500 kV超高壓變電站安全巡視路徑自動化尋優研究

趙夢露,蔡志強,宋仁杰,李春曉,程 盛

(國網安徽省電力有限公司超高壓分公司,安徽 合肥 230000)

0 引言

變電站是電力系統電流、電壓轉換的重要場所[1]。為了保證能量順利轉換,變電站內包含多種類型的電力設備。由于變電站日常工作的不間斷運行要求,需要對變電站的故障隱患進行快速處理[2]。因此,變電站安全巡視檢查已經成為不可或缺的工作內容之一。考慮到500 kV超高壓變電站的規模較大,人工巡檢無法滿足變電站安全巡檢要求。巡檢機器人等智能化輔助工具的應用,降低了巡檢工作壓力。智能化背景下,安全巡視路徑的優化已成為重點研究問題。

文獻[3]以加強巡檢機器人避障能力為目標,設計以動態避障規則為基礎的巡檢導航控制系統;應用蟻群算法優化導航所提供的巡檢路徑,得到具有自主導航避障性能的最優巡視路徑。但是,該方法規劃效率較低。文獻[4]對概率路徑圖算法規劃的巡檢路徑進行分析,以減少路徑拐點為目標,并利用隨機采樣結果建立初始巡檢路徑網絡圖;通過最大化保留性抽稀算法提取網絡中關鍵路徑節點,并剔除無作用節點,以減少路徑拐點數量,生成最優安全巡視路徑。但是,該方法避障效果較差。文獻[5]考慮到巡檢機器人運動存在障礙物碰撞現象,通過柵格單位建立移動環境模型,引入A*改進算法優化原始安全巡視路徑。但是,該方法規劃路徑拐點較多。

為了解決上述路徑自動化尋優方法的不足,本文以500 kV超高壓變電站為研究對象,提出基于機器視覺的安全巡視路徑自動化尋優方法。

1 安全巡視路徑自動化尋優方法設計

1.1 構建變電站安全巡視環境模型

由于變電站工作場景內包含多種類型的變電設備,安全巡視場景較為復雜。安全巡視路徑的自動化尋優處理需要依托于500 kV超高壓變電站巡視區域的環境信息。其需準確劃分出巡視機器人可自由運動空間,以及巡檢區域內的障礙物分布情況[6-7]。本文利用巡視機器人上安裝的監控攝像機,獲取運動過程中的全局場景信息。本文設置安全巡視背景為靜態場景。為了更好地提取前景目標、準確地實現目標檢測和跟蹤,本文通過背景幀差法獲取巡視區域內的障礙物信息。

變電站背景幀差如圖1所示。

圖1 背景幀差示意圖

結合當前幀和背景幀,可以將背景幀差表示為:

(1)

本文通過背景幀差法得到變電站安全巡視區域的障礙物邊界,并獲取巡視環境信息。本文依托于安全巡視環境,構建巡視機器人工作環境模型。具體操作過程中,本文將工作場景轉化為由一組規則柵格構成的離散陣列[8]。柵格內的每個格子都可以作為運動單元。分析變電站實際工作場景可知,安全巡視空間的運動單元呈現4種形式,分別是自由運動單元、障礙物單元、巡檢機器人占據單元以及目標單元。

1.2 設計機器視覺定位技術

巡視路徑的自動化尋優,需要以巡檢機器人的定位信息為基礎。本文根據安全巡視環境模型,依托于機器視覺原理實現機器人位置準確定位[9]。本文采用加速穩健特征(speeded up robust feature,SURF)分析方法提取特征點。這需要以Hessian矩陣為基礎。

(2)

式中:H為Hessian矩陣;L為特征系數;α為高斯濾波偏導系數;β為對稱系數;m為矩陣行數;n為矩陣列數。

Hessian矩陣行列式為:

ΔH=Lmm(α,β)×Lnn(α,β)-Lmn(α,β)2

(3)

為了降低計算復雜度,本文采用近似盒濾波技術進行進一步計算。

近似盒濾波模板如圖2所示。

圖2 近似盒濾波模板

本文通過Hessian矩陣計算出每個特征點的極值,并與周圍鄰近點進行比較,以提取候選特征點。本文對候選特征點進行差值運算,輸出有效特征點,并通過尺度空間對比建立可縮放的特征空間[10]。為了保證特征空間在旋轉過程中不會發生變形問題,本文需要對鄰域內的Hessian小波進行分析,提取出矢量最長的方向,以充當特征點的主要運動方向。本文應用歐氏距離計算特征點,基于機器視覺采集的當前場景視頻幀,以及巡檢機器人正常運動參考幀,得到特征點匹配結果。本文通過匹配特征點極值,確定500 kV超高壓變電站安全巡視機器人的實際位置。

1.3 建立路徑自動化尋優目標函數

本文根據安全巡視機器人當前定位信息,采用機器視覺、人機交互相結合的方式,提取出變電站安全巡視初始路徑。初始路徑獲取工作主要包括3個環節:①針對帶有標記點的手背運動路徑[11],利用機器人巡檢相機獲取該點的坐標系;②建立手背標記點坐標系和人手手背坐標系,并分析2個坐標系之間的關聯性;③與安全巡視機器人坐標系進行合理變換,得出巡檢機器人運動路徑。

本文通過手眼標定方法,將人手手背與巡視機器人監控相機保持在相同位置[12]。本文采用位姿估計方法獲取標記點坐標下人手手背的齊次變換矩陣。

(4)

式中:θ為標記點坐標下食指指尖齊次變換矩陣;f1為機器人坐標系下食指指尖齊次變換矩陣;f2為相機空間中手背Mark點齊次變換矩陣。

根據式(4)讀取手背標記點的運動路徑。該路徑即變電站安全巡視初始路徑。

安全巡視路徑的自動化尋優,本質上是從多條路徑中選取最短運動路徑,從而提升變電站安全巡視效率。考慮到機器人巡視需要保證良好的避障性能,所以在路徑自動化尋優方法設計過程中設計了避障約束條件。本文將最優規劃路徑點看作機器人末端姿態點。考慮到初始巡視路徑包含無數個路徑點,本文需要設置路徑起點和路徑終點。在已知安全巡視機器人運動空間的情況下,可以根據障礙物位置坐標計算每個障礙物的包圍球半徑,并匯總計算結果以組成向量集。本文以最短巡檢路徑長度為目標,設置500 kV超高壓變電站安全巡視路徑自動化尋優目標函數為:

(5)

式中:f為巡檢路徑長度,m;M為路徑點總數,個;i為路徑點;xi、yi、zi為路徑點i的坐標信息,m;xi+1、yi+1、zi+1為下一路徑點坐標信息,m。

變量設計過程中,由(M-2)個路徑點組成的巡檢路徑為:

P(xi,yi,zi)i=2,3,…,M-1∈S(xi,yi,zi)

(6)

式中:P為最平滑巡檢路徑;S為路徑點取值范圍,m,其值由起點和終點共同確定。

為了保證巡視機器人的避障性能,路徑自動化尋優函數的約束條件為:

hi,k,i=1,2,…,M,k=1,2,…,p≥Qk,k=1,2,…,p

(7)

式中:k為巡檢障礙物,m;p為巡檢區域障礙物總數,個;h為路徑點與障礙物之間的距離,m;Q為障礙物的包圍盒半徑。

結合變電站安全巡檢空間要求,得出路徑優化的運動學約束條件為:

P(xi,yi,zi)i=2,3,…,M∈T

(8)

式中:T為變電站安全巡檢空間。

1.4 獲取變電站安全巡視最優路徑

為了求解變電站安全巡視最優路徑,本文提出以粒子群優化(particle swarm optimization,PSO)算法為基礎的求解算法。本文將安全巡視區域設置為1個路徑搜索空間,并設置空間內包含數個粒子。為了處理PSO算法的原始粒子,本文提出將隨機生成算法與求解算法相結合,獲取初始化粒子;通過輸出迭代計算,獲取全局最優安全巡視路徑。為了避免巡檢路徑的尋優陷入局部最優,本文利用個體極值和全局極值,對PSO算法的原始粒子進行飛行距離、飛行方向的調整。

(9)

每次迭代計算都會引起粒子種群的更新,則更新粒子的空間位置為:

(10)

最優變電站安全巡視路徑求解過程中,為了避免因種群粒子運動速度過快而無法求解出最優路徑信息,本文將粒子飛行速度限定范圍設置為δ∈[δmin,δmax]。其中:δmin為最慢飛行速度;δmax為最快飛行速度。

粒子速度限定范圍往往為粒子種群搜尋空間的25%～30%。本文根據實際情況合理調整范圍參數。為了避免PSO算法求解出現陷入局部最優的問題,本文提出向PSO算法中添加權重因子,建立全局尋優PSO求解算法。改進后的粒子飛行速度為:

(11)

式中:λ為權重因子。

(12)

式中:λstart為初始權重值;λend為迭代終止時權重值;Ψ為PSO運算總迭代次數,次。

根據式(11)、式(12)可知,慣性權重粒子的增大,直接導致了安全巡視路徑全局尋優能力的提升,同樣也造成了局部尋優能力的降低。本文將收斂因子引入PSO算法中,以提升超高壓變電站安全巡視路徑自動化尋優收斂速度。更新后的粒子飛行速度為:

(13)

式中:ε為收斂因子。

(14)

式中:r為搜索空間邊長。

本文將所提PSO算法應用于安全巡視路徑尋優中。本文按照路徑點巡視信息采集時間,將整條安全巡視路徑劃分為多個分段。本文提取出每個分段的中心節點,以此充當每個搜索空間的中心點。本文研究所有分段搜索空間,設置每段搜索空間內包含的路徑點具有相同的節點姿態。綜上所述,在安全巡視最優路徑搜索過程中,本文只需要考慮路徑點位置信息。

PSO搜索空間如圖3所示。

圖3 PSO搜索空間示意圖

由圖3可知,本文計算空間內相鄰路徑點的距離,將所有路徑點距離相加設置的目標函數作為適應度值計算的數據基礎。本文在每個分段的搜索空間中提取出1個路徑點,并連接路徑點以形成最優安全巡視路徑。為了保證最優巡視路徑求解結果的合理性,本文采用碰撞檢測方法進行測試。本文提取出現碰撞問題的路徑點,對其所在的分段搜索空間進行縮小處理,并重新定位PSO粒子的位置和速度,直到不再發生碰撞問題時停止碰撞檢測。

同時,為了滿足運動學約束條件,本文針對求解出的最優路徑進行求逆解處理,以避免自動化尋優生成的路徑中包含巡視機器人無法到達的路徑點。若存在路徑點不在運動空間內的情況,本文需要采用式(10)更新粒子位置,再采用式(13)更新粒子速度。本文在搜索空間內生成另一個符合運動學約束條件的粒子,以調整優化的安全巡視路徑。

2 仿真試驗

2.1 試驗參數

針對本文提出的自動化巡視路徑尋優方法,本文以典型變電站空間環境為仿真試驗背景,設計仿真試驗。為了保證試驗結果的真實性,本文選取基于蟻群優化方法、基于混合免疫粒子群方法以及基于人工蜂群方法作為對照組,在同樣的仿真試驗環境下進行變電站安全巡視路徑尋優測試。本文對比不同路徑尋優方法的應用效果,明確所提方法的先進性。

在仿真環境中,基于巡檢機器人的運動特點,本文利用SolidWorks工具對500 kV超高壓變電站安全巡視機器人進行建模,并對機器人建立安裝坐標系。監測區域為20 m×20 m。節點初始能量為2 J。節點通信半徑為8 m。數據包產生率為0～10 packet/s。控制包尺寸為10 B。行動路徑為1 m/s。種群數為50。最大迭代次數為200。學習因子為1.5。允許最大時延為5 s。仿真時間為180 s。本文應用所提方法和其他3種常規方法得到最優巡視路徑。為了加強試驗結果的可信度,本文應用每種尋優方法進行10次試驗,并匯總所有試驗結果以計算試驗數據的均值。

2.2 建立環境柵格圖

為了保證仿真試驗的順利進行,本文在仿真環境中建立1個20×20的試驗環境柵格圖。環境柵格圖中:左上角圓形標注點為500 kV超高壓變電站安全巡視起點;右下方星號標注點為安全巡檢目標點。除此之外,環境柵格圖中黑色區域為障礙物,巡檢機器人無法通行。

試驗環境柵格如圖4所示。

圖4 試驗環境柵格圖

本文應用Matlab仿真軟件進行變電站安全巡視最優路徑自動化選取,定義巡檢機器人的主要執行動作為上、下、左、右這4類,結合自動化尋優方法執行流程,以求解出最優巡視路徑。

2.3 路徑尋優結果分析

在試驗環境柵格圖中,本文采用所提方法、基于蟻群優化方法、基于人工蜂群方法以及基于混合免疫粒子群方法獲取最優安全巡視路徑。

路徑尋優結果對比如圖5所示。

圖5 路徑尋優結果對比圖

通過圖5可以明確不同方法在復雜變電場景下搜索的最優安全巡視路徑。針對路徑尋優結果,本文以最優路徑長度為評估指標進行分析。

試驗所應用的集中尋優方法均不涉及勢場,且安全巡視的動作步長統一為1 m。所提方法搜索的最優路徑長度為35.98 m,而其他3種方法得到的最優安全巡視路徑長度分別為65.28 m、53.12 m與48.39 m。綜上所述,所提方法與其他尋優方法相比,所得出的最優路徑長度分別縮短了44.88%、32.27%、25.65%。這表明了所提方法的優越性。

3 結論

為了滿足500 kV超高壓變電站安全巡視工作要求,本文依托于機器人視覺技術,建立巡視路徑自動化尋優方法。本文從巡視區域的環境信息入手,利用機器視覺技術完成巡視機器人當前位置的精準定位;以此為基礎,建立路徑尋優目標函數;通過PSO算法獲取自動化安全巡視路徑尋優結果,保證最優路徑長度較短,以提升超高壓變電站安全巡視效率。后續以尋優算法為研究重點,應用遺傳算法對所提路徑優化求解算法進行改進,以期得到更好的路徑尋優結果。