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(tǒng)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?？紤]到500 kV超高壓變電站的規(guī)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(yōu)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(tài)避障規(guī)則為基礎的巡檢導航控制系統(tǒng);應用蟻群算法優(yōu)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(yōu)巡視路徑。但是,該方法規(guī)劃效率較低。文獻[4]對概率路徑圖算法規(guī)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(jié)點,并剔除無作用節(jié)點,以減少路徑拐點數(shù)量,生成最優(yōu)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(xiàn)象,通過柵格單位建立移動環(huán)境模型,引入A*改進算法優(yōu)化原始安全巡視路徑。但是,該方法規(guī)劃路徑拐點較多。

為了解決上述路徑自動化尋優(yōu)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(yōu)方法。

1 安全巡視路徑自動化尋優(yōu)方法設計

1.1 構建變電站安全巡視環(huán)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(yōu)處理需要依托于500 kV超高壓變電站巡視區(qū)域的環(huán)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(qū)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(jiān)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(tài)場景。為了更好地提取前景目標、準確地實現(xiàn)目標檢測和跟蹤,本文通過背景幀差法獲取巡視區(qū)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(qū)域的障礙物邊界,并獲取巡視環(huán)境信息。本文依托于安全巡視環(huán)境,構建巡視機器人工作環(huán)境模型。具體操作過程中,本文將工作場景轉化為由一組規(guī)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(xiàn)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(jù)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(yōu),需要以巡檢機器人的定位信息為基礎。本文根據(jù)安全巡視環(huán)境模型,依托于機器視覺原理實現(xiàn)機器人位置準確定位[9]。本文采用加速穩(wěn)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(shù);α為高斯濾波偏導系數(shù);β為對稱系數(shù);m為矩陣行數(shù);n為矩陣列數(shù)。

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(fā)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(yōu)目標函數(shù)

本文根據(jù)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(huán)節(jié):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(lián)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(jiān)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(jù)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(yōu),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?？紤]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(yōu)方法設計過程中設計了避障約束條件。本文將最優(yōu)規(guī)劃路徑點看作機器人末端姿態(tài)點。考慮到初始巡視路徑包含無數(shù)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(jù)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(yōu)目標函數(shù)為:

(5)

式中:f為巡檢路徑長度,m;M為路徑點總數(shù),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(yōu)函數(shù)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(qū)域障礙物總數(shù),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(yōu)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(yōu)路徑

為了求解變電站安全巡視最優(yōu)路徑,本文提出以粒子群優(yōu)化(particle swarm optimization,PSO)算法為基礎的求解算法。本文將安全巡視區(qū)域設置為1個路徑搜索空間,并設置空間內包含數(shù)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(yōu)安全巡視路徑。為了避免巡檢路徑的尋優(yōu)陷入局部最優(yōu),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(yōu)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(yōu)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(jù)實際情況合理調整范圍參數(shù)。為了避免PSO算法求解出現(xiàn)陷入局部最優(yōu)的問題,本文提出向PSO算法中添加權重因子,建立全局尋優(yōu)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(shù),次。

根據(jù)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(yōu)能力的提升,同樣也造成了局部尋優(yōu)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(yōu)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(yōu)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(jié)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(jié)點姿態(tài)。綜上所述,在安全巡視最優(yōu)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(shù)作為適應度值計算的數(shù)據(jù)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(yōu)安全巡視路徑。為了保證最優(yōu)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(xiàn)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(fā)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(yōu)路徑進行求逆解處理,以避免自動化尋優(yōu)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(yōu)化的安全巡視路徑。

2 仿真試驗

2.1 試驗參數(shù)

針對本文提出的自動化巡視路徑尋優(yōu)方法,本文以典型變電站空間環(huán)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(yōu)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(huán)境下進行變電站安全巡視路徑尋優(yōu)測試。本文對比不同路徑尋優(yōu)方法的應用效果,明確所提方法的先進性。

在仿真環(huán)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(jiān)測區(qū)域為20 m×20 m。節(jié)點初始能量為2 J。節(jié)點通信半徑為8 m。數(shù)據(jù)包產生率為0～10 packet/s?？刂瓢叽鐬?0 B。行動路徑為1 m/s。種群數(shù)為50。最大迭代次數(shù)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(guī)方法得到最優(yōu)巡視路徑。為了加強試驗結果的可信度,本文應用每種尋優(yōu)方法進行10次試驗,并匯總所有試驗結果以計算試驗數(shù)據(jù)的均值。

2.2 建立環(huán)境柵格圖

為了保證仿真試驗的順利進行,本文在仿真環(huán)境中建立1個20×20的試驗環(huán)境柵格圖。環(huán)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(huán)境柵格圖中黑色區(qū)域為障礙物,巡檢機器人無法通行。

試驗環(huán)境柵格如圖4所示。

圖4 試驗環(huán)境柵格圖

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

2.3 路徑尋優(yōu)結果分析

在試驗環(huán)境柵格圖中,本文采用所提方法、基于蟻群優(yōu)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(yōu)安全巡視路徑。

路徑尋優(yōu)結果對比如圖5所示。

圖5 路徑尋優(yōu)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(yōu)安全巡視路徑。針對路徑尋優(yōu)結果,本文以最優(yōu)路徑長度為評估指標進行分析。

試驗所應用的集中尋優(yōu)方法均不涉及勢場,且安全巡視的動作步長統(tǒng)一為1 m。所提方法搜索的最優(yōu)路徑長度為35.98 m,而其他3種方法得到的最優(yōu)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(yōu)方法相比,所得出的最優(yōu)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(yōu)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(yōu)方法。本文從巡視區(qū)域的環(huán)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(yōu)目標函數(shù);通過PSO算法獲取自動化安全巡視路徑尋優(yōu)結果,保證最優(yōu)路徑長度較短,以提升超高壓變電站安全巡視效率。后續(xù)以尋優(yōu)算法為研究重點,應用遺傳算法對所提路徑優(yōu)化求解算法進行改進,以期得到更好的路徑尋優(yōu)結果。