用于换流站巡检的无人机应急控制方法技术

本发明专利技术公开了一种用于换流站巡检的无人机应急控制方法

【技术实现步骤摘要】
用于换流站巡检的无人机应急控制方法、装置及设备


[0001]本专利技术涉及用于换流站巡检的无人机应急控制
，尤其涉及一种用于换流站巡检的无人机应急控制方法
、
装置及设备
。

技术介绍

[0002]在现有的高压直流输电系统中，换流站需要进行定期的巡检以确保其正常运行
。
为了提高巡检的效率和准确性，无人机被广泛应用于换流站的巡检工作中
。
然而，由于换流站所处的特殊环境，巡检过程中可能会遭遇到极端天气条件，如雨雪大风等
。
这些极端天气条件可能导致无人机失控，进而对巡检工作的安全性和有效性产生负面影响
。
其中，无人机的失控现象包括飞行方向偏离
、
无法保持稳定的飞行姿态
、
失去飞行能力等，这将导致无人机无法正确完成巡检任务，同时还可能引发碰撞
、
坠落或其他危险情况，对设备和人员造成损害
。
[0003]因此，需要针对无人机在巡检高压直流输电系统中的换流站时可能发生的失控现象进行应急控制，以提高无人机巡检换流站的安全性和可靠性
。

技术实现思路

[0004]本专利技术实施例提供一种用于换流站巡检的无人机应急控制方法
、
装置及设备，能有效提高在恶劣天气下无人机巡检换流站的安全性和可靠性
。
[0005]本专利技术一实施例提供一种用于换流站巡检的无人机应急控制方法，应用于无人机，包括：
[0006]对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；
[0007]对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；
[0008]根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；
[0009]根据所述应急控制策略对所述无人机进行应急控制
。
[0010]作为上述方案的改进，所述飞行状态数据包括：飞行姿态变化率
、
飞行速度变化率；所述天气环境数据包括：风速
、
雨量
、
雪量
。
[0011]作为上述方案的改进，所述根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略，包括：
[0012]对每一飞行状态特征进行特征计算，并对每一天气环境特征进行特征计算，得到融合后的飞行状态特征向量和天气环境特征向量；飞行状态特征进行特征计算公式为：
Z
＝
w1*g+w2*h+b
；
w1
和
w2
分别为对应参数的权重，
b
为偏置项
,g
表示飞行姿态变化率，
h
表示飞行速度变化率；飞行状态特征进行特征计算公式为：
Y
＝
w3*t+w4*u+w5*v+b
’
；
w3、w4
和
w5
分别为对应参数的权重，
b
’
为偏置项
,t
表示风速，
u
表示雨量，
v
表示雪量；
[0013]将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略
。
[0014]作为上述方案的改进，所述将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略，包括：
[0015]将所述飞行状态特征向量和所述天气环境特征向量作为决策树模型的输入；决策树模型为：
DecisionTree(a1,a2,...,an,b1,b2,...,bm)
→
各个叶节点设定的应急控制策略；
a1,a2,...,an
表示每一个标准的飞行状态特征向量的划分特征和取值范围，
b1,b2,...,bm
表示每一个标准的天气环境特征向量的划分特征和取值范围；
[0016]从所述决策树模型的根节点开始，根据当前节点上对飞行状态特征向量和天气环境特征向量的划分特征和取值范围，并通过对比所述决策树模型当前节点的不同分支上的
R
值来选择最接近当前计算出来的节点
R
值的路径；沿着当前节点的符合条件的分支移动到下一个节点，直到达到叶节点；
R
值用于表示不同飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，当前计算出的
R
值为：
R
＝
(1
‑
α
)*R(c
’
,d
’
,a)+
α
*(r+
γ
*(R(c
’
,d
’
,a)))
；其中，
R(c
’
,d
’
,a)
表示在当前节点的飞行状态特征向量
c
’
与天气环境特征向量
d
’
下选择决策树路径
a
的
R
值
,
为预先在训练阶段设定的；
α
是学习率；
r
表示当前状态下采取决策树路径
a
所获得的即时奖励；
γ
用于衡量未来奖励对当前决策的重要性，取值范围是
[0,1]；所述飞行状态特征向量的划分特征包括飞行状态稳定
、
飞行状态轻度不稳定
、
飞行状态中度不稳定及飞行状态重度不稳定；所述天气环境特征向量的划分特征包括天气环境正常
、
天气环境轻度恶劣
、
天气环境中度恶劣及天气环境重度恶劣；若当前计算出的
R
值位于当前节点两个分支的
R
值之间，则选择对无人机失控现象影响程度越恶劣的那一条分支路径；
[0017]当到达叶节点时，获取叶节点存储的应急控制策略
。
[0018]作为上述方案的改进，所述决策树模型的预先训练优化过程包括：
[0019]将多组飞行状态特征向量
、
天气环境特征向量及对应的应急控制策略的数据样本作为训练数据集；
[0020]不断递归地将训练数据集分割为不同的子集，在决策树的各个节点处选择最佳划分特征和划分点，并计算更新每处节点的
R
值并嵌入到决策树的对应节点中，直到满足停止条件，生成的决策树以每个内部节点表示一个特征及其取值范围，每个叶节点中存储了对应的应急控制策略；所述停止条件包括：达到最大深度；所述
R
值用于表示飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，
R
值更新计算公式为：
R(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于换流站巡检的无人机应急控制方法，其特征在于，应用于无人机，包括：对采集到的无人机在巡检换流站过程中的飞行状态数据和天气环境数据进行进行数据预处理；对预处理后的飞行状态数据和天气环境数据进行特征提取，得到飞行状态特征和天气环境特征；根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略；根据所述应急控制策略对所述无人机进行应急控制
。2.
如权利要求1所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述飞行状态数据包括：飞行姿态变化率
、
飞行速度变化率；所述天气环境数据包括：风速
、
雨量
、
雪量
。3.
如权利要求2所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述根据飞行状态特征和天气环境特征，并基于预先优化的决策树模型，得到对应的应急控制策略，包括：对每一飞行状态特征进行特征计算，并对每一天气环境特征进行特征计算，得到融合后的飞行状态特征向量和天气环境特征向量；飞行状态特征进行特征计算公式为：
Z
＝
w1*g+w2*h+b
；
w1
和
w2
分别为对应参数的权重，
b
为偏置项
,g
表示飞行姿态变化率，
h
表示飞行速度变化率；飞行状态特征进行特征计算公式为：
Y
＝
w3*t+w4*u+w5*v+b
’
；
w3、w4
和
w5
分别为对应参数的权重，
b
’
为偏置项
,t
表示风速，
u
表示雨量，
v
表示雪量；将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略
。4.
如权利要求3所述的用于换流站巡检的无人机应急控制方法，其特征在于，所述将所述飞行状态特征向量和所述天气环境特征向量输入预先优化的决策树模型，得到对应的应急控制策略，包括：将所述飞行状态特征向量和所述天气环境特征向量作为决策树模型的输入；决策树模型为：
DecisionTree(a1,a2,...,an,b1,b2,...,bm)
→
各个叶节点设定的应急控制策略；
a1,a2,...,an
表示每一个标准的飞行状态特征向量的划分特征和取值范围，
b1,b2,...,bm
表示每一个标准的天气环境特征向量的划分特征和取值范围；从所述决策树模型的根节点开始，根据当前节点上对飞行状态特征向量和天气环境特征向量的划分特征和取值范围，并通过对比所述决策树模型当前节点的不同分支上的
R
值来选择最接近当前计算出来的节点
R
值的路径；沿着当前节点的符合条件的分支移动到下一个节点，直到达到叶节点；
R
值用于表示不同飞行状态特征向量和天气环境特征向量对无人机失控现象的影响程度，当前计算出的
R
值为：
R
＝
(1
‑
α
)*R(c
’
,d
’
,a)+
α
*(r+
γ
*(R(c
’
,d
’
,a)))
；其中，
R(c
’
,d
’
,a)
表示在当前节点的飞行状态特征向量
c
’
与天气环境特征向量
d
’
下选择决策树路径
a
的
R
值
,
为预先在训练阶段设定的；
α
是学习率；
r
表示当前状态下采取决策树路径
a
所获得的即时奖励；
γ
用于衡量未来奖励对当前决策的重要性，取值范围是
[0,1]
；所述飞行状态特征向量的划分特征包括飞行状态稳定
、

【专利技术属性】
技术研发人员：李靖翔，赖皓，刘羽超，尹海涛，潘立邦，杨帆，胡辉祥，梁毅灵，石延辉，杨洋，郑权，张鹏，游俊良，雍育烨，颜志敏，李双杰，雷庆山，肖志超，李宏昌，苏伟达，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司广州局，
类型：发明
国别省市：