无人机对输电线路巡检的路径规划方法及设备、储存介质与流程

1.本发明涉及输电线路巡检技术领域，尤其涉及一种无人机对输电线路巡检的路径规划方法及设备、储存介质。


背景技术：

2.无人机由于机身轻巧，可装载先进的航空检测系统，是输电线路巡检较为有效的工具，有着“智能巡线千里眼”之称，主要优势有:1)巡线效率高，可以短时间内快速采集图像，实时回传、决策，速度、效率比人工巡线的效率高数十倍，比有人机、飞艇、卫星遥感速度更快，费用更低，可执行更复杂的飞行任务；2)安全系数高，机上无人驾驶，不会造成人员伤亡更适于执行特殊时期危险性高的任务；3)使用和维护费用低，一次投入后，每次巡线费用极少:4)适合恶劣地理条件下或抗灾抢险期间的电力巡线任务:5)机动性强，偏远山区或突发性应急故障能做到快速响应、部署，节约排障时间。然而在使用无人机进行巡检时，需要无人机较为准确根据路径进行巡检，以避免进行无效的检测。


技术实现要素：

3.本发明主要解决的技术问题是提供一种无人机对输电线路巡检的路径规划方法，解决需要无人机较为准确根据路径进行巡检，而容易进行无效的检测的问题。
4.为解决上述技术问题，本发明采用的一个技术方案是提供一种无人机对输电线路巡检的路径规划方法，包括步骤：
5.步骤s1:对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点；
6.步骤s2:根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；
7.步骤s3:在巡检过程中，对无人机的航向角进行修正；使所述无人机精确的沿所述巡线进行巡检。
8.优选的，根据线路巡线的任务范围和任务无人机的性能指标，对无人机的飞行区域进行划分，对该范围内数字地图上存在的各种目标物的准确位置数据进行标定；对目标物的外形进行处理，在简化目标物外形的基础上，向外移动相应距离形成的新的封闭曲线，形成避障边界。
9.优选的，巡线区域内的目标物设定避障边界之后，将避障范围立体化，将目标物周围的避障范围扩展为一个个封闭的三维空间，即避障柱体s；通过将原有线沿坚直向上方向延伸一定高度h，形成的三维空间叠加到巡线系统地面站的数字地图上；即：
10.h＝h+hd11.式中，h为延伸高度，h为该目标物自身高度，hd为安全高度。
12.优选的，根据不同的外形使用不同的方法形成避障柱体，目标物的外形包括仅包含直线的目标物、直线与曲线混合型目标物和类台阶目标物。
13.优选的，设定输电线路中的检测点，无人机移动到对应的位置，对检测点进行检测，检测点包括有绝缘子、横担、避雷针。
14.优选的，对导线弧垂程度进行建模，导线弧垂程度计算中；状态方程式为:
[0015][0016][0017][0018][0019]
弧垂计算公式为:
[0020][0021]
式中，γ1、t1和σ
c1
表示控制气象条件下的比载、温度和应力；γ2、t2和σ
c2
表示需求气象条件下的比载、温度和应力；e表示导线的弹性系数。
[0022]
优选的，通过粒子群算法进行巡线规划，引入自适应收缩因子，通过选取的参数，平衡算法全局搜索和局部搜索的能力，引入驱散策略，在粒子过于密集的位置，通过驱散操作，增强算法的搜索能力。
[0023]
优选的，对无人机中陀螺仪积分的航向角误差进行修正；具体如下所示：
[0024][0025][0026][0027][0028][0029]
式中：为将横滚角、俯仰角与磁传感器输出融合后计算得到的航向角观测值，为通过陀螺仪角速率积分得到的航向角预测值；为前一时刻基于航向角误差得到的地理系统下的航向角误差角速率。
[0030]
本发明还提供一种电子设备，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现所述的无人机对输电线路巡检的路径规划方法。
[0031]
本发明还提供一种非易失性计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现所述的无人机对输电线路巡检的路径规划方法。
[0032]
本发明的有益效果是：本发明在对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点，可以为后续算法应用建立基础，而且能够验证工作提供保障。根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；进一步的对无人机的航向角进行修改，以确保无人机准确的以规划的巡线路径进行巡检。
附图说明
[0033]
图1是根据本发明一实施例的流程图；
[0034]
图2是根据本发明一实施例外形轮廓线为仅包含直线的目标物的避障边界线构成示意图；
[0035]
图3是根据本发明一实施例外形轮廓线为直线与曲线混合型目标物的避障边界线构成示意图；
[0036]
图4是根据本发明一实施例外形轮廓线为类台阶目标物的避障边界线构成示意图；
[0037]
图5是根据本发明一实施例杆塔基脚的结构示意图。
具体实施方式
[0038]
为了便于理解本发明，下面结合附图和具体实施例，对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是，本发明可以以许多不同的形式来实现，并不限于本说明书所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
[0039]
需要说明的是，除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0040]
图1显示了本发明无人机对输电线路巡检的路径规划方法的实施例，包括：
[0041]
步骤s1:对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点；
[0042]
步骤s2:根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；
[0043]
步骤s3:在巡检过程中，对无人机的航向角进行修正；使所述无人机精确的沿所述巡线进行巡检。
[0044]
本发明在对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点，可以为后续算法应用建立基础，而且能够验证工作提供保障。根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；进一步的对无人机的航向角进行修改，以确保无人机准确的以规划的巡线路径进行巡检。
[0045]
在输电线路巡线过程中，无人机往往需要面对异常复杂的输电杆塔和周边环境。
为了降低实际应用的难度，需要对杆塔和周围环境进行数学建模。这些建模工作不仅可以为后续算法应用建立基础，而且能够验证工作提供保障。
[0046]
首先对避障边界进行确定，系统需要根据杆塔、线路以及周围环境的地理位置和外形进行处理。以基础地理数据为基础，生成避障边界的方法如下：
[0047]
1)明确杆塔、建筑和树木等目标物的准确位置
[0048]
根据线路巡线的任务范围和任务无人机的性能指标，对无人机的飞行区域进行划分，进而对该范围内数字地图上存在的各种目标物的准确位置数据进行标定。
[0049]
2)明确目标物的轮廓
[0050]
在上一步确定目标物的位置的基础上，对目标物的外形进行一定处理。通常，在简化目标物外形的基础上，向外移动相应距离形成的新的封闭曲线，即为避障边界。在电网分布的各个区域内，山地、丘陵、建筑物、林木植株等均为常见目标物，但是这些目标物的外形比较复杂，不经处理进行应用，会给后续工作带来不必要的工作量。
[0051]
3)简化处理
[0052]
上一步中目标物的外形中存在大量曲线，在后续处理中曲线不仅产生很大的计算量，而且会给无人机的航迹规划造成不必要的麻烦。因此，为减低后续工作的工作量，提出一种曲线处理策略，该策略通过截曲为直思路，把一条曲线变换为一系列直线。
[0053]
截曲为直策略步骤：
[0054]
①
在所有目标物的外形中存在的直线段直接保持不变，暂不做任何操作；
[0055]
②
对所有目标物的外形中存在的曲线段，依据这些曲线的弯曲方向确定处理手段。如果为外凸曲线情况，则在选定其端点的基础上，继而在曲线上等距离的选定一定数量的特征点，选择等距离点，做本段曲线过各选定点的切线，邻居点的切线必然相交，那么两个端点以及所有切线相交所形成的折线即为原始曲线轮廓的等效轮廓线；若是内凹弧形，首先确定弧形的端点，继而在弧形上等间距选定一定数量的特征点，最后两两依次用直线段连接端点和事先选定的特征点，最终这些直线段构成的线条即为该轮廓线的等效轮廓线。
[0056]
③
划定每个目标物的安全边界。通过前述一系列处理之后，所有目标物的外形曲线均可以等效转换为一系列直线段。为保障输电杆塔、线路以及巡线无人机的安全，在两者之间设定一个安全距离，以应对突发的干扰等。具体做法为：把目标物等效轮廓线的所有直线段均沿其中心的反方向平行移动安全距离。经过上述处理之后，目标物的等效外形就成为无人机的飞行禁区之一，也即避障边界。
[0057]
巡线区域内的目标物设定避障边界之后，需要进一步将避障范围立体化，即将目标物周围的避障范围扩展为一个个封闭的三维空间，即避障柱体s。通过将原有线沿坚直向上方向延伸一定高度h，这样形成的三维空间需要叠加到巡线系统地面站的数字地图上，为后续工作做准备。
[0058]
h＝h+hd[0059]
式中，h为延伸高度，h为该目标物自身高度，hd为安全高度。
[0060]
根据不同的外形使用不同的方法形成避障柱体，目标物的外形包括仅包含直线的目标物、直线与曲线混合型目标物和类台阶目标物等。
[0061]
1)外形仅包含直线的目标物
[0062]
对于仅包含直线的目标物，得益于其较为规则的外形，避障柱体的生成非常简易。
[0063]
如图2所示，阴影范围表示目标物本体，由于该目标物的外形仅包含一系列直线，故不必多做额外处理，然后将所有直线沿目标物中心相反方向移动距离ri，对这些直线段延长并交义产生交点作为新的顶点zi之后，即形成该目标物的避障边界，其中ri的具体数据由巡线工作人员依据当前的飞行器性能、障碍物以及自然环境等因素综合确定。
[0064]
2)直线与曲线混合型目标物
[0065]
对于障碍物外形轮廓中含有部分弧形曲线的情况，其中外形轮廓中的直线部分不必处理，直接保留直线段，仅需要处理轮廍线中的弧形曲线部分。具体步骤如下：
[0066]
直线与曲线混合型目标物的处理方法为，该目标物外形中的直线直接保留，不做任何额外处理；对于其中的曲线部分的处理步骤可遵照下述步骤进行。
[0067]
(1)针对外凸曲线的情况，划定曲线y1y5的端点y1、y5，然后在曲线上等间距划定x2、x3、x4作为新的插入点，依次在x1～x5处做曲线段的切线，进而初始曲线等效为新生成的折线段y1y2y3y4y5，如图3所示；
[0068]
(2)针对内凹曲线的情况，划定曲线y6y
10
的端点y6、y
10
，然后在曲线上等间距的划定y7、y8、y9作为新的插入点，将已有端点与新的插入点依次进行连接，曲线就可以等效为新生成的折线段y6y7y8y9y
10
，如图3所示。
[0069]
(3)经过处理弧线生成的新的折线段与原始直线段部分共同组成该障碍物的新外形轮廓，把新生成的外形轮廍的所有边沿障碍物中心的反方向平行移动距离di，随即产生的封闭多边形即为无人机对该障碍物避障边界。该避障边界的所有顶点分别为z1～z
11
；
[0070]
(4)经过前述三步处理之后形成的新的直线段和外形的直线部分即为目标物的新的边界线，通过把这个新的边界线沿向外方向移动距离ri，进一步延伸交叉之后形成避障边界，其顶点分别为z1～z
11
。
[0071]
该障碍物的避障边界划定后，该障碍物的多边避障柱体s的生成与情况(1)中是类似的。
[0072]
3)类台阶目标物
[0073]
在建模过程中，经常会出现下述情况，某些目标物的三维模型的横向界面差别太大，其具有近似阶梯型结构的多截面目标物，如果再用前述处理方法进行处理，则会造成模型误差太多，以致影响巡线任务的完成效果。针对此类多截面目标物又可详细分为3类情况，下面将详述针对这3类情况的避障柱体的生成步骤。
[0074]
现实生活中很多建筑物属于类似此类情况，如图4所示。针对此类障碍物生成多边形避障柱体，首先需要将其划分为若干个子建筑物，然后针对所有子障碍物依次生成相应的子避障柱体，最后再将这些子避障柱体原来位置进行搭建即可。
[0075]
假定图4中的三个子目标物所对应的子避障柱体表示为s1、s2和s3，其中s1的基准面选定为建筑物所处位置的水平面，而s2与s3则分别设定以s1与s2的上表面为其相应的基准面。该类目标物完整的避障柱体s由s1、s2和s3依次按原有顺序组合构成，而s向上延伸后的高度h由下式表示:
[0076]
h＝h1+h2+h3[0077]
式中，h1、h2和h3依次表示3个子目标物向上延伸之后的高度，其数值可分别由上式计算获取。
[0078]
在地面站系统中，巡线任务操作人员可以将此类障碍物从上到下划分为多个层，每层均可以代表一个子障碍物。障碍物划分的层数应该根据实际情况和精度需要共同决定，层数越多，则精度越高，但处理也越复杂；反之，层数越少，则精度越低，但处理越简单。
[0079]
通过上述障碍物的设定后，进一步设定输电线路中的检测点，无人机移动到对应的位置，对检测点进行检测。检测点包括有绝缘子、横担、避雷针等。
[0080]
如图5所示，设定杆塔基脚中心经纬高度坐标为[l
0 b
0 h0]
t
，杆塔x轴方向与正北方向的夹角为β。
[0081]
1)左侧绝缘子
[0082]
左侧绝缘子中心的经纬高大地坐标如下式:
[0083][0084]
地心直角坐标如下式:
[0085][0086]
其中，n为当地球西圈曲率半径，e为第一偏心率，且满足式上式:
[0087][0088]
其中，a为长半轴(6378137m
±
2m),e2＝0.00669437999013。
[0089]
2)右侧绝缘子
[0090]
右侧绝缘子中心的经纬高大地坐标如下式:
[0091][0092]
地心直角坐标如式:
[0093][0094]
3)上方绝缘子
[0095]
上方绝缘子的经纬高大地坐标如式:
[0096][0097]
地心直角坐标如式:
[0098][0099]
4)左侧横担
[0100]
左侧横担中心的经纬高大地坐标如式:
[0101][0102]
地心直角坐标如式:
[0103][0104]
5)右侧横担
[0105]
右侧横担中心的经纬高大地坐标如式:
[0106][0107]
地心直角坐标如式:
[0108][0109]
6)左侧避雷针
[0110]
左侧避雷针中心的经纬高大地坐标如式:
[0111][0112]
地心直角坐标如式:
[0113][0114]
7)右侧避雷针
[0115]
右侧避雷针中心的经纬高大地坐标如式:
[0116][0117]
地心直角坐标如式:
[0118][0119]
在输电线路巡线过程中，导线是需要关键观测内容之一。在巡线中，导线弧垂程度对巡线过程没有任何影响，但是基于无人机的巡线方式对导线弧垂计算的准确度存在一定要求，以保证规划航迹能够足够精确。因此，需要分析影响线路弧垂的因素，以对导线弧垂程度进行建模。
[0120]
通常，对导线弧垂程度影响较大的因素有：1)塔距；2)气候环境；3)导线材质、电压等级等；4)导线附着物等外界因素。通过利用控制气象条件，结合相关状态方程，可以得出导线弧垂程度计算公式。
[0121]
状态方程式:
[0122][0123][0124]
[0125][0126]
弧垂计算公式:
[0127][0128]
式中，γ1、t1和σ
c1
表示控制气象条件下的比载、温度和应力；γ2、t2和σ
c2
表示需求气象条件下的比载、温度和应力；e表示导线的弹性系数。
[0129]
基于上述高压输电线路及周边环境的建模，对无人机的巡线通道环境进行了简化和物理建模。在此基础之上，根据巡线任务需求制定相关的巡线规划。
[0130]
通过粒子群算法进行巡线规划，粒子群算法依靠不同粒子的相互作用寻找相关问题的在整个寻优空间中的最优位置，也即问题的最优解。在粒子群算法中，每个待解决的优化问题的可能解都被视为搜索空间中存在的一个粒子。粒子群中的所有粒子都被予一个由被优化的函数确定的适应度值，每个粒子具有两个属性，即速度与位置。算法运行过程中，所有粒子趋向当前时刻的最优粒子的位置，并试图在可能空间中搜索全局最优解。
[0131]
在一个m维搜索空间中，粒子总数为n，其中第i个粒子可以表示为:
[0132]
xi＝(x
i1
,x
i1
,
…
,x
im
),i＝1,2,
…
,n
[0133]
第ω2个粒子的速度可以表示为:
[0134]
vi＝(v
i1
,v
i1
,
…
,v
im
),i＝1,2,
…
,n
[0135]
第ω2个粒子于t时刻获得个体极值:
[0136]
pbesti(t)＝[p
i1
(t),p
i2
(t),
…
,p
im
(t),i＝1,2,
…
,n
[0137]
全局最优在t时刻获得:
[0138]
gbest＝[g1,g2,
…
,gm]
[0139]
在t+1时刻，所有粒子均遵循下式更新自身参数，以在搜索空间内寻找该问题的最优解。
[0140]
vi(t+1)＝ωvi(t)+c1r1(pbestti(t)-xi(t))+c2r2(gbest-xi(t))
[0141]
xi(t+1)＝xi(t)+vi(t+1)
[0142]
式中，ω为惯性权重系数，描述上一时刻速度的保留程度，该参数用于调整算法局部与全局搜索能力，通常初期选择较大的值，以增强其全局搜索能力，中后期选择相对较小的值，以使得算法能够快速收敛于全局最优。c1,c2均为学习因子，分别描述算法的自我学习与社会学习能力。当c1较大时，导致大量的粒子集中到局部优势区域内，影响算法的全局搜索能力；当c2较大时，则会导致算法过早收敛于局部极值附近。vi表示全体粒子的速度，且满足vi∈[-v
max
,v
max
],v
max
为设定的粒子运行速度极值。r1,r2两者为介于[0,1]之间的随机数。
[0143]
标准粒子群算法的基本流程如下:
[0144]
1)根据具体问题预设粒子群的群体规模，惯性权重以及学习因子，并进行初始化处理。
[0145]
2)分别计算粒子的适应度，粒子当前时刻的适应度为pbesti，所有粒子中最优秀粒子的适应度为gbest。
[0146]
3)实时更新每个粒子的速度和位置等信息。
[0147]
4)更新之后，对比每个粒子的当前适应度函数值和上一时刻的最优适应度函数值，如果当前适应度函数值更优，则将此值设置为粒子的位置，同时对全局极值进行更新。
[0148]
5)根据设定的终止条件判断算法是否满足。若满足，则算法终止，得到全局最优解；若未满足，则算法继续运行，以搜索最优解。
[0149]
粒子群算法具有以下的特点：
[0150]
1)粒子群算法运行初期，粒子的运行方向表现出较强的随机性，因此其会致使下一代的解空间具备较大的随机性，同时也可以提升了每一代粒子分能力以及解的品质。
[0151]
2)粒子群算法更多采用实数编码的方法，与较多倾向采用二进制编码的遗传算法不同，其编码更为直接、简便。例如对于函数f＝x
13
+x
23
，粒子群算法可以编码为(x1,x2)，进而适应度函数可以设定为f(x)。
[0152]
3)粒子群算法运用自身学习和他人学习的策略，使得每次迭代可以承载更多的有效信息，同时还可以共享其他粒子的优势，从而能能在更短的时间内搜索到问题的最优解。
[0153]
4)粒子群算法中粒子之间的信息共享方式与遗传算法存在很大不同，其信息流动趋向于单向模式，即全部粒子均趋于当前的全局最优位置，而遗传算法的种群进化则是以比较均匀的方式趋向最优区域。
[0154]
在粒子群算法中，学习因子c1和c2描述各个粒子自身学习和他人学习对粒子运动方向的影响，其反映各个粒子之间的信息共享程度。在c1取值较大时，会导致粒子大量聚集在局部优势区域:在c2取值较小时，则会致使粒子过早收敛于局部最小值，陷入局部最优。因此，引入自适应收缩因子，通过选取合适的参数，可以平衡算法全局搜索和局部搜索的能力，并确保算法本身的收敛性。同时，由于高压输电线路巡线任务中，存在安全距离要求，使得无人机并不能像其他路径规划问题一样，直接到达目标物位置，而是要在安全距离之外达到一个有利于任务观测的“最佳位置”，因此在算法设计时，需要充分考虑这一因素。
[0155]
通过引入收缩因子和正切函数，将权重转化为一个非线性函数，如下式所示：
[0156][0157]
式中，ωs和ωc分别为初始惯性权重和结束惯性权重；k为算法的收缩因子，c＝c1+c2，且c＞2,n为最大迭代数，g为当前代数；k为迭代的权值，优选为0.8-1.2，测试结果相对稳定，通过实际的迭代测试结果显示，k宜取0.8，且在k＝0.8时，c取值为3。
[0158]
同时，为了在算法初期增强全局搜索能力，并且后期增强局部搜索能力，将加速系数c1和c2表示为下式：
[0159][0160][0161]
式中，c
1max
、c
1min
分别为c1的最大值和最小值；c
2max
、c
2min
分别为c2的最大值和最小值。
[0162]
由于巡线的特殊任务需求，导致算法搜索变得更加复杂，搜索速度降低，因此利用共轭方向以加速上述算法的收敛。具体如下：
[0163]
通过二次函数的元约束最优化问题，设二次函数为:
[0164][0165]
式中，x∈rn,q∈rn×n为正定矩阵，b∈rn,c∈r。
[0166]
计算方法如下:
[0167]
step1：选定运算的初始点x0，以及搜索方向d0,d1,
…
,d
n-1
，并设置误差值err。
[0168]
step2:设定y0＝x1，之后根据step1设定的搜索方向运行。对于j＝1,2,
…
n，设定f(y(j-1)+λ(j-1)d(j-1))＝minf(y(j-1)+λd(j-1)),y(j)＝y(j-1)+λ(j-1)d(j-1)。
[0169]
step3:选取合适的加速方向；若满足step1中的误差要求，则结束，所得到y(n)为本优化的近似最优解；若不满足误差要求，则从y(n)沿方向继续进行搜索，求得λ(n)，并使f(y(n)+λ(n)d(n))＝minf(y(n)+λd(n))。
[0170]
设：x(k+1)＝y(n)+λ(n)d(n)
[0171]
step4:根据需要调整搜索方向。在原来n个方向f
uuv
(p)＝f
att
(p)+f
rep
(p)之中，截取d0并添加dn，从而形成新的搜索方向，重新转向step2开始基本搜索。
[0172]
由此能够，不必对设定的目标函数进行求导，因此其可以应用于目标函数不连续的环境。面对维数低于20的目标函数可以得到较为理想的优化效果，而且其计算效率较高。
[0173]
进一步的，根据粒子群算法的原理，所有粒子逐渐趋向于个体最优和全局最优共同影响的位置。当一个粒子取得全局最优时，其他的粒子会很大程度上趋向此位置，如果此位置为全局极值，那么算法终止并可以获得问题的最优解；但如果此位置不是全局极值，且其余粒子也未能发现更优解，那么就可能导致大量的粒子群集在该位置附近，无法跳出这个区域，从而使得算法陷入局部最优。假如在粒子群逐渐趋于局部极小的过程中，算法能够及时地把这些粒子按一定比例驱散到更大的范围内，在一定程度上进行重新搜索，算法早熟的现象将可能避免，最终趋向全局最优。在此引入一个驱散策略，在粒子过于密集的位置，通过驱散操作，以增强算法的搜索能力。
[0174]
驱散策略通过不断观测附近几次迭代得到的gbest的相互.差值驱散策略通过不断观测附近几次迭代得到的gbest的相互.差值如果δgbest＜cg，那么判断此时算法有较大概率陷入局部最优，则进行驱散操作。驱散的过程为对其中部分粒子的位置进行重新赋值，使其被分配到更大的空间范围内，新的粒子位置可以通过下式得到:
[0175]
xi＝x
max-rand
·
[x
max-x
min
]
[0176]
如果某个粒子与当前最优位置的距离大于cg，则表明此粒子暂时没有趋于局部最优的风险，不必进行驱散操作。c8的选择影响算法的驱散效果，若取值过大，会导致算法收敛速度下降；若取值过小，则驱散效果变差，不利于跳出局部极小。
[0177]
通过以上分析，自适应收缩因子的混合粒子群算法的基本步骤如下:
[0178]
1)在随机产生预设数量的粒子，并对全体粒子的参数进行初始化；
[0179]
2)计算全体粒子的当前适应度函数值，随即更新pbest和gbest；
[0180]
3)判断算法结束条件是否被满足。若满足，则运行结束；若不满足，则继续运行；
[0181]
4)判断是否满足驱散操作条件，若满足，则转向5)；若不满足，则转向6)；
[0182]
5)进行鲍威尔搜索，并进行扩散处理；
[0183]
6)更新速度和位置，更新全体粒子的实时参数，然后执行2)。
[0184]
根据上述方法对无人机的巡线路径进行规划，在无人机进行行进过程中，进一步的对无人机的航向角进行修改，以确保无人机准确的以规划的巡线路径进行巡检。
[0185]
因此，对无人机中陀螺仪积分的航向角误差进行修正。具体如下所示：
[0186][0187][0188][0189][0190][0191]
式中：为将横滚角、俯仰角与磁传感器输出融合后计算得到的航向角观测值，为通过陀螺仪角速率积分得到的航向角预测值。为前一时刻基于航向角误差得到的地理系统下的航向角误差角速率。
[0192]
通过上式对航向角误差的修正，提高了航向角的融合精度，可以综合提升无人机中姿态角融合精度。
[0193]
以上仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种无人机对输电线路巡检的路径规划方法，其特征在于，包括步骤：步骤s1:对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点；步骤s2:根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；步骤s3:在巡检过程中，对无人机的航向角进行修正；使所述无人机精确的沿所述巡线进行巡检。2.根据权利要求1所述的无人机对输电线路巡检的路径规划方法，其特征在于，根据线路巡线的任务范围和任务无人机的性能指标，对无人机的飞行区域进行划分，对该范围内数字地图上存在的各种目标物的准确位置数据进行标定；对目标物的外形进行处理，在简化目标物外形的基础上，向外移动相应距离形成的新的封闭曲线，形成避障边界。3.根据权利要求2所述的无人机对输电线路巡检的路径规划方法，其特征在于，巡线区域内的目标物设定避障边界之后，将避障范围立体化，将目标物周围的避障范围扩展为一个个封闭的三维空间，即避障柱体s；通过将原有线沿坚直向上方向延伸一定高度h，形成的三维空间叠加到巡线系统地面站的数字地图上；即：h＝h+h
d
式中，h为延伸高度，h为该目标物自身高度，h
d
为安全高度。4.根据权利要求3所述的无人机对输电线路巡检的路径规划方法，其特征在于，根据不同的外形使用不同的方法形成避障柱体，目标物的外形包括仅包含直线的目标物、直线与曲线混合型目标物和类台阶目标物。5.根据权利要求4所述的无人机对输电线路巡检的路径规划方法，其特征在于，设定输电线路中的检测点，无人机移动到对应的位置，对检测点进行检测，检测点包括有绝缘子、横担、避雷针。6.根据权利要求5所述的无人机对输电线路巡检的路径规划方法，其特征在于，对导线弧垂程度进行建模，导线弧垂程度计算中；状态方程式为:弧垂程度进行建模，导线弧垂程度计算中；状态方程式为:弧垂程度进行建模，导线弧垂程度计算中；状态方程式为:弧垂程度进行建模，导线弧垂程度计算中；状态方程式为:弧垂计算公式为:式中，γ1、t1和σ
c1
表示控制气象条件下的比载、温度和应力；γ2、t2和σ
c2
表示需求气象
条件下的比载、温度和应力；e表示导线的弹性系数。7.根据权利要求6所述的无人机对输电线路巡检的路径规划方法，其特征在于，通过粒子群算法进行巡线规划，引入自适应收缩因子，通过选取的参数，平衡算法全局搜索和局部搜索的能力，引入驱散策略，在粒子过于密集的位置，通过驱散操作，增强算法的搜索能力。8.根据权利要求7所述的无人机对输电线路巡检的路径规划方法，其特征在于，对无人机中陀螺仪积分的航向角误差进行修正；具体如下所示：机中陀螺仪积分的航向角误差进行修正；具体如下所示：机中陀螺仪积分的航向角误差进行修正；具体如下所示：机中陀螺仪积分的航向角误差进行修正；具体如下所示：机中陀螺仪积分的航向角误差进行修正；具体如下所示：式中：为将横滚角、俯仰角与磁传感器输出融合后计算得到的航向角观测值，为通过陀螺仪角速率积分得到的航向角预测值；为前一时刻基于航向角误差得到的地理系统下的航向角误差角速率。9.一种电子设备，其特征在于，包括相互耦接的存储器和处理器，所述处理器用于执行所述存储器中存储的程序指令，以实现权利要求1至8任一项所述的无人机对输电线路巡检的路径规划方法。10.一种非易失性计算机可读存储介质，其上存储有程序指令，其特征在于，所述程序指令被处理器执行时实现权利要求1至8任一项所述的无人机对输电线路巡检的路径规划方法。

技术总结
本发明公开了一种无人机对输电线路巡检的路径规划方法；该方法包括，步骤S1:对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点；步骤S2:根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；步骤S3:在巡检过程中，对无人机的航向角进行修正；使无人机精确的沿所述巡线进行巡检。本发明在对输电线路中杆塔和周围环境进行数学建模，确定输电线路中的障碍物及检测点，可以为后续算法应用建立基础，而且能够验证工作提供保障。根据所述障碍物和检测点，设定无人机的巡线；无人机沿所述巡线对输电线路进行巡检；进一步的对无人机的航向角进行修改，以确保无人机准确的以规划的巡线路径进行巡检。巡线路径进行巡检。巡线路径进行巡检。


技术研发人员：李晋 李林发 何勇 原瀚杰 郑耀华 孙仝 黄诗文 陆林 谭海傲 陈亮 姜天杭 潘绮彤 廖高峰 吴龙杰 欧祖宏 赵健
受保护的技术使用者：广东电网有限责任公司肇庆供电局
技术研发日：2023.05.17
技术公布日：2023/9/14