用于电网安全态势感知的无人机巡检方法、终端设备技术

本发明专利技术公开了一种用于电网安全态势感知的无人机巡检方法、终端设备。巡检方法基于深度强化学习，主要步骤包括：构建状态空间；构建混合深度神经网络；对混合深度神经网络进行仿真训练，得到无人机飞航状态校正模型；将飞航状态校正模型加载至无人机的飞行控制程序中，利用无人机对实际输电线路进行巡检。本发明专利技术利用深度学习与强化学习卓越的特征学习和控制决策能力有效增强近距离巡检状态下无人机飞行位置与姿态的稳定性以改善巡检图像质量，从而提升输电线路巡检精度与效率，增强电网安全态势感知能力。态势感知能力。态势感知能力。

【技术实现步骤摘要】
用于电网安全态势感知的无人机巡检方法、终端设备


[0001]本专利技术涉及智能电网检测
，特别是一种用于电网安全态势感知的无人机巡检方法、终端设备。

技术介绍

[0002]电网由各电压等级输配电线路与变电站组成，是保障现代社会正常运转的重要能源设施。电网安全态势感知是指通过获取并分析与电网运行密切相关的各类信息，掌握电网实时安全状态并预测未来安全趋势，从而辅助制定电网安全风险应对策略。作为实现远距离电能传输与通信的物理载体，输电线路是电网中地理分布最广且空间跨度与占地面积最大的部分，其运行状况对电网安全稳定具有直接重大影响。因此，获取输电线路状态信息是电网安全态势感知的关键性基础环节。为实现该环节，需利用电力巡检无人机对输电线路进行巡检。无人机按照地面遥控指令执行巡检任务，可通过多种机载检测设备高效准确锁定输电线路中存在的故障与隐患。与人工巡检相比，无人机巡检可适应复杂恶劣自然环境，技术经济优势十分显著。
[0003]总体而言，无人机巡检在电网安全态势感知中具有良好应用前景，但其也有不足之处：无人机在巡检过程中一旦发现可能存在故障或隐患的关键点，需靠近该点进行深入检查。在近距离巡检模式下，无人机受气流扰动等随机因素干扰，飞行位置与姿态极易发生偏移，导致机载检测设备所获图像质量下降，进而影响巡检精度与效率，无法为电网安全态势感知提供高质量信息。因此，现有无人机巡检方法无法满足电网安全态势感知任务要求。

技术实现思路

[0004]本专利技术所要解决的技术问题是，针对现有技术不足，提供一种用于电网安全态势感知的无人机巡检方法、终端设备，利用深度强化学习技术校正无人机飞行状态以有效增强近距离巡检状态下无人机飞行位置与姿态的稳定性，从而改善机载检测设备所获图像质量，提升输电线路巡检精度与效率，增强电网安全态势感知能力。
[0005]为解决上述技术问题，本专利技术所采用的技术方案是：一种用于电网安全态势感知的无人机巡检方法，包括以下步骤：
[0006]S1、构建状态空间，其中任一时刻t的状态s
t
包括无人机在t时刻的检测图像DI
t
和飞行状态AS
t
；t时刻的检测图像DI
t
是由无人机在t时刻及先前k个时刻所摄图片按时间顺序排列组成的序列CI
t
‑
k,CI
t
‑
k+1
,
…
,CI
j
,
…
,CI
t
‑2,CI
t
‑1,CI
t
；CI
j
＝[VI
j
,IR
j
,UI
j
]，VI
j
为j时刻拍摄的可见光图片，IR
j
为j时刻拍摄的红外图片，UI
j
为j时刻拍摄的超声图片，j＝t
‑
k,t
‑
k+1,
…
,t
‑
2,t
‑
1,t；t时刻的飞行状态AS
t
是由无人机在t时刻及先前k个时刻的位姿信息向量按时间顺序排列组成的序列PD
t
‑
k
,PD
t
‑
k+1
,
…
,PD
j
,
…
,PD
t
‑2,PD
t
‑1,PD
t
；其中PD
j
＝[x
j
,y
j
,u
j
,α
j
,β
j
,γ
j
]，x
j
、y
j
和u
j
分别为j时刻地球坐标系下无人机的飞行位置三维坐标，α
j
、β
j
和γ
j
分别为j时刻无人机的偏航角、俯仰角和横滚角；
[0007]S2、构建混合深度神经网络(hybrid deep neural network，HDNN)，所述HDNN包括
抗扰卷积神经网络(anti disturbance convolutional neural network，ADCNN)、第一快速门限循环神经网络(fast gated recurrent neural network，FGRNN)、第二快速门限循环神经网络和第一全连接神经网络(Dense Net)；所述ADCNN与第一FGRNN连接；第一FGRNN、第二FGRNN均与第一Dense Net连接；将所述t时刻的检测图像DI
t
作为所述ADCNN的输入，所述t时刻的飞行状态AS
t
序列作为第二FGRNN的输入；所述第一Dense Net的输出为t时刻的Q(s,a)，Q(s,a)即在状态s
t
下，无人机执行动作空间中的各个动作后，所获反馈函数值的预测值；其中动作空间a＝[Δx,Δy,Δu,Δα,Δβ,Δγ]，Δx为机体坐标系下无人机在水平方向横轴上的位移调节量，Δy为机体坐标系下无人机在水平方向纵轴上的位移调节量，Δu为机体坐标系下无人机在垂直方向上的位移调节量，Δα为无人机偏航角调节量，Δβ为无人机俯仰角调节量，Δγ为无人机横滚角调节量，Δx、Δy、Δu、Δα、Δβ与Δγ均采用离散微调控制模式；反馈函数r＝W
S
S+W
D
D，S为基于信息量加权的结构相似度指标(information content
‑
weighted structural similarity index，IW
‑
SSIM)，D为所述检测图像DI
t
中各张图片的中心与无人机所要检查的目标物体的中心之间的欧式距离，W
S
和W
D
为权重系数，反馈函数r直接反映检测图像DI
t
的质量；
[0008]S3、对所述HDNN进行仿真训练，得到无人机飞航状态校正模型(aviation state correction model，ASCM)。
[0009]本专利技术中，所述第一Dense Net的输出，即t时刻的Q(s,a)函数值的获取过程包括：
[0010](1)利用所述ADCNN从t时刻的检测图像DI
t
序列内各张图片CI
j
中分别感知环境状态信息，得到输出特征序列F
t
‑
k
,F
t
‑
k+1
,
…
,F
j
,
…
,F
t
‑2,F
t
‑1,F
t
，利用所述第一FGRNN从F
t
‑
k,
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于电网安全态势感知的无人机巡检方法，其特征在于，包括以下步骤：S1、构建状态空间，其中任一时刻t的状态s
t
包括无人机在t时刻的检测图像DI
t
和飞行状态AS
t
；t时刻的检测图像DI
t
是由无人机在t时刻及先前k个时刻所摄图片按时间顺序排列组成的序列CI
t
‑
k,
CI
t
‑
k+1
,
…
,CI
j
,
…
,CI
t
‑2,CI
t
‑1,CI
t
；CI
j
＝[VI
j
,IR
j
,UI
j
]，VI
j
为j时刻拍摄的可见光图片，IR
j
为j时刻拍摄的红外图片，UI
j
为j时刻拍摄的超声图片，j＝t
‑
k,t
‑
k+1,
…
,t
‑
2,t
‑
1,t；t时刻的飞行状态AS
t
是由无人机在t时刻及先前k个时刻的位姿信息向量按时间顺序排列组成的序列PD
t
‑
k
,PD
t
‑
k+1
,
…
,PD
j
,
…
,PD
t
‑2,PD
t
‑1,PD
t
；其中PD
j
＝[x
j
,y
j
,u
j
,α
j
,β
j
,γ
j
]，x
j
、y
j
和u
j
分别为j时刻地球坐标系下无人机的飞行位置三维坐标，α
j
、β
j
和γ
j
分别为j时刻无人机的偏航角、俯仰角和横滚角；S2、构建混合深度神经网络，所述混合深度神经网络包括抗扰卷积神经网络、第一快速门限循环神经网络、第二快速门限循环神经网络和第一全连接神经网络；所述抗扰卷积神经网络与第一快速门限循环神经网络连接；第一快速门限循环神经网络、第二快速门限循环神经网络均与第一全连接神经网络连接；将所述t时刻的检测图像DI
t
作为所述抗扰卷积神经网络的输入，所述t时刻的飞行状态AS
t
序列作为第二快速门限循环神经网络的输入；所述第一全连接神经网络的输出为t时刻的Q(s,a)，Q(s,a)即在状态s
t
下，无人机执行动作空间中的各个动作后，所获反馈函数值的预测值；其中动作空间a＝[Δx,Δy,Δu,Δα,Δβ,Δγ]，Δx为机体坐标系下无人机在水平方向横轴上的位移调节量，Δy为机体坐标系下无人机在水平方向纵轴上的位移调节量，Δu为机体坐标系下无人机在垂直方向上的位移调节量，Δα为无人机偏航角调节量，Δβ为无人机俯仰角调节量，Δγ为无人机横滚角调节量，Δx、Δy、Δu、Δα、Δβ与Δγ均采用离散微调控制模式；反馈函数r＝W
S
S+W
D
D，S为基于信息量加权的结构相似度指标，D为所述检测图像DI
t
中各张图片的中心与无人机所要检查的目标物体的中心之间的欧式距离，W
S
和W
D
为权重系数，反馈函数r直接反映检测图像DI
t
的质量；优选地，所述离散微调控制模式实现过程包括：选定无人机的最大正负位移调节量ΔP
max
和最大正负角度调节量ΔD
max
；对ΔP
max
进行n1等分，对ΔD
max
进行n2等分，则Δp＝ΔP
max
/n1为无人机的位移调节间隔，Δd＝ΔD
max
/n2为无人机的角度调节间隔，a中位移调节量Δx、Δy和Δu的动作取值为
‑
n1Δp,
‑
(n1‑
1)Δp,
…
,
‑
2Δp,
‑
Δp,0,+Δp,+2Δp,
…
,+(n1‑
1)Δp,+n1Δp，角度调节量Δα、Δβ和Δγ的动作取值为
‑
n2Δd,
‑
(n2‑
1)Δd,
…
,
‑
2Δd,
‑
Δd,0,+Δd,+2Δd,
…
,+(n2‑
1)Δd,+n2Δd；S3、对所述混合深度神经网络进行仿真训练，得到无人机飞航状态校正模型。2.根据权利要求1所述的用于电网安全态势感知的无人机巡检方法，其特征在于，所述第一全连接神经网络的输出，即t时刻的Q(s,a)函数值的获取过程包括：利用所述抗扰卷积神经网络从t时刻的检测图像DI
t
序列内各张图片CI
j
中分别感知环境状态信息，得到输出特征序列F
t
‑
k
,F
t
‑
k+1
,
…
,F
j
,
…
,F
t
‑2,F
t
‑1,F
t
，利用所述第一快速门限循环神经网络从F
t
‑
k
,F
t
‑
k+1
,
…
,F
j
,
…
,F
t
‑2,F
t
‑1,F
t
中提取时序特征，得到第一特征向量V
1t
；利用所述第二快速门限循环神经网络从t时刻的飞行状态AS
t
序列中提取时序特征，得到第二特征向量V
2t
；串联拼接所述第一特征向量V
1t
和第二特征向量V
2t
，将拼接而成的向量V
t
作为第一全连接神经网络的输入，得到t时刻的Q(s,a)函数值。3.根据权利要求2所述的用于电网安全态势感知的无人机巡检方法，其特征在于，利用
所述抗扰卷积神经网络从t时刻的检测图像DI
t
序列内各张图片CI
j
中分别感知环境状态信息的过程包括如下步骤：对DI
t
中各张图片CI
j
分别进行二维膨胀卷积处理，生成一组卷积特征图M
t
‑
k
,M
t
‑
k+1
,
…
,M
j
,
…
,M
t
‑2,M
t
‑1,M
t
；分别对各张卷积特征图中各元素取绝对值，得到一组绝对值特征图AM
t
‑
k
,AM
t
‑
k+1
,
…
,AM
j
,
…
,AM
t
‑2,AM
t
‑1,AM
t
，分别对所述各张绝对值特征图逐通道进行全局平均池化，得到一组池化向量g
t
‑
k
,g
t
‑
k+1
,
…
,g
j
,
…
,g
t
‑2,g
t
‑1,g
t
；将每个所述池化向量分别作为第二全连接神经网络的输入，得到一组输出向量av
t
‑
k
,av
t
‑
k+1
,
…
,av
j
,
…
,av
t
‑2,av
t
‑1,av
t
，将各输出向量分别对应与各池化向量逐元素相乘，得到一组抗扰参数向量A
t
‑
k
,A
t
‑
k+1
,
…
,A
j
,
…
,A
t
‑2,A
t
‑1,A
t
，A
j
维度等于卷积特征图的通道数；将各卷积特征图中对应与各抗扰参数向量逐元素相乘，得到经过抗扰处理的卷积特征图，展开经过抗扰处理的卷积特征图，得到输出特征序列F
t
‑
k
,F
t
‑
k+1
,
…
,F
j
,
…
,F
t
‑2,F
t
‑1,F
t<...

【专利技术属性】
技术研发人员：刘松，宋宇飞，
申请(专利权)人：湖南大学，
类型：发明
国别省市：