System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统巡检自动化,尤其涉及一种基于卷积神经网络的巡检路径规划方法及系统。
技术介绍
1、随着城市化进程的加速和电力需求的增长,电力系统规模不断扩大,包括变电站、输电线路和分布式能源设备。这使得巡检工作更为复杂,需要更多的资源和时间。同时,能源效率和可再生能源的崛起对电力系统提出了更高的要求。电力系统需要更有效的维护,以确保能源供应的可持续性和稳定性。
2、然而,目前电力系统巡检基本基于人工安排,智能化程度有限,基于固定规则的巡检无法灵活应对电力系统问题的变化,导致资源浪费和效率低下。电力系统的巡检需要工程师进入危险区域,如高压电塔或变电站,存在安全风险。电力系统产生大量数据,传统方法难以有效处理和分析,难以从中提取有用信息。传统巡检方法更侧重于问题的发现和修复,缺乏对设备未来状态的预测性维护。因此亟需一种能够综合各类巡检设备和人工的算法灵活分配并起到一定的预测功能的方法。
技术实现思路
1、鉴于上述现有存在的问题,提出了本专利技术。因此,本专利技术提供了一种基于卷积神经网络的巡检路径规划方法及系统,解决在目前传统的巡检规则无法灵活应对电力系统问题的变化,导致资源浪费和效率低下;难以有效处理和分析,难以从中提取有用信息,缺乏对设备未来状态的预测性维护的问题。
2、为解决上述技术问题,本专利技术提供如下技术方案:
3、第一方面,本专利技术提供了一种基于卷积神经网络的巡检路径规划方法,包括:获取区域内设备数据及环境数据,所述设备数据包括
4、对获取的数据进行预处理,通过卷积神经网络进行特征提取,以获取各类设备以及巡检人员状态、位置和环境特征,并进行多模态数据融合,获取综合特征;
5、所述卷积神经网络中加入强化学习模型,引入设备优先级和预测性维护约束条件,以进行任务分配和获取优化路径方案;
6、通过实时通信和所述综合特征,进行动态路径调整和维护预测。
7、作为本专利技术所述的基于卷积神经网络的巡检路径规划方法的一种优选方案,其中:巡检设备包括巡检无人机、巡检机器人和人体传感器;
8、待巡检设备包括区域内电力系统设备;
9、所述环境数据包括环境图像、环境声音、环境温度、环境湿度以及设备坐标;
10、每条环境数据生成时记录数据生成时间,设定为环境时间戳。
11、作为本专利技术所述的基于卷积神经网络的巡检路径规划方法的一种优选方案,其中:对所述设备数据进行哈希处理,包括,
12、将设备数据进行哈希计算,每个设备均生成唯一对应的哈希值;
13、将所述唯一对应的哈希值以及环境数据及其相应的环境时间戳设定在区块链数据记录中;
14、将区块链中所有设备数据记录生成时间分别记录为设备时间戳;
15、将数据记录发送至区块链网络中。
16、作为本专利技术所述的基于卷积神经网络的巡检路径规划方法的一种优选方案,其中:通过卷积神经网络进行特征提取,以获取各类设备以及巡检人员状态、位置和环境特征,进行多模态数据融合,获取综合特征,包括,
17、选择一定时间段内的数据记录以及设备数据和环境数据输入至卷积神经网络中,获取特征张量;
18、所述特征张量包括设备状态特征、巡检人员状态特征、位置特征和环境特征;
19、将各特征张量分别传递给注意力机制子网络,计算各特征张量之间相似度及注意力分数;
20、依据注意力分数计算注意力权重;
21、依据注意力权重,对各个模态数据的特征张量进行加权融合,生成综合特征张量。
22、作为本专利技术所述的基于卷积神经网络的巡检路径规划方法的一种优选方案,其中:所述卷积神经网络中加入强化学习模型,引入设备优先级和预测性维护约束条件,以进行任务分配和获取优化路径方案,包括,
23、加入深度确定性策略梯度算法,设定设备优先级和预测性维护的奖励函数,表示为:
24、r(s,a,s’)=β(s,a,s’)-γ(s,a)-δ(s,a)
25、其中,s表示任务分配和路径规划的当前状态,a表示执行的任务分配动作,s’代表在采取动作a后,系统进入的新状态;β表示任务完成奖励权重,γ表示设备优先级惩罚权重,δ表示预测性维护惩罚。
26、作为本专利技术所述的基于卷积神经网络的巡检路径规划方法的一种优选方案,其中:还包括,对任务进行属性分类,分为普通巡检类任务、特殊巡检类任务、紧急性维护任务以及预测性维护任务;依据任务属性选择动作空间维度,所述动作空间维度中每个维度对应一个任务;
27、所述普通巡检类任务分配至巡检设备,所述特殊巡检类任务分配给人工和巡检设备,所述紧急性维护任务分配给人工,所述测性维护任务分配至巡检设备;
28、通过深度确定性策略梯度算法,选择满足奖励函数的动作与相应任务进行组合,实现任务分配与路径规划。
29、作为本专利技术所述的基于卷积神经网络的巡检路径规划方法的一种优选方案,其中:通过实时通信和所述综合特征,进行动态路径调整和维护预测,包括,
30、在所有路径中选择一组适应性高的路径,对所选路径通过遗传算法进行交叉操作,产生新的路径;
31、每个新的路径根据预测性维护需求、设备状态、环境条件进行适应性评估,所述适应性评估包括,
32、获取新路径信息,包括路径上各设备的位置、动作状态和动作时间点;
33、确定每个设备的维护时间点,并与路径上的任务分配进行匹配,若路径上的任务分配能够确保在维护时间点前完成维护工作,则判断路径适应性良好;
34、计算路径上的能源消耗、以及巡检设备状态,设定巡检设备预警值,若路径上的任务分配能够在预警值内完成,则判断路径适应性良好;
35、监测路径障碍物和天气状态;
36、根据预测性维护需求、设备状态和环境条件的评估,为路径分配一个综合评分;
37、根据综合评分,选择具有最高评分的路径作为最佳路径。
38、第二方面,本专利技术提供了一种基于卷积神经网络的巡检路径规划的系统,包括,数据处理模块,用于获取区域内设备数据及环境数据,所述设备数据包括巡检设备数据和待巡检设备数据,对所述设备数据进行哈希处理;
39、特征提取模块,用于对获取的数据进行预处理,通过卷积神经网络进行特征提取,以获取各类设备以及巡检人员状态、位置和环境特征,并进行多模态数据融合,获取综合特征;
40、任务分配及路径规划模块,用于所述卷积神经网络中加入强化学习模型,引入设备优先级和预测性维护约束条件,以进行任务分配和获取优化路径方案;
41、动态调整预测模块,用于通过实时通信和所述综合特征,进行动态路径调整和维护预测。
42、第三方面,本专利技术提供了一种计算设备,包括:
43、存储器和处理器;
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的巡检路径规划方法,其特征在于,包括:
2.如权利要求1所述的基于卷积神经网络的巡检路径规划方法,其特征在于,巡检设备包括巡检无人机、巡检机器人和人体传感器;
3.如权利要求1或2所述的基于卷积神经网络的巡检路径规划方法,其特征在于,对所述设备数据进行哈希处理,包括,
4.如权利要求3所述的基于卷积神经网络的巡检路径规划方法,其特征在于,通过卷积神经网络进行特征提取,以获取各类设备以及巡检人员状态、位置和环境特征,进行多模态数据融合,获取综合特征,包括,
5.如权利要求4所述的基于卷积神经网络的巡检路径规划方法,其特征在于,所述卷积神经网络中加入强化学习模型,引入设备优先级和预测性维护约束条件,以进行任务分配和获取优化路径方案,包括,
6.如权利要求5所述的基于卷积神经网络的巡检路径规划方法,其特征在于,还包括,对任务进行属性分类,分为普通巡检类任务、特殊巡检类任务、紧急性维护任务以及预测性维护任务;依据任务属性选择动作空间维度,所述动作空间维度中每个维度对应一个任务;
7.如权利要求
8.一种基于卷积神经网络的巡检路径规划的系统,其特征在于,包括,
9.一种电子设备,包括:
10.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于卷积神经网络的巡检路径规划方法的步骤。
...【技术特征摘要】
1.一种基于卷积神经网络的巡检路径规划方法,其特征在于,包括:
2.如权利要求1所述的基于卷积神经网络的巡检路径规划方法,其特征在于,巡检设备包括巡检无人机、巡检机器人和人体传感器;
3.如权利要求1或2所述的基于卷积神经网络的巡检路径规划方法,其特征在于,对所述设备数据进行哈希处理,包括,
4.如权利要求3所述的基于卷积神经网络的巡检路径规划方法,其特征在于,通过卷积神经网络进行特征提取,以获取各类设备以及巡检人员状态、位置和环境特征,进行多模态数据融合,获取综合特征,包括,
5.如权利要求4所述的基于卷积神经网络的巡检路径规划方法,其特征在于,所述卷积神经网络中加入强化学习模型,引入设备优先级和预测性维护约束条件,以进行任务分配和获取优化路径方...
【专利技术属性】
技术研发人员:刘奔,熊文骏,黄忆谭,
申请(专利权)人:深圳市铁越电气有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。