[发明专利]一种基于无人机实现风场全域自动化巡检的路径规划方法

权利要求书

1.一种基于无人机实现风场全域自动化巡检的路径规划方法，其特征在于，该方法用于无人机对风场进行巡检规划，所述的方法包括对全场风机进行聚类，并对聚类中心间的巡检路径和聚类内风机叶片的所有巡检路径之和进行寻优。

2.根据权利要求1所述的一种基于无人机实现风场全域自动化巡检的路径规划方法，其特征在于，该方法采用了双层路径规划算法，具体包括：

第一层路径规划，实现了全场风机聚类分类，并对聚类中心间的巡检路径进行寻优；

第二层路径规划，以聚类中心作为无人机起始点和换电点，以无人机从起飞到巡检完该聚类内所有风机叶片的所有路径之和为优化目标，实现了各聚类内的巡检路径寻优。

3.根据权利要求2所述的一种基于无人机实现风场全域自动化巡检的路径规划方法，其特征在于，所述第一层路径规划包括：首先利用K-means聚类算法将所有风机分为K个聚类，并计算每个聚类的中心k_i坐标；然后利用粒子群算法或模拟退火算法对K个聚类中心进行聚类中心间的巡检路径规划，实现K个聚类区域间的巡检路径寻优，以最少的换电点实现风场巡检全覆盖。

4.根据权利要求3所述的一种基于无人机实现风场全域自动化巡检的路径规划方法，其特征在于，所述第一层路径规划具体包括以下步骤：

步骤101、获取风场内所有风机的地理坐标、风机塔筒高度、叶片长度等物理信息；

步骤102、根据所有风机的地理坐标，输入风机总数t和聚类个数k；

步骤103、随机初始化k个聚类中心坐标；

步骤104、利用K-means聚类算法迭代计算，以便将域内所有风机根据坐标位置分为k个聚类，并计算更新后的每个聚类的中心坐标k_i；

步骤105、采用的目标函数使得每个聚类内所有风机到该聚类中心k_i的平面距离之和最小；

步骤106、迭代计算后每个聚类的信息包含该聚类中心坐标和该聚类内风机编号及相应的风机地理坐标；

步骤107、通过粒子群或模拟退火算法，根据k个聚类中心的地理坐标，实现k个聚类中心间的巡检路径寻优规划。

5.根据权利要求2所述的一种基于无人机实现风场全域自动化巡检的路径规划方法，其特征在于，所述第二层路径规划包括：

对于每个聚类和对应的聚类中心，首先以聚类中心作为无人机起飞起始点和返回换电点，以无人机从起飞到巡检完该聚类内所有风机叶片的所有路径之和为优化目标，以无人机剩余续航时间作为判断继续巡检还是返回换电的约束，然后通过粒子群算法对无人机聚类内巡检路线进行寻优，使规划路线在遍历该聚类内全部风电机组叶片的同时返回换电点的换电次数最小。

6.根据权利要求5所述的一种基于无人机实现风场全域自动化巡检的路径规划方法，其特征在于，所述第二层路径规划具体包括以下步骤：

步骤201、获取第一层规划输出结果，即第k_i个聚类中心坐标和该聚类内所有风机的编号，再获取该聚类中心点和该聚类内相应风机的高度坐标，其中聚类中心坐标为二维坐标，将二维坐标转换为三维坐标；

步骤202、设定巡检统一流程，包括上升、巡航、下降和巡检拍照；

步骤203、随机初始化巡检顺序，依次计算每台风机巡检路径，进而计算巡检完聚类内所有风机的路径之和S；

步骤204、采用粒子群算法对所有未检风机巡检路径之和S进行寻优，无人机按照寻优结果开始巡检；

步骤205、按设定流程开始巡检，包括上升、巡航、下降、巡检拍照；

步骤206、巡检完成一整片叶片；

步骤207、判断是否巡检完一整台风机叶片，若是，转至步骤210；若否，至步骤208；

步骤208、判断电池剩余续航时间是否大于巡检完下一片完整叶片所需时间，若是，至步骤209；若否，返回换电点换电；

步骤209、继续巡检下一片叶片，返回步骤206；

步骤210、判断电池剩余续航时间是否大于上升、巡航、下降和巡检完下一台风机第一片叶片所需时间；若是，至步骤211；若否，返回换电点换电；

步骤211、继续巡检下一台风机，至步骤205。