当前位置: 首页 > 邱健蓄电池-官方网站

Trojan蓄电池基于动态换电的无人机道路巡检弧段路由:以鹤山市为例

发布时间:2026-10-26 16:06:46 点击: 次

电动无人机作为一种低碳维护方案,已广泛应用于公路基础设施巡检,但电池续航能力的限制严重制约了大规模的连续作业。虽然地面车辆作为移动换电平台可以缓解这一问题,但它们也带来了包括无人机多模式飞行选择以及无人机与车辆之间复杂的时空耦合约束在内的挑战。本研究聚焦于具有动态换电机制的无人机公路巡检弧路由问题(ARP)。为了最小化总检查时间,建立了一个整合三层网络结构和虚拟节点扩展的混合整数规划模型。通过合理选择无人机飞行模式和协调规划车机路径,有效减少了无人机的非检查飞行时间,也有助于降低不必要的能量消耗。为解决大规模实例求解的挑战,提出了一种以电池续航为导向算子的自适应大邻域搜索(ALNS)算法。数值实验表明,该算法在求解效率和质量方面均表现出优异性能。鹤山市的案例研究验证了所提出的混合飞行策略在路径优化和降低能耗方面均具有显著效益,敏感性分析明确了关键参数的优化方向,为可持续道路维护提供了技术参考。
关键词:
道路巡检; 车辆-无人机弧路由问题; 自适应大邻域搜索

 

1. 引言

在全球碳中和目标和可持续交通基础设施建设的背景下,推动公路养护的低碳转型已成为道路管理部门的核心需求。传统燃油巡检车存在碳排放高、盲区覆盖不足等问题,已无法满足绿色可持续的道路运营与养护要求。
近年来,无人机巡检作为一种有效的公路基础设施巡检方案被越来越多地采用。凭借低空飞行能力和对难以到达区域的访问能力,无人机被部署用于检测传统车辆巡检盲区(如路面坡度、跨链桥与隧道过渡段)的缺陷。一方面,用电动无人机取代燃油巡检车可直接减少维护作业的碳排放;另一方面,高效准确的缺陷检测有助于延长道路设施的使用寿命,并减少大规模大修带来的资源消耗,这与可持续基础设施发展的目标相契合。然而,无人机的关键局限在于续航能力不足,无法支持大规模路网的持续巡检。现有的无人机电池补给策略主要包括固定补给[1] 和基于车辆的电池补给 [2]。固定充电站模式受到动态巡检需求、选址困难以及运维成本高昂的严重限制,极大地限制了其实际应用价值。因此,利用车辆作为移动补给载体为巡检无人机提供续航支持,已成为大规模路网巡检的主流解决方案。
在此模式下,无人机负责巡检车辆无法到达的区域,如道路坡道。车辆为无人机提供起降和换电服务,以确保其长期运行。本研究解决的核心问题是:在确保有效遍历道路网络中所有巡检需求弧的前提下,如何优化无人机的全流程飞行路径,并同时匹配车辆的行驶与换电停靠策略,从而最小化无人机的总巡检时间。在本问题中,无人机的总巡检时间可分为两部分:巡检飞行时间与非巡检转移飞行时间。巡检飞行时间由预设需求弧的里程决定,相对固定。相比之下,非巡检飞行时间具有显著的优化潜力。因此,减少无人机的非巡检飞行时间是本研究的核心优化重点,这也有助于进一步降低不必要的能耗,提升巡检作业的低碳水平。
合理切换无人机飞行模式是减少非巡检飞行时间的有效方法。一方面,无人机不受道路行驶方向的限制,节点之间的最短路径距离相对较短。Wei等人[3] 考虑到了这一特性,并分别为无人机和车辆定义了不同的最短路径距离矩阵。另一方面,无人机在道路巡检场景中的核心优势在于其飞行路径选择不受道路网络限制;它们可以在道路网络中的任意两个节点之间直线飞行。这意味着无人机在巡检阶段沿实际道路曲线飞行,而在非巡检阶段则直线飞行。Wu等人 [4],Campbell, J. F.等人 [5],以及Liu, X. F.等人 [6] 均考虑了无人机直线飞行与曲线飞行模式的结合。通过弧节点变换,他们定义了当弧为需求弧时,其距离为实际路径距离;当弧为非需求弧时,其距离为最短路径距离。这一定义有效解决了农村邮递员问题(RPP)中,当重复经过同一节点时时间序列变量的不一致问题。然而,这一定义忽略了车机协同巡检过程中车辆与无人机路径的耦合关系:当车辆因速度慢于无人机而无法及时到达汇合节点时,无人机可能会多次经过同一弧段以等待车辆。
如图所示图1对于网络结构(a),假设网络中的每条弧都是需求弧,无人机巡检路径为(节点2, 节点1, 节点4, 节点5, 节点2, 节点3, 节点6, 节点5)。通过弧-节点变换将网络结构(a)转换为网络结构(b),可以解决节点2和节点5的重复遍历问题。基于实际情况,我们假设车辆速度低于无人机飞行速度,且无人机不会在节点处悬停等待车辆。如案例(c)所示,车辆和无人机同时从节点2出发,依次经过会合节点节点5和节点6,最终在节点6结束巡检。在这种情况下,无人机需要两次经过同一弧段(N56, N65),并从节点N56直线飞行至节点N65与车辆会合。Liu, X.F. 等人的距离矩阵定义方法[6] 可能无法完全涵盖此类车辆与无人机耦合的场景。核心原因在于该方法将无人机的多种飞行模式整合到单一的路网结构中,当时空约束收紧时,其适应性有限。因此,本文采用虚拟节点复制方法来扩展路网结构 [7]。如图(d)所示,实际道路网络(a)被转换为曲线飞行网络1和直线飞行网络2。本文模型综合考虑了无人机在巡检和非巡检阶段的不同飞行模式,以及无人机与车辆行驶网络之间的差异。它定义了无人机巡检网络、无人机直线飞行网络和车辆行驶网络,并根据巡检任务约束和电池续航约束实现了车机路径耦合。这减少了由车辆移动性等现实约束导致的无人机不必要的非巡检飞行距离,并在此基础上优化了总巡检时间。
Sustainability 18 10842 g001
图1。拓扑结构示意图。
根据不同的任务目标,现有的无人机路径规划研究可分为基于节点的路径规划问题(VRP)和基于弧的路径规划问题(ARP)。VRP研究广泛应用于电力巡检[8]、客户配送[9]和应急物流[10]。ARP研究主要关注包括交通巡逻和区域覆盖在内的应用场景。Xu等人[11]设计了RVND-SA算法,以解决城市交通巡逻任务中地面车辆与多架无人机对目标路段的协同监控问题。Momeni等人[12] 采用Benders分解算法来解决早期森林火灾探测中卡车与无人机的协同巡逻问题。然而,在车辆-无人机协同路径规划领域,针对道路巡检场景的ARP研究仍相对匮乏。
近年来,学者们针对无人机路径规划问题提出了多种解决方案。从求解策略的角度来看,这些方法可分为两大类:基于数学模型的精确算法和基于规则设计的启发式算法。对于精确算法,DP [13]、B&B [14]和BP [15]等传统方法被广泛应用,而包括CG [16]和BD [17] 也得到了广泛应用。启发式算法的研究正蓬勃发展,多阶段启发式算法的应用[18,19,20,21,22,23,24], SA [25], ACO [7], GRASP [2], VNS [26], MA [27,28] 和 RL [29].
近年来,自适应大邻域搜索(ALNS)算法已广泛应用于车辆-无人机协同路径规划问题。在ALNS的全局设计方面,Chen等人[30]通过多种启发式策略生成了多样化的初始解,为ALNS提供了丰富的搜索起点。Laporte等人[31] 将路由成本分解为确定性路由成本和预期补救成本,并通过概率函数将动态需求传播到后续路段。Mulumba等人 [32]的需求路段集合,在ALNS算法中引入了遗忘因子,以智能调整各种算子的权重迭代,防止历史表现过度主导。Liu等人[33] 将电池调度决策与卡车路线和无人机起降点等路径决策相结合,确保在有限电池资源下无人机任务的连续性。在ALNS的详细设计方面,Zhang等人[34]和Meng等人[35],以及Li等人开发的稳健可行性验证机制[36],都取得了出色的搜索优化效果。为了解决大规模真实路网实例,本文设计了一种基于ALNS的求解算法。在运营商设计过程中,我们考虑了无人机在每次巡检飞行中的电池续航利用率,以最大化电池利用率并减少不必要的充电行程。
相关文献综述见表1.
表1。相关研究综述。

本研究的主要贡献总结如下:
  • 构建了一个三层网络框架,以解决带有动态换电的车辆-无人机协同弧路由问题,该框架充分考虑了无人机和车辆的差异化行驶特性,并提高了模型在实际道路巡检场景中的适用性。
  • 基于车机协同道路巡检场景,设计了一种自适应大邻域搜索算法,并以鹤山市真实路网为基础开展案例研究,验证了直飞策略的优化效果,为无人机巡检系统的现场部署提供了实际参考。
  • 本文提出的路径优化方案能有效降低巡检作业的能耗,为道路养护的低碳转型和交通基础设施的可持续发展提供决策支持。

2. 问题建模

2.1. 模型假设

所提出的模型基于以下假设:
  • 无人机负责无人机道路巡检任务,车辆为无人机提供起降平台以及电池更换服务;
  • 该模型仅允许车辆和无人机在路网节点处汇合并更换电池,禁止在道路中间汇合更换电池。此外,车辆必须比无人机更早到达汇合节点,且无人机不允许在节点处悬停等待车辆;
  • 单次巡检需求弧的长度不超过无人机的最大电池续航距离。

2.2. 问题描述

车机协同道路巡检模式如图所示图2在道路巡检模型中,无人机和车辆同时从道路网络中的一个节点出发。无人机从车辆上起飞,携带满电电池开始巡检道路坡度,而车辆则行驶至下一个会合节点。在巡检阶段,无人机沿实际道路网络路线执行任务,飞行路径呈曲线。当下一个需求弧的终点与当前需求弧的终点未直接相连时,无人机可以突破道路网络约束,在节点间直线飞行以到达最近的需求弧并继续巡检。在换电阶段,由于车辆行驶速度低于无人机飞行速度,且车辆受道路方向限制,无法始终比无人机更早到达会合节点。因此,当无人机的电池续航几乎耗尽时,它会根据车辆的可达性,决定是否直接飞往靠近车辆的节点进行换电,如图所示图2对于第一次换电,车辆准时到达,双方在chargeNode1汇合。对于第二次换电,车辆无法及时到达汇合点,因此无人机沿D7直线飞行至chargeNode2与车辆汇合。在汇合点完成换电后,无人机再次起飞,继续巡检剩余的需求弧。该过程不断重复,直到覆盖所有需求弧,当无人机降落在车辆上被取回时,巡检任务即告完成。
Sustainability 18 10842 g002
图2.车辆-无人机道路巡检案例。
基于示例图2, 图3展示了车辆行驶网络(a)、无人机巡检网络(b)和无人机直飞网络(c)。本文协调的核心在于通过数学模型系统地整合这三个相互关联的弧集,从而构建一个统一的车辆-无人机道路巡检路径模型。该模型需要解决两个关键问题:首先,如何在满足所有道路巡检要求的前提下,优化无人机的飞行模式切换策略;其次,如何通过合理的会合节点规划,实现车辆与无人机在电池续航方面的时空协调约束。
Sustainability 18 10842 g003
图3。车辆与无人机的弧集。()显示车辆行驶网络。()显示无人机巡检网络,而()显示无人机直飞网络。) shows the drone inspection network, while (c) shows the drone direct flight network.

2.3. 模型构建

所提出的车辆-无人机道路巡检路径模型符号和变量定义列于表2。道路巡检任务在图)上构建,其中 = (}表示实际道路网络中所有道路节点的集合,并且, 是道路节点的总数。具体来说,表示实际路网中车辆可遍历的弧集合,并且表示无人机可穿越的弧集。 = {1, 2, …, n} denotes the set of all road nodes in the actual road network, and n is the total number of road nodes. Specifically, E1 denotes the set of arcs traversable by vehicles in the actual road network, and E2 denotes the set of arcs traversable by drones.
表2。数学符号。

在ARP中,无人机可能会多次访问同一个节点以遍历所有需求弧。如果累计飞行时间定义在物理节点上,那么被访问两次的节点将关联两个到达时间,这会导致电池续航约束出现逻辑不一致。为了在不人为限制访问次数的情况下适应重复遍历,我们推广了Jia等人[7]的虚拟节点技术,并让每个节点的副本数量由需求网络决定。设E¯2={{u,v}⊆V:(u,v)∈E2 or (v,u)∈E2}为支撑,其中两个弧段被识别为同一段,并令2表示与节点δv=|{u∈V:{u,v}∈E¯2}|相连的需求段数量。由于每次路径“经过”节点都会伴随对与相连的独立需求段的遍历,无人机访问δ) 次;它还可能在开始、结束或进行电池更换。每个节点因此被分配δ) + 1 个副本(并且总节点集定义为。设π返回副本的物理节点。对于和之间的需求分段,从到...的副本v=重现了该路段的遍历。因此,为了简化约束条件的制定,扩展弧集定义为(和。模型要求所有需求弧至少被遍历一次。在物理网络中遍历该路段()等同于在...中遍历任何弧((1),…, v(rv),)Vtotal=⋃v∈V{v(1),…, v(rv)}其端点和:是...的副本total → 和,分别。k and l, traversing from a replica of k to a replica of l reproduces the traversal of that segment. Accordingly, to simplify the formulation of constraints, the extended arc sets are defined as E1ext={(i,j)∈Vtotal×Vtotal:(πi,πj)∈E1} and E2ext={(i,j)∈Vtotal×Vtotal:(πi,πj)∈E2}. The model requires that all demand arcs are traversed at least once. Traversing the segment (k,l) in the physical network is equivalent to traversing any arc (i,j) in E2ext whose endpoints i and j are replicas of k and l, respectively.
在换电阶段,无人机可以选择直接飞往交会节点进行换电。因此,我们引入了无人机直飞弧集E2′基于节点集。如图图4所示,直飞航线仅存在于无人机续航限制内的节点之间。相应地,类似于,我们引入了直飞扩展弧集E2ext基于总节点集E2str作为扩展Vtotal as the extension of E2′.
Sustainability 18 10842 g004
图4。无人机直飞弧集示意图。
图中任意两个节点之间的车辆与无人机距离矩阵定义如下。

上一篇:Trojan蓄电池基于灰狼优化算法的光伏集成微电网中BESS无缝跟网运行的能量管理
下一篇:迈向可持续Trojan蓄电池利用:一种用于稳健SOC估计的物理信息多模态深度学习框架