一种无人机充电桩选址方法、系统、设备及介质技术方案

本发明专利技术公开了一种无人机充电桩选址方法、系统、设备及介质，包括：建立无人机航路规划图；筛选出航路交汇点的位置；将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆及备选点。设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区。引入静态风险参数进行加权，筛选出资质备选点；引入TOPSIS，筛选出的资质坐标点；引入动态成本参数；引入遗传算法求解函数求解，每个航迹交点作为需求点，得出最终解。本发明专利技术能够满足城市中无人机高飞行频次区域的充电需求，能够保障充电桩周围的无人机飞行安全，并且还能降低充电桩建设成本和无人机飞行成本。机飞行成本。机飞行成本。

【技术实现步骤摘要】
一种无人机充电桩选址方法、系统、设备及介质


[0001]本专利技术涉及无人机充电桩选址
，特别涉及一种基于航路热点几何切割和动静态风险融合的无人机充电桩选址方法、系统、设备及介质。

技术介绍

[0002]近年来，无人机作为科技创新的热点，逐步从研发走向应用，在城市物流、军事监视、灾难响应、检查勘测、精密农业等领域得到了广阔的应用。无人机以其高机动性和强便捷性，在未来构建智慧城市的进程中，必将发挥至关重要的作用。据Global Market Insights Inc.到预估，2027年，商用无人机市场规模将超过550亿美元。然而，限制无人机巨大潜力的主要障碍之一是电池寿命低，续航里程短，并且电池技术短时间难以突破。对于未来智慧城市而言，需要无人机来覆盖一个尽可能大的地理区域，这就对无人机的续航能力提出了一个更高的要求。因此为了提高无人机的续航能力，在应用场景中建设相匹配的充电桩成为了无人机在城市应用的必然趋势。对于无人机充电桩，除了充电技术问题外，对充电桩数量的需求将大大增加，其建设成本也将会越来越大。因此，规划无人机充电桩的布局至关重要，以满足未来充电桩成本和无人机充电过程损失成本达到最低水平的要求。同时，尽可能地考虑各种环境因素以及无人机航线规划的影响。无人机充电桩的合理布局，不仅降低了充电桩建设数量成本，减少了城市资源的浪费，而且降低了无人机飞往充电桩过程中的电量损耗成本。
[0003]现有技术一
[0004]东北大学的胡燕等学者在IEEE Xplore期刊上提出将建设(Y.Hu,J.Gao,X.Chen,F.Meng and Y.H.Wang,"Distribution Plannin g of UAV Automatic Charging Station Based on Genetic Algorithm,"2019International Conference on Economic Management and Model Engineering(ICEMME),2019,pp.446
‑
452,doi:10.1109/ICEMME49371.2019.00095.)无人机充电桩的成本和未来无人机充电过程中的各参数连接起来，完成充电桩综合成本模型。再利用Voronoi图对加权参数进行展开，形成加权泰森图。引入了外部天气、电力建设等因素，形成最终的空间环境成本模型。最后，采用遗传算法的计算方法，根据实际模型和需求对计算过程进行修改，推导出充电站布局规划的最优。
[0005]现有技术一的缺点
[0006]胡燕等人的方法从成本的角度的出发，固然能够筛选出充电桩成本最低的建设点，但是忽略了无人机在城市中航线疏密度的问题，航线越密的区域，无人机使用频次越高，充电需求也就越大，而单从成本的角度出发，能够得到成本最低的充电桩建设位置，但忽略了真正充电需求量大的区域，从而会牺牲掉一部分无人机的效率。
[0007]现有技术二
[0008]因针对无人机的充电桩选址问题目前国内的研究不多，故以下引用电动车充电桩选址进行类比。
[0009]刘红燕等学者认为通过机器学习的方式来进行充电桩选址比较可行。
[0010](刘红燕,唐振,李谨,荣腾航,许健彰,王雍胜.一种基于机器学习的充电桩选址方法[P].广东省：CN112561322A,2021
‑
03
‑
26.)方法是对已建成的充电桩数据进行分析，获取其属性特征如各时间段的人流量、车流量、区域属性等特征，将此数据与充电桩的使用频率、使用时段进行关联分析，建立机器学习算法分类模型，再利用tri
‑
traing算法，将无标签的数据充分学习利用，从而来提升模型的准确率，达到实际运用的性能。
[0011]现有技术二的缺点
[0012]此方法的优点在于充分发挥了机器学习的优势，智能化地算出最优位置。而缺点在于机器学习算法本身的一些弊病，对缺失数据处理困难，并且容易出现过拟合问题。

技术实现思路

[0013]本专利技术针对现有技术的缺陷，提供了一种无人机充电桩选址方法、系统、设备及介质。
[0014]为了实现以上专利技术目的，本专利技术采取的技术方案如下：
[0015]一种无人机充电桩的选址方法，包括以下步骤：
[0016]步骤一：通过GPS定位和记录，得到一片区域内无人机航路规划图；
[0017]步骤二：筛选出航路交汇点的位置；
[0018]步骤三：将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆，其圆心就是备选点。
[0019]步骤四：设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区。热点地区包括：大型商场、游乐场和商业街；
[0020]步骤五：引入静态风险参数进行加权，筛选出资质备选点；静态风险参数包括：建筑高度与飞行高度差、建筑密度、天气因素和与危险地点的距离；
[0021]步骤六：引入TOPSIS，通过资质备选点的静态风险参数，筛选出资质坐标点；
[0022]步骤七：引入动态成本参数，包括：充电桩建设成本、运营成本、无人机行驶到充电桩的时间成本和无人机充电排队时间成本和总成本；
[0023]步骤八：引入遗传算法求解函数求解，每个航迹交点作为需求点，判断无人机剩余电量能否支持其飞行到充电桩，从而得出最终解。
[0024]进一步地，步骤五中静态风险参数计算如下：
[0025]所述建筑高度与飞行高度差的计算如下式：
[0026]a＝min{H
i
‑
h
i
}
[0027]H
i
：第i个备选点附近的航线高度
[0028]h
i
：第i个备选点附近最高建筑高度
[0029]所述建筑密度的计算如下式：
[0030][0031]天气因素风险参数计算如下式：
[0032]c＝αq+βw+γe
[0033]q:累年平均风力；
[0034]w：累年均降雨量；
[0035]e：累年大气湿度；
[0036]α：累年平均风力权重；
[0037]β：累年均降雨量权重；
[0038]γ：累年大气湿度权重；
[0039]令α＝0.5，β＝0.3，γ＝0.2。
[0040]所述与危险点距离计算如下式：
[0041]d＝R*arcos(siny
1 siny2+cosy
1 cosy
2 cos(x1‑
x2))
[0042]x1：备选点经度；
[0043]y1：备选点纬度；
[0044]x2：距离最近危险点经度；
[0045]y2：距离最近危险点纬度；
[0046]R:地球半径。
[0047]进一步地，对步骤六得出的资质点坐标进行适当修正，得到修正资质点位置坐标。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机充电桩的选址方法，其特性在于，包括以下步骤：步骤一：通过GPS定位和记录，得到一片区域内无人机航路规划图；步骤二：筛选出航路交汇点的位置；步骤三：将航迹交汇点连接成形，并按三角形的方式进行几何切割，并且用每个三角形作一个圆，其圆心就是备选点；步骤四：设定充电桩静态风险区，以备选点到最近的热点地区距离为半径，划定静态风险区；热点地区包括：大型商场、游乐场和商业街；步骤五：引入静态风险参数进行加权，筛选出资质备选点；静态风险参数包括：建筑高度与飞行高度差、建筑密度、天气因素和与危险地点的距离；步骤六：引入TOPSIS，通过资质备选点的静态风险参数，筛选出资质坐标点；步骤七：引入动态成本参数，包括：充电桩建设成本、运营成本、无人机行驶到充电桩的时间成本和无人机充电排队时间成本和总成本；步骤八：引入遗传算法求解函数求解，每个航迹交点作为需求点，判断无人机剩余电量能否支持其飞行到充电桩，从而得出最终解。2.根据权利要求1所述的一种无人机充电桩的选址方法，其特征在于：步骤五中静态风险参数计算如下：所述建筑高度与飞行高度差的计算如下式：a＝min{H
i
‑
h
i
}H
i
：第i个备选点附近的航线高度h
i
：第i个备选点附近最高建筑高度所述建筑密度的计算如下式：天气因素风险参数计算如下式：c＝αq+βw+γeq:累年平均风力；w：累年均降雨量；e：累年大气湿度；α：累年平均风力权重；β：累年均降雨量权重；γ：累年大气湿度权重；令α＝0.5，β＝0.3，γ＝0.2；所述与危险点距离计算如下式：d＝R*ar cos(sin y1sin y2+cos y1cos y2cos(x1‑
x2))x1：备选点经度；y1：备选点纬度；x2：距离最近危险点经度；y2：距离最近危险点纬度；R:地球半径。
3.根据权利要求1所述的一种无人机充电桩的选址方法，其特征在于：对步骤六得出的资质点坐标进行适当修正，得到修正资质点位置坐标；K表示第j个充电桩服务范围内所有人员密集区域4.根据权利要求1所述的一种无人机充电桩的选址方法，其特征在于：步骤七中动态成本参数的计算，如下：充电桩建设成本计算，如下式：Q
t
:建设成本；Q
j
为j单位面积土地价格；C
j
为j点充电桩占地面积；Q
b
为单个充电桩建造成本；运营成本计算，如下式：Q
Y
＝λQ
T
Q
y
：运营成本；λ为折算比例系数；无人机行驶到充电桩的时间成本计算，如下式：Q1表示无人机行驶到充电桩的时间成本；d
ij
表示无人机i到充电桩j的距离；n
uav
表示平均每日需求充电的无人机数量；u
v
表示无人机每千米平均耗电量；m表示充电桩充电价；无人机充电排队时间成本计算，如下式：无人机充电排队时间成本计算，如下式：Q2表示无人机排队成本；G
j
表示无人机在充电桩的排队期望；s表示平均单位时间内到达充电桩的无人机数量；ω表...

【专利技术属性】
技术研发人员：余莎莎，戴晨，黄蓥峰，张祖耀，张学军，
申请(专利权)人：西华大学，
类型：发明
国别省市：