基于改進遺傳算法的變電站巡檢機器人行駛軌跡優(yōu)化

陳瑋光，胡曉靜，鄭鑫，馬兆興，陳昊

(1.國網(wǎng)江蘇省電力有限公司檢修分公司，江蘇 南京 211102；2.許昌開普電氣研究院有限公司，河南 許昌 461000；3.青島理工大學 信息與控制工程學院，山東 青島 266525)

隨著通信和信息技術(shù)的進步，變電站機器人的應用不斷深化，從執(zhí)行簡單作業(yè)(照片拍攝、紅外測溫)的日常巡視功能機器人，正在向具有較復雜作業(yè)功能的巡檢機器人轉(zhuǎn)化。

以變電站內(nèi)端子箱巡檢為代表，開、關室外箱柜門巡檢是變電站運維檢修人員的重要工作。常規(guī)方法多以人工手動打開箱柜為主，隨著人工智能技術(shù)和5G的發(fā)展，尤其是人工智能技術(shù)的提高，機器人的大規(guī)模普及成為可能[1-6]，并將逐漸代替人工手動打開方法。其中提升機器人的尋址打開效率、縮短尋址時間是應用的關鍵，這一技術(shù)也為未來無人值守智能變電站和下一代電網(wǎng)的發(fā)展提供助力[7]。在電力系統(tǒng)計算和工程應用中，包括風電預測、軌跡優(yōu)化等諸多方面出現(xiàn)了很多智能優(yōu)化算法[8-11]，它們在應用中展現(xiàn)了較好的收斂性。在解決大規(guī)模計算問題時，遺傳算法有著自身的優(yōu)點，如收斂速度快、計算精度高、全局性好等。在電力系統(tǒng)分析中：文獻[12]應用遺傳算法對電網(wǎng)運行中需要安裝最少的電表數(shù)量進行計算，這種方法對于減少設備安裝數(shù)量和提高電能質(zhì)量有一定好處；文獻[13]應用反向傳播(back propagation，BP)網(wǎng)絡實現(xiàn)機器人在線路巡檢中的應用；文獻[14]運用遺傳算法對風電場集電系統(tǒng)的拓撲進行優(yōu)化，降低了投資成本；為提高輸電線路弧垂測量方式的準確度，文獻[15]建立系統(tǒng)誤差求解模型，應用遺傳算法求解系統(tǒng)誤差，提高了精度。有些研究者根據(jù)遺傳算法的特點，擴大其應用[16-22]：文獻[16]應用進化遺傳算法對電力系統(tǒng)的聯(lián)合調(diào)度進行優(yōu)化求解；文獻[17]用遺傳算法對空間機械臂的活動軌跡進行優(yōu)化；文獻[18]基于遺傳算法，對高頻變壓器的繞組結(jié)構(gòu)進行優(yōu)化設計；針對柔性輸電系統(tǒng)，文獻[19]采用改進遺傳算法進行最優(yōu)潮流計算，并考慮了換流器的特點，取得良好的效果。

對變電站設備進行檢修，需要首先找到站內(nèi)箱柜，然后才能打開箱柜門；因此，首要任務是巡檢機器人找到箱柜在站內(nèi)的具體位置，在本文中稱這一過程為尋址。若變電站需要尋址點的總數(shù)為n，理論上可行的路徑數(shù)為n！。當n很小時，可以方便地尋址，對總尋址路程影響不大；但當n很大時，得出優(yōu)化路徑對尋址總路程的影響將非常大，而大型變電站的尋址點普遍較多。因此，研究變電站機器人尋址路徑的優(yōu)化問題具有非常重要的實際意義和理論意義。

遺傳算法是一種啟發(fā)式算法，且比較成熟，特別適用于求解大規(guī)模優(yōu)化問題。本文基于改進遺傳算法對變電站箱柜巡檢機器人的行駛軌跡進行優(yōu)化。首先，給出機器人尋址的數(shù)學模型，對變電站實際平面圖進行網(wǎng)格化處理；然后，應用改進遺傳算法得到箱柜巡檢機器人的最優(yōu)尋址行駛軌跡，解決提高尋址效率的關鍵問題；最后，通過變電站仿真算例驗證本文所提分析方法的效率。

1 尋址機器人行駛軌跡建模

1.1 尋址模型設定

尋址機器人出發(fā)點為站內(nèi)任意點，尋址開始后要經(jīng)過站內(nèi)所有的箱柜尋址點，尋址時從出發(fā)點到第1個尋址點的距離忽略不計；若機器人電量不足，則要停止對箱柜的尋址并返回充電樁，進行自動充電。為了便于優(yōu)化計算，用網(wǎng)格化坐標來表示變電站內(nèi)平面圖的每個箱柜尋址點。

1.2 模型建立

a)優(yōu)化目標函數(shù)建立。在1次尋址過程中，1個設備只被尋址1次，并且機器人的行駛速度是一定的，因此提高尋址效率、縮短尋址時間主要在于縮短機器人尋址的總行駛距離，其中縮短尋址總行駛距離的方法便是找到最優(yōu)的設備尋址順序。為了適應優(yōu)化算法和變電站的實際使用工況，本文以機器人最短總行駛距離為優(yōu)化目標，建立優(yōu)化目標函數(shù)

(1)

式中：Mdis為機器人的最短總行駛距離；dk,i,j為機器人k從尋址點i到j的行駛距離。

b)行駛距離計算。為精確化計算變電站不同地點的距離，本文將變電站的平面圖進行網(wǎng)格化處理，對每個網(wǎng)格依次編號，并進行坐標設置，處理過程如圖1所示，這樣使得計算分析更為清晰。

圖1 變電站平面圖網(wǎng)格化Fig.1 Schematic diagram of substation plan meshing

如圖1所示，將變電站坐標網(wǎng)格化處理后，每個尋址點都有明確的橫縱坐標，因此任意2個尋址點i、j之間距離

(2)

式中：li、lj分別為尋址點i、j的橫坐標；wi、wj分別為尋址點i、j的縱坐標。

以式(1)為目標函數(shù)，在求解多目標優(yōu)化過程中，本文采用改進遺傳算法，將變電站所有尋址點編碼，以行駛里程最短為目標函數(shù)求得最優(yōu)解，找到最優(yōu)的設備尋址順序。這樣不僅使得目標最優(yōu)，也提升了機器人的尋址效率。

1.3 約束條件

a)剩余電量約束。機器人電量消耗至10%時，停止尋址，返回充電樁進行充電。

b)行駛距離約束。機器人在行駛時，要求行駛的總路程不大于按順序?qū)ぶ?，完成全部尋址點所行駛的總路程，即

(3)

2 改進遺傳算法的設計與分析

2.1 種群初始化設計

本文將站內(nèi)所有尋址點編碼，尋址點可以寫成如{x1，x2，…，xi，…，xn}表示的序列，其中xi表示第i個尋址點。初始種群設置為理想的均勻分布，有助于算法尋優(yōu)。

2.2 適應度函數(shù)設計

適應度是指種群個體對環(huán)境的適應能力，適應度值越大對環(huán)境適應能力越強，表明算法對目標進行優(yōu)化的能力也越強。適應度函數(shù)的選取方法有很多，本文適應度函數(shù)

(4)

式中a為參數(shù)，a≥0，根據(jù)計算需要適時修正。本文在設置參數(shù)a時，按如下原則進行：設當代目標函數(shù)中最小個體為ymin，所對應目標函數(shù)為Mdis(ymin)，則a=Mdis(ymin)。

2.3 交叉與變異設計

本文對個體編碼后，尋址過程中遵循對每個尋址點只尋址1次，因此在編碼后的基因中不能存在重復，本文在計算過程中采用改進交叉算法[23-27]，具體過程如圖2演示。

圖2 交叉算子生成演示圖Fig.2 Demonstration of cross operator generation

本文改進變異算子采用兩點對換方法，變異最終結(jié)果為變異停止時發(fā)生變異的個體所處狀態(tài)，且變異次數(shù)不大于5，具體過程如圖3演示。

圖3 變異算子生成演示圖Fig.3 Demonstration of mutation operator generation

2.4 選擇算子設計

本文采用改進的選擇算子，根據(jù)個體的適應度決定該算子是否被保留，若個體的適應度較大則被保留遺傳下去的概率較大，反之，則容易被淘汰。該方法能夠使得適應度高的個體不被破壞，還可以加速剔除劣質(zhì)個體。個體是否得以保留，按概率公式進行計算，式中：g為遺傳概率；yt為第t個個體；T為個體數(shù)目。

(5)

相較于簡單的交叉、變異，該選擇算子能夠?qū)?yōu)秀基因保留下來，提高計算效率。其執(zhí)行流程如圖4所示。

圖4 選擇算子執(zhí)行流程Fig.4 Flow chart of selection operator

與常規(guī)方法相比，改進的遺傳算法在一定程度上能避免陷入局部最優(yōu)解，這樣算法在搜索機制上能較好地遍歷所有的尋址點，得到最優(yōu)尋址結(jié)果。

3 仿真計算及優(yōu)化結(jié)果分析

3.1 場景分析

現(xiàn)設定變電站內(nèi)有固定巡檢線路10條，機器人要在每條路線上尋址，充滿電的最大行駛里程為60 km。當剩余電量為10%時，按經(jīng)驗，機器人必須要及時充電，此時機器人停止尋址，并自動返回進行充電，充電完成后以既定優(yōu)化結(jié)果繼續(xù)尋址。

變電站的線路平面圖如圖5所示，并假設機器人處理器有一個站內(nèi)線路的電子地圖，尋址過程中將遵循電子地圖行駛。

圖5 變電站簡易平面圖Fig.5 Simple diagram of substation

設變電站南北長約400 m，東西長約300 m，網(wǎng)格化變電站時，設置每個網(wǎng)格單位為1 m，此時每個網(wǎng)格便是長寬均為1 m的小格子。若某個設備較大，可能占據(jù)多個格子，以該設備中心點處所在的坐標為準。設置大型500 kV變電站室外箱柜需要的尋址點共有500個。為體現(xiàn)一般性，尋址點隨機分布在站內(nèi)。機器人充電樁設置在站內(nèi)，其坐標為(0.001，0.1)。

3.2 計算及優(yōu)化結(jié)果分析

在理論上，遺傳算法的遺傳代數(shù)越多，其精度越高。本文在計算過程中發(fā)現(xiàn)，遺傳1 000代后，其優(yōu)化精度不再明顯提高；因此，在以下的仿真計算中，遺傳設為1 000代。

a)工況1：設定機器人還有剩余電量100%，在站內(nèi)任意選一點開始尋址。

經(jīng)改進遺傳算法1 000代遺傳計算，得到機器人最短總行駛距離為41.050 km。若不應用改進遺傳算法進行優(yōu)化，機器人按照尋址點順序編號進行尋址，其總行駛里程為47.335 km。

計算結(jié)果表明，優(yōu)化遺傳算法后，總行駛距離明顯縮短，機器人尋址效率提升15.309%。采用改進遺傳算法的計算結(jié)果如圖6所示。遺傳算法在計算過程中，會不斷尋找最優(yōu)解，每代的計算結(jié)果中，最佳值為所有計算解(即所有個體)中的最優(yōu)解，平均值則為所有計算解的平均數(shù)值。

圖6 改進遺傳算法尋址計算結(jié)果(工況1)Fig.6 Addressing calculation results of the improved genetic algorithm in working condition 1

圖6計算表明，本文應用改進遺傳算法的結(jié)果穩(wěn)定性好。計算用時24.91 s，收斂速度快。

b)工況2：設定機器人剩余電量20%，在站內(nèi)任意選一點開始尋址。

因剩余電量20%，所剩電量不足以完成全部尋址，因此尋址分2次進行，當剩余電量為10%時，自動停止尋址，機器人返回充電樁充電，待充電完成后再繼續(xù)尋址。優(yōu)化過程中計及返回充電的距離，并且第1次尋址距離要求小于6 km，前后2次得到機器人最短總行駛距離為41.319 km。若不應用改進遺傳算法進行優(yōu)化，機器人按照尋址點順序編號進行尋址，其結(jié)果見表1。

表1 不同計算方法的行駛距離Tab.1 Driving distance of different algorithms

表1中計算結(jié)果表明：優(yōu)化遺傳算法后，總行駛距離明顯更短，機器人尋址效率得以大幅提升；剩余電量10%時，尋址自動停止并返回充電，能夠應對尋址途中出現(xiàn)的電量不足問題。采用改進遺傳算法的計算結(jié)果如圖7和圖8所示。圖7和圖8計算結(jié)果表明，本文應用改進遺傳算法的結(jié)果穩(wěn)定性好，能夠適應不同工況，有較好的魯棒性。

圖7 改進遺傳算法第1次尋址計算結(jié)果(工況2)Fig.7 The first time addressing calculation results of the improved genetic algorithm in working condition 2

圖8 改進遺傳算法第2次尋址計算結(jié)果(工況2)Fig.8 The second time addressing calculation results of the improved genetic algorithm in working condition 2

由于電量不足，總尋址分2次進行，中間有充電環(huán)節(jié)。在2次尋址中，通過優(yōu)化和未優(yōu)化的遺傳算法尋址結(jié)果對比可看到，優(yōu)化遺傳算法后的尋址效率提升13.952%，這對大型變電站日常巡檢工作是非常有利的，也驗證了本文所提方法的有效性和實用性。

4 結(jié)論

本文介紹了基于改進遺傳算法的機器人尋址在變電站巡檢工作中的應用模式，對巡檢機器人的尋址軌跡進行優(yōu)化。在優(yōu)化分析過程中，涉及遺傳算法和尋址軌跡優(yōu)化兩部分內(nèi)容，得到的結(jié)論如下：

a)將優(yōu)化結(jié)果與未實行優(yōu)化的尋址結(jié)果相比，結(jié)果表明本文所提方法能夠在相同的時間內(nèi)完成更多設備的巡視工作，可以大幅提高變電站機器人巡檢效率，并且使得巡檢機器人可以在站內(nèi)任意位置開始巡檢工作，使用方便，原理清晰。

b)多種工況下的計算結(jié)果驗證了本文所提方法有較好的魯棒性和穩(wěn)定性。計算結(jié)果也表明了本文所提的變電站巡檢機器人尋址軌跡優(yōu)化具有良好使用效果，為變電站智能運檢建設提供了一種創(chuàng)新型的設備巡視和監(jiān)測手段。

后續(xù)研究，作者將考慮變電站實際場地的多種障礙對巡檢機器人的影響，研究變電站有多個機器人協(xié)同巡檢的優(yōu)化運行，以更真實的場景反映到巡檢過程中。