Page 81 - 电力与能源2024年第四期

吴张傲：基于遗传算法的多无人机塔杆巡检任务分配算法研究 475

“无人机+巡检车”的巡检方式也带来了新的 （5）巡检车具有足够的电池，并且巡检车能

问题，如巡检车的路径、无人机巡检的路径等。采 够自动为无人机更换电池。
用这种新型巡检方式时，一般运维人员将巡检车 （6）无人机与巡检车之间的通信无时延。

开到合适位置，然后开始放飞无人机。一般情况 1.2 建立模型
下，在该区域内所有塔杆巡检完成之前，巡检车的 为建立多无人机分配任务模型，先对参数进

位置不会发生改变。 行说明，U 表示多无人机集合，Q 表示电力塔杆集
巡检车在所有无人机执行完巡检任务并返航 合，P 表示驻车点集合，G 表示塔杆类型集合。模
后，才会前往下一个驻车点位置。即只有当最后 型可表示为
一台无人机返航后，该区域内所有的巡检任务才 min：max t jk （1）
完成。在此期间，其他已完成巡检任务的无人机 t jk = t k +( 2 × ∑ h ik •d ij )/v k +
i ∈ Q ′
处于等待状态。因此，为提高巡检速度和效率，应 ∑ h ik •C ′ ig + ∑ h ik •t 0 ( k ∈ U ) （2）
确 保 每 一 台 无 人 机 的 巡 检 作 业 时 间 能 够 平 均 i ∈ Q ′ ，g ∈ G i ∈ Q ′
∑ h ik = 1 ∀i ∈ Q ) （3）
(
分配。 k ∈ U
本文首先采用 K-means 聚类算法根据所有塔 ∑ f jk = n j ∈ P ) （4）
(
k ∈ U
杆的坐标计算驻车点的坐标，确保驻车点位于所
i
h ik ∈ { 0，1 } ∈ Q，k ∈ U ) （5）
(
有任务塔杆的中心位置；然后以巡检时间最短、多
式中 d ij——第 i 个塔杆与第 j 个驻车点之间的距
架无人机巡检时间平均分配为目标函数搭建无人
离；v k——无人机在塔杆与驻车点之间飞行的速
机分配任务模型；最后利用遗传算法分析多台无
f
度； jk——第 k 个无人机在第 j 个驻车点处飞行的
人机的最优任务分配。
t
次数； jk——第 k 个无人机在第 j 个驻车点处的任
1 多无人机分配任务模型 务时间；C ig——无人机在第 g 种塔杆类型的第 i 个
t
塔杆处的巡检时间； 0——每台无人机更换电池的
明确各类电力塔杆类型、巡检时间和巡检路
时间；h ik——第 i 个塔杆的状态，当第 i 个塔杆由第
径后，为提高时间利用率，需对多架无人机的巡检
k 台无人机正在巡检时，h ik=1；否则，h ik=0。
任务进行合理分配。
式（1）表示单次无人机巡检最长的时间的最
1.1 模型假设
小值。式（2）表示每台无人机在一驻车点完成巡
本文建立的多无人机分配任务模型进行了以
检任务的时间，包括巡检时间、换电池时间、往返
下假设。
驻车点与塔杆时间。式（3）表示每个塔杆仅会被
（1）所有无人机均为同一厂家、同一时间生

无人机巡检一次。式（4）表示一个驻车点所有无
产的同型号无人机，即所有无人机的续航时间、飞
人机的起飞次数、巡检无人机的次数相等。式（5）
行速度均相同。
为决策变量。
（2）无人机巡检不同类型的电力塔杆时，已

2 遗传算法
进行了巡检路径规划，具有自主巡检功能。在塔
杆和驻车点之间飞行时，默认无障碍物，无人机巡 2.1 基于 K-means 的驻车点选址
检塔杆的时间远大于无人机在塔杆与驻车点之间 由所有塔杆位置的聚类中心可确定驻车点位
的往返时间。 置。首先选取 K 个点作为初始聚类中心，然后计

（3）受限于无人机电池容量和精细化的电力 算每一个塔杆与聚类中心的距离，并将其分配给

塔杆巡检，无人机每次起飞只能巡检一个塔杆。 最近的聚类中心。然后根据新的聚类重新更新聚
（4）无人机每次起飞、降落均在相同的地点， 类中心，并再次执行为每一个塔杆分配聚类中心。

即驻车点不改变。 直到聚类中心不再发生变化，聚类算法结束。基