楊希磊，王哲斐

（1.國(guó)網(wǎng)上海市電力公司嘉定供電公司，上海200000；2.上海四量電子科技有限公司，上海201315）

0 引言

運(yùn)行狀態(tài)巡檢是保證電力設(shè)備正常運(yùn)行的有效手段［1-10］。隨著人工智能技術(shù)的不斷發(fā)展，變電站內(nèi)的人工設(shè)備巡視工作已經(jīng)逐漸被智能巡檢機(jī)器人所替代［11-14］。智能巡檢機(jī)器人采用充電的方式供能，可完成設(shè)備紅外測(cè)溫、表計(jì)讀取、設(shè)備狀態(tài)識(shí)別等功能，如圖1所示。

220 kV及以上的變電站占地面積大，設(shè)備數(shù)量多，完成一次精確巡檢需要較長(zhǎng)時(shí)間［15-18］。為了保證正常的巡檢頻次，需要在巡檢任務(wù)量不變的情況下縮短巡檢機(jī)器人巡檢時(shí)間。因此，本文充分考慮機(jī)器人的運(yùn)行速度、運(yùn)行功率、充電時(shí)間等因素，提出了目標(biāo)為巡檢時(shí)間最短的變電站巡檢機(jī)器人功率分配模型，并使用粒子群優(yōu)化算法進(jìn)行求解，以得到巡檢時(shí)間最短的機(jī)器人運(yùn)行功率分配方式，實(shí)現(xiàn)巡檢時(shí)間縮短的目標(biāo)［19-21］。

1 總體思路

本文涉及的變電站智能巡檢機(jī)器人內(nèi)置路徑規(guī)劃算法，當(dāng)巡檢任務(wù)發(fā)出后，即可自動(dòng)計(jì)算完成巡檢任務(wù)的最短路徑，如圖2所示。

圖1 智能巡檢機(jī)器人及功能展示Fig.1 Intelligent inspection robot and function display

圖2 智能巡檢機(jī)器人最優(yōu)巡檢路徑規(guī)劃Fig.2 Optimal inspection path planning of intelligent inspection robot

因此，對(duì)于一個(gè)巡檢任務(wù)而言，機(jī)器人的巡檢路徑長(zhǎng)度已經(jīng)優(yōu)化為最短，要減少機(jī)器人的巡檢時(shí)間，只能從機(jī)器人的運(yùn)動(dòng)速度入手。本文設(shè)計(jì)的巡檢機(jī)器人內(nèi)置低、中、高三檔（1.2/1.0/0.8 m/s）運(yùn)行速度，可以在參數(shù)設(shè)置界面靈活設(shè)置3 擋運(yùn)行速度的比例，巡檢機(jī)器人參數(shù)及運(yùn)行工況如表1所示。

但是，由于機(jī)器人攜帶的電量是一定的，持續(xù)高速運(yùn)動(dòng)會(huì)使得機(jī)器運(yùn)轉(zhuǎn)功率維持在高水平。圖3展示了機(jī)器在運(yùn)動(dòng)過(guò)程中速度與功率之間的關(guān)系，由此可以得出，功率與速度的變化關(guān)系并不是線性的，隨著速度的不斷增加，功率的增加速度是持續(xù)變快的。假設(shè)機(jī)器人的速度為v，功率為P，電量為w，運(yùn)行時(shí)間為t，那么可運(yùn)行總距離為：

表1 巡檢機(jī)器人參數(shù)及運(yùn)行工況Table 1 Inspection robot parameters and operating conditions

由式（1）可得，速度與功率之間的變化關(guān)系為線性的，那么機(jī)器人可以運(yùn)動(dòng)的距離只與攜帶的電量有關(guān)。但正如圖3所示，隨著速度的增加，受阻力增大等因素影響，需要的功率呈類指數(shù)形態(tài)增長(zhǎng)，這就使得過(guò)快的運(yùn)行速度會(huì)減少機(jī)器人攜帶同樣電量時(shí)的運(yùn)行距離，若機(jī)器人電量下降到臨界值，就會(huì)自動(dòng)回到充電房充電，耗費(fèi)較多的時(shí)間。

圖3 智能巡檢機(jī)器人速度與功率的關(guān)系Fig.3 Relationship between speed and power of intelligent inspection robot

綜上所述，在同樣的規(guī)劃路線中執(zhí)行巡視任務(wù)，過(guò)量增加機(jī)器人運(yùn)動(dòng)速度可能會(huì)導(dǎo)致機(jī)器人因電量消耗過(guò)快而回到充電房充電，反而增加了整個(gè)巡視任務(wù)的執(zhí)行時(shí)間。因此，需要對(duì)機(jī)器人運(yùn)動(dòng)過(guò)程中的功率分配進(jìn)行優(yōu)化，以實(shí)現(xiàn)在同樣的工作任務(wù)中巡檢時(shí)間使用最少的目標(biāo)。

2 變電站巡檢機(jī)器人運(yùn)行功率分配模型

2.1 模型函數(shù)推導(dǎo)

首先，設(shè)機(jī)器人完成任務(wù)總時(shí)間為T，那么本模型的目標(biāo)函數(shù)為：

設(shè)機(jī)器人低、中、高3 檔功率分配占比分別為k1、k2、k3，那么機(jī)器人電量耗盡所需時(shí)間Tmax和運(yùn)動(dòng)長(zhǎng)度S1分別為：

式（3）、式（4）中，機(jī)器人運(yùn)動(dòng)3 檔速度為v1、v2、v3，對(duì)應(yīng)的3 檔功率P1、P2、P3，機(jī)器人從充電臨界值到充滿電所需時(shí)間為Tc，機(jī)器人滿電電量為w。機(jī)器人完成任務(wù)運(yùn)動(dòng)路徑長(zhǎng)度S由機(jī)器人內(nèi)置系統(tǒng)自動(dòng)計(jì)算取得。

當(dāng)S1＜S時(shí)，說(shuō)明機(jī)器人不需要返回充電即可完成巡檢任務(wù)，則此時(shí)消耗的電量w1為：

當(dāng)S1＞S時(shí)，則機(jī)器人需要充滿電后繼續(xù)執(zhí)行任務(wù)，并且根據(jù)4.2中的測(cè)試結(jié)果，充滿電后機(jī)器人可以最高檔功率運(yùn)行直至完成所有巡檢任務(wù)。此時(shí)完成任務(wù)所需總時(shí)間T為：聯(lián)立式（2）、式（6）、式（7）構(gòu)成的分段函數(shù)，即可構(gòu)成本文模型的目標(biāo)函數(shù)。

2.2 模型約束條件

首先3檔功率分配占比分別為k1、k2、k3需要滿足：

機(jī)器人在充電過(guò)程中不可以自動(dòng)間斷，充滿電后才會(huì)繼續(xù)執(zhí)行任務(wù)。

另外根據(jù)實(shí)驗(yàn)測(cè)算，對(duì)于路徑最長(zhǎng)的任務(wù)，機(jī)器人在能耗經(jīng)濟(jì)性最差的情況下，兩次充電也足以完成任務(wù)。

3 基于粒子群算法的模型求解

粒子群算法（Particle Swarm Optimization，PSO）作為優(yōu)化模型求解算法，具有收斂速度快，尋優(yōu)精度高的特點(diǎn)［22-28］。因此，本文選取粒子群算法作為本文模型的求解算法。其迭代公式為：

式（6）、式（7）中，在空間中粒子的坐標(biāo)表示為xj=（xj1，xj2...xjm），其中j表示第j個(gè)粒子，m表示粒子的坐標(biāo)維度。粒子的速度則表示為vi（vi1，vi2...vim），這里的粒子速度表示算法在每一次的迭代過(guò)程中該粒子移動(dòng)的距離。另外，Pj，G分別表示j粒子局部最優(yōu)值以及所有粒子的全局極值，t表示迭代的次數(shù)。c1、c2表示加速系數(shù)，E表示權(quán)重系數(shù)，R為隨機(jī)數(shù)。

權(quán)重系數(shù)E采用慣性權(quán)值，其表達(dá)式為：

式（9）中，Emax與Emin分別表示E值的初值與終值，N表示目前的迭代次數(shù)，Nmax表示設(shè)定的迭代次數(shù)最大值。

使用慣性權(quán)值的好處是，在算法迭代的開始階段使用大步長(zhǎng)加快搜索速度，在迭代后期縮小搜索步長(zhǎng)，防止錯(cuò)過(guò)最優(yōu)值。這樣既加快了尋優(yōu)速度，又兼顧了尋優(yōu)精度。

對(duì)于本文的問(wèn)題求解，待優(yōu)化變量為k1、k2、k3，因此粒子的維度設(shè)置為3。粒子群算法其余參數(shù)初始化設(shè)置為：加速系數(shù)c1、c2取為2.0，Emax與Emin分別取為1.2和0.8，最大迭代次數(shù)設(shè)置為80次，粒子數(shù)設(shè)為40。初始化設(shè)置完畢后，輸入模型目標(biāo)函數(shù)以及約束條件，即可迭代求解，直到目標(biāo)值連續(xù)5 次迭代及以上不發(fā)生變化，則最優(yōu)值求解完成。

4 實(shí)驗(yàn)驗(yàn)證

為了驗(yàn)證本文模型和求解算法的有效性，設(shè)計(jì)了實(shí)驗(yàn)進(jìn)行有效性驗(yàn)證。本文針對(duì)3類巡檢任務(wù)：35 kV設(shè)備區(qū)巡檢、220 kV設(shè)備區(qū)巡檢以及全站巡檢進(jìn)行了30 次巡檢實(shí)驗(yàn)。在實(shí)驗(yàn)場(chǎng)地中，220 kV 設(shè)備區(qū)共有6個(gè)220 kV 出線間隔、2 個(gè)主變高壓側(cè)間隔、1 個(gè)母聯(lián)間隔、2 個(gè)母線間隔；110 kV 設(shè)備區(qū)共有12 個(gè)110 kV 出線間隔、2 個(gè)主變中壓側(cè)間隔、1 個(gè)母聯(lián)間隔、2 個(gè)母線間隔；35 kV 設(shè)備區(qū)共有20 個(gè)35 kV 出線間隔、2 個(gè)主變低壓側(cè)間隔、1 個(gè)母聯(lián)間隔、4 個(gè)電容器間隔、2 個(gè)電抗器間隔。在實(shí)驗(yàn)過(guò)程中，巡檢機(jī)器人會(huì)對(duì)所有被測(cè)間隔的測(cè)溫點(diǎn)、表計(jì)、開合狀態(tài)進(jìn)行測(cè)量，實(shí)驗(yàn)結(jié)果如表2和圖4所示。

表2 巡檢實(shí)驗(yàn)結(jié)果Table 2 patrol test results

圖4 優(yōu)化后巡檢時(shí)間減少百分比Fig.4 Percentage reduction of patrol time after optimization

從結(jié)果可以看出，本文優(yōu)化模型應(yīng)用后，巡檢任務(wù)的執(zhí)行時(shí)間顯著減少，并且時(shí)間減少的比例隨著任務(wù)量增加而上升，全站巡檢可節(jié)省任務(wù)執(zhí)行時(shí)間28.74%，驗(yàn)證了本文方法的有效性。

同時(shí)，本文使用較為主流的遺傳優(yōu)化算法（Genetic Algorithm，GA）［29-30］與本文使用的粒子群算法進(jìn)行了算法對(duì)比，兩種算法針對(duì)本文模型的迭代計(jì)算結(jié)果如圖5所示。

圖5 模型求解算法性能對(duì)比Fig.5 Performance comparison of model solving algorithms

圖5 中以220 kV 設(shè)備區(qū)巡檢任務(wù)為例，利用PSO和GA 兩種算法進(jìn)行機(jī)器人功率優(yōu)化分配，記錄了算法迭代過(guò)程。從結(jié)果可以看出，本文使用的PSO 算法收斂速度快，并且尋優(yōu)的精度更高，驗(yàn)證了本模型求解算法的有效性。

5 結(jié)語(yǔ)

本文針對(duì)變電站巡檢機(jī)器人巡檢工作，提出減少工作時(shí)間的優(yōu)化目標(biāo)，并從機(jī)器人的3 檔工作功率入手，提出了變電站巡檢機(jī)器人運(yùn)行功率分配模型。該模型通過(guò)對(duì)機(jī)器人功率大小的優(yōu)化配置，著力降低機(jī)器人巡檢工作時(shí)間。本文使用粒子群算法對(duì)模型進(jìn)行求解，并設(shè)計(jì)了實(shí)驗(yàn)對(duì)模型和求解算法的有效性進(jìn)行驗(yàn)證。從結(jié)果中可以可看出，本文的優(yōu)化模型可節(jié)省機(jī)器人巡檢工作時(shí)間15%-30%左右，成效顯著。

本文在考慮機(jī)器人充電時(shí)間時(shí)，直接使用了平均充電時(shí)間，在函數(shù)中設(shè)置為常數(shù)。在后續(xù)的工作中，可以針對(duì)機(jī)器人的充電時(shí)間繼續(xù)優(yōu)化、細(xì)化模型，使得模型對(duì)于機(jī)器人巡檢工作消耗時(shí)間的刻畫更為準(zhǔn)確。