一种面向山地光伏电站的无人机巡检三维路径规划方法及系统与流程
1.本发明涉及新能源发电技术领域，尤其涉及一种面向山地光伏电站的无人机巡检三维路径规划方法及系统。
背景技术：
2.作为能源消费大国，我国的能源消费结构正加快向清洁低碳转变。随着光伏电站数量不断增加，地势平坦、建设条件较好的土地资源日趋减少，依靠湖泊、山地等建设条件次之的土地逐渐成为光伏电站的土地建设资源，尤其山地光伏电站建设近年逐步增加，成为了重要的光伏电站建设资源。
3.然而山地光伏发电站大多处于山区，地形结构复杂，阵列区域分布散乱，区块形状各异，同时山体坡度和高度变化较大。因此在光伏电站运维巡检方面，相比于人工巡检，使用无人机巡检是一种优秀的替代方案，运维人员通过分析无人机拍摄的电站中所有组件的红外图像出电站中存在的故障。
4.在无人机续航能力和所携带红外相机的分辨率确定的情况下，巡检路径的规划是影响无人机自动巡检效率的最重要的因素。合适的飞行路径不仅可以节省无人机的飞行时间，同时可以减少转弯、加减速等耗电量较高的动作，提高单次飞行巡检量，减少飞行次数。
5.目前绝大部分的路径规划系统都是针对平地光伏电站设计的，基于其组件密度高，分布均匀，且区块形状非常规整的特点，无人机可以采用简单的覆盖式巡检进行全面拍摄。但是对于山地光伏电站，还缺乏有针对性的无人机巡检路径规划算法。若采用简单的覆盖式巡检将会拍摄大量的空地，浪费飞行时间，同时由于组件数量很大，各种常用的旅行商问题算法复杂度较高。
技术实现要素：
6.为解决上述问题，本发明提供了一种面向山地光伏电站的无人机巡检三维路径规划方法及系统，可以实现针对阵列区域分布散乱、区块形状各异的山地光伏电站的无人机三维巡检路径规划。
7.本发明提供一种面向山地光伏电站的无人机巡检三维路径规划方法，该方法步骤如下：
8.s1在系统输入山地光伏电站厂区规划的设计图信息，获取光伏电站n个阵列区域阵列区域的位置信息和高程信息；
9.s2使用改进密度聚类算法将所述光伏电站分割成为m个适合无人机巡检的区块；
10.s3基于改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；输出无人机三维轨迹，其中，n大于1，m大于1。
11.优选地，步骤s2使用改进密度聚类算法将所述光伏电站分割成为m个适合无人机巡检的区块；还包括以下步骤；
和σ1；
36.获得航路点如下：
[0037][0038]
相机转动角度如下：
[0039][0040][0041]
其中，表示空中三维航路点坐标，和分别表示与空中三维航路点一一对应的地面曲面上的坐标及法向量；i＝1，2，3，
…
，n0，j＝1，2，3，
…
，n1；t
i，j
表示摄像机的垂直转动角度p
i，j
；表示摄像机的水平转动角度；
[0042]
n0和n1满足以下条件：
[0043][0044][0045]
l、w分别表示像机拍摄在地面上的投影的长和宽，n0、n1是为了简化表达式定义的一个中间参数。
[0046]
优选地，步骤s32：基于改进蚁的最优耗电路径规则，进行个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合；还包括如下步骤：
[0047]
s321：初始化蚁算法参数α和β，α和β分别表示启发式因子的大小和期望启发因子的大小，m表示一数量，ρ表示信息挥发因子，并设置迭代次数上限；
[0048]
s322：获得蚂蚁在t时刻从目α和β，节点i到节点j的转移概率并采用赌的方式选取下一目标点并进行移动；s323：判断目标蚂蚁是否已遍历所有路径；
[0049]
如下式所示，并采用赌的方式选取下一目标点并进行移动；
[0050][0051]
其中，j∈allowedk表示当下一目标点j属于允许到达的路径点的集合；
[0052]
otherwise表示当节点j不属于允许到达的路径点的集合；
[0053]
式(9)中当下一目标点j属于允许到达的路径点的集合时，就用公式计算转移概率；
[0054]
当节点j不属于允许到达的路径点的集合是，转移概率就等于0；
[0055]
其中，表示路径转移的启发式信息，表示t时刻节点i到节点 j路径上
的信息素浓度，友示从点i到达目标点s的信息量，友示从点i到达目标点s期望值，allowedk表示允许到达的路径点的集合；蚂蚁遍历的路径就是步骤s312中生成的航路点
[0056]
优选地，步骤s32：基于改进蚁的最优耗电路径规则，进行个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合；还包括如下步骤：
[0057]
s323：判断目标蚂蚁是否已遍历所有路径；
[0058]
s324：蚂蚁编号加一，判断是否所有蚂蚁完成路径遍历；
[0059]
s325：获得所有路径下所需的电量消耗代价，选取电量消耗代价最优的路径为当前最优路径；
[0060]
电量消耗代价获得公式如下：
[0061][0062]
其中，建立无人机耗电量模型，wf、wu、wd分别为无人机在进行水平飞行、爬升飞行、降落飞行时的耗电系数，d
x
为目标视点距离下一视点的横向距离，dy为目标视点距离下一视点的纵向距离，dz为目标视点距离下一视点的垂直高度距离；选取电量消耗代价最优的路径为当前最优路径；所述电量消耗代价最小为最优；
[0063]
s326：对路径上的信息素浓度进行更新；
[0064][0065]
其中，公式(10)中，τ
ij
(t+n)表示更新t+n时刻后路径i到j上的信息素浓度；
[0066]
表示一轮迭代后所有蚂蚁遍历路径后再节点之间的路径上留下的信息素总量；
[0067]
ρ表示信息素浓度的挥发系数；
[0068]
迭代次数加1，判断是否完成所有搜索轮次，输出无人机三维最优路径，否则返回s322，所述输出最优路径为迭代后信息素浓度高的无人机三维轨迹路径。
[0069]
本发明提出的一种面向山地光伏电站的无人机巡检三维路径规划方法，在基于厂区cad图和数字高程模型图dem的信息上，获得出针对山地光伏电站阵列区域分布散乱、区块形状各异特点的无人机三维巡检路径。通过改进密度聚类算法，将山地光伏电站进行高效分簇分区，有效解决了山地光伏电站阵列区域分布不规整、分布面积较大，而无人机运行时间有限的特点；改进后的聚类算法更倾向于将纬度、高程接近的光伏阵列区域纳入簇中，并充分考虑了光伏面板东西方向排列的特点，从而减少无人机转弯、爬升次数，让无人机尽可能的沿着直线全速飞行，提高了巡检效率。通过建立无人机pt相机模型，在进行三维路径规划时，确保相机与地面距离恒定，角度与光伏面板垂直，有效解决了山地光伏电厂由于地势起伏造成的拍摄质量不佳的情况。通过建立无人机耗电模型，基于改进蚁的最优耗电路径规则，进行三维路径规划，有效提高无人机单次巡检效率。
[0070]
本发明还提供一种面向山地光伏电站的无人机巡检三维路径规划系统，该系统包括光伏电站信息采集模块、区域分割模块、路径规划模块；
[0071]
光伏电站信息采集模块，用于采集获取山地光伏电站厂区规划的设计图信息，获取光伏电站n个阵列区域阵列区域的位置信息和高程信息；
[0072]
区域分割模块，用于使用改进密度聚类算法将所述光伏电站分割成为m个适合无人机巡检的区块；
[0073]
路径规划模块，用于通过改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；其中，n大于1，m大于1。
[0074]
其中，区域分割模块，使用改进密度聚类算法将所述光伏电站分割成为m 个无人机巡检的区块，是通过如下步骤获得：
[0075]
s21，获取相关参数，所述相关参数包括领域参数ε，minpts，样本集d＝ {p1，p2，
…
，pn}，对于任意一个样本点p，其中，ε领域定义为：
[0076]nε
(p)＝{q∈d|dist(p，q)≤ε}；
ꢀꢀꢀꢀ
(1)
[0077]
样本集d＝{p1，p2，
…
，pn}，样本集中各元素为每个光伏电板的坐标；
[0078]
其中，dist(p，q)表示样本点p(x
p
，y
p
，z
p
)和q(xq，yq，zq)之间的距离
[0079]
对于任意样本点p和q之间的距离dist(p，q)公式为
[0080]
dist(p，q)＝|x
p-xq|+3
×
|y
p-yq|+2
×
|z
p-zq|；
ꢀꢀꢀ
(2)
[0081]
其中，x、y、z分别表示光伏电板的三维坐标，下标是用来区分两个光伏电板。是任意选取两个光伏电板，分别用p和q表示两个光伏电板之间的距离公式；p≥1，q≥1；
[0082]
初始化核心对象集初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分
[0083]
s22：遍历未访问样本集合中所有样本点，获得所述ε领域；
[0084]
若n
ε
(pi)≥minpts，则将所述点归入核心对象集；
[0085]
其中，n
ε
(pi)表示pi的ε领域包含的样本点数量， minpts表示核心对象集最少包含的样本点数量则将所述点归入核心对象集；
[0086]
对于任意一个样本点p它的ε领域记为n
ε
(pi)；
[0087]
s23：若所述核心对象集为空集则结束算法，否则执行s24；
[0088]
s24：在所述核心对象集中ω随机选取一核心对象o，初始化目标簇核心对象队列ω
cur
＝{o}，，初始化类别序号k
n+1
＝kn+1，初始化所述目标簇样本集合ωk＝{o}，更新未访问样本集合γ＝γ-{o}；
[0089]
s25：若所述目标簇核心对象队列为空集则目标聚类簇ck生成完毕，更新簇划分c＝{c1，c2，...，cn}，，更新核心对象集ω为ω-ck，执行步骤 s23。否则更新所述核心对象集ω为ω-ck；其中，k大于等于1；
[0090]
s26：在所述目标簇核心对象队列中取出一个所述核心对象，更新所述目标簇样本集合，更新未访问样本集合，更新所述目标簇核心对象队列，执行步骤 s25。
[0091]
其中，路径规划模块，用于通过改进蚁的最优耗电路径规则，进行每个区域内部的路径规划，是通过以下步骤获得；
[0092]
s31：建立相机模型，根据摄影测量约束条件获得空中航路点集合，记为n；
[0093]
s311：使用b样条曲面拟合离散的数字高程模型，得到拟合后的曲面s公式(3)；
[0094][0095]
其中，b
ij
是控制点集，为光伏电板位置坐标；n
i，p
(x)和n
j，q
(y)为b样条曲面基函数；
[0096]
s312：建立相机模型，定义每个空中航路点的位置与目标表面的恒定偏移距离为d，pt相机的水平转动角度和垂直转动角度分别记为p和t，水平重叠率和垂直重叠率记为σ0和σ1；
[0097]
获得航路点如下：
[0098][0099]
相机转动角度如下：
[0100][0101][0102]
其中，表示空中三维航路点坐标，和分别表示与空中三维航路点一一对应的地面曲面上的坐标及法向量；i＝1，2，3，
…
，n0，j＝1，2，3，
…
，n1；t
i，j
表示摄像机的垂直转动角度；p
i，j
表示摄像机的水平转动角度；
[0103]
n0和n1满足以下条件：
[0104][0105][0106]
s32：基于所述改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合。步骤如下；
[0107]
其中，获得空中航路点集合，是通过以下步骤获得：
[0108]
s321：初始化蚁算法参数α和β，α和β分别表示启发式因子的大小和期望启发因子的大小，m表示一数量，ρ表示信息挥发因子，并设置迭代次数上限；s322：获得蚂蚁在t时刻从目α和β，节点i到节点j的转移概率并采用赌的方式选取下一目标点并进行移动；s323：判断目标蚂蚁是否已遍历所有路径；
[0109]
如下式所示，并采用赌的方式选取下一目标点并进行移动；
[0110][0111]
其中，j∈allowedk表示当下一目标点j属于允许到达的路径点的集合；
[0112]
otherwise表示当节点j不属于允许到达的路径点的集合；
[0113]
式(9)中当下一目标点j属于允许到达的路径点的集合时，就用公式计算转移概率；
[0114]
当节点j不属于允许到达的路径点的集合是，转移概率就等于0；
[0115]
其中，表示路径转移的启发式信息，表示t时刻节点i到节点 j路径上的信息素浓度，表示从点i到达目标点s的信息量，表示从点i到达目标点s期望值，allowedk表示允许到达的路径点的集合；
[0116]
s323：判断目标蚂蚁是否已遍历所有路径；
[0117]
s324：蚂蚁编号加一，判断是否所有蚂蚁完成路径遍历；
[0118]
s325：获得所有路径下所需的电量消耗代价，选取电量消耗代价最优的路径为当前最优路径；
[0119]
电量消耗代价获得公式如下：
[0120][0121]
其中，建立无人机耗电量模型，wf、wu、wd分别为无人机在进行水平飞行、爬升飞行、降落飞行时的耗电系数，d
x
为目标视点距离下一视点的横向距离，dy为目标视点距离下一视点的纵向距离，dz为目标视点距离下一视点的垂直高度距离；选取电量消耗代价最优的路径为当前最优路径；所述电量消耗代价最小为最优；
[0122]
s326：对路径上的信息素浓度进行更新；
[0123][0124]
公式(10)表达的是，更新t+n时刻后路径i到j上的信息素浓度，；
[0125]
友示一轮迭代后所有蚂蚁遍历路径后再节点之间的路径上留下的信息素总量；ρ表示信息素浓度的挥发系数；
[0126]
迭代次数加1，判断是否完成所有搜索轮次，输出无人机三维最优路径，否则返回s322，所述输出最优路径为迭代后信息素浓度高的无人机三维轨迹路径。
[0127]
本发明提出的一种面向山地光伏电站的无人机巡检三维路径规划系统，该系统包括光伏电站信息采集模块、区域分割模块、路径规划模块，采集基于厂区cad图和数字高程模型图dem的信息，获得出针对山地光伏电站阵列区域分布散乱、区块形状各异特点的无人机三维巡检路径。通过改进密度聚类算法，将山地光伏电站进行高效分簇分区，有效解决了山地光伏电站阵列区域分布不规整、分布面积较大，而无人机运行时间有限的特点；改进后的聚类算法更倾向于将纬度、高程接近的光伏阵列区域纳入簇中，并充分考虑了光伏面板东西方向排列的特点，从而减少无人机转弯、爬升次数，让无人机尽可能的沿着直线全速飞行，提高了巡检效率。通过建立无人机pt相机模型，在进行三维路径规划时，确保相机与地面距离恒定，角度与光伏面板垂直，有效解决了山地光伏电厂由于地势起伏造成的拍摄质量不佳的情况。通过建立无人机耗电模型，基于改进蚁的最优耗电路径规则，进行三维路径规划，有效提高无人机单次巡检效率。
附图说明
[0128]
图1是一种面向山地光伏电站的无人机巡检三维路径规划方法流程图；
[0129]
图2是一种面向山地光伏电站的无人机巡检三维路径规划方法无人机携带相机模型图；
[0130]
图3是一种面向山地光伏电站的无人机巡检三维路径规划方法航路点示意图；
[0131]
图4是一种面向山地光伏电站的无人机巡检三维路径规划方法划分区块示意图；
[0132]
图5是一种面向山地光伏电站的无人机巡检三维路径规划方法针对每个区块进行路径规划示意图。
具体实施方式
[0133]
下面结合附图和具体实施例对本发明作进一步详细说明，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
[0134]
本发明实施例中提供了一种面向山地光伏电站的无人机巡检三维路径规划方法，如图1所示，具体包括以下步骤：
[0135]
s1：在系统输入山地光伏电站厂区规划的cad图，获取光伏电站各个阵列区域的位置信息和高程信息；
[0136]
s2：使用改进密度聚类算法将电站分割成为若干个适合无人机巡检的区块；如图4所示。
[0137]
s3：基于改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；如图5所示。
[0138]
在一个实施例中，使用改进密度聚类算法将电站分割成为若干个适合无人机巡检的区块，包括以下步骤：
[0139]
s21，获取相关参数，所述相关参数包括领域参数ε＝16，minpts＝5，具体数值还可根据实际情况调整。样本集d＝{p1，p2，
…
，pn}，样本集中各元素即为每个光伏电板的坐标；其中，
[0140]
对于任意样本点p和q之间的距离dist(p，q)定义为
[0141]
dist(p，q)＝|x
p-xq|+3
×
|y
p-yq|+2
×
|z
p-zq|；
ꢀꢀ
(2)
[0142]
其中，x、y、z分别表示光伏电板的三维坐标，下标是用来区分两个光伏电板。是任意选取两个光伏电板，分别用p和q表示两个光伏电板之间的距离公式；p≥1，q≥1；
[0143]
x、y、z分别表示每个光伏电板的坐标邻域指的是一个点周围的区域，任一样本点p的ε领域定义为
[0144]nε
(p)＝{q∈d|dist(p，q)≤ε}；
ꢀꢀ
(1)
[0145]
其中，n
ε
(pi)表示pi的ε领域包含的样本点数量，
[0146]
minpts表示核心对象集最少包含的样本点数量则将所述点归入核心对象集；
[0147]
对于任意一个样本点p它的ε领域记为n
ε
(pi)；
[0148]
定义核心对象集初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分
[0149]
s22：遍历未访问样本集合中所有样本点，获得所述ε领域。若n
ε
(pi)≥ minpts，则将所述点归入核心对象集；
[0150]
s23：若所述核心对象集为空集，则结束算法，否则执行s24；
[0151]
s24：在所述核心对象集中ω随机选取一核心对象o，初始化目标簇核心对象队列ω
cur
＝{o}，初始化类别序号k
n+1
＝kn+1，初始化所述目标簇样本集合ωk＝{o}，更新未访问样本集合γ＝γ-{o}；
[0152]
s25：若所述目标簇核心对象队列为空集则目标聚类簇ck生成完毕，更新簇划分c＝{c1，c2，...，cn}，，更新核心对象集ω为ω-ck，执行步骤 s23。否则更新所述核心对象集ω为ω-ck；
[0153]
s26：在该目标簇核心对象队列中取出一个所述核心对象，更新所述目标簇样本集合，更新未访问样本集合，更新所述目标簇核心对象队列，执行步骤s25。
[0154]
在一个实施例中，对每个区域内部路径规划，包括以下步骤：
[0155]
s31：建立相机模型，根据摄影测量约束条件获得空中航路点集合，记为n；如图3所示。
[0156]
s32：基于改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；
[0157]
对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合，具体步骤如下：
[0158]
s311：使用b样条曲面拟合离散的dem模型，根据下列公式得到拟合后的曲面s：
[0159][0160]
其中，b
ij
是控制点集，n
i，p
(u)和n
j，q
(v)b样条曲面基函数；
[0161]
取3阶b样条基函数，即p＝q＝3，代入光伏电板位置坐标xy，可以分别递推得到：
[0162][0163][0164][0165]
s312：参考图2，建立相机模型。记每个空中航路点的位置与目标表面的恒定偏移距离为d，p表示相机的水平转动角度和t表示垂直转动角度，水平重叠率和垂直重叠率分别记为σ0和σ1。则航路点和相机转动角度可由下式获得：
[0166][0167][0168]
其中，表示空中三维航路点坐标，和分别表示与空中三维航路点一一对应的地面曲面上的坐标及该处法向量。i＝1，2，3，
··
，n0，j＝1，2，3，
··
，n1。n0和n1满足以下条件：
[0169][0170][0171]
l、w分别表示像机拍摄在地面上的投影的长和宽，n0、n1是为了简化表达式定义的一个中间参数。
[0172]
基于改进蚁的最优耗电路径规则，进行每个区域内部的路径规划，具体步骤如下：
[0173]
s321：初始化蚁算法相关参数。α和β分别表示启发式因子的大小和期望启发因子的大小，m表示一数量，ρ表示信息挥发因子，并设置迭代次数上限；
[0174]
s322：获得蚂蚁在t时刻从当前节点i到节点j的转移概率如下式所示，并采用赌的方式选取下一目标点并进行移动。
[0175][0176]
其中，j∈allowedk表示当下一目标点j属于允许到达的路径点的集合；
[0177]
otherwise表示当节点j不属于允许到达的路径点的集合；
[0178]
式(9)中当下一目标点j属于允许到达的路径点的集合时，就用公式计算转移概率；
[0179]
当节点j不属于允许到达的路径点的集合是，转移概率就等于0；
[0180]
其中，表示路径转移的启发式信息，表示t时刻节点i到节点 j路径上的信息素浓度，表示从点i到达目标点s的信息量，表示从点i到达目标点s期望值，allowedk表示允许到达的路径点的集合，蚂蚁遍历的路径是步骤312中生成的航路点
[0181]
s323：判断当前蚂蚁是否已遍历所有路径；
[0182]
s324：蚂蚁编号加一，判断是否所有蚂蚁完成路径遍历；
[0183]
s325：获得该路径下所需的电量消耗代价，选取电量消耗代价最优的路径为当前最优路径。电量消耗代价获得公式如下：
[0184][0185]
其中，建立无人机耗电量模型，wf、wu、wd分别为无人机在进行水平飞行、爬升飞行、降落飞行时的耗电系数，d
x
为当前视点距离下一视点的横向距离，dy为当前视点距离下一视点的纵向距离，dz为前视点距离下一视点的垂直高度距离。
[0186]
选取电量消耗代价最优的路径为当前最优路径；所述电量消耗代价最小为最优。
[0187]
s326：对路径上的信息素浓度进行更新：
[0188][0189]
其中，公式(10)中，τ
ij
(t+n)表示更新t+n时刻后路径i到j上的信息素浓度；
[0190]
友示一轮迭代后所有蚂蚁遍历路径后再节点之间的路径上留下的信息素总量；
[0191]
ρ表示信息素浓度的挥发系数；
[0192]
迭代次数加1，判断是否完成所有搜索轮次，输出最优路径，否则返回s322。
[0193]
本发明提出的一种面向山地光伏电站的无人机巡检三维路径规划方法，在基于厂区cad图和数字高程模型图dem的信息上，获得出针对山地光伏电站阵列区域分布散乱、区块形状各异特点的无人机三维巡检路径。通过改进密度聚类算法，将山地光伏电站进行高效分簇分区，有效解决了山地光伏电站阵列区域分布不规整、分布面积较大，而无人机运行时间有限的特点；改进后的聚类算法更倾向于将纬度、高程接近的光伏阵列区域纳入簇中，并充分考虑了光伏面板东西方向排列的特点，从而减少无人机转弯、爬升次数，让无人机尽可能的沿着直线全速飞行，提高了巡检效率。通过建立无人机pt相机模型，在进行三维路径规划时，确保相机与地面距离恒定，角度与光伏面板垂直，有效解决了山地光伏电厂由于地势起伏造成的拍摄质量不佳的情况。通过建立无人机耗电模型，基于改进蚁的最优耗电路径规则，进行三维路径规划，有效提高无人机单次巡检效率。
[0194]
本发明实施例还提供一种面向山地光伏电站的无人机巡检三维路径规划系统，该系统包括光伏电站信息采集模块、区域分割模块、路径规划模块；
[0195]
光伏电站信息采集模块，用于采集获取山地光伏电站厂区规划的设计图信息，获取光伏电站n个阵列区域阵列区域的位置信息和高程信息；
[0196]
区域分割模块，用于使用改进密度聚类算法将所述光伏电站分割成为m 个适合无人机巡检的区块；
[0197]
路径规划模块，用于通过改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；其中，n大于1，m大于1。
[0198]
在一个实施例中，区域分割模块，使用改进密度聚类算法将所述光伏电站分割成为m个无人机巡检的区块，是通过如下步骤获得：
[0199]
s21，获取相关参数，所述相关参数包括领域参数ε，minpts，样本集d＝ {p1，p2，
…
，pn}，对于任意一个样本点p，其中，ε领域定义为：
[0200]nε
(p)＝{q∈d|dist(p，q)≤ε}；
ꢀꢀꢀꢀ
(1)
[0201]
样本集d＝{p1，p2，
…
，pn}，样本集中各元素为每个光伏电板的坐标；
[0202]
其中，dist(p，q)表示样本点p(x
p
，y
p
，z
p
)和q(xq，yq，zq)之间的距离
[0203]
对于任意样本点p和q之间的距离dist(p，q)公式为
[0204]
dist(p，q)＝|x
p-xq|+3
×
|y
p-yq|+2
×
|z
p-zq|；
ꢀꢀ
(2)
[0205]
其中，x、y、z分别表示光伏电板的三维坐标，下标是用来区分两个光伏电板。是任意选取两个光伏电板，分别用p和q表示两个光伏电板之间的距离公式；p≥1，q≥1：
[0206]
初始化核心对象集初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分
[0207]
s22：遍历未访问样本集合中所有样本点，获得所述ε领域；
[0208]
若n
ε
(pi)≥minpts，则将所述点归入核心对象集；
[0209]
其中，n
ε
(pi)表示pi的ε领域包含的样本点数量，
[0210]
minpts表示核心对象集最少包含的样本点数量则将所述点归入核心对象集；
[0211]
对于任意一个样本点p它的ε领域记为n
ε
(pi)；
[0212]
s23：若所述核心对象集为空集则结束算法，否则执行s24；
[0213]
s24：在所述核心对象集中ω随机选取一核心对象o，初始化目标簇核心对象队列ω
cur
＝{o}，，初始化类别序号k
n+1
＝kn+1，初始化所述目标簇样本集合ωk＝{o}，更新未访问样本集合γ＝γ-(o}；
[0214]
s25：若所述目标簇核心对象队列为空集则目标聚类簇ck生成完毕，更新簇划分c＝{c1，c2，
…
，cn}，，更新核心对象集ω为ω-ck，执行步骤s23。否则更新所述核心对象集ω为ω-ck；
[0215]
s26：在所述目标簇核心对象队列中取出一个所述核心对象，更新所述目标簇样本集合，更新未访问样本集合，更新所述目标簇核心对象队列，执行步骤 s25。
[0216]
在一个实施例中，路径规划模块，用于通过改进蚁的最优耗电路径规则，进行每个区域内部的路径规划，是通过以下步骤获得；
[0217]
s31：建立相机模型，根据摄影测量约束条件获得空中航路点集合，记为n；
[0218]
s311：使用b样条曲面拟合离散的数字高程模型，得到拟合后的曲面s公式(3)；
[0219][0220]
其中，b
ij
是控制点集，为光伏电板位置坐标；n
i，p
(x)和n
j，q
(y)为b样条曲面基函数；
[0221]
s312：建立相机模型，定义每个空中航路点的位置与目标表面的恒定偏移距离为d，相机的水平转动角度p和垂直转动角度t，水平重叠率和垂直重叠率记为σ0和σ1；
[0222]
获得航路点如下：
[0223][0224]
相机转动角度如下：
[0225][0226][0227]
其中，表示空中三维航路点坐标，和分别表示与空中三维航路点一一对应的地面曲面上的坐标及法向量；i＝1，2，3，
…
，n0，j＝1，2，3，
…
，n1；t
i，j
表示摄像机的垂直转动角度；p
i，j
表示摄像机的水平转动角度；
[0228]
n0和n1满足以下条件：
[0229][0230]
[0231]
s32：基于所述改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合。步骤如下；
[0232]
其中，获得空中航路点集合，是通过以下步骤获得：
[0233]
s321：初始化蚁算法参数α和β，α和β分别表示启发式因子的大小和期望启发因子的大小，m表示一数量，ρ表示信息挥发因子，并设置迭代次数上限；s322：获得蚂蚁在t时刻从目α和β，节点i到节点j的转移概率并采用赌的方式选取下一目标点并进行移动；s323：判断目标蚂蚁是否已遍历所有路径；
[0234]
如下式所示，并采用赌的方式选取下一目标点并进行移动；
[0235][0236]
其中，j∈allowedk表示当下一目标点j属于允许到达的路径点的集合；
[0237]
otherwise表示当节点j不属于允许到达的路径点的集合；
[0238]
式(9)中当下一目标点j属于允许到达的路径点的集合时，就用公式计算转移概率；
[0239]
当节点j不属于允许到达的路径点的集合是，转移概率就等于0；
[0240]
表示路径转移的启发式信息，表示t时刻节点i到节点j路径上的信息素浓度，表示从点i到达目标点s的信息量，表示从点i 到达目标点s期望值，allowedk表示允许到达的路径点的集合；
[0241]
s323：判断目标蚂蚁是否已遍历所有路径；
[0242]
s324：蚂蚁编号加一，判断是否所有蚂蚁完成路径遍历；
[0243]
s325：获得所有路径下所需的电量消耗代价，选取电量消耗代价最优的路径为当前最优路径；
[0244]
电量消耗代价获得公式如下：
[0245][0246]
其中，建立无人机耗电量模型，wf、wu、wd分别为无人机在进行水平飞行、爬升飞行、降落飞行时的耗电系数，d
x
为目标视点距离下一视点的横向距离，dy为目标视点距离下一视点的纵向距离，dz为目标视点距离下一视点的垂直高度距离；选取电量消耗代价最优的路径为当前最优路径；所述电量消耗代价最小为最优；
[0247]
s326：对路径上的信息素浓度进行更新；
[0248][0249]
公式(10)表达的是，更新t+n时刻后路径i到j上的信息素浓度，；
[0250]
表示一轮迭代后所有蚂蚁遍历路径后再节点之间的路径上留下的信息素总量；ρ表示信息素浓度的挥发系数；
[0251]
迭代次数加1，判断是否完成所有搜索轮次，输出最优路径，否则返回s322；所述输出最优路径为选择迭代后信息素浓度高的路。
[0252]
本发明提出的一种面向山地光伏电站的无人机巡检三维路径规划系统，该系统包括光伏电站信息采集模块、区域分割模块、路径规划模块，采集基于厂区cad图和数字高程模型图dem的信息，获得出针对山地光伏电站阵列区域分布散乱、区块形状各异特点的无人机三维巡检路径。通过改进密度聚类算法，将山地光伏电站进行高效分簇分区，有效解决了山地光伏电站阵列区域分布不规整、分布面积较大，而无人机运行时间有限的特点；改进后的聚类算法更倾向于将纬度、高程接近的光伏阵列区域纳入簇中，并充分考虑了光伏面板东西方向排列的特点，从而减少无人机转弯、爬升次数，让无人机尽可能的沿着直线全速飞行，提高了巡检效率。通过建立无人机pt相机模型，在进行三维路径规划时，确保相机与地面距离恒定，角度与光伏面板垂直，有效解决了山地光伏电厂由于地势起伏造成的拍摄质量不佳的情况。通过建立无人机耗电模型，基于改进蚁的最优耗电路径规则，进行三维路径规划，有效提高无人机单次巡检效率。
[0253]
需要说明的是，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下对上述实施例进行变化、修改、替换和变型，仍属于本发明的保护范围。
技术特征：
1.一种面向山地光伏电站的无人机巡检三维路径规划方法，其特征在于，该方法包括以下步骤，s1在系统输入山地光伏电站厂区规划的设计图信息，获取光伏电站n个阵列区域的位置信息和高程信息；s2使用改进密度聚类算法将所述光伏电站分割成为m个适合无人机巡检的区块；s3基于改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；输出无人机三维轨迹；其中，n大于1，m大于1。2.根据权利要求1所述的一种面向山地光伏电站的无人机巡检三维路径规划方法，其特征在于，所述s2使用改进密度聚类算法将所述光伏电站分割成为m个适合无人机巡检的区块；还包括以下步骤；s21，获取相关参数，所述相关参数包括领域参数ε,minpts，ε表示所取领域的大小，minpts表示核心对象集最少包含的样本点数量，样本集d＝{p1,p2,
…
,p
n
}，对于任意一个样本点p，其中，ε领域定义为：n
ε
(p)＝{q∈d|dist(p,q)≤ε}；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)样本集d＝{p1,p2,
…
,p
n
}，样本集中各元素为每个光伏电板的坐标；其中，dist(p,q)表示样本点p(x
p
,y
p
,z
p
)和q(x
q
,y
q
,z
q
)之间的距离对于任意样本点p和q之间的距离dist(p,q)公式为dist(p,q)＝|x
p-x
q
|+3
×
|y
p-y
q
|+2
×
|z
p-z
q
|；
ꢀꢀꢀꢀ
(2)其中，x、y、z分别表示光伏电板的三维坐标，下标是用来区分两个光伏电板。是任意选取两个光伏电板，分别用p和q表示两个光伏电板之间的距离公式；p≥1，q≥1；初始化核心对象集初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分s22：遍历未访问样本集合中所有样本点，获得所述ε领域；若n
ε
(p
i
)≥minpts，其中，n
ε
(p
i
)表示p
i
的ε领域包含的样本点数量，minpts表示核心对象集最少包含的样本点数量则将所述点归入核心对象集；对于任意一个样本点p它的ε领域记为n
ε
(p
i
)；s23：若所述核心对象集为空集则结束算法，否则执行s24；s24：在所述核心对象集中ω随机选取一核心对象o，初始化目标簇核心对象队列ω
cur
＝{o}，初始化类别序号k
n+1
＝k
n
+1，初始化所述目标簇样本集合ω
k
＝{o}，更新未访问样本集合γ＝γ-{o}；s25：若所述目标簇核心对象队列为空集则目标聚类簇c
k
生成完毕，更新簇划分c＝{c1,c2,
…
,c
n
}，，更新核心对象集ω为ω-c
k
，执行步骤s23，否则更新所述核心对象集ω为ω-c
k
；其中，k大于等于1；s26：在所述目标簇核心对象队列中取出一个所述核心对象，更新所述目标簇样本集合，更新未访问样本集合，更新所述目标簇核心对象队列，执行步骤s25。3.根据权利要求1所述的一种面向山地光伏电站的无人机巡检三维路径规划方法，其特征在于，所述s3基于改进蚁的最优耗电路径规则，进行每个区域内部的路径规划，还包括以下步骤：
s31：建立相机模型，根据摄影测量约束条件获得空中航路点集合，记为n；s32：基于所述改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；对于摄影测量约束条件，所相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合。4.根据权利要求3所述的一种面向山地光伏电站的无人机巡检三维路径规划方法，其特征在于，所述步骤s31：建立相机模型，根据摄影测量约束条件获得空中航路点集合，记为n；还包括以下步骤：s311：使用b样条曲面拟合离散的数字高程模型，得到拟合后的曲面s(x,y)公式(3)；其中，b
ij
是控制点集，为光伏电板位置坐标；n
i,p
(x)和n
j,q
(y)为b样条曲面基函数；s312：建立相机模型，定义每个空中航路点的位置与目标表面的恒定偏移距离为d，相机的水平转动角度p和垂直转动角度t，水平重叠率σ0和垂直重叠率σ1；获得航路点如下：相机水平转动角度如下：相机垂直转动角度如下：其中，表示空中三维航路点坐标，和分别表示与空中三维航路点一一对应的地面曲面上的坐标及法向量；i＝1,2,3,
…
,n0，j＝1,2,3,
…
,n1；t
i,j
表示摄像机的垂直转动角度；p
i,j
表示摄像机的水平转动角度；n0和n1满足以下条件：满足以下条件：l、w分别表示像机拍摄在地面上的投影的长和宽，n0、n1是为了简化表达式定义的一个中间参数。5.根据权利要求3所述的一种面向山地光伏电站的无人机巡检三维路径规划方法，其特征在于，所述s32：基于所述改进蚁的最优耗电路径规则，进行个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍
摄坡面，获得空中航路点集合；还包括如下步骤：s321：初始化蚁算法参数α和β，α和β分别表示启发式因子的大小和期望启发因子的大小，m表示一数量，ρ表示信息挥发因子，并设置迭代次数上限；s322：获得蚂蚁在t时刻从目α和β，节点i到节点j的转移概率并采用赌的方式选取下一目标点并进行移动；s323：判断目标蚂蚁是否已遍历所有路径；如下式所示，并采用赌的方式选取下一目标点并进行移动；其中，j∈allowed
k
表示当下一目标点j属于允许到达的路径点的集合；otherwise表示当节点j不属于允许到达的路径点的集合；式(9)中当下一目标点j属于允许到达的路径点的集合时，就用公式计算转移概率；当节点j不属于允许到达的路径点的集合是，转移概率就等于0；其中，表示路径转移的启发式信息，表示t时刻节点i到节点j路径上的信息素浓度，表示从点i到达目标点s的信息量，表示从点i到达目标点s期望值，allowed
k
表示允许到达的路径点的集合；所述蚂蚁遍历的路径是步骤312中生成的航路点6.根据权利要求5所述的一种面向山地光伏电站的无人机巡检三维路径规划方法，其特征在于，所述s32：基于所述改进蚁的最优耗电路径规则，进行个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合；还包括如下步骤：s323：判断目标蚂蚁是否已遍历所有路径；s324：蚂蚁编号加一，判断是否所有蚂蚁完成路径遍历；s325：获得所有路径下所需的电量消耗代价，选取电量消耗代价最优的路径为当前最优路径；电量消耗代价获得公式如下：其中，建立无人机耗电量模型，w
f
、w
u
、w
d
分别为无人机在进行水平飞行、爬升飞行、降落飞行时的耗电系数；d
x
为目标视点距离下一视点的横向距离；d
y
为目标视点距离下一视点的纵向距离；d
z
为目标视点距离下一视点的垂直高度距离；
选取电量消耗代价最优的路径为当前最优路径；所述电量消耗代价最小为最优；s326：对路径上的信息素浓度进行更新；其中，公式(10)中，τ
ij
(t+n)表示更新t+n时刻后路径i到j上的信息素浓度；表示一轮迭代后所有蚂蚁遍历路径后再节点之间的路径上留下的信息素总量；ρ表示信息素浓度的挥发系数；迭代次数加1，判断是否完成所有搜索轮次，输出无人机三维最优路径，否则返回s322，所述输出最优路径为迭代后信息素浓度高的无人机三维轨迹路径。7.一种面向山地光伏电站的无人机巡检三维路径规划系统，其特征在于，所述系统包括光伏电站信息采集模块、区域分割模块、路径规划模块；所述光伏电站信息采集模块，用于采集获取山地光伏电站厂区规划的设计图信息，获取光伏电站n个阵列区域阵列区域的位置信息和高程信息；所述区域分割模块，用于使用改进密度聚类算法将所述光伏电站分割成为m个适合无人机巡检的区块；所述路径规划模块，用于通过改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；其中，n大于1，m大于1。8.根据权利要求7的一种面向山地光伏电站的无人机巡检三维路径规划系统，其特征在于，所述区域分割模块，使用改进密度聚类算法将所述光伏电站分割成为m个无人机巡检的区块，是通过如下步骤获得：s21，获取相关参数，所述相关参数包括领域参数ε,minpts，样本集d＝{p1,p2,
…
,p
n
}，对于任意一个样本点p，其中，ε领域定义为：n
ε
(p)＝{q∈d|dist(p,q)≤ε}；
ꢀꢀꢀꢀꢀ
(1)样本集d＝{p1,p2,
…
,p
n
}，样本集中各元素为每个光伏电板的坐标；其中，dist(p,q)表示样本点p(x
p
,y
p
,z
p
)和q(x
q
,y
q
,z
q
)之间的距离对于任意样本点p和q之间的距离dist(p,q)公式为dist(p,q)＝|x
p-x
q
|+3
×
|y
p-y
q
|+2
×
|z
p-z
q
|；
ꢀꢀꢀ
(2)初始化核心对象集初始化聚类簇数k＝0，初始化未访问样本集合γ＝d，簇划分s22：遍历未访问样本集合中所有样本点，获得所述ε领域；若n
ε
(p
i
)≥minpts，则将所述点归入核心对象集；其中，n
ε
(p
i
)表示p
i
的ε领域包含的样本点数量，minpts表示核心对象集最少包含的样本点数量则将所述点归入核心对象集；s23：若所述核心对象集为空集则结束算法，否则执行s24；s24：在所述核心对象集中ω随机选取一核心对象o，初始化目标簇核心对象队列ω
cur
＝{o}，，初始化类别序号k
n+1
＝k
n
+1，初始化所述目标簇样本集合ω
k
＝{o}，更新未访问样本集合γ＝γ-{o}；s25：若所述目标簇核心对象队列为空集则目标聚类簇c
k
生成完毕，更新簇
划分c＝{c1,c2,
…
,c
n
}，，更新核心对象集ω为ω-c
k
，执行步骤s23。否则更新所述核心对象集ω为ω-c
k
；其中，k≥1；s26：在所述目标簇核心对象队列中取出一个所述核心对象，更新所述目标簇样本集合，更新未访问样本集合，更新所述目标簇核心对象队列，执行步骤s25。9.根据权利要求7的一种面向山地光伏电站的无人机巡检三维路径规划系统，其特征在于，所述路径规划模块，用于通过改进蚁的最优耗电路径规则，进行每个区域内部的路径规划，是通过以下步骤获得：s31：建立相机模型，根据摄影测量约束条件获得空中航路点集合，记为n；s311：使用b样条曲面拟合离散的数字高程模型，得到拟合后的曲面s公式(3)；其中，b
ij
是控制点集，为光伏电板位置坐标；n
i,p
(x)和n
j,q
(y)为b样条曲面基函数；s312：建立相机模型，定义每个空中航路点的位置与目标表面的恒定偏移距离为d，pt相机的水平转动角度和垂直转动角度分别记为p和t，水平重叠率和垂直重叠率记为σ0和σ1；获得航路点如下：相机转动角度如下：相机转动角度如下：其中，表示空中三维航路点坐标，和分别表示与空中三维航路点一一对应的地面曲面上的坐标及法向量；i＝1,2,3,
…
,n0，j＝1,2,3,
…
,n1；t
i,j
表示摄像机的垂直转动角度；p
i,j
表示摄像机的水平转动角度；n0和n1满足以下条件：满足以下条件：s32：基于所述改进蚁的最优耗电路径规则，进行每个区域内部的路径规划；对于摄影测量约束条件，即相机与所拍摄坡面的垂直距离恒定、相机拍摄方向垂直于所拍摄坡面，获得空中航路点集合。10.根据权利要求9的一种面向山地光伏电站的无人机巡检三维路径规划系统，其特征在于，所述获得空中航路点集合，是通过以下步骤获得：s321：初始化蚁算法参数α和β，α和β分别表示启发式因子的大小和期望启发因子的大小，m表示一数量，ρ表示信息挥发因子，并设置迭代次数上限；s322：获得蚂蚁在t时刻
从目α和β，节点i到节点j的转移概率并采用赌的方式选取下一目标点并进行移动；s323：判断目标蚂蚁是否已遍历所有路径；如下式所示，并采用赌的方式选取下一目标点并进行移动；其中，j∈allowed
k
表示当下一目标点j属于允许到达的路径点的集合；otherwise表示当节点j不属于允许到达的路径点的集合；式(9)中当下一目标点j属于允许到达的路径点的集合时，就用公式计算转移概率；当节点j不属于允许到达的路径点的集合是，转移概率就等于0；其中，表示路径转移的启发式信息，表示t时刻节点i到节点j路径上的信息素浓度，表示从点i到达目标点s的信息量，表示从点i到达目标点s期望值，allowed
k
表示允许到达的路径点的集合；s323：判断目标蚂蚁是否已遍历所有路径；s324：蚂蚁编号加一，判断是否所有蚂蚁完成路径遍历；s325：获得所有路径下所需的电量消耗代价，选取电量消耗代价最优的路径为当前最优路径；电量消耗代价获得公式如下：其中，建立无人机耗电量模型，w
f
、w
u
、w
d
分别为无人机在进行水平飞行、爬升飞行、降落飞行时的耗电系数，d
x
为目标视点距离下一视点的横向距离，d
y
为目标视点距离下一视点的纵向距离，d
z
为目标视点距离下一视点的垂直高度距离；选取电量消耗代价最优的路径为当前最优路径；所述电量消耗代价最小为最优；s326：对路径上的信息素浓度进行更新；公式(10)表达的是，更新t+n时刻后路径i到j上的信息素浓度,；表示一轮迭代后所有蚂蚁遍历路径后再节点之间的路径上留下的信息素总量；ρ表示信息素浓度的挥发系数；迭代次数加1，判断是否完成所有搜索轮次，输出无人机三维最优路径，否则返回s322，所述输出最优路径为迭代后信息素浓度高的无人机三维轨迹路径。
技术总结
本发明提出的一种面向山地光伏电站的无人机巡检三维路径规划系统及方法，解决了山地光伏电厂由于山地光伏电站阵列区域分布不规整、分布面积较大、地势起伏造成的拍摄质量不佳的情况。基于厂区CAD图和数字高程模型图DEM的信息上，通过改进密度聚类算法，将山地光伏电站进行高效分簇分区，改进后的聚类算法更倾向于将纬度、高程接近的光伏阵列区域纳入簇中，从而减少无人机转弯、爬升次数，让无人机尽可能的沿着直线全速飞行，通过建立无人机PT相机模型，在进行三维路径规划时，确保相机与地面距离恒定，角度与光伏面板垂直，通过建立无人机耗电模型，基于改进蚁的最优耗电路径规则，进行三维路径规划，有效提高无人机单次巡检效率。检效率。检效率。
