一种无人机协同的风电场智能巡检方法技术

本发明专利技术提供了一种无人机协同的风电场智能巡检方法，属于数据处理技术领域。本发明专利技术通过无人机携带任务载荷完成风电机组的巡检工作，通过深度强化学习

【技术实现步骤摘要】
一种无人机协同的风电场智能巡检方法


[0001]本专利技术属于数据处理
，涉及一种无人机协同的风电场智能巡检方法。本专利技术通过无人机携带任务载荷完成风电机组的巡检工作，通过深度强化学习
‑
模拟退火算法模型规划无人机的飞行航迹，实现能耗最低的智能风电场巡检路线规划。

技术介绍

[0002]随着我国风电产业的快速发展，风电机组的数量急剧增加。但是，风电场所处的自然环境通常十分复杂，有可能位于偏远山区或海上，且长期暴露于恶劣气候中。风电机彼此之间相隔数百米，叶轮机舱高达数十米，使用人力巡检成本大、效率低、出错率高、危险性高。如何降低数量庞大的风电机组的运维管理成本，推进风电系统智能化和信息化，从而提升风电场的发电收益，成为风电产业亟待解决的重大问题。
[0003]随着“智慧”风电场概念的提出和引入，风电系统在零件制造、数据管理、运营维护等方面正在进行全面优化升级。智慧风电场主要基于测控技术、通信技术、传感技术、大数据处理技术及各类智能算法，实现风机控制管理、设备状态感知、巡检维护等方面的智能化。通过风电机内部的各类传感器获知各设备的工作状态数据，并通过风电机内部的边缘服务器对传感器数据进行整合处理，可以得知风电机当前是否处于正常工作状态，在风机发生故障时可以排查出故障的可能原因。
[0004]然而，风电系统尚未实现真正的智能化。风机设备的运行数据通常仍需人力进行转储及维护；同时，风电机如叶片上的裂痕难以通过传感器进行确认，通常需要人力配合吊篮或者高倍望远镜进行巡检。这导致风电系统的巡检系统依然费时费力且准确率低，难以达到智慧风电场的运行要求。
[0005]由于灵活机动的特点，无人机在智慧风电场中正发挥着日益重要的作用。通过无人机携带任务载荷完成对风机的巡检工作，可以大幅度提高巡检工作的效率和准确度，降低人力巡检的危险性，从而提高电力生产的经济效益。具有较大的研究意义和实用价值。

技术实现思路

[0006]本专利技术解决的问题是如何运用风电场所处环境的气象数据，利用深度强化学习算法对无人机巡检路线进行规划，使规划路线在遍历全部风电机组的同时所消耗能量最小。在此过程中，采用图像识别的方法对风电机组进行拍照，用于机组故障诊断，同时进行风电机组相关数据的上传；节省了人员巡检过程中的时间成本与劳动力成本，提高了风电机组的安全性。本专利技术实现了一种无人机协同的风电场智能巡检方法，结合深度强化学习等技术，最终为无人机以低功耗在风电场的智能巡检领域提供了理论依据与实践经验。
[0007]本专利技术的技术方案：
[0008]一种无人机协同的风电场智能巡检方法，包括基于深度强化学习和模拟退火的无人机路线规划系统，基于无人机的风电场故障检测以及风电数据上传系统。具体步骤如下：
[0009]步骤一：获取风电场未来4小时气象预测数据，并对数据进行预处理。
[0010]步骤二：对于同一风电场下多个风电机组X＝{x1，x2，...，x
n
}，利用深度强化学习算法对在无人机最大巡航半径内任意两台风电机组x
i
、x
j
(i≠j)进行最低功耗航迹规划及计算对应功耗E
ij
。
[0011]步骤三：根据预测气象的主风向确定无人机起始位置，并根据当前气象数据以及步骤二的学习经验对无人机进行基于模拟退火算法的航迹规划。
[0012]步骤四：根据步骤三所规划的航迹，对风电场各机组进行巡检，以便故障排查及数据上传。
[0013]所述步骤一中的数据预处理，具体步骤如下：
[0014]步骤1.1：检查气象数据，若有缺失部分，对缺失数据进行平滑处理。
[0015]步骤1.2：对任意时刻t，根据风向数据θ
t
，将风速进行正交分解，将风速分解成三维空间中三个相互垂直方向上的风速
[0016]步骤1.3：对以上风向、风速数据进行数据归一化处理。
[0017]所述步骤二中，深度强化学习算法的构建步骤如下：
[0018]步骤2.1：首先建立有关无人机在两座风电机组航迹规划的马尔可夫决策过程模型，确定该过程中的五元组<S，A，P，R，γ>，其中S表示当前无人机所处环境状态量，A为无人机执行的动作量，P为不同状态之间的转移概率，R为无人机在此状态S下执行动作A所获得的奖励量，γ为强化学习衰减率。状态量S应当能够完全代表无人机的当前状态，在本专利技术中，以无人机当前位置建立三维坐标系，状态量S包括当前无人机所处位置坐标Pos
U
＝(x，y，z)，以及当前时间无人机所处位置的风速向量
[0019]对无人机运动模型进行简化处理，无人机可执行的动作量A＝<a>，表示无人机以速度向量在时间片τ内向固定方向移动一段距离。为了能使无人机以最少的功耗到达目标机组，设计如下奖励方式：
[0020][0021]其中，|d
s
′
|为执行动作后与目标点的直线距离，|d
s
|为执行动作前与目标点的直线距离，E
ss
′
为本次执行动作能耗，E
max
为无人机最大能耗。当无人机以更少的能耗接近目标时，将得到更多的奖励值，当无人机到达目标将得到一个极大奖励值，以实现目标对无人机的吸收。
[0022]对于无人机每次执行动作所需能耗E
ss
′
，计算公式为E
ss
′
＝P
u
·
τ。P
u
为无人机功率，包括水平飞行功率垂直飞行功率以及阻力功率以及阻力功率其中W＝mg是无人机重力；ρ为空气密度；是无人机旋翼总面积；C
D0
为与旋翼几何形状有关的阻力系数；与分别为水平方向与垂直方向上，无人机对于风速的相对速度；为无人机水
平飞行的速度；为无人机悬停功率。
[0023]步骤2.2：初始化回放经验池D，用于存储无人机在试错过程中产生的数据。随机初始化Actor现实网络μ与Critic现实网络Q，这两个神经网络对应的参数分别为θ
μ
与θ
Q
；随机初始化Actor目标网络μ
′
与Critic目标网络Q
′
，这两个神经网络对应的参数分别为θ
μ
′
和θ
Q
′
，并使θ
μ
′
＝θ
μ
，θ
Q
′
＝θ
Q
。
[0024]步骤2.3：记录初始状态量s1，生成一个符合高斯分布的随机噪声N。
[0025]步骤2.4：将当前时刻的状态量x
t
输入到以θ
μ
为参数的Actor现实网络中，加入当前时刻的随机噪声N
t
。由Actor现实网络输出动作量a
t
...

【技术保护点】

【技术特征摘要】
1.一种无人机协同的风电场智能巡检方法，其特征在于，该方法包括以下步骤：步骤一：获取风电场未来4小时气象预测数据，并对数据进行预处理；步骤二：对于同一风电场下多个风电机组X＝{x1,x2,...,x
n
}，利用深度强化学习算法对在无人机最大巡航半径内任意两台风电机组x
i
、x
j
进行最低功耗航迹规划及计算对应功耗E
ij
，其中i≠j；步骤三：根据预测气象的主风向确定无人机起始位置，并根据当前气象数据以及步骤二的学习经验对无人机进行基于模拟退火算法的航迹规划；步骤四：根据步骤三所规划的航迹，对风电场各机组进行巡检，以便故障排查及数据上传。2.如权利要求1所述的一种无人机协同的风电场智能巡检方法，其特征在于，所述步骤一中，数据预处理的具体步骤如下：步骤1.1：检查气象数据，若有缺失部分，对缺失数据进行平滑处理；步骤1.2：对任意时刻t，根据风向数据θ
t
，将风速进行正交分解，将风速分解成三维空间中三个相互垂直方向上的风速步骤1.3：对以上风向、风速数据进行归一化处理。3.如权利要求1或2所述的一种无人机协同的风电场智能巡检方法，其特征在于，所述步骤二中，深度强化学习算法的构建步骤如下：步骤2.1：首先建立有关无人机在两座风电机组航迹规划的马尔可夫决策过程模型，确定该过程中的五元组<S,A,P,R,γ>，其中S表示当前无人机所处环境状态量，A为无人机执行的动作量，P为不同状态之间的转移概率，R为无人机在此状态S下执行动作A所获得的奖励量，γ为强化学习衰减率；以无人机当前位置建立三维坐标系，状态量S包括当前无人机所处位置坐标Pos
U
＝(x,y,z)以及当前无人机所处位置的风速向量对无人机运动模型进行简化处理，无人机可执行的动作量A＝<a>，表示无人机以速度向量在时间片τ内向固定方向移动一段距离；为了能使无人机以最少的功耗到达目标机组，设计如下奖励方式：其中，|d
s
′
|为执行动作后与目标点的直线距离；|d
s
|为执行动作前与目标点的直线距离；E
max
为无人机最大能耗；E
ss
′
为本次执行动作能耗，计算公式为E
ss
′
＝P
u
·
τ，P
u
为无人机功率，包括水平飞行功率垂直飞行功率以及阻力功率以及阻力功率以及阻力功率其中W
＝mg是无人机重力；ρ为空气密度；是无人机旋翼总面积；C
D0
为与旋翼几何形状有关的阻力系数；与分别为水平方向与垂直方向上，无人机对于风速的相对速度；为无人机水平飞行的速度；为无人机悬停功率；步骤2.2：初始化回放经验池D，用于存储无人机在试错过程中产生的数据；随机初始化Actor现实网络μ与Critic现实网络Q，这两个神经网络对应的参数分别为θ
μ
与θ
Q
；随机初始化Actor目标网络μ
′
与Critic目标网络Q
′
，这两个神经网络对应的参数分别为θ
μ
′
和θ
Q
′
，并使θ
μ
′
＝θ
μ
，θ
Q
′
＝θ
Q
；步骤2.3：记录初始状态量s1，生成一个符合高斯分布的随机噪声N；步骤2.4：将当前时刻的状态量x
t
输入到以θ
μ
为参数的Actor现实网络中，加入当前时刻的随机噪声N
t
；由Actor现实网络输出动作量a
t
＝μ(x
t
,θ
μ
)+N
t
，执行该动作，并通过奖励函数计算该动作得到的奖励r
t
，同时更新状态量得到x
t+1
；步骤2.5：创建四元组<x
t
,a
t
,r
t
,x
t+1
>，将其存入回放经验池D；步骤2.6：从回放经验池D中随机选取一组数据<x
j
,a
j
,r
j
,x
j+1
>，将x
j
,a
j
输入到Critic现实网络中，得到Q=Q(x
j
,a
j
,θ
Q
)，将x
j+1
输入到Actor目标网络中，计算动作量a
j+1
＝μ
′
(x
j+1
,θ
μ
′
)，并将x
j+1
和a
j+1
一起输入到Critic目标网络，得到Q(x
j...

【专利技术属性】
技术研发人员：张强，闫兆鸿，王鹏飞，车超，叶绯叶，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：