009-3024.

[2]焦嵩鸣,首云锋,白健鹏,等.变电站巡检无人机分层运动规划方法研究[J].系统仿真学报,2023,35(9):1975-1984.

[3] 陈博帆,潘可达,陈静川,等.面向电力巡检场景的多无人机任务分配与路径规划方法[J/0L].南方电网技术:1-9.(2024-08-01)[2025-07-29].https://kns.cnki.net/kcms2/article/aBstract?v=krTYG2tdvzrHqnuB90ci1uZhkixG3P3FY1g0dEwNYDl4kygGWDrR1c4qwcihJe4T0y7JcitLeoZ6TxixBdg-YqE6dW29u3xrhvlTrArk44jIjcTWNBcleaZQiNAntxM1hsaf0Ma0gaz-v2FwdB-xSuqVfAoTs7NZZkVJ-jkFloJZTII-1x5iGA==&uniplatform=NZkPT&language=cHS.

[4] MaS,LiJ,HucM,etal.Biggraphsearch:challenges and techniques[J].Frontiers of computer Science,2016,10(3): 387-398.

[5]李逸飞,王书亭,熊体凡,等.兼顾启停特性和转角时耗的移动机器人路径规划[J].西安交通大学学报,2023,57(2):192-202.

[6]苗作华,王梦婷,汤阳,等.基于优化蚁群算法的输电线路径规划研究[J].智慧电力,2022,50(11):84-89.

[7] 马自勇,朱星光,马立东.改进A*和DWA的机器人路径规划研究[J].现代电子技术,2024,47(20):177-186.

[8] 周振,耿晨晨,崔若庚,等.基于改进融合蚁群算法的AGV路径规划[J].计算机仿真,2024,41(4):441-445.

[9]MirjaliliS,MirjaliliSM,LewisA.Graywolfoptimizer[J].AdvancesinEngineeringSoftware,2014,69(3):46-61.

[10]许子俱,胡涛,刘凯越,等.基于多策略改进灰狼算法的多无人机三维路径规划 [J].航空兵器,2024,31 (6):86-93.

[11]董雅文,杨静雯,张宝锋,等.改进邻域扩展A*算法的移动机器人路径规划 [J].机械设计与制造,2025 (1):291-295.

[12]高鹏飞,李涛,夏永康.基于改进麻雀算法的配电房巡检机器人路径规划[J].电子测量技术,2024,47(10):62-69.

《机电信息》2025年第21期第9篇