趙 巖， 包清華

(黑龍江科技大學 電氣與控制工程學院， 哈爾濱 150022)

0 引 言

變電站作為輸配電過程的重要一環(huán)，在保證電力系統(tǒng)正常工作和安全運行的同時，也要為其內(nèi)的電氣設備運行提供安全保障，防止其出現(xiàn)電力事故[1-2]。因此，對變電站內(nèi)的設備執(zhí)行周期的巡檢尤為必要。變電站的巡檢大多依靠人工來執(zhí)行，人工巡檢時工作效率低，會受到惡劣環(huán)境和天氣的限制，具有一定的危險性[3-4]。但隨著智能化電網(wǎng)的提出，越來越多的變電站應用巡檢機器人來完成變電站電氣設備的檢查工作，這樣既提高了巡檢效率，又不會受到惡劣環(huán)境和天氣的影響，還保障了安全性[5]。

將巡檢機器人應用于變電站的設備巡查關鍵就是對巡檢路線的規(guī)劃，這是保證巡檢效率和順利完成檢測設備的基礎[6]。眾多國內(nèi)外研究人員就巡檢機器人如何選擇和規(guī)劃出最優(yōu)的巡檢路徑指明了一些方案，張營等[7-8]提出模糊控制算法和Hopfield神經(jīng)網(wǎng)絡，解決了在規(guī)劃路徑時對環(huán)境依賴性強的問題，但是有部分規(guī)劃出的路徑不合理，僅考慮了巡檢點之間的直接連接，而未考慮到設備所處位置的影響。路浩等[9]針對機器人在巡檢過程中有著路網(wǎng)限制和頻繁啟停能耗大等不足，提出以圖論法建模，以最短耗時為目標，結合改進蟻群算法和貪婪思想得到巡檢的最優(yōu)路徑，但是該優(yōu)化算法也存在不足之處，可能會出現(xiàn)最優(yōu)解不是全局最優(yōu)。劉勝等[10]提出了一種改進蟻群-粒子群算法用于變電站巡檢機器人的路徑規(guī)劃，該方法有很好的收斂速度，也可以防止規(guī)劃時陷入局部最優(yōu)，但是存在最優(yōu)路徑冗長的問題。王坤[11]給出了一種柵格方法進行環(huán)境建模，利用蟻群算法進行變電站巡檢的路徑規(guī)劃，可以找到巡檢的最優(yōu)路徑，但存在搜索時間過長的不足。薛陽等[12]針對變電站的特殊巡檢提出了一種改進蟻群-蜂群融合算法，該法可以很好地應用于大型復雜變電站的巡檢路徑規(guī)劃，但是對于小型結構簡單的變電站巡檢存在巡檢時間偏長的不足，而且該方法并未對變電站的日常常規(guī)巡檢進行可行性研究。

基本人工魚群算法在解決路徑規(guī)劃問題時有著很好全局尋優(yōu)能力，不需要詳細的機理模型，但也存在著規(guī)劃路徑時尋優(yōu)精度不高，易進入局部最優(yōu)和后期收斂速度慢等不足。針對該問題筆者提出了一種基于柵格法建立環(huán)境模型，利用改進的人工魚群算法實現(xiàn)巡檢機器人的巡檢路線規(guī)劃方法。

1 巡檢環(huán)境模型的創(chuàng)建

1.1 柵格地圖

通過柵格法和巡檢環(huán)境構建基本的地圖模型，其是將變電站的環(huán)境變換為巡檢機器人能夠認識的數(shù)學語言，也是區(qū)分環(huán)境中能行駛的巡檢區(qū)域和電氣設備區(qū)域。采用柵格法將機器人工作的實際三維環(huán)境轉換成二維平面環(huán)境，以面積相同，大小合適的柵格分隔二維平面各工作區(qū)域[13]。以平面建立坐標系，其中，黑色柵格代表電氣設備所在區(qū)域，白色柵格代表能走動的區(qū)域。劃分標準是采用二進制數(shù)0和1表示不同的區(qū)域，由于柵格法建模簡單快捷，而且用柵格法建立環(huán)境更加貼近實際，可以較好反映出電氣設備所在的位置，為了更加貼近實際一般會在電氣設備的實際邊界的基礎上增加一個電氣絕緣的安全距離。以圖1 220 kV變電站為例，考慮實際的變電站情況，除了有高壓電氣設備，還應該將變電站中的警示牌、圍欄、草坪、綠化帶、溝壑等考慮在內(nèi)，將其轉化為柵格圖中的其他障礙物。柵格地圖如圖2所示。

圖1 變電站裝置區(qū)分布Fig. 1 Distribution map of substation area

圖2 柵格模擬地圖Fig. 2 Grid simulation map

如何對創(chuàng)建的柵格模擬地圖進行標識，分為序號法和直角坐標法，文中采用的是序號法[14]。序號法就是將原點柵格標號為1，然后按照從下向上、從左至右的順序?qū)鸥褚来螛颂?，如圖3所示。此外，文中所指的位置點是根據(jù)行列關系來標注的，如(14,1)表示的是第14行第1列的位置。

圖3 柵格標號示例Fig. 3 Grid label example

根據(jù)實際情況，人工魚群算法在柵格地圖環(huán)境下的適用性，巡檢機器人的可移動方向是8個，分別是上、下、左、右、上左、上右、下左、下右，如圖4所示。機器人僅能在白色柵格之間行走，不可以跨越或碰撞到黑色柵格代表的電氣設備。

圖4 可運動的方向Fig. 4 Moving direction

另外，在柵格環(huán)境中的人工魚群算法，如果人工魚的當前位置狀態(tài)為(xi,yi)，目標位置狀態(tài)為(xg,yg)，則尋優(yōu)標準函數(shù)為

(1)

式(1)是以食物濃度的大小作為計算巡檢路線長短的標準。

1.2 巡檢類型

巡檢機器人主要是對其所在變電站進行常規(guī)巡檢和特殊巡檢。常規(guī)巡檢是指正常情況下每天日常檢測，確保電力系統(tǒng)的安全穩(wěn)定運行。特殊巡檢是指在特殊情況下，機器人可以從當前所處的位置到達指定的電氣設備處進行巡視檢測[15]。特殊巡檢分為單一設備巡檢和多設備巡檢。

2 人工魚群算法的巡檢路線規(guī)劃

2.1 人工魚群算法

將人工魚的個體狀態(tài)用向量X=(x1,x2,…,xn)表示,其中，xi(i=1,2,…,n)則是指每條要尋優(yōu)的人工魚，魚群的數(shù)量為N，Y=f(X)為當前人工魚所處位置的食物濃度，也就是目標函數(shù)值。此外，用v代表人工魚的視野范圍，s代表人工魚移動的最大步長，δ代表著擁擠度因子的大小，nt是人工魚的最大實驗次數(shù)，|Xj-Xi|指的是第j條人工魚和第i條人工魚之間的歐氏距離[16]。

(1)覓食行為 設人工魚的當前位置狀態(tài)為Xi，對應食物濃度為Yi，在它的視野范圍內(nèi)通過隨機搜索找到一個新的位置狀態(tài)Xj，對應食物濃度為Yj、Xj的確定方式為

Xj=Xi+vRand(0,1)。

(2)

如果Yj>Yi，并且是在最大實驗次數(shù)nt內(nèi)找到的，則表明搜索到的新位置狀態(tài)要比當前位置狀態(tài)更優(yōu)，人工魚就會向前移動一步，有

(3)

如果在最大實驗次數(shù)內(nèi)未找到比當前位置狀態(tài)更優(yōu)的狀態(tài)，則會執(zhí)行隨機行為。

(4)

若食物量和空間上的情況相反則會去執(zhí)行覓食行為。

(3)追尾行為 記人工魚的當前狀態(tài)為Xi，搜尋當前鄰域內(nèi)(dijδYi，則說明尋找到的新狀態(tài)具有較高的食物濃度而且還不太擁擠，則會沿著這個方向前進，即

(5)

否則，同樣執(zhí)行覓食行為。

(4)隨機行為 隨機行為是魚類最基本的一種行為，可以大面積地尋找伙伴或食物，可以有效避開局部最優(yōu)[17]。隨機行為實現(xiàn)較為簡單，就是在視野中隨機選擇一個狀態(tài)，然后向該方向移動，它只是覓食行為的一個缺省行為，有

(6)

2.2 改進人工魚群算法

在基本人工魚群算法中，魚群的視野范圍以及擁擠度因子都是提前設定好的固定值，存在全局優(yōu)化時精度不高，容易陷入局部最優(yōu)，在算法后期收斂速度慢等問題。文中提出改進視野和擁擠度因子函數(shù)，引入轉換因子解決此問題。

在基本人工魚群算法中，當魚群視野較大時，有利于前期信息的大規(guī)模搜索，但是不利于算法后期對所獲信息進行快速收斂；反之，小視野不利于前期大規(guī)模搜索，但有利后期的小規(guī)模搜索并加快收斂。魚群視野范圍的選取應該遵循先大后小的原則，為此，通過引入一個動態(tài)視野函數(shù)來優(yōu)化視野參數(shù)：

(7)

式中：vin——視野初始值；

t——當前迭代次數(shù)；

nmax——最大迭代次數(shù)；

λ——調(diào)整系數(shù)。

式(7)可以保證隨著算法的運行，魚群的視野會相應的縮減，保障大范圍搜索下的全局尋優(yōu)和精確度，以及收斂速度。

算法中擁擠度因子的設定應該遵循先小后大的原則，這樣可以保障在利用人工魚群算法進行路徑規(guī)劃時，前期能夠分散搜索，不易陷入局部最優(yōu)，后期更易于向目標位置收斂，從而找出最優(yōu)路徑。實現(xiàn)方法是引入基于泊松方程的擁擠度因子函數(shù)，即

(8)

式中，δin——擁擠度因子初始值。

式(8)隨算法的運行，保證了擁擠度因子前期小后期大，進而保障了分散搜索與收斂速度。引入轉換因子θ，設置一個覓食行為執(zhí)行的最大次數(shù)，一旦達到最大執(zhí)行次數(shù)就轉換為去執(zhí)行聚群行為、追尾行為，擇優(yōu)選擇，這樣既可以防止進入局部最優(yōu)，也可以加快算法收斂速度。

算法執(zhí)行步驟如下：

(1)輸入環(huán)境數(shù)據(jù)，生成環(huán)境地圖模型，即劃分出可行域和電氣設備所在的障礙域以及確定機器人行走的起點和目標點。

(2)設定人工魚群初始參數(shù)，即魚群規(guī)模N、人工魚視野vin、擁擠度因子δin、最大移動步長s、最大實驗次數(shù)nt、最大迭代次數(shù)nmax和轉換因子θ。

(3)在給定的環(huán)境條件下初始化魚群。

(4)經(jīng)過初始化后，魚群根據(jù)所處當前位置狀態(tài)選擇執(zhí)行覓食行為、聚群行為和追尾行為，評價執(zhí)行結果，選擇最優(yōu)行為執(zhí)行。若都不滿足，則執(zhí)行隨機行為，隨著迭代次數(shù)的增加，相應變化視野和擁擠度因子的大小。

(5)執(zhí)行完魚群選擇的行為后，檢驗自身位置狀態(tài)，若優(yōu)于當前，則需要進行數(shù)據(jù)的更新。

(6)判斷是否達到了最大迭代次數(shù)，若達到了，則輸出最優(yōu)路徑；否則，迭代次數(shù)變?yōu)間=g+1，返回第(4)步。

3 常規(guī)與特殊巡檢的仿真

首先設置巡檢機器人運動的環(huán)境為30 mm×30 mm的柵格地圖，基本人工魚群算法設置參數(shù)：起點的設置也就是充電室的位置是位于(30,1)，目標點會因巡檢類型的不同略有差異，在常規(guī)巡檢時起點也就是終點，而特殊巡檢是指定位置點。人工魚的數(shù)量N=50，視野v=20，最大實驗次數(shù)nt=8，擁擠度因子δ=0.618，最大迭代次數(shù)nmax=100。改進人工魚群算法的參數(shù)設置視野初值vin=30，擁擠度因子δin=0.01、θ=8，其他參數(shù)無變化。

3.1 常規(guī)巡檢

常規(guī)巡檢是指巡檢機器人每天都要進行的日常巡檢工作，即讓機器人從充電室出發(fā)，歷遍變電站內(nèi)所有的電力設備，最終返回充電室[18]。首先設置好需要巡檢的任務點，當系統(tǒng)下發(fā)巡檢任務時，利用人工魚群算法規(guī)劃出一條能從充電室出發(fā)經(jīng)歷每個需要檢測的任務點，當所有任務都檢測完畢后再回到充電室。將此過程通過人工魚群算法來實現(xiàn)，以柵格模擬環(huán)境為背景進行仿真，同時，將基本人工魚群算法與改進人工魚群算法作對比，仿真結果如圖5所示。圖中，三角形標識是機器人所要巡檢的任務點。

由圖5可見，基本人工魚群算法在常規(guī)巡檢中會出現(xiàn)短暫陷入局部最優(yōu)的情況，導致路徑的長度和運行時間增加，但是改進的人工魚群算法可以很好避免這個問題。算法對比結果如表1所示。

圖5 常規(guī)巡檢路徑規(guī)劃Fig. 5 Routine inspection route planning

表1 常規(guī)巡檢路徑長度和算法運行時間對比

3.2 特殊巡檢

特殊巡檢就是在特殊情況下，即對一些容易受溫度、強電場、強磁場干擾的設備或者經(jīng)常處于高負荷運行的設備，必須要求機器人對這類設備給予高度重視，需要頻繁的巡視檢查[19]。提前設置好需要機器人去巡檢的設備點，再將這些設置好的巡檢設備點虛擬到柵格環(huán)境地圖中，然后機器人就可以通過運行人工魚群算法快速自主尋找到一條可以經(jīng)過所有需要被巡視的點的最佳路線。在此處將特殊巡檢分為單一設備巡檢和多設備巡檢兩種方式進行仿真。

3.2.1 單一設備巡檢

單一設備巡檢是指當某個設備處于用電高峰期，即長時間處在一個高負荷運行狀態(tài)，又或是新加入運營的設備要著重關注時，需要進行定期巡檢[20]。設置的基礎參數(shù)與常規(guī)巡檢參數(shù)相同，但是巡檢的電氣設備點更換成一個，即充電室為運動的起點，終點為要巡檢的設備點，此處設置為(1,30)，仿真結果如圖6所示。算法對比結果如表2所示。

圖6 單一設備巡檢路徑規(guī)劃Fig. 6 Inspection path planning of single equipment

表2 單設備巡檢路徑長度和算法運行時間對比

由圖6可見，基本人工魚群算法因為視野和擁擠度因子為固定值，導致全局尋優(yōu)過程中尋優(yōu)精度不高，使路線多次出現(xiàn)折返，改進人工魚群算法很好地避免了該問題。由表2可知，改進人工魚群算法相較于基本人工魚群算法，路徑長度縮短了10.4%，運行時間減少了8%。

3.2.2 多設備任務巡檢

多設備巡檢[20]是指當某些設備長期處在一種不間斷運行狀態(tài)時出現(xiàn)的溫度升高，或是遇到極端天氣，需要對其進行巡查檢測。同樣人工魚群算法的基礎參數(shù)不作變動，更改要巡檢點的坐標位置，文中多設備巡檢點分別設置為(27,5)、(16,17)、(10,23)、(2,26)、(1,30)，仿真結果如圖7所示。多設備巡檢路徑長度和算法運行時間對比如表3所示。通過對比可以看出，由于基本人工魚群算法中擁擠度因子的取值固定，使在搜索最優(yōu)解的過程中尋優(yōu)精度降低，從而導致路徑中轉折點偏多，增加了路徑長度和搜索時間，而改進人工魚群算法很好改善了該問題。

圖7 多設備巡檢路徑規(guī)劃Fig. 7 Inspection path planning of multi-equipment

表3 多設備巡檢路徑長度和算法運行時間對比

由表3可知，改進人工魚群算法相較于基本人工魚群算法，在多設備巡檢時，路徑長度縮短了4.7%，運行時間減少了19.4%。通過與基本蟻群算法多設備巡檢的對比可以得出，改進人工魚群算法在路徑長度上優(yōu)勢不明顯，只優(yōu)化了0.88%，但是在運行時間上效果顯著，減少了81.3%。與改進蟻群算法相比，改進人工魚群算法在巡檢路徑長度上效果不如改進蟻群算法，但在運行時間上改進人工魚群算法效果顯著，相比之下減少了77.4%。

4 結 論

(1)為了使巡檢機器人更好勝任變電站的巡檢工作，提出了改進人工魚群算法規(guī)劃巡檢的最優(yōu)路徑，解決了基本人工魚群算法在尋優(yōu)時存在全局尋優(yōu)精度低，易陷入局部最優(yōu)，且在算法后期收斂速度慢等問題。

(2)提出的改進人工魚群算法，通過常規(guī)巡檢與特殊巡檢的仿真對比，驗證了改進人工魚群算法的巡檢路線長度和運行時間均小于基本人工魚群算法。同時，在多設備巡檢中，通過與蟻群算法的對比，也驗證了改進人工魚群算法應用在巡檢路徑規(guī)劃時間上的優(yōu)越性，提高了77.4%。