[0001] 本发明涉及电力物资储备库巡检技术领域，具体涉及一种电力物资储备库的智能巡检系统。

[0002] 现有的电力物资储备库由于占地面积较大、储存电力物资种类较多，一些电力物资储备库采用相关人员进行巡检，这样较为浪费人力资源且导致巡检时间过长，此种方式被无人机巡检逐渐取缔，为了避免上述问题，也有一些电力物资储备库采用无人机进行巡检，但是，在对电力物资储备库的多个巡检任务进行分配时，如果仅按照多个巡检任务的发布顺序将巡检任务分配给无人机，在电力物资储备库较大的情况下，每个无人机难以完成范围较大的巡检任务，进而，如何对多个巡检任务进行拆分并重组，以使无人机快速完成所有的巡检任务则成为一个难题，并且，在进行路径规划时，如何在确保巡检效率的同时，还能保证每个子任务对应巡检数据的完整和连续也成为一个难题。

[0072] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0073] 下面结合实施例对本发明作进一步的描述。

[0074] 场景概述：

[0075] 现有的电力物资储备库由于占地面积较大、储存电力物资种类较多，一些电力物资储备库采用相关人员进行巡检，这样较为浪费人力资源且导致巡检时间过长，此种方式被无人机巡检逐渐取缔，为了避免上述问题，也有一些电力物资储备库采用无人机进行巡检，但是，在对电力物资储备库的多个巡检任务进行分配时，如果仅按照多个巡检任务的发布顺序将巡检任务分配给无人机，在电力物资储备库较大的情况下，每个无人机难以完成范围较大的巡检任务，进而，如何对多个巡检任务进行拆分并重组，以使无人机快速完成所有的巡检任务则成为一个难题，并且，在进行路径规划时，如何在确保巡检效率的同时，还能保证每个子任务对应巡检数据的完整和连续也成为一个难题；

[0076] 本申请通过构建电力物资储备库的三维空间模型和立体安全飞行通道图，能够筛选出筛选符合无人机飞行所需最小安全通行空间规格的空间区域，以提升无人机在巡检时的飞行安全性，通过对电力物资储备库内巡检区域的划分，能够避免无人机在完成巡检任务后不能返回机巢的情况，有利于后续无人机的路径规划，通过构建每个巡检区域内多个子任务的特征向量并对多个子任务进行聚类，进而能够得到较为均衡的多个任务集，不仅能够对多个子任务进行合理的分配，还能够最大化的利用该巡检区域内的所有无人机，提升无人机的作业效率，使得无人机在平均飞行时长内巡检更多的子任务，以便于快速完成所有巡检任务；并且还能对任务集进行路径规划，使子任务的拍摄点位路径与巡检路径达到一个平衡，在确保巡检效率的同时，也有利于每个子任务对应巡检数据的完整和连续。

[0077] 参照图1和图2：一种电力物资储备库的智能巡检系统，至少包括：

[0078] 数据库模块，其存储电力物资储备库的综合信息；

[0079] 综合信息包括电力物资信息、输送存放设备信息、机巢信息以及机巢内的无人机信息；

[0080] 其中，电力物资信息包括电力物资名称、电力物资规格、电力物资数量、电力物资位置以及电力物资状况(电力物资处于正常、损坏、维修及其他任一种)；

[0081] 输送存放设备信息包括输送存放设备名称、输送存放设备规格以及输送存放设备数量(输送存放设备包括物资吊装设备、物资存放设备(货架)、物资运输设备等)；

[0082] 机巢信息包括机巢名称、机巢位置以及机巢内的无人机数量；

[0083] 无人机信息包括无人机名称、无人机规格以及无人机状况(无人机处于正常、充电、维修及其他任一种)。

[0084] 模型构建模块，其依据综合信息构建电力物资储备库的三维空间模型的方式，包括：

[0085] 获取电力物资储备库的建筑图纸，基于建筑图纸构建电力物资储备库的基本三维框架；

[0086] 利用深度相机拍摄电力物资储备库内的电力物资、输送存放设备以及机巢，进而得到电力物资模型、输送存放设备模型和机巢模型；

[0087] 将电力物资模型、输送存放设备模型和机巢模型填充至基本三维框架内(建立统一的坐标系，依据坐标系在基本三维框架内填充电力物资模型、输送存放设备模型和机巢模型)，进而得到三维空间模型，其中，三维空间模型跟随电力物资数量以及电力物资位置的变化实时更新；

[0088] 具体的，通过基于电力物资储备库的综合信息对电力物资储备库的三维空间模型进行构建，从而能够获取电力物资储备库的构造，有利于系统根据电力物资储备库内电力物资数量以及电力物资位置的变化对三维空间模型进行更新，进而便于立体安全飞行通道图跟随根三维空间模型进行实时更新。

[0089] 通道建立模块，其依据三维空间模型建立立体安全飞行通道图的方式，包括：

[0090] 获取无人机飞行所需的最小安全通行空间的规格，并以此获取三维空间模型内大于等于最小安全通行空间的规格的多个空间区域；

[0091] 预设通道搭建条件，将满足通道搭建条件的多个连续空间区域构成安全飞行通道，搭建条件为相邻两个最小安全通行空间之间连通处对应落差空间的规格大于等于最小安全通行空间的规格；

[0092] 提取三维空间模型内所有的安全飞行通道，进而得到立体安全飞行通道图，其中，立体安全飞行通道图中的每一安全飞行通道均能直接或通过其他安全飞行通道与无人机机巢连通；

[0093] 需要说明的是，最小安全通行空间是基于无人机在历史飞行过程中所小于平均碰撞次数的通行空间，其通行空间为长方体构成的三维立体空间；

[0094] 具体的，通过立体安全飞行通道图的设置，能够获取电力物资储备库内无人机可以在巡检时通行的路径；通过筛选符合无人机飞行最小安全通行空间规格的空间区域，能确保无人机在飞行过程中不会因空间不足而发生碰撞，能够提升无人机在巡检时的飞行安全性；通过每一安全飞行通道均与无人机机巢直接或间接连通，能够确保立体安全飞行通道图中的每一安全飞行通道均能飞行；进而有利于后续的巡检区域的划分以及无人机的路径规划。

[0095] 区域划分模块，其依据综合信息与立体安全飞行通道图对三维空间模型进行划分，进而得到多个巡检区域的方式，包括：

[0096] 获取无人机的平均飞行距离以及立体安全飞行通道图中每个安全飞行通道的长度，并将长度与对应的安全飞行通道关联，其中，无人机的平均飞行距离＝(无人机的平均飞行时长*无人机的平均飞行速度)/2，除以2包含了无人机的返程；

[0097] 使用图遍历算法遍历立体安全飞行通道图，将小于等于平均飞行距离且与无人机机巢直线距离最大的位置作为边界点；

[0098] 获取无人机机巢周围多个方位的边界点并将多个边界点进行连接，进而构成无人机机巢的初始巡检区域；

[0099] 获取多个无人机机巢对应初始巡检区域的重合区域，预设归属规则，按照归属规则将重合区域归属至对应的初始巡检区域内，进而得到多个巡检区域；

[0100] 其中，归属规则为：先将多个初始巡检区域的重合区域中电力物资及其对应区域归为具有相同电力物资的初始巡检区域内，再将重合区域中剩余的电力物资及其对应区域归属至相邻且最小的初始巡检区域内；

[0101] 具体的，通过获取无人机的平均飞行距离和立体安全飞行通道图，并通过图遍历算法(比如BF或DFS)精确确定边界点，能确保区域划分合理且高效，避免无人机因平均飞行距离的限制而使电力物资储备库出现未覆盖区域；通过将无人机的平均飞行距离除以2，从而避免无人机在完成巡检任务后不能返回机巢的情况；通过归属规则的设置，能够确保无人机的巡检区域无遗漏且无冗余，以便于提升无人机的巡检效率和资源利用率。

[0102] 任务分配模块，其接收、拆分和重组每个巡检区域内的多个巡检任务，进而得到多个任务集的方式，包括：

[0103] 接收每个巡检区域内的多个巡检任务，将每个巡检区域内的各巡检任务均拆分为多个子任务，其中，每个子任务对应一种电力物资以及这个电力物资的一种巡检项目；

[0104] 对于每个子任务，创建特征向量Vi＝[oi，di，pi]，其中，oi是归一化的第i个子任务的位置，di是归一化的第i个子任务的剩余时间，pi是归一化的第i个子任务的复杂等级；

[0105] 其中，利用Min‑Max进行归一化，比如，归一化的剩余时间di为：其中，d`i是归一化的第i个子任务的复杂等级，dmin是所有子任务的
最低复杂等级，dmax是所有子任务的最高复杂等级；

[0106] 归一化的复杂等级pi为： 其中，p`i是归一化的第i个子任务的复杂等级，pmin是所有子任务的最低复杂等级，pmax是所有子任务的最高复杂等级；

[0107] 通过改进的K‑means算法对每个巡检区域内的所有子任务进行聚类，定义目标函数，并以此将相似的子任务组合在一起，得到多个任务集；

[0108] 其中，目标函数的表达式为：

[0109]

[0110] 式中，Jminimize为目标函数，K表示聚类后任务集的总数，Cj是第j个任务集，Vi是2
第i个子任务的特征向量，μj是第j个任务集的中心点，||Vi‑μi||表示第i个子任务的特征向量Vi与第j个任务集的中心点μj之间的欧式距离；

[0111] 进行聚类的过程，包括：

[0112] 计算初始K值并随机选择K个初始中心点，计算每个子任务Vi与所有中心点的距离D(Vi，μj)，将Vi分配到距离最小的簇Cj内；

[0113] 重新计算每个簇的中心点，进而每个簇的中心点为：

[0114]

[0115] 式中，μj是第j个簇的中心点，nj是第j个簇内的子任务数量；

[0116] 获取每个簇的预计总巡检时间Tz、无人机的平均飞行时长Tavg以及无人机到达每个簇的中心点并完成返程的最大往返时间Tmr；

[0117] 对于每个簇，计算其弹性时间Tc，Tc＝Tavg‑Tmr‑Tz，其中，Tc∈[Tcmin，Tcmax]，Tcmin为最小弹性时间，Tcmax为最大弹性时间；

[0118] 对于每个簇，计算其弹性时间Tc，Tc＝Tavg‑Tmr‑Tz，如果Tc＞Tcmax，则将距离最近的其他簇中的子任务添加到当前簇，如果Tc＜Tcmin，则将当前簇中的子任务添加到距离最近的其他簇，如果无法添加到其他簇，则增加一个新的簇；

[0119] 重复上述过程，直至所有簇都满足Tc∈[Tcmin，Tcmax]，即完成聚类，每个完成聚类的簇即为一个任务集，其中，Tcmin为最小弹性时间，Tcmax为最大弹性时间；

[0120] 需要说明的是，其中，初始K值由巡检区域内所有子任务的数量之和除以无人机的平均历史子任务数量得到；

[0121] 最小弹性时间和最大弹性时间的获取方式为：获取多组无人机的历史巡检任务，获取每组历史巡检任务对应的预计总巡检时长减去实际总巡检时长的差值，计算多组历史巡检任务对应差值的平均值和标准差，将平均值与标准差相加的值作为最大弹性时间，将平均值减去标准差的值作为最小弹性时间；

[0122] 计算每个子任务Vi与所有中心点的距离D(Vi，μj)的方式，包括：

[0123] 预设距离函数：

[0124] D(Vi,μj)＝ω1×|Voi‑μjoi|+ω2×|Vdi‑μjdi|+ω3×|Vpi‑μjpi|，[0125] 式中，D(Vi,μj)表示第i个子任务的特征向量与第j个任务集的中心点的距离，Voi、μjoi分别表示第i个子任务的位置与第j个任务集的中心点的位置(Voi、μjoi之间的位置差可通过欧式距离算法进行计算)，Vdi、μjdi分别表示第i个子任务的剩余时间与第j个任务集的中心点的剩余时间，Vpi、μjpi分别第i个子任务的复杂等级与第j个任务集的中心点的复杂等级，ω1、ω2和ω3分别是第i个子任务与第j个任务集的中心点的位置权重因子、剩余时间权重因子和复杂等级权重因子，ω1、ω2和ω3之和为1；

[0126] 具体的，通过将子任务的位置、剩余时间和复杂等级构成特征向量，有助于将相似的任务组合到一个任务集内，通过任务集基于位置、剩余时间和复杂等级进行优化，能有效减少无人机的飞行路径和时间，提高巡检效率，通过在聚类过程中考虑总巡检时间与无人机平均飞行时长之间的弹性时间，系统能够以此平衡各任务集的子任务数量，最大化的利用每个无人机的平均飞行时间，避免无人机出现闲置或超负荷的情况。

[0127] 子任务的复杂等级的获取方式，包括：

[0128] 获取每个电力物资的巡检项目对应的多个拍摄点位，将所有处于立体安全飞行通道图内且完成巡检项目所需的最低拍摄次数作为拍摄点位数量，其中，拍摄点位为能够完成巡检项目所需的拍摄位置；

[0129] 获取所有电力巡检项目对应的最低拍摄点位数量，将最低拍摄点位数量进行升序排序，进而得到最低拍摄点位数量序列表；

[0130] 预设复杂等级数量，按照复杂等级数量对最低拍摄点位数量序列表进行均匀划分，进而得到多个区间，每个区间对应一个复杂等级，其中，拍摄点位数量越多则复杂等级越高(比如，4个子任务分别对应的拍摄点位数量为2，5，9，14，复杂等级的区间分别为[1,3]，[4,6]，[7,9]，[10,12]，[13,15]；那么，4个子任务的复杂等级分别是一级复杂等级、二级复杂等级、四级复杂等级、五级复杂等级)；

[0131] 具体的，通过拍摄点位确定复杂等级，能够使得每个电力物资的复杂等级评估较为标准，通过考虑立体安全飞行通道图内的拍摄点位，能够有效保障了无人机巡检的安全性，通过确定完成巡检项目所需的最低拍摄次数，避免了不必要的重复工作，提高了巡检效率。

[0132] 异常判定模块，其获取多个任务集的规划路径并依据规划路径执行任务集，进而得到巡检数据，通过将巡检数据与预设的巡检标准比对，并以此判断巡检数据是否存在异常的方式，包括：

[0133] 获取任务集中每个子任务对应的、处于安全飞行通道上的电力物资拍摄点位，以及完成巡检项目所需的最少拍摄点位构建一个点位集，进而得到多个点位集；

[0134] 使用TSP算法确定每个点位集的拍摄点位顺序，进而得到子任务的拍摄点位路径；

[0135] 使用最邻近算法确定任务集中每个子任务的巡检顺序，得到巡检路径；

[0136] 将每个子任务的拍摄点位路径填充至巡检路径中，得到初始完整路径；

[0137] 交换初始完整路径中子任务的巡检顺序，将总路径长度最短的初始完整路径作为任务集的规划路径；

[0138] 其中，交换初始完整路径中子任务的巡检顺序的过程为：

[0139] 随机交换U个子任务的巡检顺序，记录每次交换后初始完整路径的总路径长度，将交换的子任务巡检顺序与总路径长度的缩短距离进行关联；

[0140] 按照总路径长度的缩短距离对每次交换的子任务巡检顺序进行降序排序，得到优化列表，将优化列表中排序第一位对应的初始完整路径作为基础交换路径；基于基础交换路径再次交换U个子任务的巡检顺序，直至交换的子任务巡检顺序在连续交换S次或其缩短距离小于预设的距离阈值，即停止交换；

[0141] U和S的获取方式为:

[0142] 式中， 为任务集中子任务的平均数量， 为任务集中每个子任务对应的平均拍摄点位数量，
表示U的下限值为2，且U跟随任务集中子任务的平均数量 的增加而增加，
表示S的下限值为5，且S跟随任务集中每个子任务对应的平均拍摄点
位数量 的增加而增加，2和5也可由相关人员根据实际情况进行修改。

[0143] 具体的，通过TSP算法和最邻近算法能够确定最优的拍摄点位顺序和子任务巡检顺序,可以提高整体巡检效率，通过多次交换和优化子任务顺序,能够不断缩短总路径长度,最终得到一个接近全局最优的飞行路径,以减少无人机的飞行距离；通过每个拍摄点位都处于安全飞行通道上，能够确保无人机在执行任务时事故风险较低；通过根据任务集中子任务的平均数量和每个子任务对应的平均拍摄点位数量计算U和S的数值，从而使得U和S能够适应不同的任务集，并平衡计算复杂度和优化效果；通过记录和排序每次交换后的缩短距离,能够识别出对总路径长度缩短影响最大的交换的子任务巡检顺序，通过将序列第一位对应的初始完整路径作为基础交换路径,从而能够便于后续交换的子任务巡检顺序在此基础上进行交换，以便于更快地得到总路径长度最短的初始完整路径作为任务集的规划路径；使得整个初始完整路径的优化过程较为智能化；进而还能在子任务的拍摄点位路径与巡检路径中达到一个平衡，在确保巡检效率的同时，也保证了每个子任务对应点位集的完整性，有利于保证每个子任务对应巡检数据的完整和连续；

[0144] 将多个任务集逐一分配给巡检区域内的无人机，无人机通过规划路径对任务集中的子任务进行巡检，进而得到巡检数据，其中，每种电力物资的巡检项目对应有相应的巡检标准；

[0145] 将子任务的巡检数据与对应的巡检标准进行比对，若两者相同，则不存在异常，反之，则存在异常；

[0146] 具体的，通过每种电力物资都有相应的巡检标准，确保了每种电力物资巡检的一致性和可靠性，通过将巡检数据与巡检标准比对，能够快速直观地评判电力物资是否存在异常。

[0147] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的保护范围。