一种分布式多无人机集群协同调度系统及其方法技术方案

公开了一种分布式多无人机集群协同调度系统及其方法

【技术实现步骤摘要】
一种分布式多无人机集群协同调度系统及其方法


[0001]本申请涉及无人机领域，且更为具体地，涉及一种分布式多无人机集群协同调度系统及其方法
。

技术介绍

[0002]在台风
、
水涝
、
风暴
、
冰雪等极端气象事件后的配电网应急抢修是配电网相关工作中的重要环节
。
当配电网出现故障时，会给用户正常生产带来经济损失，危害电网的安全运行
。
传统配电网故障抢修存在响应慢
、
抢修资源分配不均
、
抢修进度监控不到位的问题
。
为了提高配电网的供电质量和降低因极端气象事件导致的经济损失，故需要在第一时间对故障点进行定位，量化评估受灾状况，并做出最优应急调度方案
。
[0003]专利
CN111582697B
提供了一种配电网故障的评估与调度方法及系统，其在极端气象事件发生后，快速定位故障点并评估受灾情况，提供最优抢修调度方案和抢修进度监控功能
。
但是，在实际进行受灾情况评估的过程中，使用修改后的
AlexNet
模型来对受灾状况进行量化评估可能存在不够稳定或泛化能力不强的问题
。
也就是说，在遇到新的或复杂的场景时，无法准确地评估受灾状况
。
因此，期待一种优化的方案
。

技术实现思路

[0004]有鉴于此，本申请提出了一种分布式多无人机集群协同调度系统及其方法，其可以利用基于深度学习的图像处理技术来对巡检路径图像和巡检故障点图像进行特征挖掘和特征交互，并以此来实现受灾状况的准确评估
。
[0005]根据本申请的一方面，提供了一种分布式多无人机集群协同调度方法，包括：获取城市数字化配网拓扑地图；定位故障点的分布信息；规划巡检路径；分布式多无人机集群拍摄巡检路径沿途的巡检路径图像以及故障点的巡检故障点图像；分析所述巡检路径图像和所述巡检故障点图像，对受灾状况和交通情况进行评估，获得评估结果；基于所述评估结果，得到最优调度方案；以及，根据所述最优调度方案实施调度；其中，分析所述巡检路径图像和所述巡检故障点图像，对受灾状况和交通情况进行评估，获得评估结果，包括：提取所述巡检路径图像的路径交通状况特征；提取所述巡检故障点图像的故障点受灾状况特征；以及基于所述路径交通状况特征和所述故障点受灾状况特征得到所述评估结果
。
[0006]根据本申请的另一方面，提供了一种分布式多无人机集群协同调度系统，其包括：地图获取模块，用于获取城市数字化配网拓扑地图；定位模块，用于定位故障点的分布信息；规划模块，用于规划巡检路径；图像拍摄模块，用于获取分布式多无人机集群拍摄的巡检路径沿途的巡检路径图像以及故障点的巡检故障点图像；评估模块，用于分析所述巡检路径图像和所述巡检故障点图像，对受灾状况和交通情况进行评估，获得评估结果；最优方案获取模块，用于基于所述评估结果，得到最优调度方案；以及实施模块，用于根据所述最优调度方案实施调度；其中，所述评估模块，包括：路径特征提取单元，用于提取所述巡检路径图像的路径交通状况特征；故障点特征提取单元，用于提取所述巡检故障点图像的故障
点受灾状况特征；以及评估结果获取单元，用于基于所述路径交通状况特征和所述故障点受灾状况特征得到所述评估结果
。
[0007]根据本申请的实施例，该方法包括：获取城市数字化配网拓扑地图；定位故障点的分布信息；规划巡检路径；分布式多无人机集群拍摄巡检路径沿途的巡检路径图像以及故障点的巡检故障点图像；提取所述巡检路径图像的路径交通状况特征；提取所述巡检故障点图像的故障点受灾状况特征；基于所述路径交通状况特征和所述故障点受灾状况特征得到所述评估结果；基于所述评估结果，得到最优调度方案；以及，根据所述最优调度方案实施调度
。
这样，可以实现受灾状况的准确评估
。
[0008]根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚
。
附图说明
[0009]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例
、
特征和方面，并且用于解释本申请的原理
。
[0010]图1示出根据本申请的实施例的分布式多无人机集群协同调度方法的流程图
。
[0011]图2示出根据本申请的实施例的分布式多无人机集群协同调度方法的子步骤
S150
的流程图
。
[0012]图3示出根据本申请的实施例的分布式多无人机集群协同调度方法的子步骤
S150
的架构示意图
。
[0013]图4示出根据本申请的实施例的分布式多无人机集群协同调度方法的子步骤
S151
的流程图
。
[0014]图5示出根据本申请的实施例的分布式多无人机集群协同调度方法的子步骤
S152
的流程图
。
[0015]图6示出根据本申请的实施例的分布式多无人机集群协同调度方法的子步骤
S153
的流程图
。
[0016]图7示出根据本申请的实施例的分布式多无人机集群协同调度系统的框图
。
[0017]图8示出根据本申请的实施例的分布式多无人机集群协同调度方法的应用场景图
。
具体实施方式
[0018]下面将结合附图对本申请实施例中的技术方案进行清楚
、
完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例
。
基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围
。
[0019]如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和
/
或“该”等词并非特指单数，也可包括复数
。
一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素
。
[0020]以下将参考附图详细说明本申请的各种示例性实施例
、
特征和方面
。
附图中相同
的附图标记表示功能相同或相似的元件
。
尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图
。
[0021]另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节
。
本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施
。
在一些实例中，对于本领域技术人员熟知的方法
、
手段
、
元件和电路未作详细描述，以便于凸显本申请的主旨...

【技术保护点】

【技术特征摘要】
1.
一种分布式多无人机集群协同调度方法，包括：获取城市数字化配网拓扑地图；定位故障点的分布信息；规划巡检路径；分布式多无人机集群拍摄巡检路径沿途的巡检路径图像以及故障点的巡检故障点图像；分析所述巡检路径图像和所述巡检故障点图像，对受灾状况和交通情况进行评估，获得评估结果；基于所述评估结果，得到最优调度方案；以及，根据所述最优调度方案实施调度；其特征在于，分析所述巡检路径图像和所述巡检故障点图像，对受灾状况和交通情况进行评估，获得评估结果，包括：提取所述巡检路径图像的路径交通状况特征；提取所述巡检故障点图像的故障点受灾状况特征；以及基于所述路径交通状况特征和所述故障点受灾状况特征得到所述评估结果
。2.
根据权利要求1所述的分布式多无人机集群协同调度方法，其特征在于，提取所述巡检路径图像的路径交通状况特征，包括：将所述巡检路径图像沿所述巡检路径延伸的方向进行图像切分以得到巡检路径图像块的序列；以及利用基于深度学习算法的网络模型从所述巡检路径图像块的序列中提取所述路径交通状况特征
。3.
根据权利要求2所述的分布式多无人机集群协同调度方法，其特征在于，利用基于深度学习算法的网络模型从所述巡检路径图像块的序列中提取所述路径交通状况特征，包括：将所述巡检路径图像块的序列通过基于卷积神经网络模型的路径交通状况特征提取器以得到巡检路径交通状况特征向量的序列；以及将所述巡检路径交通状况特征向量的序列作为所述路径交通状况特征
。4.
根据权利要求3所述的分布式多无人机集群协同调度方法，其特征在于，所述基于卷积神经网络模型的路径交通状况特征提取器包括输入层
、
卷积层
、
激活层
、
池化层和输出层
。5.
根据权利要求4所述的分布式多无人机集群协同调度方法，其特征在于，提取所述巡检故障点图像的故障点受灾状况特征，包括：将所述巡检故障点图像通过使用空间注意力机制的故障点受灾状况特征提取器以得到巡检故障点受灾状况特征图；以及将所述巡检故障点受灾状况特征图作为所述故障点受灾状况特征
。6.
根据权利要求5所述的分布式多无人机集群协同调度方法，其特征在于，基于所述路径交通状况特征和所述故障点受灾状况特征得到所述评估结果，包括：将所述巡检路径交通状况特征向量的序列和所述巡检故障点受灾状况特征图通过特征耦合模块以得到巡检交通状况
‑
故障点受灾状况交互特征向量；以及将所述巡检交通状况
‑
故障点受灾状况交互特征向量通过分类器以得到分类结果来作为所述评估结果，其中，所述分类结果用于表示受灾程度的标签
。7.
根据权利要求6所述的分布式多无人机集群协同调度方法，其特征在于，还包括训练步骤：对所述基于卷积神经网络模型的路径交通状况特征提取器
、
所述使用空间注意力机制的故障点受灾状况特征提取器
、
所述特征耦合模块和所述分类器进...

【专利技术属性】
技术研发人员：邓创，周炜，薛志航，王圣伟，张凌浩，李云峰，康竞，聂鹏，唐晓雪，邓美睿，
申请(专利权)人：国网四川省电力公司电力应急中心，
类型：发明
国别省市：