用于新能源场站中继线路规划的无人机控制方法及设备技术

本发明专利技术提出一种用于新能源场站中继线路规划的无人机控制方法及设备，该方法通过构建无人机飞行线路规划模型；获取用于新能源场站中继线路规划的无人机飞行线路历史数据，并输入所述无人机飞行线路规划模型进行训练；将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的所述无人机飞行线路规划模型中，输出结果即为无人机飞行线路规划结果。通过本发明专利技术，能够减少线路规划的运算时间，减少运算能力需求，提高控制运算效率。提高控制运算效率。提高控制运算效率。

【技术实现步骤摘要】
用于新能源场站中继线路规划的无人机控制方法及设备


[0001]本专利技术涉及功率预测
，尤其涉及一种用于新能源场站中继线路规划的无人机控制方法、装置、设备、存储介质。

技术介绍

[0002]现有中继线路根据传统路线规划，新能源场站前期规划得到的固定路线，无法根据新能源场站通信信号的变化得到最佳的无人机中继信号线路。相关技术中采用单个控制器的方式由于单个控制器要承担所有的控制运算，而随着无人机运算量的日益增加，使得控制器的散热效率较低，导致控制效率也较低。

技术实现思路

[0003]本专利技术提供一种用于新能源场站中继线路规划的无人机控制方法、装置、设备、存储介质，旨在减少线路规划的运算时间，减少运算能力需求，提高控制运算效率。
[0004]为此，本专利技术的第一个目的是提出一种用于新能源场站中继线路规划的无人机控制方法，包括：
[0005]构建无人机飞行线路规划模型；其中，无人机飞行线路规划模型包括：输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层；
[0006]获取用于新能源场站中继线路规划的无人机飞行线路历史数据，并输入无人机飞行线路规划模型进行训练；
[0007]将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的无人机飞行线路规划模型中，输出结果即为无人机飞行线路规划结果。
[0008]其中，无人机飞行线路规划模型接收新能源场站中继线路规划的无人机飞行线路数据，经过卷积神经网络层进行特征输入，生成特征向量并输入长短期时间记忆网络层；长短期时间记忆网络层与注意力层通过学习卷积神经网络层提取的特征向量中的规律，对无人机线路进行优化，并通过输出层输出预测结果。
[0009]其中，在无人机飞行线路规划模型中，
[0010]输入层用于将无人机飞行线路数据预处理后输入至无人机飞行线路规划模型中，假定批量输入的数据长度为m，用表示输入向量；
[0011]卷积神经网络层用于对输入层输入的输入向量进行特征提取，挖掘并筛选和筛选；
[0012]长短期时间记忆网络层用于学习卷积神经网络层提取的特征向量的数据特征关系；
[0013]注意力层用于根据权值分配原则，对向量中的不同特征赋予不同的权值参数，获得更优的权值参数矩阵。
[0014]其中，卷积神经网络层包括卷积层和dropout层；根据无人机飞行线路数据的数据维度为1维，选取一维卷积，卷积核大小为3，使用RELU激活函数；经过自动寻找最优参数，
dropout层设置为0.2；
[0015]其中，特征提取的步骤包括：
[0016]临时随机删掉卷积神经网络层中一半的隐藏神经元，输入输出神经元保持不变；
[0017]把输入向量通过修改后的卷积神经网络层前向传播，得到损失结果通过修改后的卷积神经网络层反向传播；训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数(w,b)；
[0018]重复执行前述步骤，并恢复被删掉的神经元，备份被删除神经元的参数；
[0019]Dropout层的网络计算公式如下
[0020][0021][0022][0023][0024]其中，Bernoulli函数生成了概率向量r，也就是随机生成一个0、1的向量；某个神经元在网络中以概率p停止工作，使激活函数值以概率p变为0；n个神经元经过0.2的drop比率后大约0.2n个神经元会被设置为0；
[0025]卷积神经网络层层的输出特征为；H
c
；假定输出向量长度为i，用H
c
＝[hc1…
h
ci
…
]T
进行表示。
[0026]其中，长短期时间记忆网络层采用两层biLSTM结构，学习无人机飞行线路规划行为特性；长短期时间记忆网络层接入到dropout层(丢弃层)以及maxpooling(最大池化层)层；
[0027]则有：
[0028][0029]H
L
＝max(dropout(L))+br
[0030]Max为最大池化层中最大值函数，b
r
为最大池化层的偏置。
[0031]其中，输出层通过全连接层得到无人机飞行线路规划结果，假定输出层预测的补偿为n，则有其计算公式为Y＝f(W
r
·
S+b
r
’
)；
[0032]W
r
为输出层权重，b
r
’
为输出层偏置：f为全连接层激活函数。
[0033]其中，无人机飞行线路规划模型输出的无人机飞行线路规划结果预测值经过反归一化，得到实际的预测值；公式表示为：
[0034][0035]为预测得到的反归一化处理前的无人机飞行线路规划数据，y
*
为反归一化处理后的无人机飞行线路规划数据，y
min
、y
max
分别为归一化处理前历史输出数据中的最小值和最大值。
[0036]本专利技术的第二个目的是提出一种用于新能源场站中继线路规划的无人机控制装置，包括：
[0037]模型构建模块，用于构建无人机飞行线路规划模型；其中，无人机飞行线路规划模型包括：输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层；
[0038]模型训练模块，用于获取用于新能源场站中继线路规划的无人机飞行线路历史数据，并输入无人机飞行线路规划模型进行训练；
[0039]线路规划模块，用于将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的无人机飞行线路规划模型中，输出结果即为无人机飞行线路规划结果。
[0040]本专利技术的第三个目的在于提出一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
[0041]本专利技术的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
[0042]区别于现有技术，本专利技术提供的用于新能源场站中继线路规划的无人机控制方法，通过构建无人机飞行线路规划模型；获取用于新能源场站中继线路规划的无人机飞行线路历史数据，并输入无人机飞行线路规划模型进行训练；将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的无人机飞行线路规划模型中，输出结果即为无人机飞行线路规划结果。通过本专利技术，能够减少线路规划的运算时间，减少运算能力需求，提高控制运算效率。
附图说明
[0043]本专利技术的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0044]图1是本专利技术提供的一种用于新能源场站中继线路规划的无人机控制方法的流程示意图。
[0045]图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于新能源场站中继线路规划的无人机控制方法，其特征在于，包括：构建无人机飞行线路规划模型；其中，所述无人机飞行线路规划模型包括：输入层、卷积神经网络层、长短期时间记忆网络层、注意力层和输出层；获取用于新能源场站中继线路规划的无人机飞行线路历史数据，并输入所述无人机飞行线路规划模型进行训练；将实时的新能源场站中继线路规划的无人机飞行线路数据输入训练完成的所述无人机飞行线路规划模型中，输出结果即为无人机飞行线路规划结果。2.根据权利要求1所述的基于用于新能源场站中继线路规划的无人机控制方法，其特征在于，所述无人机飞行线路规划模型接收新能源场站中继线路规划的无人机飞行线路数据，经过卷积神经网络层进行特征输入，生成特征向量并输入长短期时间记忆网络层；长短期时间记忆网络层与注意力层通过学习卷积神经网络层提取的特征向量中的规律，对无人机线路进行优化，并通过输出层输出预测结果。3.根据权利要求1所述的用于新能源场站中继线路规划的无人机控制方法，其特征在于，在所述无人机飞行线路规划模型中，所述输入层用于将无人机飞行线路数据预处理后输入至无人机飞行线路规划模型中，假定批量输入的数据长度为m，用表示输入向量；所述卷积神经网络层用于对输入层输入的输入向量进行特征提取，挖掘并筛选和筛选；所述长短期时间记忆网络层用于学习所述卷积神经网络层提取的特征向量的数据特征关系；所述注意力层用于根据权值分配原则，对向量中的不同特征赋予不同的权值参数，获得更优的权值参数矩阵。4.根据权利要求3所述的用于新能源场站中继线路规划的无人机控制方法，其特征在于，所述卷积神经网络层包括卷积层和dropout层；根据无人机飞行线路数据的数据维度为1维，选取一维卷积，卷积核大小为3，使用RELU激活函数；经过自动寻找最优参数，dropout层设置为0.2；其中，特征提取的步骤包括：临时随机删掉所述卷积神经网络层中一半的隐藏神经元，输入输出神经元保持不变；把输入向量通过修改后的卷积神经网络层前向传播，得到损失结果通过修改后的卷积神经网络层反向传播；训练样本执行完这个过程后，在没有被删除的神经元上按照随机梯度下降法更新对应的参数(w，b)；重复执行前述步骤，并恢复被删掉的神经元，备份被删除神经元的参数；Dropout层的网络计算公式如下Dropout层的网络计算公式如下Dropout层的网络计算公式如下Dropout层的网络计算公式如下
其中，Bernoulli函数生成了概率向量r，也就是随机生成一个0、1的向量；某个神经元在网络中以概率p停止工作，使激活函数值以概率p变为0；n个神经元经过0.2的drop比率后大约0.2n个神经元会被设置为0；卷积神经网络层层的输出特征为；H
c
；假定输出向量长度为i，用H
c
＝[h
...

【专利技术属性】
技术研发人员：王鸿策，郭小江，冶学斌，申旭辉，杜清灿，孙财新，杜彦仪，李铮，孟渝翔，潘霄峰，梁盛，巴蕾，任晓馗，郝健强，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：