【技術實現步驟摘要】
本專利技術涉及光伏電站智能巡檢，尤其涉及一種光伏發電場景下的無人智能巡檢設備協同調度方法及系統。
技術介紹
1、隨著光伏發電規模的不斷擴大，保障光伏電站的穩定運行和高效發電變得越來越重要，無人智能巡檢技術作為一種高效、可靠的運維手段，被廣泛應用于光伏電站的日常巡檢工作中；
2、傳統的巡檢方式主要依靠人工進行，效率低下且容易受到人為因素的影響，而基于無人機的自動化巡檢可以有效提高巡檢效率，降低運維成本，并提升巡檢數據的準確性，現有的無人機巡檢技術通常采用預先規劃的固定路線或簡單的基于規則的調度方法，難以適應復雜多變的光伏電站環境；
3、因此，亟需一種方案解決現有技術中存在的問題。
技術實現思路
1、本專利技術實施例提供一種光伏發電場景下的無人智能巡檢設備協同調度方法及系統，至少能解決現有技術中存在的部分問題。
2、本專利技術實施例的第一方面，提供一種光伏發電場景下的無人智能巡檢設備協同調度方法，包括：
3、獲取光伏發電場景下的巡檢任務并轉換為巡檢任務特征向量，基于包含多個共振層的動態自適應神經網絡構建任務評估系統，為每個共振層設置不同的警戒參數和競爭性學習機制，將所述巡檢任務特征向量添加至所述任務評估系統，得到任務優先級分類結果，將所述任務優先級分類結果添加至預先設置的序列預測器，通過對不同時間尺度下的巡檢任務特征向量進行建模輸出任務時序關聯序列，基于所述任務時序關聯序列，構建遞歸注意力網絡進行多任務關聯分析，結合位置編碼建立任務依賴關
4、基于所述任務優先級分類結果、任務時序關聯序列和任務依賴矩陣，構建深度強化學習框架，其中，所述深度強化學習框架采用分層雙重網絡結構，包括任務分配主網絡和狀態評估輔助網絡，在所述任務分配主網絡中設置多個并行的策略分支并對所述巡檢任務特征向量進行多尺度處理，生成分支特征圖并融合得到綜合特征表示，基于所述綜合特征表示生成初始任務分配方案，提取所述初始任務分配方案中的任務序列和時間窗口約束構建任務距離矩陣，結合改進的變鄰域搜索算法求解最優巡檢路線，得到候選任務分配方案；
5、基于所述候選任務分配方案為每個巡檢設備構建狀態空間，將每個巡檢設備作為獨立智能體并配備局部決策網絡和價值網絡，對于每個智能體，通過異步經驗回放池按任務優先級共享狀態轉移數據，結合多目標遺傳算法對所述候選任務分配方案進行優化，以完成時間最小化、能源消耗量最小且覆蓋率最大為目標，通過非支配排序和自適應遺傳算子進行求解，生成改進解并基于圖注意力機制構建協同決策系統，基于所述協同決策系統建模智能體交互，生成決策輸出并構建置信度傳播網絡，通過殘差式消息傳遞更新任務分配約束，輸出候選調度方案并結合貝葉斯推理算法判斷是否存在異常，若存在，則再次進行優化，否則，將當前候選調度方案作為最優調度方案輸出。
6、在一種可選的實施方式中，
7、獲取光伏發電場景下的巡檢任務并轉換為巡檢任務特征向量，基于包含多個共振層的動態自適應神經網絡構建任務評估系統，為每個共振層設置不同的警戒參數和競爭性學習機制，將所述巡檢任務特征向量添加至所述任務評估系統，得到任務優先級分類結果，將所述任務優先級分類結果添加至預先設置的序列預測器，通過對不同時間尺度下的巡檢任務特征向量進行建模輸出任務時序關聯序列包括：
8、獲取巡檢任務，基于所述巡檢任務，通過獨熱編碼獲取任務類型特征，通過地理信息系統將任務位置坐標映射至空間特征獲得任務位置特征，將任務緊急程度量化為連續數值獲得任務緊急程度特征，通過多熱編碼方式確定任務所需設備特征，通過歸一化算法確定任務完成時間特征，將所述任務類型特征、所述任務位置特征、所述任務緊急程度特征、所述任務所需設備特征、所述任務完成時間特征拼接形成所述巡檢任務特征向量；
9、構建動態自適應神經網絡，所述動態自適應神經網絡包含多個共振層，每個所述共振層包括多個通過突觸連接的神經元，所述共振層之間通過前饋連接和反饋連接傳遞信息，所述共振層內的神經元之間具有競爭性學習機制，當一個神經元被激活時抑制其他神經元的活動，所述共振層的神經元根據輸入特征和警戒參數進行激活，所述警戒參數控制神經元的激活閾值，所述共振層的神經元通過學習率控制權重的更新速度；
10、將所述巡檢任務特征向量添加至所述動態自適應神經網絡，通過所述共振層的神經元逐級進行特征變換，結合前向傳播算法計算得到任務優先級分類結果；
11、將所述任務優先級分類結果添加至預先設置的基于長短時記憶網絡構建的序列預測器，所述序列預測器根據當前輸入和上一時間步的狀態更新網絡狀態，在不同時間尺度下對所述巡檢任務特征向量進行建模，輸出包含任務特征與歷史任務特征關聯信息的任務時序關聯序列。
12、在一種可選的實施方式中，
13、基于所述任務時序關聯序列，構建遞歸注意力網絡進行多任務關聯分析，結合位置編碼建立任務依賴關系圖，基于所述任務依賴關系圖得到任務依賴矩陣包括：
14、構建遞歸注意力網絡對所述任務時序關聯序列進行處理，其中，所述遞歸注意力網絡包括編碼器和解碼器，將所述任務時序關聯序列添加至所述遞歸注意力網絡中，所述編碼器通過位置編碼機制對任務時序信息進行編碼，通過多頭注意力機制將所述任務時序關聯序列映射至語義特征空間，所述解碼器采用多頭注意力機制，對所述語義特征空間進行加權聚合生成任務依賴關系圖，所述任務依賴關系圖以有向無環圖形式表示任務之間的依賴關系；
15、根據巡檢任務總數量構建任務依賴矩陣，所述任務依賴矩陣的行數和列數均為所述巡檢任務總數量，為所述任務依賴矩陣的行和列建立與巡檢任務的標識符的對應關系，將所述任務依賴矩陣中所有元素初始值設置為第二預設值，遍歷所述任務依賴關系圖中的所有邊，獲取每條邊的源任務節點、目標任務節點及其對應的依賴關系權重值，基于所述源任務節點和所述目標任務節點的標識符，確定在所述任務依賴矩陣中的對應行索引和列索引，將所述任務依賴矩陣中對應所述行索引和所述列索引位置的元素值設置為第一預設值；
16、對所述任務依賴矩陣進行有效性驗證，根據所述任務依賴矩陣對角線上的元素值是否滿足均為第二預設值，所述任務依賴矩陣是否滿足有向無環圖特性，判斷是否存在循環依賴關系，若均滿足，則認為通過有效性驗證，否則認為有效性驗證未通過，修改所述第一預設值和第二預設值；
17、基于壓縮存儲對所述任務依賴矩陣進行存儲優化，其中，存儲元素值為第一預設值的位置信息及其對應的行列索引信息，生成所述任務依賴矩陣與巡檢任務標識符的映射關系表，輸出所述任務依賴矩陣。
18、在一種可選的實施方式中，
19、基于所述任務優先級分類結果、任務時序關聯序列和任務依賴矩陣，構建深度強化學習框架，其中，所述深度強化學習框架采用分層雙重網絡結構，包括任務分配主網絡和狀態評估輔助網絡，在所述任務分配主網絡中設置多個并行的策略分支并對所述巡檢任務特征向量進行多尺度本文檔來自技高網...
【技術保護點】
1.光伏發電場景下的無人智能巡檢設備協同調度方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，獲取光伏發電場景下的巡檢任務并轉換為巡檢任務特征向量，基于包含多個共振層的動態自適應神經網絡構建任務評估系統，為每個共振層設置不同的警戒參數和競爭性學習機制，將所述巡檢任務特征向量添加至所述任務評估系統，得到任務優先級分類結果，將所述任務優先級分類結果添加至預先設置的序列預測器，通過對不同時間尺度下的巡檢任務特征向量進行建模輸出任務時序關聯序列包括：
3.根據權利要求1所述的方法，其特征在于，基于所述任務時序關聯序列，構建遞歸注意力網絡進行多任務關聯分析，結合位置編碼建立任務依賴關系圖，基于所述任務依賴關系圖得到任務依賴矩陣包括：
4.根據權利要求1所述的方法，其特征在于，基于所述任務優先級分類結果、任務時序關聯序列和任務依賴矩陣，構建深度強化學習框架，其中，所述深度強化學習框架采用分層雙重網絡結構，包括任務分配主網絡和狀態評估輔助網絡，在所述任務分配主網絡中設置多個并行的策略分支并對所述巡檢任務特征向量進行多尺度處理，生成分支特征圖
5.根據權利要求4所述的方法，其特征在于，在執行操作后對所述初始溫度參數進行衰減如下公式所示：
6.根據權利要求1所述的方法，其特征在于，基于所述候選任務分配方案為每個巡檢設備構建狀態空間，將每個巡檢設備作為獨立智能體并配備局部決策網絡和價值網絡，對于每個智能體，通過異步經驗回放池按任務優先級共享狀態轉移數據，結合多目標遺傳算法對所述候選任務分配方案進行優化，以完成時間最小化、能源消耗量最小且覆蓋率最大為目標，通過非支配排序和自適應遺傳算子進行求解，生成改進解并基于圖注意力機制構建協同決策系統，基于所述協同決策系統建模智能體交互，生成決策輸出并構建置信度傳播網絡，通過殘差式消息傳遞更新任務分配約束，輸出候選調度方案并結合貝葉斯推理算法判斷是否存在異常，若存在，則再次進行優化，否則，將當前候選調度方案作為最優調度方案輸出包括：
7.根據權利要求1所述的方法，其特征在于，實時監測殘差收斂情況并收斂至全局一致的任務分配約束，輸出候選調度方案并結合貝葉斯推理算法判斷是否存在異常，若存在，則再次進行優化，否則，將當前候選調度方案作為最優調度方案輸出包括：
8.光伏發電場景下的無人智能巡檢設備協同調度系統，用于實現前述權利要求1-7中任一項所述的方法，其特征在于，包括：
9.一種電子設備，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序指令，其特征在于，所述計算機程序指令被處理器執行時實現權利要求1至7中任意一項所述的方法。
...【技術特征摘要】
1.光伏發電場景下的無人智能巡檢設備協同調度方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，獲取光伏發電場景下的巡檢任務并轉換為巡檢任務特征向量，基于包含多個共振層的動態自適應神經網絡構建任務評估系統，為每個共振層設置不同的警戒參數和競爭性學習機制，將所述巡檢任務特征向量添加至所述任務評估系統，得到任務優先級分類結果，將所述任務優先級分類結果添加至預先設置的序列預測器，通過對不同時間尺度下的巡檢任務特征向量進行建模輸出任務時序關聯序列包括：
3.根據權利要求1所述的方法，其特征在于，基于所述任務時序關聯序列，構建遞歸注意力網絡進行多任務關聯分析，結合位置編碼建立任務依賴關系圖，基于所述任務依賴關系圖得到任務依賴矩陣包括：
4.根據權利要求1所述的方法，其特征在于，基于所述任務優先級分類結果、任務時序關聯序列和任務依賴矩陣，構建深度強化學習框架，其中，所述深度強化學習框架采用分層雙重網絡結構，包括任務分配主網絡和狀態評估輔助網絡，在所述任務分配主網絡中設置多個并行的策略分支并對所述巡檢任務特征向量進行多尺度處理，生成分支特征圖并融合得到綜合特征表示，基于所述綜合特征表示生成初始任務分配方案，提取所述初始任務分配方案中的任務序列和時間窗口約束構建任務距離矩陣，結合改進的變鄰域搜索算法求解最優巡檢路線，得到候選任務分配方案包括：
5.根據權利要求4所述的方法，其特征在于，在執行操作...
【專利技術屬性】
技術研發人員：袁琳，龐恒茂，蔣云鵬，范明晨，張喜平，
申請(專利權)人：國家電投集團數字科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。