【技术实现步骤摘要】
本专利技术涉及一种基于神经网络的无人机输电线路巡回检测的任务卸载方法，该方法适用在使用正交信道的通信方式下，决策出无人机输电线路巡回检测系统中传感器计算任务卸载方案和卸载数据量以最小化传感器能量消耗。
技术介绍
1、电力系统以其多层次的结构和节点融合而著称，形成了一个实时动态系统。在电力系统中，输电线路巡检是一项至关重要的操作任务，其主要目标是迅速识别影响电气设备的异常情况以及潜在的输电线路危险。随着我国智能电网的快速发展，输电线路网络规模不断扩大。然而，传统的人工巡检方法已经难以满足当代输电线路监测需求的增长。
2、目前，无人机已广泛应用于输电线路巡检领域。随着基于无人机的输电线路巡检技术不断进步，已经建立了预定的流程，包括航点选择和最佳成像角度。这些创新使无人机具备了自主识别和分析其捕捉图像的能力，识别准确率超过80％。因此，这一方式转变极大地提高了航空输电线路巡检的效率和可靠性。
3、此外，无人机还可以充当边缘服务器的双重角色，提供一个平台，用于卸载传感器数据和随后的传感器数据计算分析。这种体系结构的调整有效地节省了传感器的能源资源，促进了数据分析的无缝集成，扩展了输电线路维护操作的范围。目前，已有的数据卸载技术往往基于启发式算法进行设计，这种方法时延高，无法适用于时变的信道环境。
技术实现思路
1、本专利技术的目的在于，提供一种基于神经网络的无人机输电线路巡回检测的任务卸载方法。本专利技术具有低时延、适用于时变信道环境的特点。
2、本专利
3、步骤1.1：在由一个无人机和k个传感器构成的输电线路检测系统中，按照传感器的高度建立平行于地面的二维平面坐标系，传感器的位置为wk＝(xk,yk)，0<k≤k，xk是传感器k位置的横坐标，yk是传感器k位置的横坐标；无人机每t时间完成一次输电线路的巡回检测，将时间t分为n时隙，每个时隙为t/n；无人机路线设置为q(n)＝(x(n),y(n)),0<n<n，x(n)为路线横坐标，y(n)为路线纵坐标，无人机路线为巡回路线，即q(0)＝q(n)；
4、步骤1.2：在无人机的一次巡回检测中，用a＝(a1,a2,…,ak,…,ak)表示所有传感器的卸载策略，所有传感器需要计算的数据量表示为向量l＝[l1,l2,…,lk,…,lk]，其中第k个传感器需要传输的数据量为lk；
5、步骤1.3：构建全连接神经网络模型θ，以信道增益h和数据量l为输入，信道增益h的集合表示h＝[h1,h2,…,hk,…,hk]，其中hk＝[hk(1),hk(2),…,hk(n),…,hk(n)]，hk(n)是时隙n中第k个传感器与无人机的信道增益；全连接神经网络模型θ输出结果为o；
6、步骤1.4：对输出结果o加入两组0到1的随机数，得到o1、o2；通过传感器能耗计算方法计算出三组输出结果中能耗最小的输出结果作为传感器的数据卸载策略a；
7、步骤1.5：根据传感器的数据卸载策略a，无人机在t秒的时间中按照一定的路线对传感器数据进行收集。
8、前述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，对于卸载数据到无人机的传感器，第k个传感器在所有时隙上传的数据量为lk＝[lk(1),lk(2),…,lk(n),…,lk(n)]，其中lk(n)表示第n个时隙第k个传感器上传的数据量，0≤n≤n；
9、传感器能耗计算方法：
10、步骤2.1：对于某个给定的传感器卸载策略，ak＝0表示第k个传感器进行本地计算，ak＝1表示第k个传感器将数据卸载至无人机，各个传感器的总能耗为：
11、
12、其中，b为信道带宽，c为传感器本地计算能量效率，fk是传感器本地计算每秒的运算次数，μ是计算一个比特数据所消耗的运算次数，n0是噪声，hk(n)是时隙n中第k个传感器与无人机的信道增益；
13、前述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，全连接神经网络模型θ的构建方法：
14、步骤3.1：全连接神经网络模型θ包括1个输入层、2个隐藏层和1个输出层，第一隐藏层为160个神经元，第二隐藏层为80个神经元，输出层有k个神经元，其中激活函数为sigmoid函数：e为自然常数；
15、步骤3.2：将信道增益h和数据量l输入神经网络θ，得到输出o，对输出o加入两组0-1之间的随机数，得到o1，o2，利用传感器能耗计算方法分别得到a＝o，a＝o1，a＝o2时所有传感器的总能耗，取最小的总能耗所对应的a作为传感器的数据卸载策略，并将其和神经网络输入信道增益h和数据量l作为训练样本训练全连接神经网络模型θ。
16、与现有技术相比，在无人机输电线路巡回检测系统中，相比于传统的优化方法，本专利技术可以解决一个复杂的混合整数规划问题，利用全连接神经网络输出整数规划问题结果，利用凸优化解决连续值的求解问题能够以较低的复杂度决策出传感器数据卸载方案，时间在0.1秒以内，是传统算法的百分之一，更适用于信道变化较为频繁的场景。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于：在无人机的一次巡回检测中，用a＝(a1,a2,…,ak,…,aK)表示所有传感器的卸载策略，所有传感器需要计算的数据量L表示为向量L＝[L1,L2,…,Lk,…,LK]，其中第k个传感器需要传输的数据量为Lk。
3.如权利要求2所述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于：信道增益h的集合表示h＝[h1,h2,…,hk,…,hK]，其中hk＝[hk(1),hk(2),…,hk(n),…,hk(N)]，hk(n)是时隙n中第k个传感器与无人机的信道增益。
4.如权利要求3所述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于：对于卸载数据到无人机的传感器，第k个传感器在所有时隙上传的数据量为lk＝[lk(1),lk(2),…,lk(n),…,lk(N)]，其中lk(n)表示第n个时隙第k个传感器上传的数据量，0≤n≤N；
<...【技术特征摘要】
1.一种基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于，所述方法包括以下步骤：
2.如权利要求1所述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于：在无人机的一次巡回检测中，用a＝(a1,a2,…,ak,…,ak)表示所有传感器的卸载策略，所有传感器需要计算的数据量l表示为向量l＝[l1,l2,…,lk,…,lk]，其中第k个传感器需要传输的数据量为lk。
3.如权利要求2所述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于：信道增益h的集合表示h＝[h1,h2,…,hk,…,hk]，其中hk＝[hk(1),hk(2),…,hk(n),…,hk(n)]，hk(n)是时隙n中第k个传感器与无人机的信道增益。
4.如权利要求3所述的基于神经网络的无人机输电线路巡回检测的任务卸载方法，其特征在于：对于卸载数据到无人机的传感器，第k个传感器在所有时隙上传的数据量为lk＝[lk(1),lk(2),…,lk(n),…,lk(...
【专利技术属性】
技术研发人员：陈锐霆，张韬，金波，孙晓鹏，张书彬，毛科技，
申请(专利权)人：杭州惠嘉信息科技有限公司，
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。