陳 曌

（湖北省電力裝備有限公司，湖北 武漢 430000）

0 引 言

變電站在整個(gè)電力系統(tǒng)中承擔(dān)著電能轉(zhuǎn)換的任務(wù)。由于變電站是電力系統(tǒng)正常運(yùn)轉(zhuǎn)的關(guān)鍵，使得對變電站的日常巡檢工作成為保障變電站安全高效運(yùn)行的必要任務(wù)。傳統(tǒng)的巡檢方式要依靠大量的人力資源來完成，并且所處工作環(huán)境包含電磁輻射和部分戶外的復(fù)雜氣象條件，巡檢任務(wù)的完成質(zhì)量需要依靠具備一定經(jīng)驗(yàn)的巡檢人員[1,2]。傳統(tǒng)變電站巡檢方式不僅會(huì)增加成本，而且巡檢質(zhì)量參差不齊。隨著巡檢機(jī)器人在變電站巡檢工作中的應(yīng)用，巡檢工作的難度和成本大大降低，能夠保障變電站工作人員的人身安全。巡檢機(jī)器人在變電站的運(yùn)行要考慮到機(jī)器人的避障能力，同時(shí)為了保障機(jī)器人在巡檢工作時(shí)的效率和縮短巡檢時(shí)間，對機(jī)器人巡檢路線的規(guī)劃也極為重要[3-5]。

目前，有諸多學(xué)者對于變電站中機(jī)器人的路徑規(guī)劃有著一定的研究。張永濤等人采用枚舉法對待配對節(jié)點(diǎn)進(jìn)行匹配，并利用Fleury算法得到變電站全站全巡最佳路線[6]。對于待配對節(jié)點(diǎn)較多的情形，先采用K-means聚類算法將奇度節(jié)點(diǎn)根據(jù)其所在空間位置進(jìn)行聚類分析,再利用枚舉法對待配對節(jié)點(diǎn)分區(qū)域進(jìn)行匹配優(yōu)化。陳瑋光等人基于改進(jìn)遺傳算法，對機(jī)器人巡檢的路線進(jìn)行優(yōu)化,優(yōu)化過程中將變電站平面圖網(wǎng)格化處理便于計(jì)算，計(jì)及最高尋址效率，以行駛距離最短為優(yōu)化目標(biāo)[7]。路浩等人提出了一種基于改進(jìn)蟻群算法的路徑優(yōu)化方法和基于貪婪思想聚類的巡檢?？奎c(diǎn)選取方法，通過蟻群算法迭代獲得機(jī)器人的最優(yōu)巡檢路徑、巡檢停靠點(diǎn)序列以及各?？奎c(diǎn)對應(yīng)的測溫點(diǎn)集[8]。楊希磊等人提出了目標(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，并使用粒子群算法進(jìn)行模型求解[9]。徐明提出了一種基于改進(jìn)深度強(qiáng)化學(xué)習(xí)的變電站機(jī)器人巡檢路徑規(guī)劃方法。結(jié)合巡檢機(jī)器人的運(yùn)動(dòng)模型，設(shè)計(jì)深度強(qiáng)化學(xué)習(xí)的動(dòng)作和狀態(tài)空間。將深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)與人工勢場相結(jié)合，重新構(gòu)造深度強(qiáng)化學(xué)習(xí)的獎(jiǎng)勵(lì)函數(shù)，優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[10]。

針對巡檢機(jī)器人路徑規(guī)劃不佳的問題，通過一種魚群算法，建立柵格化的變電站圖，通過將機(jī)器人路徑尋優(yōu)問題轉(zhuǎn)化為對魚群覓食模擬和魚群自身的生物行為，包括聚群行為、追尾行為以及隨機(jī)行為進(jìn)行最優(yōu)解的求解。

1 路徑規(guī)劃模型

對于在路面上行進(jìn)的機(jī)器人，可以將行進(jìn)的場景簡化為一個(gè)二維環(huán)境。通過柵格化將機(jī)器人實(shí)際工作的環(huán)境構(gòu)建成一個(gè)柵格矩陣地圖。柵格化的基本原理在于通過一個(gè)由機(jī)器人自身大小定義的二位單位柵格均勻構(gòu)建與實(shí)際場地面積大小一致的柵格圖。柵格化做法的目的是將實(shí)際的地圖進(jìn)行數(shù)字化，在柵格化后的地圖中可標(biāo)記出機(jī)器人潛在可行的運(yùn)動(dòng)路徑和場地內(nèi)實(shí)際存在的障礙物。在柵格化后的地圖中給出目標(biāo)機(jī)器人的出發(fā)點(diǎn)和目的地，通過算法形成多個(gè)由柵格號(hào)構(gòu)成的路徑。

柵格化操作后的變電站地圖如圖1所示。圖中的黑色部分即為實(shí)際地圖中障礙物所在的位置，在數(shù)字化表示中將被記為1；白色部分為機(jī)器人可行區(qū)域，會(huì)被記為0。

圖1 柵格化操作后的變電站地圖

為了表示機(jī)器人極大的行進(jìn)自由度，定義機(jī)器人的行進(jìn)方向。機(jī)器人的行進(jìn)方向?yàn)?個(gè)方向，這種方式被稱為八叉樹搜索策略。以柵格圖中的一個(gè)柵格為例，機(jī)器人在該柵格上可向8個(gè)方位的下一個(gè)柵格進(jìn)行移動(dòng)。機(jī)器人行進(jìn)方向如圖2所示。

圖2 機(jī)器人行進(jìn)方向

在柵格化后的矩陣中，每個(gè)柵格將會(huì)有自己的編號(hào)。如果矩陣為S×S，則矩陣最左上方的柵格記為1，該柵格往右則記為2，以此類推逐行進(jìn)行標(biāo)號(hào)直至最右下角的S2。當(dāng)確定柵格圖的坐標(biāo)原點(diǎn)，后就可以計(jì)算出某個(gè)柵格點(diǎn)的距離。其計(jì)算公式為

式中：n為需要計(jì)算的柵格點(diǎn)；a為單位柵格的長度；x、y為所要計(jì)算的柵格的坐標(biāo)位置。計(jì)算出某個(gè)柵格點(diǎn)的位置之后，就可以通過基本的距離公式計(jì)算出任意2個(gè)柵格點(diǎn)之間的距離，其公式為

2 魚群算法

魚群算法通過魚的個(gè)體行為和覓食本能進(jìn)行建模，從而得出一個(gè)生物模擬的尋求最優(yōu)解的方法。首先需要定義魚群的狀態(tài)集合X=(x1,x2,…,xn)，在整個(gè)集合中的每一個(gè)元素，即xi=(i=1,2,…,n)為魚群中每個(gè)參與尋優(yōu)的個(gè)體魚。該方法的目標(biāo)函數(shù)計(jì)算值是對每條魚所處位置的食物濃度進(jìn)行考量，則記為Y=f(X)。對于每個(gè)魚個(gè)體的定義還有魚個(gè)體的視野范圍v、魚個(gè)體所能移動(dòng)的最大距離s，對于魚群則有魚群的聚集程度δ和魚群的最大試驗(yàn)次數(shù)nt，其中2條魚之間的歐氏距離為|Xj-Xi|，j表示為第j條魚，i表示為第i條魚。下面描述魚的行為。

2.1 覓食行為

某條魚的位置可描述為Xi，其對應(yīng)的食物濃度為Yi。依照魚的視野范圍可以搜尋到一個(gè)新的位置Xj，并且對應(yīng)的食物濃度為Yj。那么新位置的計(jì)算方式為

式中：v代表魚個(gè)體的視野范圍。

當(dāng)滿足新位置所搜尋到的食物狀態(tài)要比前一個(gè)位置的好，即表達(dá)式Y(jié)i＜Yj，那么在最大實(shí)驗(yàn)次數(shù)nt范圍內(nèi)，魚會(huì)向新位置前進(jìn)。計(jì)算公式為

式中：Xit為在時(shí)刻t下第i魚的位置。

如果在實(shí)驗(yàn)次數(shù)限制的范圍中，魚個(gè)體并沒有找到比前一個(gè)狀態(tài)更好的狀態(tài)量，那么魚會(huì)進(jìn)行隨機(jī)行為。

2.2 聚群行為

如果聚集中心的狀態(tài)不滿足食物要求和魚類數(shù)量要求，那么魚群會(huì)四散覓食。

2.3 追尾行為

否則，魚群還是會(huì)四散覓食。

2.4 隨機(jī)行為

隨機(jī)行為是魚類最基本的行為，在數(shù)學(xué)表示上有效避免局部最優(yōu)，原因在于魚個(gè)體可以廣泛尋找同類和食物。隨機(jī)行為的實(shí)現(xiàn)比較簡單，就是在視野中隨機(jī)選擇一個(gè)狀態(tài)并向那個(gè)方向移動(dòng)，即

3 實(shí)驗(yàn)仿真分析

柵格化之后的地圖大小為20 mm×20 mm，依據(jù)柵格地圖的大小將位置起點(diǎn)設(shè)置為(20,1)。放置魚群大小為N=50，魚的視野范圍為v=20，魚群的聚集程度設(shè)置為δ=0.67，最大實(shí)驗(yàn)次數(shù)和迭代次數(shù)分別為8次和100次。

在該設(shè)置下得到的規(guī)劃路徑如圖3所示。

圖3 規(guī)劃路徑圖

本文的魚群算法能夠很好地進(jìn)行機(jī)器人的路徑規(guī)劃，在諸多路徑中選取到了最優(yōu)路線。比較粒子群算法和魚群算法，算法迭代過程如圖4所示。由圖4可知，魚群算法在迭代約30次時(shí)，算法趨于穩(wěn)定，而傳統(tǒng)的粒子群算法在迭代進(jìn)行到約60次才趨于穩(wěn)定，因此魚群算法在迭代次數(shù)上要優(yōu)于粒子群算法。

圖4 算法迭代比較

4 結(jié) 論

通過建立柵格化的變電站圖，將機(jī)器人路徑尋優(yōu)問題轉(zhuǎn)化為對魚群覓食模擬和魚群自身的生物行為，包括聚群行為、追尾行為和隨機(jī)行為進(jìn)行最優(yōu)解的求解。通過比較與粒子群算法，本文的魚群算法能夠很好地進(jìn)行路徑規(guī)劃，并在求解性能上要優(yōu)于粒子群算法，有效實(shí)現(xiàn)了算法優(yōu)化。