基于粒子群算法的變電站巡檢機器人運行功率分配

楊希磊，王哲斐

（1.國網(wǎng)上海市電力公司嘉定供電公司，上海200000；2.上海四量電子科技有限公司，上海201315）

0 引言

運行狀態(tài)巡檢是保證電力設備正常運行的有效手段［1-10］。隨著人工智能技術的不斷發(fā)展，變電站內(nèi)的人工設備巡視工作已經(jīng)逐漸被智能巡檢機器人所替代［11-14］。智能巡檢機器人采用充電的方式供能，可完成設備紅外測溫、表計讀取、設備狀態(tài)識別等功能，如圖1所示。

220 kV及以上的變電站占地面積大，設備數(shù)量多，完成一次精確巡檢需要較長時間［15-18］。為了保證正常的巡檢頻次，需要在巡檢任務量不變的情況下縮短巡檢機器人巡檢時間。因此，本文充分考慮機器人的運行速度、運行功率、充電時間等因素，提出了目標為巡檢時間最短的變電站巡檢機器人功率分配模型，并使用粒子群優(yōu)化算法進行求解，以得到巡檢時間最短的機器人運行功率分配方式，實現(xiàn)巡檢時間縮短的目標［19-21］。

1 總體思路

本文涉及的變電站智能巡檢機器人內(nèi)置路徑規(guī)劃算法，當巡檢任務發(fā)出后，即可自動計算完成巡檢任務的最短路徑，如圖2所示。

圖1 智能巡檢機器人及功能展示Fig.1 Intelligent inspection robot and function display

圖2 智能巡檢機器人最優(yōu)巡檢路徑規(guī)劃Fig.2 Optimal inspection path planning of intelligent inspection robot

因此，對于一個巡檢任務而言，機器人的巡檢路徑長度已經(jīng)優(yōu)化為最短，要減少機器人的巡檢時間，只能從機器人的運動速度入手。本文設計的巡檢機器人內(nèi)置低、中、高三檔（1.2/1.0/0.8 m/s）運行速度，可以在參數(shù)設置界面靈活設置3 擋運行速度的比例，巡檢機器人參數(shù)及運行工況如表1所示。

但是，由于機器人攜帶的電量是一定的，持續(xù)高速運動會使得機器運轉(zhuǎn)功率維持在高水平。圖3展示了機器在運動過程中速度與功率之間的關系，由此可以得出，功率與速度的變化關系并不是線性的，隨著速度的不斷增加，功率的增加速度是持續(xù)變快的。假設機器人的速度為v，功率為P，電量為w，運行時間為t，那么可運行總距離為：

表1 巡檢機器人參數(shù)及運行工況Table 1 Inspection robot parameters and operating conditions

由式（1）可得，速度與功率之間的變化關系為線性的，那么機器人可以運動的距離只與攜帶的電量有關。但正如圖3所示，隨著速度的增加，受阻力增大等因素影響，需要的功率呈類指數(shù)形態(tài)增長，這就使得過快的運行速度會減少機器人攜帶同樣電量時的運行距離，若機器人電量下降到臨界值，就會自動回到充電房充電，耗費較多的時間。

圖3 智能巡檢機器人速度與功率的關系Fig.3 Relationship between speed and power of intelligent inspection robot

綜上所述，在同樣的規(guī)劃路線中執(zhí)行巡視任務，過量增加機器人運動速度可能會導致機器人因電量消耗過快而回到充電房充電，反而增加了整個巡視任務的執(zhí)行時間。因此，需要對機器人運動過程中的功率分配進行優(yōu)化，以實現(xiàn)在同樣的工作任務中巡檢時間使用最少的目標。

2 變電站巡檢機器人運行功率分配模型

2.1 模型函數(shù)推導

首先，設機器人完成任務總時間為T，那么本模型的目標函數(shù)為：

設機器人低、中、高3 檔功率分配占比分別為k1、k2、k3，那么機器人電量耗盡所需時間Tmax和運動長度S1分別為：

式（3）、式（4）中，機器人運動3 檔速度為v1、v2、v3，對應的3 檔功率P1、P2、P3，機器人從充電臨界值到充滿電所需時間為Tc，機器人滿電電量為w。機器人完成任務運動路徑長度S由機器人內(nèi)置系統(tǒng)自動計算取得。

當S1＜S時，說明機器人不需要返回充電即可完成巡檢任務，則此時消耗的電量w1為：

當S1＞S時，則機器人需要充滿電后繼續(xù)執(zhí)行任務，并且根據(jù)4.2中的測試結(jié)果，充滿電后機器人可以最高檔功率運行直至完成所有巡檢任務。此時完成任務所需總時間T為：聯(lián)立式（2）、式（6）、式（7）構成的分段函數(shù)，即可構成本文模型的目標函數(shù)。

2.2 模型約束條件

首先3檔功率分配占比分別為k1、k2、k3需要滿足：

機器人在充電過程中不可以自動間斷，充滿電后才會繼續(xù)執(zhí)行任務。

另外根據(jù)實驗測算，對于路徑最長的任務，機器人在能耗經(jīng)濟性最差的情況下，兩次充電也足以完成任務。

3 基于粒子群算法的模型求解

粒子群算法（Particle Swarm Optimization，PSO）作為優(yōu)化模型求解算法，具有收斂速度快，尋優(yōu)精度高的特點［22-28］。因此，本文選取粒子群算法作為本文模型的求解算法。其迭代公式為：

式（6）、式（7）中，在空間中粒子的坐標表示為xj=（xj1，xj2...xjm），其中j表示第j個粒子，m表示粒子的坐標維度。粒子的速度則表示為vi（vi1，vi2...vim），這里的粒子速度表示算法在每一次的迭代過程中該粒子移動的距離。另外，Pj，G分別表示j粒子局部最優(yōu)值以及所有粒子的全局極值，t表示迭代的次數(shù)。c1、c2表示加速系數(shù)，E表示權重系數(shù)，R為隨機數(shù)。

權重系數(shù)E采用慣性權值，其表達式為：

式（9）中，Emax與Emin分別表示E值的初值與終值，N表示目前的迭代次數(shù)，Nmax表示設定的迭代次數(shù)最大值。

使用慣性權值的好處是，在算法迭代的開始階段使用大步長加快搜索速度，在迭代后期縮小搜索步長，防止錯過最優(yōu)值。這樣既加快了尋優(yōu)速度，又兼顧了尋優(yōu)精度。

對于本文的問題求解，待優(yōu)化變量為k1、k2、k3，因此粒子的維度設置為3。粒子群算法其余參數(shù)初始化設置為：加速系數(shù)c1、c2取為2.0，Emax與Emin分別取為1.2和0.8，最大迭代次數(shù)設置為80次，粒子數(shù)設為40。初始化設置完畢后，輸入模型目標函數(shù)以及約束條件，即可迭代求解，直到目標值連續(xù)5 次迭代及以上不發(fā)生變化，則最優(yōu)值求解完成。

4 實驗驗證

為了驗證本文模型和求解算法的有效性，設計了實驗進行有效性驗證。本文針對3類巡檢任務：35 kV設備區(qū)巡檢、220 kV設備區(qū)巡檢以及全站巡檢進行了30 次巡檢實驗。在實驗場地中，220 kV 設備區(qū)共有6個220 kV 出線間隔、2 個主變高壓側(cè)間隔、1 個母聯(lián)間隔、2 個母線間隔；110 kV 設備區(qū)共有12 個110 kV 出線間隔、2 個主變中壓側(cè)間隔、1 個母聯(lián)間隔、2 個母線間隔；35 kV 設備區(qū)共有20 個35 kV 出線間隔、2 個主變低壓側(cè)間隔、1 個母聯(lián)間隔、4 個電容器間隔、2 個電抗器間隔。在實驗過程中，巡檢機器人會對所有被測間隔的測溫點、表計、開合狀態(tài)進行測量，實驗結(jié)果如表2和圖4所示。

表2 巡檢實驗結(jié)果Table 2 patrol test results

圖4 優(yōu)化后巡檢時間減少百分比Fig.4 Percentage reduction of patrol time after optimization

從結(jié)果可以看出，本文優(yōu)化模型應用后，巡檢任務的執(zhí)行時間顯著減少，并且時間減少的比例隨著任務量增加而上升，全站巡檢可節(jié)省任務執(zhí)行時間28.74%，驗證了本文方法的有效性。

同時，本文使用較為主流的遺傳優(yōu)化算法（Genetic Algorithm，GA）［29-30］與本文使用的粒子群算法進行了算法對比，兩種算法針對本文模型的迭代計算結(jié)果如圖5所示。

圖5 模型求解算法性能對比Fig.5 Performance comparison of model solving algorithms

圖5 中以220 kV 設備區(qū)巡檢任務為例，利用PSO和GA 兩種算法進行機器人功率優(yōu)化分配，記錄了算法迭代過程。從結(jié)果可以看出，本文使用的PSO 算法收斂速度快，并且尋優(yōu)的精度更高，驗證了本模型求解算法的有效性。

5 結(jié)語

本文針對變電站巡檢機器人巡檢工作，提出減少工作時間的優(yōu)化目標，并從機器人的3 檔工作功率入手，提出了變電站巡檢機器人運行功率分配模型。該模型通過對機器人功率大小的優(yōu)化配置，著力降低機器人巡檢工作時間。本文使用粒子群算法對模型進行求解，并設計了實驗對模型和求解算法的有效性進行驗證。從結(jié)果中可以可看出，本文的優(yōu)化模型可節(jié)省機器人巡檢工作時間15%-30%左右，成效顯著。

本文在考慮機器人充電時間時，直接使用了平均充電時間，在函數(shù)中設置為常數(shù)。在后續(xù)的工作中，可以針對機器人的充電時間繼續(xù)優(yōu)化、細化模型，使得模型對于機器人巡檢工作消耗時間的刻畫更為準確。