局部放電檢測(cè)機(jī)器人巡檢的重復(fù)路徑問題研究①

李 寧 郝術(shù)興 雷耀旭 郭 欣 王 熙 邵謝寧

(*河北工業(yè)大學(xué)人工智能與數(shù)據(jù)科學(xué)學(xué)院 天津 300130)(**保定中創(chuàng)電子科技有限公司 保定 071051)(***河北省煙草公司邢臺(tái)市公司 邢臺(tái) 054001)

0 引 言

隨著我國電力建設(shè)的不斷發(fā)展，變電站的電壓等級(jí)也不斷提高，對(duì)電網(wǎng)的穩(wěn)定運(yùn)行提出了更高的要求。變電站的高質(zhì)量穩(wěn)定運(yùn)行是可靠供電的重要前提和保障。因此，變電站的運(yùn)維巡檢工作十分重要。智能巡檢機(jī)器人的出現(xiàn)改善了變電站的巡檢情況，在一些無人看守的邊遠(yuǎn)地區(qū)以及惡劣天氣下的變電站巡檢工作中，巡檢機(jī)器人起到了很大作用[1]。智能機(jī)器人搭載超聲波傳感器進(jìn)行局部放電帶電檢測(cè)[2]，不僅保證了工作人員的安全，提高了供電質(zhì)量和經(jīng)濟(jì)效益，而且加快了變電站巡檢的智能化發(fā)展。

高效的巡檢路徑規(guī)劃是智能機(jī)器人巡檢工作的重要問題之一，路徑規(guī)劃的優(yōu)劣直接影響著巡檢效率的高低。近些年來，國內(nèi)外提出了很多關(guān)于變電站巡檢機(jī)器人路徑規(guī)劃的方法，如Dijkstra算法、A*算法[3-6]、遺傳算法、神經(jīng)網(wǎng)絡(luò)算法[7]、模擬退火法等等，并為優(yōu)化巡檢路線做出了相應(yīng)改進(jìn)[8，9]。

變電站巡檢任務(wù)中各巡檢點(diǎn)的路徑規(guī)劃其實(shí)可以看作為旅行商問題(traveling salesman problem,TSP)。旅行商問題是一個(gè)經(jīng)典的組合優(yōu)化問題，屬于Non-deterministic Polynomial問題，而蟻群算法正是最早應(yīng)用于解決TSP問題的。

將啟發(fā)式搜索算法A*算法與蟻群算法相結(jié)合，利用A*算法計(jì)算出兩兩巡檢點(diǎn)間的路徑，并將所有巡檢點(diǎn)間的距離信息提供給蟻群算法進(jìn)行巡檢序列的計(jì)算，此方法能有效地解決變電站巡檢機(jī)器人的路徑規(guī)劃問題[10]，但其計(jì)算結(jié)果在力求最短路徑的同時(shí)并沒有解決路徑重復(fù)的問題，導(dǎo)致機(jī)器人行駛較多重復(fù)路徑。

本文針對(duì)變電站局部放電檢測(cè)機(jī)器人的路徑規(guī)劃的路徑覆蓋比優(yōu)化問題提出一種改進(jìn)了傳統(tǒng)的融合算法，其依據(jù)蟻群算法計(jì)算出的巡檢序列來指導(dǎo)A*算法尋路，并依據(jù)重復(fù)路徑表信息，增大已尋路徑節(jié)點(diǎn)的代價(jià)值，驅(qū)使A*算法減少重復(fù)路徑的搜索，再繼續(xù)將改進(jìn)后的A*算法生成的距離信息表供蟻群算法進(jìn)行計(jì)算，獲得巡檢點(diǎn)序列，直到迭代優(yōu)化出最優(yōu)巡檢路徑，大大提高了巡檢路徑的有效覆蓋比和巡檢質(zhì)量，對(duì)變電站巡檢工作的研究具有重要意義。

1 變電站局部放電故障檢測(cè)

1.1 智能車載局部放電檢測(cè)的原理

變電站電氣設(shè)備的絕緣劣化往往是造成設(shè)備故障的主要原因，而局部放電正是高壓電氣設(shè)備絕緣劣化的體現(xiàn)，也進(jìn)一步造成了設(shè)備的損壞。絕緣體表面或內(nèi)部的電場特別集中并且達(dá)到一定強(qiáng)度后產(chǎn)生局部放電。局部放電過程是一個(gè)物理化學(xué)反應(yīng)過程，伴隨著電磁波、超聲波、脈沖電流以及光能和熱能的產(chǎn)生。但變電站中的局部放電故障不僅在主要電氣設(shè)備上發(fā)生，輸電線以及絕緣子等都有可能發(fā)生局部放電故障。在變電站局部放電故障檢測(cè)過程中，應(yīng)在完成巡檢任務(wù)的前提下，盡可能檢測(cè)更多的可疑放電點(diǎn)。目前針對(duì)局部放電現(xiàn)象提出了很多放電檢測(cè)方法，如脈沖電流檢測(cè)法、特高頻檢測(cè)法[11]以及超聲波檢測(cè)法[12,13]等。

大多數(shù)變電站對(duì)于局部放電檢測(cè)所采取的方法是人工手持超聲波接收傳感器來尋找局部放電區(qū)域。由于超聲波具有良好的方向性，這種超聲波檢測(cè)法在實(shí)際檢測(cè)工作中取得了不錯(cuò)的效果。

智能車載局部放電檢測(cè)系統(tǒng)在巡檢機(jī)器人上搭載與超聲波接收傳感器方向一致的攝像頭，通過巡檢機(jī)器人的移動(dòng)記錄超聲波信號(hào)大小，并在局部區(qū)域找到超聲波信號(hào)異常區(qū)域的信號(hào)最大處，然后用攝像頭對(duì)該區(qū)域進(jìn)行拍照并回傳到后臺(tái)系統(tǒng)等待進(jìn)一步處理。

由此可見，整個(gè)巡檢任務(wù)的路徑規(guī)劃對(duì)于局部放電的檢測(cè)是至關(guān)重要的。由于在實(shí)際的檢測(cè)工作中故障發(fā)生點(diǎn)的位置是未知的，所以應(yīng)依據(jù)檢修經(jīng)驗(yàn)和隨機(jī)檢測(cè)的方法，在一定的巡檢代價(jià)下盡量巡檢更多的不重復(fù)路徑進(jìn)而擴(kuò)大巡檢范圍，提高巡檢效率。

1.2 變電站環(huán)境建模

對(duì)于巡檢機(jī)器人的路徑規(guī)劃問題，首先要針對(duì)變電站的環(huán)境特點(diǎn)進(jìn)行變電站環(huán)境的建模，變電站環(huán)境的準(zhǔn)確建模是做好路徑規(guī)劃問題的前提。本文采用柵格模型來對(duì)變電站環(huán)境進(jìn)行二維建模，將變電站環(huán)境用以相同尺寸的正方形柵格為單位的二維柵格圖來進(jìn)行描述。

變電站的設(shè)備布局比較緊湊，可行道路比較狹窄，針對(duì)變電站的環(huán)境特點(diǎn)，本文對(duì)變電站的環(huán)境進(jìn)行了二維仿真建模。如圖1所示，以可行道路寬度為邊長的正方形柵格作為最小單位，建立了20×20單位長度大小的環(huán)境地圖。其中黑色柵格代表變電站的不可行區(qū)域，即為障礙區(qū)域，白色的區(qū)域?yàn)檠矙z機(jī)器人的可行區(qū)域。

圖1 變電站二維柵格模型

結(jié)合變電站環(huán)境的實(shí)際情況，設(shè)定巡檢機(jī)器人的移動(dòng)方向?yàn)檎?、正后、正左、正?個(gè)方向，不能跨越障礙物，不能沿柵格對(duì)角線方向前進(jìn)，如圖2所示。

圖2 巡檢機(jī)器人可移動(dòng)方向示意圖

2 A*算法和蟻群算法的基本原理

2.1 A*算法基本原理

A*算法是基于Dijkstra算法和Greed-Best-First-Search算法的一種啟發(fā)式搜索算法。在靜態(tài)環(huán)境下的路徑搜索問題中，A*算法往往是最有效的求解最短路徑的方法。A*算法通過一個(gè)估價(jià)函數(shù)來選擇機(jī)器人的移動(dòng)路徑，其估價(jià)函數(shù)表示為

f(n)=g(n)+h(n)

(1)

其中，g(n)表示初始節(jié)點(diǎn)到任意節(jié)點(diǎn)n的代價(jià)，h(n)表示從當(dāng)前節(jié)點(diǎn)n到目標(biāo)節(jié)點(diǎn)的啟發(fā)式評(píng)估代價(jià)，f(n)是這2個(gè)代價(jià)的和，是選擇路徑的參考依據(jù)?？紤]到變電站的環(huán)境以及巡檢機(jī)器人的運(yùn)行特點(diǎn)，本文選取曼哈頓距離來計(jì)算啟發(fā)函數(shù)，則2節(jié)點(diǎn)之間的啟發(fā)函數(shù)代價(jià)可表示為

h(n)=abs(n.x-goal.x)+abs(n.y-goal.y)

(2)

其中，n.x和n.y分別代表當(dāng)前節(jié)點(diǎn)的橫、縱坐標(biāo)，goal.x和goal.y分別代表目標(biāo)節(jié)點(diǎn)的橫、縱坐標(biāo)。在利用A*算法進(jìn)行路徑規(guī)劃時(shí)，從起始點(diǎn)開始，把當(dāng)前點(diǎn)周圍的可行進(jìn)點(diǎn)放入openList表中，將已經(jīng)走過的點(diǎn)和障礙點(diǎn)放入closeList表中，每次選擇openList表中f(n)最小的點(diǎn)為前進(jìn)節(jié)點(diǎn)，并將該點(diǎn)放入closeList表中，如此重復(fù)尋找過程，直到尋到終點(diǎn)，由此得到一條最短路徑。

2.2 蟻群算法基本原理

蟻群算法的本質(zhì)也是一種啟發(fā)式的全局優(yōu)化算法，其靈感來源于自然界中螞蟻覓食的行為。蟻群在尋找食物的最短路徑的過程中，會(huì)在其經(jīng)過的路徑上釋放一種“信息素”，在相同時(shí)間內(nèi)，路徑越短，路徑上的“信息素”的濃度也就越濃，結(jié)合“信息素”的更新原則，蟻群依據(jù)路徑上的“信息素”的濃度大小來選擇最短路徑。蟻群算法作為一種全局智能仿生算法，首先應(yīng)用在解決TSP問題上。

蟻群算法解決TSP問題的基本步驟如下。

步驟1首先計(jì)算所有城市兩兩之間的距離，生成城市距離信息矩陣。

步驟2初始化迭代次數(shù)、信息素矩陣等計(jì)算參數(shù)，隨機(jī)分配螞蟻初始城市。

步驟3對(duì)所有螞蟻進(jìn)行路徑搜索，依據(jù)概率函數(shù)進(jìn)行路徑點(diǎn)選擇，概率函數(shù)如下所示：

(3)

其中，i、j分別為當(dāng)前點(diǎn)和下一步的可選擇節(jié)點(diǎn)，k表示當(dāng)前為第k只螞蟻，τij為點(diǎn)i、j之間的信息素強(qiáng)度；ηij=1/dij，為i、j2點(diǎn)距離之間的倒數(shù)，稱為能見度；allowedk為還沒訪問過的節(jié)點(diǎn)集合；α和β是2個(gè)常數(shù)參數(shù)，分別為信息素和能見度的權(quán)重。

步驟4依據(jù)概率選擇下一節(jié)點(diǎn)，直到當(dāng)前螞蟻遍歷全部節(jié)點(diǎn)后，更新信息素濃度，公式如下：

(4)

其中0<ρ<1為信息素的蒸發(fā)率，m為螞蟻總數(shù)，Δτij為螞蟻在i、j2點(diǎn)間留下的信息素。

步驟5多次迭代后，輸出最優(yōu)路徑。

2.3 A*算法和蟻群算法結(jié)合解決變電站巡檢路徑規(guī)劃問題算法原理

變電站局部放電巡檢的路徑規(guī)劃問題可近似看作TSP問題[14]，因此利用蟻群算法來解決這一問題。

在蟻群算法解決TSP問題時(shí)，初始時(shí)的地理距離信息矩陣只是通過兩城市之間的直線距離獲得的，此初始方法雖然可以作為解決TSP問題的前提條件，但顯然不適于解決變電站各巡檢點(diǎn)間的路徑規(guī)劃問題。依據(jù)變電站的環(huán)境特點(diǎn)以及其距離數(shù)量級(jí)相比TSP很小的特點(diǎn)可知，應(yīng)以兩兩巡檢點(diǎn)間的實(shí)際巡檢距離來初始化地理距離信息矩陣。

利用A*算法計(jì)算得到兩兩巡檢點(diǎn)間的巡檢路徑并計(jì)算路徑的長度信息，由此方法初始所有巡檢點(diǎn)間的距離后，將獲得的地理距離信息矩陣用于蟻群算法的計(jì)算，經(jīng)過多次有效迭代后獲得最短的巡檢路徑。雖然獲得了最短路徑，但是此結(jié)合算法并沒有對(duì)巡檢路徑的重復(fù)路徑問題進(jìn)行處理，即此結(jié)合算法只是用A*算法獨(dú)立地計(jì)算兩兩巡檢點(diǎn)間的巡檢路徑，將距離信息提供給蟻群算法進(jìn)行路徑規(guī)劃，并未考慮各路徑之間的路徑重復(fù)問題。從變電站的巡檢目標(biāo)來看，應(yīng)要求巡檢機(jī)器人盡量避免行走重復(fù)的路徑，在可以接受的路徑總長度范圍內(nèi)，應(yīng)圍繞巡檢點(diǎn)盡可能地探索出更多的新路徑，找出局部放電故障點(diǎn)，真正實(shí)現(xiàn)巡檢。

3 改進(jìn)的A*算法與蟻群算法融合解決變電站局部放電巡檢的路徑規(guī)劃問題

3.1 算法的改進(jìn)

在A*算法融合蟻群算法解決變電站局部放電巡檢的路徑規(guī)劃問題的基礎(chǔ)上，本文提出利用改進(jìn)的A*算法與蟻群算法融合的算法來解決這一問題。首先利用傳統(tǒng)的A*算法融合蟻群算法計(jì)算出一個(gè)巡檢點(diǎn)序列；然后用A*算法對(duì)此序列中從左到右的兩兩巡檢點(diǎn)依次進(jìn)行路徑計(jì)算，將每次獲得的巡檢路徑節(jié)點(diǎn)都加入一個(gè)新建的重復(fù)路徑記錄表中，并將重復(fù)路徑記錄表中的節(jié)點(diǎn)的步長代價(jià)值增大到某一合理數(shù)值。文中所指的步長代價(jià)為單個(gè)節(jié)點(diǎn)的步長值，即從相鄰節(jié)點(diǎn)行進(jìn)到重復(fù)路徑記錄表中的節(jié)點(diǎn)所需的代價(jià)。改進(jìn)的方法通過增大重復(fù)路徑記錄表中節(jié)點(diǎn)的步長代價(jià)，進(jìn)而有效避免了傳統(tǒng)A*算法在啟發(fā)搜索過程中選擇重復(fù)路徑的問題。

重新獲得地理距離信息矩陣后，再次利用蟻群算法計(jì)算得到巡檢序列，如果此次的巡檢序列和前一次巡檢序列不一樣，則依據(jù)此次序列從左到右依次利用改進(jìn)的A*算法重新獲得初始地理距離信息矩陣，并再次利用蟻群算法獲得巡檢序列，直到連續(xù)2次得到與上次巡檢序列一致的結(jié)果，結(jié)束迭代過程，得到最終的巡檢路徑，算法流程圖如圖3所示。

3.2 巡檢序列結(jié)果指導(dǎo)A*算法策略

與傳統(tǒng)A*算法與蟻群算法融合不同，本文提出的利用蟻群算法得出巡檢點(diǎn)序列來指導(dǎo)A*算法進(jìn)行有序節(jié)點(diǎn)間的路徑生成并增加重復(fù)路徑列表是改進(jìn)算法的核心之一，將重復(fù)路徑列表里的節(jié)點(diǎn)賦予新的步長代價(jià)，使改進(jìn)的A*算法生成路徑時(shí)盡量不尋找已經(jīng)得到過的路徑節(jié)點(diǎn)。

例如，有巡檢點(diǎn)列表[1,2,3,4,5]，經(jīng)過首次蟻群算法計(jì)算后生成的巡檢序列為2-5-1-3-4，然后利用A*算法首先計(jì)算“2-5”之間的巡檢路徑，并將此路徑中的所有節(jié)點(diǎn)加入重復(fù)路徑列表，而重復(fù)路徑列表中的節(jié)點(diǎn)都被重新賦予了較大的步長代價(jià)，即從當(dāng)前點(diǎn)行進(jìn)到重復(fù)路徑列表里的節(jié)點(diǎn)的代價(jià)要比行進(jìn)到不在重復(fù)路徑列表里的節(jié)點(diǎn)的代價(jià)大，按照此過程依次計(jì)算得到“5-1”、“1-3”、“3-4”、“4-2”間的路徑，示意圖如圖4所示。

依據(jù)巡檢序列，首先利用A*算法獲得“2-5”巡檢點(diǎn)之間的路徑，如上圖中的實(shí)線箭頭所示，然后依順序計(jì)算“5-1”巡檢點(diǎn)間的路徑，由圖4可見，如果是傳統(tǒng)A*算法，依據(jù)最短路徑的啟發(fā)式搜索原則，將會(huì)獲得“5-0-1”的虛線箭頭所示巡檢路徑，但明顯“5-0”是一條已經(jīng)走過的重復(fù)路徑。為達(dá)到高效的巡檢目的，應(yīng)在一定的巡檢代價(jià)范圍內(nèi)，盡量探索更多的巡檢路徑。利用改進(jìn)后的A*算法計(jì)算后，得到“5-1”實(shí)線箭頭部分的路徑，達(dá)到了預(yù)期效果。

3.3 迭代指導(dǎo)策略

改進(jìn)后的算法首次計(jì)算出巡檢序列后，利用巡檢序列指導(dǎo)改進(jìn)的A*算法進(jìn)行巡檢點(diǎn)間的路徑規(guī)劃，更新地理距離信息矩陣。再利用蟻群算法計(jì)算出巡檢點(diǎn)序列，將此序列與前一個(gè)指導(dǎo)A*算法計(jì)算的巡檢點(diǎn)序列進(jìn)行比對(duì)。如果不一致則清空重復(fù)路徑列表，使用最新巡檢點(diǎn)序列再次指導(dǎo)A*算法進(jìn)而再次更新地理距離信息矩陣并提供給蟻群算法進(jìn)行計(jì)算，迭代對(duì)比，直到連續(xù)2次得到一致的巡檢點(diǎn)序列，結(jié)束迭代，獲得最終巡檢點(diǎn)序列。

每一次的蟻群算法計(jì)算都代表著在當(dāng)前地理距離信息矩陣前提下的最短路徑規(guī)劃，本文提出的算法認(rèn)為連續(xù)2次巡檢序列一致則找到了最優(yōu)巡檢路徑。

3.4 定義路徑覆蓋比

定義路徑覆蓋比的公式如下：

(5)

其中，巡檢路徑的總路徑覆蓋長度為C,總路徑長度為L，路徑覆蓋比為ε。

圖3 改進(jìn)算法的流程圖

圖4 重復(fù)列表作用下機(jī)器人尋路示意圖

4 仿真驗(yàn)證

4.1 蟻群算法的參數(shù)選擇

蟻群算法作為一種基于種群模擬進(jìn)化的隨機(jī)搜索算法，其算法參數(shù)對(duì)于計(jì)算結(jié)果的影響非常大。本仿真遵循傳統(tǒng)蟻群算法的參數(shù)設(shè)置原則[15-17]，隨機(jī)選取N=10個(gè)巡檢點(diǎn)，螞蟻數(shù)量m=5，信息素權(quán)重α=1，能見度權(quán)重β=2，信息素?fù)]發(fā)系數(shù)ρ=0.5，總信息量Q=100，迭代次數(shù)為1 000。

4.2 改進(jìn)算法步長代價(jià)的選擇

步長代價(jià)(step)的選擇是影響改進(jìn)A*算法不選擇重復(fù)路徑的效果的重要因素，傳統(tǒng)的A*算法的步長代價(jià)設(shè)為10。針對(duì)變電站二維地圖障礙物的最大周長，本文在[10, 300]的步長代價(jià)范圍內(nèi)進(jìn)行對(duì)比，在每個(gè)步長代價(jià)的作用下進(jìn)行10次路徑規(guī)劃并求得路徑覆蓋比的平均值，對(duì)比所有步長代價(jià)的平均路徑覆蓋比，選出步長代價(jià)的最佳值。在Spyder開發(fā)環(huán)境中利用Python語言編程進(jìn)行仿真，對(duì)比結(jié)果如圖5所示。

從圖5可以看出，當(dāng)step為210時(shí)，規(guī)劃路徑的平均路徑覆蓋比在對(duì)比范圍內(nèi)的效果是最佳的，所以選取step為210進(jìn)行改進(jìn)算法的仿真。

4.3 仿真結(jié)果

為不失一般性，運(yùn)用本文所提出的方法進(jìn)行3組仿真，每組仿真隨機(jī)挑選10個(gè)變電站巡檢點(diǎn)進(jìn)行路徑計(jì)算，并求得連續(xù)10次的路徑覆蓋比，與傳統(tǒng)算法得出的結(jié)果進(jìn)行對(duì)比，如圖6所示。

圖5 不同step值的平均路徑覆蓋比

第1組改進(jìn)算法與傳統(tǒng)算法仿真結(jié)果的平均效果增幅如表1所示。

由表1可以看出，第1組對(duì)比仿真結(jié)果顯示改進(jìn)算法比傳統(tǒng)算法的平均覆蓋比增大了12.4%。

對(duì)改進(jìn)算法和傳統(tǒng)算法的第1組多次仿真結(jié)果進(jìn)行最優(yōu)挑選，如圖6(c)、(d)所示，對(duì)比結(jié)果分析如下。

圖6 第1組仿真結(jié)果

表1 第1組仿真平均結(jié)果對(duì)比

圖6(c)中①、②、③、④、⑤、⑥、⑦、⑧、⑨、⑩依次代表1～10號(hào)巡檢點(diǎn)，最終的巡檢序列為4-8-3-6-2-5-7-10-1-9-4，路徑總長度為100節(jié)點(diǎn)，有效覆蓋99節(jié)點(diǎn)，路徑覆蓋比達(dá)到了99%。圖6(d)中的巡檢序列為6-3-8-4-9-1-10-7-5-2-6，路徑總長度為93節(jié)點(diǎn)，有效覆蓋路徑為 77節(jié)點(diǎn)，路徑覆蓋比為82.8%。改進(jìn)算法比傳統(tǒng)算法的路徑覆蓋比增大了16.2%。

第2組重新挑選10個(gè)巡檢點(diǎn)仿真結(jié)果如下。

第2組改進(jìn)算法與傳統(tǒng)算法仿真結(jié)果的平均效果增幅如表2所示。

由上表可以看出，第2組對(duì)比仿真結(jié)果顯示改進(jìn)算法比傳統(tǒng)算法的平均覆蓋比增大了8.4%。

對(duì)改進(jìn)算法和傳統(tǒng)算法的第2組多次仿真結(jié)果進(jìn)行最優(yōu)挑選，如圖7(c)、(d)所示，對(duì)比結(jié)果分析如下。

圖7(c)中的最終巡檢序列為4-2-8-10-9-1-3-5-7-6-4，路徑總長度為96節(jié)點(diǎn)，有效覆蓋93節(jié)點(diǎn)，路徑覆蓋比達(dá)到了96.9%。圖7(d)中的巡檢序列為9-10-8-2-4-6-7-5-3-1-9，路徑總長度為88節(jié)點(diǎn)，有效覆蓋路徑為75節(jié)點(diǎn)，路徑覆蓋比為85.2%。改進(jìn)算法比傳統(tǒng)算法的路徑覆蓋比增大了11.7%。

圖7 第2組仿真結(jié)果

表2 第2組仿真平均結(jié)果對(duì)比

第3組重新挑選10個(gè)巡檢點(diǎn)仿真結(jié)果如下。

第3組改進(jìn)算法與傳統(tǒng)算法仿真結(jié)果的平均效果增幅如表3所示。

由表3可以看出，第3組對(duì)比仿真結(jié)果顯示改進(jìn)算法比傳統(tǒng)算法的平均覆蓋比增大了10.4%。

對(duì)改進(jìn)算法和傳統(tǒng)算法的第3組多次仿真結(jié)果進(jìn)行最優(yōu)挑選，如圖8(c)、(d)所示，對(duì)比結(jié)果分析如下。

圖8(c)中的最終巡檢序列為9-5-6-4-8-10-7-3-2-1-9，路徑總長度為94節(jié)點(diǎn)，有效覆蓋92節(jié)點(diǎn)，路徑覆蓋比達(dá)到了97.9%。圖8(d)中的巡檢序列為1-2-3-8-4-10-6-5-9-7-1，路徑總長度為82節(jié)點(diǎn)，有效覆蓋路徑為68節(jié)點(diǎn)，路徑覆蓋比為82.9%。改進(jìn)算法比傳統(tǒng)算法的路徑覆蓋比增大了15%。

4.4 3組仿真對(duì)比結(jié)果

通過3組仿真的對(duì)比，獲得表4和表5的結(jié)果。

4.5 結(jié)果討論

由以上結(jié)果可以看出，在一定范圍內(nèi)的巡檢代價(jià)下，本文所提出的算法在對(duì)變電站局部放電故障巡檢路徑規(guī)劃的路徑覆蓋比方面效果更好，平均覆蓋比提升了10%左右。雖然增加了一定的路徑長度，但路徑覆蓋比有了顯著的提升。改進(jìn)后的算法規(guī)劃出的路徑滿足了故障巡檢的要求，提高了巡檢的效率和質(zhì)量。

圖8 第3組仿真結(jié)果

表3 第3組仿真平均結(jié)果對(duì)比

表4 3組仿真的平均覆蓋比增幅

表5 3組仿真較好結(jié)果覆蓋比增幅

5 結(jié) 論

傳統(tǒng)的A*算法與蟻群算法相結(jié)合解決變電站局部放電故障巡檢路徑規(guī)劃問題時(shí)存在重復(fù)路徑較多的問題，結(jié)合變電站局部放電故障巡檢背景，傳統(tǒng)的方法在路徑規(guī)劃中的路徑覆蓋比方面有待提高。針對(duì)此現(xiàn)象，本文提出的改進(jìn)的A*算法與蟻群算法相融合的方法很好地解決了這一問題。在一定范圍的巡檢資源消耗代價(jià)下，擴(kuò)展出更多的巡檢路徑，提升了巡檢路徑覆蓋比，提高了變電站局部放電巡檢工作的質(zhì)量。

本文所提出的改進(jìn)算法在尋找最優(yōu)路徑的收斂問題上還有待提高，目前只能通過多次計(jì)算來挑選最優(yōu)路徑，此問題是今后研究的重點(diǎn)。