一种缩短输电线路巡视时间的巡线路径优化方法

技术领域：

本发明涉及一种缩短输电线路巡视时间的巡线路径优化方法，此方法能广泛应用于架空输电线路日常巡视、特殊巡视、故障巡视、红外测温等工作的路径选择，属于输电线路运行巡视技术领域。

背景技术：

随着国民经济发展，电网规模正在迅速扩大，架空输电线路作为电力系统的骨干网架，肩负着输送可靠、清洁电能的重要使命。架空输电线路的安全、可靠运行对电力系统有着极其重要的意义。

由于输电线路所处地理位置和环境条件的特殊性，实际中架空输电线路具有分布地域广、检测参数多、运行环境复杂等特点，无论是输电线路本体金具还是线路防护区都存在着极大的安全隐患，因此架空输电线路的巡视至关重要。架空输电线路的巡视工作包括日常巡视、特殊巡视、故障巡视等。通过线路的巡视可以及时发现各类故障缺陷，保障电网的安全稳定运行。

输电线路的巡视一般是采用专人分片、分区段巡视。巡视过程中，巡视人员乘车到达车辆可抵达的距离杆塔最近位置（此后称杆塔停车点），然后步行至杆塔处进行杆塔、线路检查，检查完毕后，步行返回，乘车到达下一巡视杆塔处。为减少行车、步行距离，提高输电线路巡视效率，出发前巡视人员需根据巡视任务合理规划巡视路径。在实际工作中，巡视人员大多根据以往巡视经验规划巡视路径，这种靠巡线人员经验选择巡视路径的方法缺少系统性和科学性，最终路径选择与巡线人员素质、水平有关。因此，为降低输电线路巡视时间和巡视成本，设计一种系统、科学、合理的输电线路巡视路径优化方法具有重大意义。

发明内容：

本发明的目的在于克服上述已有技术的不足而提供一种不受巡线人员素质、水平影响，可合理规划输电线路巡视路径，缩短巡线时间，提高工作效率的缩短输电线路巡视时间的巡线路径优化方法。

本发明的目的可以通过如下措施来达到：一种缩短输电线路巡视时间的巡线路径优化方法，其特征在于其包括如下步骤：

（一）绘制输电线路及其周边交通道路分布图：

根据GIS系统中杆塔和道路坐标数据，在二维坐标系下拟合某区域输电线路及其周边道路分布图，其中：

G_i表示该区域第i基杆塔，i=1,2…N，N为该区域基杆塔总数；

H_j表示该区域第j条公路，j=1,2…K，K为该区域公路总数；

J_a-b表示该巡视区域第a条公路H_a与第b条公路H_b交叉路口，a=1,2…K，b=1,2…K，且a≠b；

T_i-j表示巡视第i基杆塔在第j条公路上的停车点；

D_i-j表示第i基杆塔G_i与其在第j条公路上停车点T_i-j的距离；

（二）杆塔与其停车点的距离及不同停车点间距离计算：

第i基杆塔G_i与其在第j条公路上的停车点T_i-j之间为曲线连接，从停车点T_i-j到杆塔G_i需步行，其间距离D_i-j可通过实地测绘和GIS系统比对获得；通过GIS系统可以获得任意杆塔G_i、公路交叉路口J_a-b、停车点T_i-j的坐标数据，因此对二维坐标为(x_e,y_e)和(x_f,y_f)的两停车点，其间距离d可通过公式（1）求得：

（1）

公式（1）中：

w表示两杆塔停车点间交叉路口数量；

(x_sk,y_sk)表示两停车点间第k个交叉路口的坐标，满足0≤k≤w，且为整数；

（三）输电线路巡视路径优化问题建模：

将输电线路巡视时间分为三部分，第一部分为从出发点乘车依次到达各杆塔停车点所用总时间t₁；第二部分为从各杆塔停车点步行至对应杆塔底部所用总时间t₂；第三部分为巡视结束后，从最后一基被巡视杆塔的停车点乘车返回起始点所用时间t₃；

（2）

（3）

（4）

公式（2）、（3）、（4）中：

n为需巡视杆塔总数；

集合R表示一条巡视路径，其包括n+2个元素（起止点加巡视杆塔数），其中第一个元素r₀=0（表示起始点），最后一个元素r_n+1=0（表示结束点），中间n个元素r_z（z=1,2…n）表示该巡视路径中第z个被巡视杆塔的杆塔号；由于巡视过程中某一杆塔不可能被重复巡视，因此集合R中各元素互不相等（起止点除外）；

为巡视路径R中第（z-1）个被巡视杆塔（杆塔号为r_（z-1））的停车点和第z个被巡视杆塔（杆塔号为r_z）的停车点间距离；

D_z为巡视路径R中第z个巡视杆塔r_z到其停车点的距离；

v₁车辆行驶速度，v₂人员步行速度；

公式（4）中sign（n-1）按公式（5）取值计算，当巡视杆塔数时，取，表示该巡视组有输电线路巡视任务，当时，取，表示该巡视组无输电线路巡视任务；

（5）

根据公式（2）、（3）、（4）建立如公式（6）所示的目标函数；

（6）

公式（6）中，t为巡线总时间；

（四）遗传算法求解目标函数：

遗传算法求解优化问题的具体步骤如下：：

1.编码：

根据英国谢菲尔德大学遗传算法matlab工具箱编码要求，由一组有序数列组成的集合R为所求问题的一个解，即为一个个体；

2.生成初始种群：

在满足集合R各种约束的前提下，随机生成L个个体构成初始种群Q₀=(R₁,R₂,……R_L)；

3.适应度评估：

将目标函数[公式（6）]的倒数定义为适应度函数，将当代种群中每一个个体带入适应度函数求得对应适应度值，并保存适应度最大值及适应度最大个体;

4.选择个体：

对当代种群的L个个体按适应度值由大到小进行排序，根据Michalewicz提出的线性排序选择概率计算公式[公式（7）]计算当代种群中L个个体被选择的概率:

（7）

公式（7）中m为个体排序序号，c为排序第一的个体被选择的概率；

然后用成熟的轮盘赌法选择适应能力较强的个体;

5.个体交叉重组：

对步骤4中选择的个体进行随机配对，并在配对个体中，随机设定交叉处，交叉彼此信息，同时使其满足集合R的约束条件;

6.个体变异：

对步骤5中产生的个体按变异率进行变异操作，变异后按集合R的约束条件进行校验，交叉变异生成的新个体组成种群;

7.循环：

判断遗传迭代次数，若不满足，将新种群应用于步骤3，循环操作；若满足，则循环结束，此时步骤3中保存的适应度最大个体为所求问题的最优解；

所述的目标函数求解通过matlab程序调用英国谢菲尔德大学遗传算法matlab工具箱实现，步骤4、5、6直接调用工具箱中选择、重组、变异子函数。

本发明同已有技术相比可产生如下积极效果：按照《输电线路运行规程》，根据输电线路状态评价结果安排线路巡视人员对所管辖输电线路进行定期和不定期巡视，巡视时，要求对每基杆塔均要巡到位，且每一基杆塔均需到杆塔底部进行检查。巡线员接到输电线路巡视任务后，首先根据巡视区段合理安排巡视路径，然后乘车从供电公司出发，到达杆塔的下车点下车，步行至杆塔底部进行杆塔、导线检查，工作完成后再步行至下车点，重复上述过程，巡视任务区段每基杆塔结束后返回。

本发明以输电线路巡视时间最短为优化目标，首先通过实地测量得到输电线路杆塔坐标数据及周边道路坐标数据，并在二维坐标系中绘制输电线路杆塔及周边道路分布图，然后根据分布图对输电线路巡视路径问题建模，构建目标函数，最后利用遗传算法对目标函数求得最优解，实施例表明，该方法不受巡线人员素质、水平影响，可合理规划输电线路巡视路径，缩短巡视时间，提高工作效率，该方法适用于单巡视组单车确定巡视区段的输电线路巡视工作。

附图说明：

图1为本发明的某区域输电线路及其周边道路分布图；

图2为本发明的一种某区域巡线最优路径示意图；

图3为本发明的另一种某区域巡线最优路径示意图。

具体实施方式：下面结合附图对本发明的具体实施方式做详细说明：

实施例：一种缩短输电线路巡视时间的巡线路径优化方法（参见图1-图3），其包括如下步骤：

（一）绘制输电线路及其周边交通道路分布图：

目前国家电网公司已完成输电线路杆塔及周边道路坐标测量工作，并录入GIS系统(地理信息系统)，根据GIS系统中杆塔和道路坐标数据，在二维坐标系下拟合某区域输电线路及其周边道路分布图，如图1所示：

其中：

G_i表示该区域第i基杆塔，i=1,2…N，N为该区域基杆塔总数；

H_j表示该区域第j条公路，j=1,2…K，K为该区域公路总数；

J_a-b表示该巡视区域第a条公路H_a与第b条公路H_b交叉路口，a=1,2…K，b=1,2…K，且a≠b；

T_i-j表示巡视第i基杆塔在第j条公路上的停车点；

D_i-j表示第i基杆塔G_i与其在第j条公路上停车点T_i-j的距离；

（二）杆塔与其停车点的距离及不同停车点间距离计算：

从图1中可以看出，第i基杆塔G_i与其在第j条公路上的停车点T_i-j之间为曲线连接，从停车点T_i-j到杆塔G_i需步行，其间距离D_i-j可通过实地测绘和GIS系统比对获得。

通过GIS系统可以获得图1中任意杆塔G_i、公路交叉路口J_a-b、停车点T_i-j的坐标数据，因此对二维坐标为(x_e,y_e)和(x_f,y_f)的两停车点，其间距离d可通过公式（1）求得：

（1）

公式（1）中：

w表示两杆塔停车点间交叉路口数量；

(x_sk,y_sk)表示两停车点间第k个交叉路口的坐标，满足0≤k≤w，且为整数。

（三）输电线路巡视路径优化问题建模：

为方便输电线路巡视路径优化问题建模，根据输电线路巡视特点，做以下假设：

（1）只有一个巡视组，一辆巡视车参加规定区段的输电线路巡视；

（2）杆塔的巡视过程均为先乘车到杆塔下车点，然后步行至杆塔底部；

（3）所有道路的交通条件相同，不考虑道路交通条件对速度的影响，即车辆公路行驶速度和人员步行速度为匀速；

（4）到达杆塔底部后，对每基杆塔的检查时间相同；

（5）巡视总路程不超过车辆的最大行驶距离，即车辆不需中途加油；

（6）巡视过程不会出现突发意外情况，影响巡视时间。

基于上述假设，将输电线路巡视时间分为三部分，第一部分为从出发点乘车依次到达各杆塔停车点所用总时间t₁，如公式（2）所示；第二部分为从各杆塔停车点步行至对应杆塔底部所用总时间t₂，如公式（3）所示；第三部分为巡视结束后，从最后一基被巡视杆塔的停车点乘车返回起始点所用时间t₃，如公式（4）所示；

（2）

（3）

（4）

公式（2）、（3）、（4）中：

n为需巡视杆塔总数；

集合R表示一条巡视路径，其包括n+2个元素（起止点加巡视杆塔数），其中第一个元素r₀=0（表示起始点），最后一个元素r_n+1=0（表示结束点），中间n个元素r_z（z=1,2…n）表示该巡视路径中第z个被巡视杆塔的杆塔号。由于巡视过程中某一杆塔不可能被重复巡视，因此集合R中各元素互不相等（起止点除外）；

为巡视路径R中第（z-1）个被巡视杆塔（杆塔号为r_（z-1））的停车点和第z个被巡视杆塔（杆塔号为r_z）的停车点间距离；

D_z为巡视路径R中第z个巡视杆塔r_z到其停车点的距离；

v₁车辆行驶速度，v₂人员步行速度；

公式（4）中sign（n-1）按公式（5）取值计算，当巡视杆塔数时，取，表示该巡视组有输电线路巡视任务，当时，取，表示该巡视组无输电线路巡视任务。

（5）

本发明以缩短巡视时间为优化目标，根据公式（2）、（3）、（4）建立如公式（6）所示的目标函数。

（6）

公式（6）中，t为巡线总时间；

（四）遗传算法求解目标函数：

遗传算法是一种求解优化问题的搜索迭代算法，该算法的求解过程类似自然界的进化过程，通过一代一代不断迭代，筛选出对应问题的最优解。

本发明采用遗传算法求解输电线路巡线路径优化问题，遗传算法求解优化问题的具体步骤如下：

1.编码：

根据英国谢菲尔德大学遗传算法matlab工具箱编码要求，本发明中由一组有序数列组成的集合R为所求问题的一个解，即为一个个体。

2.生成初始种群：

在满足集合R各种约束的前提下，随机生成L个个体构成初始种群Q₀=(R₁,R₂,……R_L)；

3.适应度评估：

遗传算法在搜索过程中一般不利用外部信息，仅用适应度来评估个体的优劣。遗传算法适应度函数的确定应根据求解问题的性质来确定，此处根据输电线路巡视路径优化问题性质，将目标函数[公式（6）]的倒数定义为适应度函数，将当代种群（当前循环的种群）中每一个个体带入适应度函数求得对应适应度值，并保存适应度最大值及适应度最大个体。由于将目标函数的倒数定义为适应度函数，因此个体适应度值越大，个体的优越性越强，越接近最优解；反之越远离最优解。

4.选择个体：

对当代种群的L个个体按适应度值由大到小进行排序，根据Michalewicz提出的线性排序选择概率计算公式[公式（7）]计算当代种群中L个个体被选择的概率。

（7）

公式（7）中m为个体排序序号，c为排序第一的个体被选择的概率。

然后用成熟的轮盘赌法选择适应能力较强的个体。

5.个体交叉重组：

对步骤4中选择的个体进行随机配对，并在配对个体中，随机设定交叉处，交叉彼此信息，同时使其满足集合R的约束条件。

6.个体变异：

个体变异的目的是为了挖掘种群中个体的多样性，克服遗传操作可能限于局部解的弊端，为此对步骤5中产生的个体按变异率进行变异操作，变异后按集合R的约束条件进行校验，交叉变异生成的新个体组成种群。

7.循环：

判断遗传迭代次数，若不满足，将新种群应用于步骤3，循环操作；若满足，则循环结束，此时步骤3中保存的适应度最大个体为所求问题的最优解。

本发明目标函数求解通过matlab程序调用英国谢菲尔德大学遗传算法matlab工具箱实现，步骤4、5、6直接调用工具箱中选择、重组、变异子函数。

下面利用实施算例对本发明提出的输电线路巡线路径优化方法的实施及其有效性进行评价

算例条件：

本算例选取某220kV输电线路5基杆塔为输电线路巡视区段，安排巡视。该巡视区段周边有4条公路，第1、3基杆塔通过2条小路（不通车）与周边公路相通，第2、4、5基杆塔通过1条小路（不通车）与周边公路相通，具体如图1所示。

巡视人员小路步行平均速度为0.95m/s（实际成人步行速度大约为1.5m/s左右，由于杆塔与杆塔下车点间小路一般同行条件较差，根据实际经验，本专利取此值），巡视车辆公路行驶平均速度为14m/s（综合考虑道路交通条件，本专利取此值）。

在输电线路GIS系统中，获取上述四条公路、公路交叉点、杆塔下车点及杆塔坐标数据，具体坐标数据如表1、表2、表3所示，该坐标系尺寸对实际尺寸为1:50，单位为m。

表1：公路交叉点坐标（单位：m）

表2：杆塔坐标（单位：m）

表3：杆塔下车点坐标（单位：m）

根据图1中各杆塔下车点位置，进行下车点间路径分析，各下车点间交叉路口如表4表示。

表4：各下车点间交叉路口

表4中两个停车点对应的两个单元格中元素分别表示两条路径中停车点间的交叉路口，若为空表示无交叉路口。

通过公式（1）和表1、表2、表3、表4中数据，计算获得各下车点间距离，如表5所示。

表5：各下车点间距离(单位：m)

通过实地测绘和GIS系统比对获得的杆塔与杆塔下车点间小路实际长度如表6表示：

表6：杆塔与杆塔下车点间小路实际长度(单位：m)

在matlab中,运用英国谢菲尔德大学遗传算法工具箱和表1、表2、表3、表4、表5、表6中数据对所建模型（公式（6））进行求解。

本算例中遗传迭代次数为100次，变异率为0.09，初始种群大小15，初始种群及其适应度如表7表示：

表7：初始种群及其适应度

迭代56次求得最优解为：

(1)0→2→5→4→3_2→1_2→0，即起点→杆塔2→杆塔5→杆塔4→杆塔3（杆塔3在公路2上停车点T_3-2）→杆塔1（杆塔1在公路3上停车点T_1-3）→起点，如图2所示。

(2)0→1_2→3_2→4→5→2→0，即起点→杆塔1（杆塔1在公路3上停车点T1-3）→杆塔3（杆塔3在公路2上停车点T3-2）→杆塔4→杆塔5→杆塔2→起点，如图3所示。

两个解均需时间44.9524min。两个解为同一个路径的两个相反方向。

本发明实施例中的计算条件、图例、表等仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。