關(guān)鍵詞：光伏電站；無(wú)人機(jī)巡檢；蟻群算法；路徑優(yōu)化；光伏產(chǎn)業(yè)中圖分類號(hào)： 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2025）21-0129-04

Abstract：Inrecentyears，solar energyhasatracted much atentionasanewenergysource，andthephotovoltaicindustry hasdevelopedvigorouslyAsatoolinthefieldofinspection，UAVshavegraduallreplacedmanualinspectionandbecomethe mainstreaminspectionmethodforphotovoltaicpowerplants.ConsideringtheapplicationadvantagesofUAVsinphotovoltaicpower stationispectionsandthenecesityofdesigninginspectionpaths，apathoptimizationmethodforantcolonyalgorithmis proposed.Comparedwithgreedyalgorithm，antcolonyalgorithmcanbettrsolvecomplexoptimizationproblems inpathplanning and has stronger global search capabilities.

Keywords：photovoltaic power station;UAV inspection;antcolony algorithm;pathoptimization;photovoltaic industry

近年來(lái)，光伏產(chǎn)業(yè)蓬勃發(fā)展。伴隨著集中式大型、分布式屋頂微型和特殊地貌光伏電站的相繼建立，這些電站的定期巡檢與維護(hù)工作對(duì)保障其穩(wěn)定運(yùn)行顯得尤為重要。在先前的光伏電站巡檢工作中，通常依賴于人工巡檢，不僅耗時(shí)耗力，還存在著一定的安全風(fēng)險(xiǎn)，因此迫切需要一種新的方式來(lái)代替這一方式。在此背景下，無(wú)人機(jī)因其高效率、低成本、飛行能力好和靈活性高等優(yōu)點(diǎn)，大幅度提升了巡檢工作的安全性和準(zhǔn)確性，同時(shí)顯著降低了人工巡檢的風(fēng)險(xiǎn)和成本-3。然而，隨著無(wú)人機(jī)應(yīng)用的普及，如何優(yōu)化其巡檢路徑成為了提高巡檢效率的關(guān)鍵問(wèn)題。一個(gè)合理的巡檢路徑可以確?？焖偾胰娴馗采w整個(gè)電站，同時(shí)最小化飛行時(shí)間和能耗。因此，本研究提出了使用蟻群算法（AntColonyOptimization，ACO）來(lái)優(yōu)化無(wú)人機(jī)在光伏電站巡檢中的路徑。蟻群算法是一種模擬自然界螞蟻覓食行為的優(yōu)化算法。它通過(guò)模擬螞蟻在尋找食物源和返回巢穴過(guò)程中留下的信息素路徑，來(lái)尋找問(wèn)題的最優(yōu)解45。在其他領(lǐng)域，如物流和網(wǎng)絡(luò)優(yōu)化中，蟻群算法已經(jīng)顯示出其強(qiáng)大的優(yōu)化能力。本研究認(rèn)為，該算法同樣適用于無(wú)人機(jī)的路徑規(guī)劃中，有望顯著提高光伏電站巡檢的效率和安全性。因此，本研究的目的是驗(yàn)證蟻群算法在光伏電站無(wú)人機(jī)巡檢路徑優(yōu)化中的應(yīng)用效果，并探討其潛在的實(shí)際應(yīng)用價(jià)值

1算法簡(jiǎn)介和光伏電站位置模擬

蟻群算法（Ant Colony Optimization，ACO）是一種受自然界螞蟻覓食行為啟發(fā)的優(yōu)化算法，廣泛應(yīng)用于路徑規(guī)劃等復(fù)雜問(wèn)題中。其核心原理在于模擬螞蟻在尋找食物時(shí)釋放信息素的過(guò)程。這些信息素作為路徑標(biāo)記，吸引其他螞蟻選擇相似的路線，從而實(shí)現(xiàn)群體協(xié)作與優(yōu)化。

在蟻群算法中，路徑優(yōu)化的關(guān)鍵在于信息素的積累和揮發(fā)。路徑越短，螞蟻經(jīng)過(guò)后釋放的信息素濃度越高，這會(huì)吸引更多螞蟻選擇該路徑，使其逐漸成為主流路線。同時(shí)，為了避免算法陷入局部最優(yōu)解，信息素濃度會(huì)隨時(shí)間逐漸揮發(fā)。揮發(fā)機(jī)制既模擬了自然界信息素蒸發(fā)的現(xiàn)象，也有效降低了長(zhǎng)時(shí)間未被選擇路徑的信息素濃度，鼓勵(lì)螞蟻探索新的可能路徑。

路徑選擇過(guò)程中，螞蟻會(huì)根據(jù)當(dāng)前位置到其他點(diǎn)的信息素濃度和路徑距離進(jìn)行概率性選擇。一般而言，信息素濃度高且路徑距離短的選項(xiàng)更具吸引力。每次迭代結(jié)束后，根據(jù)螞蟻在當(dāng)前迭代中的路徑表現(xiàn)，對(duì)信息素進(jìn)行更新。優(yōu)質(zhì)路徑上積累更多信息素，而較差路徑的信息素濃度逐漸減少。這種動(dòng)態(tài)調(diào)整機(jī)制確保算法在探索階段保持對(duì)新路徑的關(guān)注，同時(shí)逐漸向全局最優(yōu)解收斂。

蟻群算法的尋優(yōu)過(guò)程可通過(guò)數(shù)學(xué)公式進(jìn)行描述。首先是路徑選擇的概率公式，其中 P_ij 表示螞蟻從節(jié)點(diǎn) i 移動(dòng)到節(jié)點(diǎn) j 的概率，其公式為

式中： τ_ij 為路徑 i 到 j 的信息素濃度， η_ij 為啟發(fā)式信息（如路徑的逆距離）， α 和 β 分別表示信息素和啟發(fā)式信息的重要性權(quán)重，分母部分為所有可選路徑的歸一化總和，確保概率的合理性。

信息素的更新規(guī)則，公式為

τ_ij（1ρ）?τ_ij+Δτ_ij，

式中 _：ρ 為信息素的蒸發(fā)率， Δτ_ij 為當(dāng)前迭代中螞蟻在路徑 i 到 j 上留下的信息素增量，其計(jì)算公式為

式中： Q 為常數(shù)， L_k 為第 k 只螞蟻所走路徑的總長(zhǎng)度。路徑長(zhǎng)度越短，其對(duì)信息素的貢獻(xiàn)越大，這一機(jī)制鼓勵(lì)螞蟻集中在高效路徑上。

通過(guò)這些機(jī)制的協(xié)同作用，蟻群算法在路徑規(guī)劃問(wèn)題中展現(xiàn)出強(qiáng)大的探索和優(yōu)化能力，使其能夠快速、有效地找到光伏電站無(wú)人機(jī)巡檢的最優(yōu)路徑。在光伏電站場(chǎng)景中，可以模擬多個(gè)發(fā)電站的位置和巡檢點(diǎn)，利用蟻群算法尋找無(wú)人機(jī)在覆蓋所有點(diǎn)的情況下最短的飛行路徑。

1.1算法實(shí)現(xiàn)

信息素初始化與更新：蟻群算法的核心在于信息素的使用，它是算法實(shí)現(xiàn)路徑優(yōu)化的關(guān)鍵所在。通過(guò)對(duì)路徑上的信息素進(jìn)行合理分配和動(dòng)態(tài)調(diào)整，指導(dǎo)螞蟻尋找全局最優(yōu)路徑。在實(shí)驗(yàn)開(kāi)始時(shí)，信息素矩陣初始化為均勻分布，每個(gè)元素的初始值被設(shè)定為1/光伏電站數(shù)量，以保證每條路徑在初始階段具有同等的選擇概率。在每次迭代結(jié)束時(shí)，信息素矩陣會(huì)進(jìn)行更新，以模擬現(xiàn)實(shí)中的信息素蒸發(fā)與積累過(guò)程。信息素的蒸發(fā)通過(guò)蒸發(fā)率逐步降低其強(qiáng)度，從而避免過(guò)多的信息素累積在某些路徑上，防止算法陷入局部最優(yōu)解。同時(shí)，新的信息素依據(jù)螞蟻所走路徑長(zhǎng)度的倒數(shù)進(jìn)行累加，路徑越短的信息素更新量越大，從而鼓勵(lì)后續(xù)螞蟻選擇更優(yōu)路徑。這一機(jī)制有效結(jié)合了探索新路徑和強(qiáng)化優(yōu)秀路徑的雙重目標(biāo)。值得注意的是，信息素更新不僅依賴于路徑長(zhǎng)度，還受到路徑的選擇頻率的影響。頻繁被選中的路徑會(huì)積累更多的信息素，從而提高其被后續(xù)螞蟻選擇的概率，這種機(jī)制能夠有效避免搜索過(guò)程中路徑的過(guò)度重復(fù)。

螞蟻的路徑選擇：每只螞蟻在算法開(kāi)始時(shí)會(huì)隨機(jī)選擇一個(gè)網(wǎng)格中的起始點(diǎn)。接下來(lái)，每一步路徑選擇都基于當(dāng)前節(jié)點(diǎn)到其他未訪問(wèn)節(jié)點(diǎn)的信息素濃度和距離，螞蟻選擇下一個(gè)位置的概率由兩個(gè)關(guān)鍵參數(shù)控制：信息素重要性 α 和啟發(fā)式因子重要性 β 其中， α 決定了螞蟻對(duì)信息素強(qiáng)度的依賴程度 Δ，β 則反映了螞蟻對(duì)路徑距離的敏感性。信息素濃度越高或路徑越短，路徑被選中的概率就越大。為了確保路徑覆蓋所有節(jié)點(diǎn)，算法中規(guī)定螞蟻不會(huì)返回已經(jīng)訪問(wèn)過(guò)的節(jié)點(diǎn)，這一約束保證了路徑的完整性和有效性。隨著螞蟻群體的迭代和路徑選擇，信息素在路徑上的分布逐漸優(yōu)化，從而達(dá)到較短的巡檢路徑和高效的路徑覆蓋效果。為了進(jìn)一步提高優(yōu)化效率，選擇不同的啟發(fā)式信息（例如，路徑的可行性或者目標(biāo)點(diǎn)的重要性）來(lái)引導(dǎo)螞蟻選擇路徑，從而在初期迭代時(shí)避免無(wú)效路徑的選擇。

1.2光伏電站環(huán)境模擬

為了驗(yàn)證蟻群算法在無(wú)人機(jī)巡檢路徑優(yōu)化中的適用性，設(shè)計(jì)了一系列的仿真實(shí)驗(yàn)。這些實(shí)驗(yàn)使用MAT-LAB軟件進(jìn)行模擬，模擬環(huán)境包括若干光伏板作為巡檢點(diǎn)，這些點(diǎn)隨機(jī)分布在設(shè)定區(qū)域內(nèi)。實(shí)驗(yàn)的目標(biāo)是通過(guò)優(yōu)化無(wú)人機(jī)的飛行路徑，使其在覆蓋所有巡檢點(diǎn)的同時(shí)，盡量減少總飛行距離，提高巡檢效率。

光伏電站位置模擬：在實(shí)驗(yàn)中，光伏電站的位置被簡(jiǎn)化為一組二維平面上的隨機(jī)坐標(biāo)點(diǎn)。具體實(shí)現(xiàn)中，通過(guò)MATLAB的rand函數(shù)生成一個(gè)numCities ×2 的矩陣，每行表示一個(gè)巡檢點(diǎn)的 x 和 y 坐標(biāo)。為了增加點(diǎn)間的距離，從而提高路徑優(yōu)化的難度，這些隨機(jī)生成的坐標(biāo)乘以一個(gè)縮放因子。這些坐標(biāo)乘以10，增加設(shè)備點(diǎn)的距離，使得路徑優(yōu)化更具挑戰(zhàn)性。在模擬過(guò)程中，為了模擬光伏電站之間的實(shí)際布局，采用了不同的分布方式，包括均勻分布和隨機(jī)分布，以更好地測(cè)試蟻群算法在不同場(chǎng)景下的適應(yīng)性和優(yōu)化效果。

距離矩陣：路徑優(yōu)化的核心在于計(jì)算節(jié)點(diǎn)間的距離，為此利用MATLAB中的pdist函數(shù)計(jì)算所有巡檢點(diǎn)之間的歐幾里得距離，并通過(guò)squareform函數(shù)將其轉(zhuǎn)換為對(duì)稱的距離矩陣distanceMatrix。該矩陣的每個(gè)元素表示兩點(diǎn)間的直線距離，為后續(xù)路徑選擇和總路徑長(zhǎng)度的計(jì)算提供了數(shù)據(jù)支持。通過(guò)計(jì)算所有巡檢點(diǎn)的距離矩陣，能夠確保路徑選擇過(guò)程中，螞蟻能選擇到最短的路徑，進(jìn)而優(yōu)化巡檢路線。為了進(jìn)一步提高算法的精度，可以考慮引入更復(fù)雜的距離度量方式，如考慮風(fēng)速和天氣等外部因素對(duì)飛行路徑的影響。

1.3參數(shù)選擇

蟻群算法的性能在很大程度上依賴于參數(shù)的設(shè)置，合理的參數(shù)選擇可以顯著提升算法的效率和結(jié)果的質(zhì)量。實(shí)驗(yàn)中的主要參數(shù)包括螞蟻數(shù)量、信息素重要性 （α） 、啟發(fā)式因子重要性 （β） 和信息素蒸發(fā)率。螞蟻數(shù)量決定了每次迭代中路徑探索的多樣性，螞蟻數(shù)量過(guò)少可能導(dǎo)致搜索空間覆蓋不足，而過(guò)多則可能增加計(jì)算開(kāi)銷； α 和 β 值的不同組合影響螞蟻的路徑選擇策略， α 較高時(shí)，反映了螞蟻在路徑選擇中對(duì)前人經(jīng)驗(yàn)的依賴程度，數(shù)值越大，螞蟻越傾向于選擇信息素濃度高的路徑，而 β 較高時(shí)，螞蟻更傾向于選擇距離短的路徑；信息素蒸發(fā)率調(diào)節(jié)了信息素的衰減速度，較高的蒸發(fā)率能增強(qiáng)算法的探索能力，避免陷入局部最優(yōu)解，但過(guò)高的蒸發(fā)率也可能導(dǎo)致信息素過(guò)快消失，影響優(yōu)秀路徑的積累。實(shí)驗(yàn)中，選擇了適中的螞蟻數(shù)量（5只）以平衡計(jì)算效率和解的質(zhì)量 α 和 β 分別設(shè)定為10和2.0，以便在信息素引導(dǎo)和距離優(yōu)先之間取得平衡。信息素蒸發(fā)率設(shè)為0.5，既保證了信息素的有效更新，又避免了信息素過(guò)快蒸發(fā)。在實(shí)際應(yīng)用中，參數(shù)的調(diào)整需要根據(jù)具體的光伏電站布局和巡檢要求進(jìn)行優(yōu)化。例如，在光伏電站面積較大時(shí)，可以適當(dāng)增加螞蟻數(shù)量或調(diào)整信息素重要性，以提升搜索空間的覆蓋范圍和路徑優(yōu)化的精度。此外，還可以通過(guò)實(shí)驗(yàn)調(diào)優(yōu)進(jìn)一步優(yōu)化啟發(fā)式因子和信息素蒸發(fā)率的設(shè)置，以應(yīng)對(duì)不同的環(huán)境條件和任務(wù)要求。

2結(jié)果分析

2.1 路徑優(yōu)化結(jié)果

在實(shí)驗(yàn)中，蟻群算法成功地找到了連接所有光伏電站節(jié)點(diǎn)的最優(yōu)路徑。通過(guò)MATLAB生成的圖表（圖1），可以直觀地觀察到算法如何逐漸找到更短的路徑。在實(shí)驗(yàn)的最終階段，最優(yōu)路徑呈現(xiàn)出了明顯的減少的總旅行距離，同時(shí)保證了每個(gè)節(jié)點(diǎn)都被訪問(wèn)一次，從而實(shí)現(xiàn)有效的全覆蓋。MATLAB繪制的路徑圖清晰地展示了螞蟻選擇的最短路徑。這個(gè)路徑通過(guò)最小化總距離，同時(shí)確保所有的位置都被遍歷，體現(xiàn)了蟻群算法在解決路徑優(yōu)化問(wèn)題方面的有效性。此外，隨著迭代次數(shù)的增加，路徑逐漸趨向穩(wěn)定，意味著螞蟻群體在搜索過(guò)程中已充分探索了可能的解空間，并逐步收斂到全局最優(yōu)或接近最優(yōu)的解。為了進(jìn)一步驗(yàn)證算法的有效性，實(shí)驗(yàn)還與傳統(tǒng)的貪心算法和遺傳算法進(jìn)行了對(duì)比，結(jié)果顯示，蟻群算法在多次實(shí)驗(yàn)中的表現(xiàn)更為穩(wěn)定，并能夠在較短的時(shí)間內(nèi)找到優(yōu)化路徑。

2.2迭代性能分析

迭代變化效果如圖2所示，隨著迭代次數(shù)的增加，觀察到路徑長(zhǎng)度的逐漸減少，這表明算法在尋找更有效的路徑方面取得了進(jìn)展。在初始階段，由于信息素尚未充分積累，螞蟻的路徑選擇較為隨機(jī)。隨著迭代的進(jìn)行，有效路徑上的信息素積累增多，引導(dǎo)后續(xù)的螞蟻選擇這些路徑。迭代曲線的下降趨勢(shì)顯示出算法的收斂性，尤其是在迭代次數(shù)達(dá)到一定程度后，路徑長(zhǎng)度的改善開(kāi)始放緩，表明算法接近于找到最優(yōu)解。盡管路徑長(zhǎng)度的變化趨于平穩(wěn)，但每次迭代仍對(duì)最終路徑優(yōu)化有所貢獻(xiàn)，尤其在高維度和復(fù)雜問(wèn)題中，蟻群算法能夠有效地避免陷入局部最優(yōu)。進(jìn)一步的實(shí)驗(yàn)顯示，在不同規(guī)模的光伏電站部署場(chǎng)景中，蟻群算法表現(xiàn)出了較好的適應(yīng)性和魯棒性。

2.3 算法表現(xiàn)分析

對(duì)于不同的參數(shù)設(shè)置，算法表現(xiàn)出不同的優(yōu)化效果。在本實(shí)驗(yàn)中，參數(shù) α 和 β 的選取對(duì)螞蟻的路徑選擇策略有顯著影響。較高的 β 值使螞蟻更傾向于選擇較短的路徑，而 α 值的增加則使螞蟻更多地依賴于信息素軌跡。實(shí)驗(yàn)結(jié)果表明，當(dāng) α 值較高時(shí)，螞蟻會(huì)更偏向于選擇之前信息素濃度較高的路徑，導(dǎo)致搜索的路徑更加集中;而 β 值較高時(shí)，螞蟻則更多地考慮距離的因素，路徑選擇更傾向于短距離路線。因此，平衡 α 和 β 的設(shè)定非常關(guān)鍵，以確保螞蟻在探索新路徑的同時(shí)，也能夠有效利用已有的路徑信息。在實(shí)驗(yàn)中找到了一個(gè)平衡點(diǎn)，使螞蟻既考慮到信息素的引導(dǎo)，又不完全忽視路徑的實(shí)際長(zhǎng)度。信息素蒸發(fā)率的設(shè)置對(duì)算法的探索能力和收斂速度也有重要影響。較高的蒸發(fā)率防止了算法過(guò)早地收斂到局部最優(yōu)解，增加了搜索的多樣性，而較低的蒸發(fā)率則加快了算法的收斂速度，但有時(shí)可能導(dǎo)致過(guò)早收斂，陷入局部最優(yōu)解。實(shí)驗(yàn)結(jié)果表明，合理設(shè)置信息素蒸發(fā)率有助于優(yōu)化搜索過(guò)程，使算法既能維持良好的探索性，又能夠在較短時(shí)間內(nèi)收斂到滿意的解。

此外，本研究還使用了貪婪算法與蟻群算法進(jìn)行對(duì)比，通過(guò)貪婪算法計(jì)算出的最短路徑長(zhǎng)度為 30.4m ，蟻群算法最短路徑長(zhǎng)度為 26.8m ，相比之下效率提升了11.84% 。貪婪算法是一種簡(jiǎn)單而直觀的方法，它在每一步選擇時(shí)都會(huì)優(yōu)先考慮局部最優(yōu)解。然而，由于其局部性質(zhì)，貪婪算法容易陷入局部最優(yōu)解，可能無(wú)法全局優(yōu)化。相比之下，蟻群算法具備更強(qiáng)的全局搜索能力，模擬了螞蟻尋找食物的行為，從而能夠更全面地探索解空間。通過(guò)信息素的更新和螞蟻的協(xié)作，蟻群算法能夠逐步收斂于全局最優(yōu)解。因此，相較于前者，蟻群算法能夠更好地解決路徑規(guī)劃中的復(fù)雜優(yōu)化問(wèn)題，并獲得更優(yōu)的路徑長(zhǎng)度。

3結(jié)論

2.4實(shí)驗(yàn)對(duì)比

本研究探討了光伏電站無(wú)人機(jī)巡檢路徑的優(yōu)化問(wèn)題，采用蟻群算法實(shí)現(xiàn)了有效的路徑規(guī)劃。通過(guò)仿真實(shí)驗(yàn)，驗(yàn)證了算法在尋找最優(yōu)巡檢路徑方面的有效性，還展現(xiàn)了該方法在減少巡檢時(shí)間和提高效率方面的潛力。盡管存在一定的局限性，如模型的簡(jiǎn)化和參數(shù)選擇的隨機(jī)性，但本研究為光伏電站無(wú)人機(jī)巡檢路徑的優(yōu)化提供了有益的見(jiàn)解，并為未來(lái)的實(shí)際應(yīng)用打下了堅(jiān)實(shí)的基礎(chǔ)。

參考文獻(xiàn)：

[1]馬曉東，于華明，張殿鎮(zhèn)，等.水面光伏產(chǎn)業(yè)的發(fā)展趨勢(shì)分析[J].太陽(yáng)能，2023（8）：5-12.

[2]朱程雯，黃曉明，龔慶武，等基于ACO的無(wú)人機(jī)巡線路徑規(guī)劃研究[J]電網(wǎng)與清潔能源，2021，37（3）：71-77.

[3]趙子豐.風(fēng)電場(chǎng)5G無(wú)人機(jī)巡檢技術(shù)與路徑優(yōu)化設(shè)計(jì)[J粘接，2023，50（7）：184-188.

[4]王金幗，王亞彬，王帥，等.基于改進(jìn)蟻群算法的車輛+無(wú)人機(jī)配送路徑優(yōu)化[J]裝甲兵學(xué)報(bào)，2022，1（4）：56-62.

[5]張，毛海亮，卞鵬，等.自適應(yīng)蟻群算法的無(wú)人機(jī)三維航跡規(guī)劃[J].電光與控制，2024，31（5）：24-29.

[6]陳磊，陸遠(yuǎn).以貪婪算法為基的自動(dòng)化立體倉(cāng)庫(kù)垛機(jī)路徑優(yōu)化研究[J].現(xiàn)代制造工程，2018（4）：6-10.