机器人神经网络自适应控制下的新能源电力场站巡检技术

徐 波，刘 凯

(国网江西省电力有限公司 检修分公司，江西 南昌 330096)

新能源电力场安全管理是实现电能稳定传输的关键。随着电网信息化与现代化的发展，传统人工巡检方式已经无法适应电网发展速度。该种巡检方式需要工作人员全天候在线监测，不但容易导致巡检员受伤，还会因为人员疲惫造成漏检，不能准确识别变电站的安全隐患。在此背景下，巡检机器人逐渐取代人工巡检方式。电力场环境下的巡检机器人通常为四轮智能机器人，属于一种非常典型的多输入和多输出的非线性系统。由于电力场地形复杂，巡检范围大，因此巡检机器人的精确稳定控制已经成为该领域进一步发展的关键。

当前一些相关学者已经针对巡检机器人控制技术进行了研究，例如，王建邦等[1]提出了基于数据驱动无模型的巡检机器人控制方式。利用闭环设计思想，根据巡检机器人位姿跟踪误差和无模型自适应控制算法完成内、外环设计，跟踪巡检机器人虚拟参考速度，达到控制目的。Lennox等[2]利用在线检测巡检机器人和微波反射仪对非金属管道进行了无损检测，并对其检测过程进行了控制和分析。

上述方法虽然能够顺利完成巡检工作，但是没有考虑对道路场景的识别，巡检机器人难以准确预测所处环境，降低了环境自适应能力[3]。智能学习的神经网络算法在自适应目标检测与识别领域具有很大优势，为了使巡检机器人更好地执行巡检任务，本文在神经网络控制下完成巡检机器人巡检工作[4]。将巡检机器人采集到的图像信息作为神经网络模型的输入，经过误差训练等过程，提高网络精度与泛化能力[5]，补偿控制误差，输出最终控制结果。巡检机器人按照输出结果规划轨迹，即可完成巡检任务。该方法不仅提高了电力场的安全性，也能促进电网的现代化发展。

1.1 巡检机器人结构分析与动力学建模

1.1.1 工作巡检机器人系统结构

巡检机器结构包括本体、充电设备[6]以及监控系统，如图1所示。其中，充电设备安放在充电屋内，为巡检机器人充电提供安全舒适的环境，有助于延长巡检机器人寿命。

图1 巡检机器人系统结构Fig.1 System structure of patrol robot

在巡检机器人本体结构中，供电模块可控制巡检机器人的电压与电流，保证巡检工作正常；
运动系统[7]是主要执行机构，能完成数据处理；
检测模块则由摄像机、热像仪等设备构成；
导航模块通过雷达实现定位功能，为巡检作业提供无轨化导航[8]。

巡检机器人巡检流程描述为：监控端布置巡检点位置并下达开始指令，巡检机器人接收指令后，全局自适应规划路线，控制底盘运动，当检测到较大障碍物时，重新规划路线；
当与巡检点距离较近时，底盘做减速运动，直到到达指定地点。

1.1.2 巡检机器人动力学模型构建

(1)

式中，W和M分别为移动坐标系和世界坐标系；
k为巡检机器人运动时刻；
θ(k)为巡检机器人在时刻k的角度。

因巡检机器人结构复杂，质量较大，所以选用Lagrange方程[10]构建其动力学模型：

(2)

式中，G为巡检机器人总质量；
Gi为轮胎的质量；
Fdi为地面和轮胎之间的静摩擦力[11]；
Rin为2个轮胎的轴线距离；
FNi为地面对轮胎的反作用力[12]；
Jm为转动惯量；
μ为摩擦系数；
φ为车轮加速度。

1.2 机器人神经网络自适应控制流程

在分析巡检机器人结构的基础上，利用神经网络自适应控制巡检机器人巡检路径。整体巡检技术结构如图2所示。

图2 巡检机器人巡检技术分析Fig.2 Analysis on inspection technology of inspection robot

在上述结构的基础上，具体分析机器人神经网络自适应控制下的新能源电力场站巡检技术。

2.1 环境信息采集与处理

(1)图像采集。巡检机器人利用摄像机采集环境信息，为解决图像畸变问题[13]，实现信息全面采集，在巡检机器人两侧安装步进电机[14]，让CCD摄像机可以旋转拍摄，将全部图像拼接处理，得到新能源电场的全景图像。图像采集流程如图3所示。

图3 图像采集流程Fig.3 Flow chart of image acquisition

图像采集所使用的CCD摄像机型号为JS-W613H，该设备应用于巡检机器人系统中，可以在前端完成模拟视频的拍摄，报警信号的产生，云台、防护罩的控制，报警输出等功能。摄像头通过内置CCD及辅助电路将现场情况拍摄成为模拟视频电信号，经同轴电缆传输。电动变焦镜头将拍摄场景拉近、推远，并实现光圈、调焦等光学调整。在光源稳定情况下，摄像机采集电力场环境图像，通过模拟前端改善直流偏置现象，并对模拟信号做模数变换[15]，将获取的图像保存在储存器中。

(2)归一化处理。由于本文利用神经网络算法研究巡检机器人巡检技术，为保证输入信息的合理性，需对所有图像做归一化处理[16]。假设m′×n′(m′>n′)表示图像大小，s×s为归一化之后的结果。则归一化过程如下：任意选取某幅图像，根据n′/s的比例将初始图像两边缩放，去除多余部分。

(3)均质化处理。如果图像过暗，会影响神经网络模型的识别精度，为保证图像光照均匀，有必要做均质化处理[17]，计算全部图像的均值数据。

根据计算结果，提高较暗图像的像素值，有利于改善神经网络模型的识别精度。

2.2 神经网络控制下的巡检技术实现

神经网络控制算法需要借助采集的图像实现，如果图像信息量较大，就必须扩大神经网络模型的输入层，但只扩大输入层，容易出现梯度扩散现象，会增加网络训练难度。为解决这一问题，本文增加卷积核[18]，构成卷积神经网络。

网络模型层次结构与功能如下：①输入层。接收输入信息，如果信息为图像，则接收二维像素值。②卷积层。提取图像特征，包括真实卷积层和下采样层，卷积核数量决定着信息特征量。其中下采样层可减少数据处理量，加快网络收敛。③输出层。神经元数量随任务需求而改变，如果卷积层操作的是分类任务，此时输出层发挥分类器的作用[19]。

利用神经网络自适应控制技术完成巡检工作的主要步骤如下。

(1)步骤1：输入与输出确定。将巡检机器人采集到的图像信号y当作输入内容，发送到控制器的输入端，并将y发送到下一层：

(3)

式中，y′为卷积层输出结果；
f为激活函数[20]；
wαβ为节点α和β的连接权重；
yα为节点α的输出值。

针对卷积层的输出结果做线性化计算，将计算结果当作权值输出。

(2)步骤2：确定模型训练过程。梯度下降法应用在神经网络中具有简便、稳定等优势。其目标函数f(X)的定义域表示为：

(4)

式中，U为神经网络输出的控制量；
UN为网络控制器的误差补偿量。

网络模型训练过程如下：

(5)

(3)步骤3：控制结果输出。经过上述学习过程，神经网络的控制误差得到有效补偿，网络最终输出的结果即为控制量：

(6)

式中，b为偏置函数。

控制器根据神经网络的输出结果控制巡检机器人的巡检路径，不仅能够保证巡检路径最短，还能在遇到障碍物时实现自主避障。

为验证所提技术的可行性，搭建如图4所示的仿真平台。结合技术需要，严格选取如下设备：①光源类型。仿真平台的照明系统选用的LED光源，属于一种半导体发光材料，和其他光源相比具有节能、环保等优势，可在保证亮度的前提下消耗更少能源。此外，LE灯属于冷光源，不会吸引过多昆虫导致光源被遮挡。②驱动电路。灯具等设备在工作时对电流需求很高，为保证仿真平台稳定运行，必须对电路进行恒流控制。利用4N25主控器控制电流大小，通过运放LM358处理后流入场效应管。③储存器。储存设备芯片型号为ISS61V6126。此种芯片可实现完全静态处理，不需要安装低功耗器件，等待模式功率极低，减少能源浪费。将储存器的数据线安装在地址总线上，实时保存巡检机器人采集到的环境信息。

图4 仿真平台示意Fig.4 Schematic diagram of simulation platform

除上述设备外，还需要摄像机与红外热像仪等仿真器材，实验涉及的仿真参数见表1。

神经网络的稳定性影响着控制结果的稳定，因此首先分析神经网络的学习过程，学习曲线如图5所示。由图5可知，神经网络的初始误差值在0.7左右，当训练次数为90次时，误差快速下降到0.1以下，当训练次数为350次左右时误差基本接近0，整个误差训练过程较短。在训练过程中，曲线共出现两次较大波动，每次波动都表明网络中有节点被删除，经过权值修正，训练误差也会快速恢复稳定状态。这说明所提技术下巡检机器人在巡检过程中，即使出现控制不稳定现象，也能快速恢复。

表1 实验参数Tab.1 Experimental parameters

图5 神经网络算法学习曲线Fig.5 Learning curve of neural network algorithm

4.1 应用效果分析

将新能源电力场站中充电室当作全局坐标系的原点，确定巡视点位置，巡视现场如图6所示。在图6所示的巡视现场，利用本文方法控制巡检机器人巡检工作。分析巡检机器人执行正常任务和特殊任务时的巡检路径，不同算法对比结果如图7所示。由图7能够看出，当巡检机器人执行常规任务时，本文技术可以合理规划巡检路线，并没有出现重复巡检现象。当巡检机器人执行特殊巡检任务时，巡视点数量增多，本文技术依旧保持良好的路径规划性能，确保每个巡视点都能达到，并只到达一次。由此证明了本文技术具备良好的性能，可通过实时采集到的环境信息合理规划路线，提高巡检机器人工作效率。

图6 巡视现场Fig.6 Site inspection

图7 不同任务下的巡检路径对比Fig.7 Comparison of patrol paths under different tasks

4.2 讨论

机器人技术随着人类社会需求的增加以及科学技术的进步得到了飞速的发展，近年来，机器人所涉及的领域遍及医疗、农业、海洋开发、农业、航天、国防军事等，在某些环境和场合中机器人逐渐取代了人类的作用。本文通过优化在新能源电力场站巡检的机器人的控制技术，提高其巡检机器人导航的精准度，为保证新能源电力场站巡检质量提供了保障。

为了有效实现新能源电力场站巡检工作的自动化以及智能化，引入巡检机器人辅助或巡检，可以有效提高巡检效率。新能源电力场站作为电力系统的重要支点，对其进行有效的巡检具有十分重要的意义。本文研究的机器人神经网络自适应控制下的新能源电力场站巡检技术，可以有效提升新能源电力场站巡检的智能化程度。

为提高新能源电力场站电能传输的稳定性，利用神经网络方法控制巡检机器人巡检路径。分析巡检机器人结构特征与运动学模型，为控制算法设计提供理论依据，根据巡检机器人采集到的图像，对其做预处理，将这些图像当作神经网络的输入，经过误差学习，提高控制精度，输出控制结果，巡检机器人按照该结果即可完成巡检任务。仿真实验证明，所提方法可以合理控制巡检路线，提高巡检机器人工作效率，不但减少劳动力，还能为电力场稳定运行提供保障，促进无人值守的进一步发展。

猜你喜欢场站卷积神经网络天迈科技助力深圳东部公交场站标准化建设 打造场站新标杆城市公共交通(2022年6期)2022-08-22基于递归模糊神经网络的风电平滑控制策略现代电力(2022年2期)2022-05-23“新基建”背景下公交场站建设思路转变的思考城市公共交通(2022年1期)2022-04-07基于3D-Winograd的快速卷积算法设计及FPGA实现北京航空航天大学学报(2021年9期)2021-11-02卷积神经网络的分析与设计电子制作(2019年13期)2020-01-14浅谈天然气场站设备及安全管理路径商品与质量(2019年51期)2019-11-28神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23从滤波器理解卷积电子制作(2019年11期)2019-07-04基于神经网络的中小学生情感分析电子制作(2019年24期)2019-02-23基于傅里叶域卷积表示的目标跟踪算法北京航空航天大学学报(2018年1期)2018-04-20

推荐访问:场站 神经网络 新能源