電力行業旋翼無人機智能遺傳算法參數優化

金 釗，張 江，張 帆，楊佳藝

（1.內蒙古電力科學研究院，內蒙古呼和浩特 010020；2.包頭供電局，內蒙古包頭 014030）

隨著智能電網及物聯網ICT（Information Communication Technology）的大力發展，無人化、高效率機器辦公成為電網努力革新的方向。其中，電力巡檢一直都是電網保電傳輸的重要維護手段，為保證高質量巡視電力線，電網公司成立航檢中心，利用直升飛機及高精度相機來進行電力線缺陷檢測，其主要依靠人工檢測，具有一定檢查誤差，并造成了較大的人力資源及物力資源浪費。但隨著小型化民用無人機技術的成熟及價格越來越低廉，視覺無人機開始代替直升機做越來越多的工作，并開拓了新的發展思路及研究領域。電網行業秉承著科技革新的理念，開始利用無人機來代替直升機進行電力線的巡視工作。

相較于直升機，無人機飛行控制簡單，搭載高清圖傳可實時傳輸高清現場畫質，結合視頻處理，可應用于線纜纏繞物識別，絕緣子爆破等多個領域中，具有極其廣泛的探索研究前景。結合無人機的靈活性、高效率和速度，無人機已逐漸成為電網巡視系統檢測的新趨勢。但內蒙古電力科學研究院身處內蒙古，高低溫差大，平原遼闊風沙較大，成為無人機電力巡檢應用上一道巨大的壁壘，為普及無人機在內蒙古電力巡線上的應用，提升無人機在極端條件下的操控及適應能力成為內蒙電網無人機應用首要研究內容。

PID 是目前無人機主要應用的飛控算法，結構簡單、參數易整定、魯棒性強等特點成為無人機提升性能的主要技術手段[1-2]。但在處理無人機應用于極端條件時，PID 模型控制補償外部抗擾動能力較弱，平滑性、精確性與實時響應之間不能達到理想的平衡效果，無法應用于實際環境。而遺傳算法PID 參數控制算法采用快速迭代尋優策略，通過篩選經典PID 算法計算參數集來提升PID 算法尋優區間，響應速度快，可實時調節控制器參數，既保證了經典PID控制器的魯棒性又有較強的環境自適應能力，提升了無人機在極端環境下的可操作能力[3-5]。因此，深入研究遺傳算法對無人機在內蒙古電力巡檢上有深入研究的理論意義及對未來搭載無人機傳感器橫向應用具有廣泛前景。

1 改進遺傳算法應用步驟

1.1 遺傳算法的基本概念及算法流程

遺傳算法思想源于達爾文自然界優勝略汰的生物法則，最早由Michigan 大學的John Holland 提出[6]。其主要思想是模仿生物通過遺傳和進化過程來適應復雜環境變化的一種自適應全局優化概率搜索算法。其算法核心是通過選擇、交叉、變異3 個過程來模仿自然界法則，通過不斷迭代過程中生成的解集來優化參數區間，計算算法的最優解[5]。其主要核心算法流程如下：

編碼：以某種編碼方式為基礎，通過將染色體抽象為與編碼方式相對應的符號，并通過隨機排序生成種群串。

適應度：對種群串染色體進行編碼，并設每個種群個體對應一個解，且每個解對應一個適應度值。其中，適應度值是評判遺傳算法對于所解模型好壞程度的唯一計量標準。

復制：選擇前代中適應度值高的種群串來生成新一代的過程。通過定義計算適應度值越高的種群串為新一代來完成種群串進化。

交叉：源于種群繁殖進化過程，通過將隨機兩個染色體交叉重組來形成新染色體，并以此來計算出適應度高的染色體種群。

變異：以自然界中基因突變來對種群進行隨機改變，并小概率隨機地改變種群串某一位的值，來提升種群的隨機性。

其應用步驟如下：

1）編碼隨機問題解集，并生成初始種群；

2）計算初始種群適應度函數，并計算種群個體適應度值，優先選擇適應度值高的個體；

3）建立選擇算子、交叉算子、遺傳算子模型，開始遺傳操作流程；

4）設迭代完成或前后種群一致為算法終止條件，如果算法判定終止，則進入第5）步，否則以當前種群為新種群開始迭代；

5）輸出種群最高適應度值解集。

算法流程圖如圖1 所示。

圖1 遺傳算法系統流程圖

基本遺傳算法的5 個運行參數如下：

M：種群規模，考慮算法計算能力，取值為20～100；

G：定義為前后兩代染色體差值，若無重疊G=1，否則0＜G＜1；

Max Gen：終止進化代數，一般可以取100 到1 000；

Pc：交叉概率，一般可以取0.4 到0.9；

Pm：變異概率，一般可以取0.000 1 到0.1。

1.2 計算適應度

由上文介紹可知，遺傳算法適應度函數為算法計算種群優劣性的唯一評價標準。在遺傳算法迭代尋優過程中，通過計算新生種群適應度值來縮小最優解范圍，最后，計算種群中個體適應度值來求解。適應度計算方程主要選用誤差絕對值時間積分性能，并利用輸入平方項對控制能量進行約束[7]。可令目標函數如式（1）所示：

并將e(t)定義為系統誤差，u(t)定義為輸出，w1、w2、w3為權重值，相加和為1，tu用于調節時間。此外，目標函數的數值是大于或等于0 的，且計算值越大，算法越接近最優解。針對文中的研究內容，將目標函數改為適應度函數，文中研究適應度函數為：

1.3 選 擇

為有效地對生成種群進行編碼，文中研究采用均勻排序法，并依次對群體中的個體適應度值進行計算，并以單獨個體的適應度值種群占比作為該個體適應度概率，并定義概率函數如式（3）所示：

其中，Fcx為種群中第x個個體的適應度值，FΣ為當前種群適應度和。

通過使用適應度概率，可有效防止適應度值高的個體被淘汰，及防止隨機排序中個體選擇概率相同。

1.4 交 叉

進行完選擇流程后，被選擇個體會通過交叉方式來交換個體間字符串相對應的基因，并以此產生新生個體，該個體組合會繼承父代個體的優秀因子。文中主要采用算數交叉法，交叉后相鄰的第i個個體和第i+1 個個體如式（4）、（5）所示：

其中，Pc1=0.9，Pc2=0.6。

1.5 變 異

進行種群交叉完的個體，將有一定概率發生種群變異，該個體字符串某個值會發生改變[8]。因此，設變異概率如式（7）所示：

其中，favg定義為適應度均值，fmax為適應度極大值，Pm1為變異個體適應度值，Pm2為交叉個體最大適應度值；β∈[0 1]為一個隨機數；Kpmax和Kpmin分別為基因Kp的上限和下限；Kimax和Kimin分別為基因Ki的上限和下限；Kdmax和Kdmin分別為基因Kd的上限和下限。

2 PID控制器設計

PID 控制是一種經典的線性控制方法，其模型主要通過對差值輸入信號進行比例、積分、微分運算，來對控制對象進行最優解計算，從而得到PID模式控制器的理想輸出[9]。其算法模型原理圖如圖2所示。

圖2 PID算法系統框圖

其中，r(t)為系統輸入，e(t)為輸入與輸出間的差值，u(t)為控制器輸出，y(t)為系統輸出，Kp，Ti，Td分別為系統的比例參數、時間常數及時間微分常數，Ki=Kp/Ti為系統積分常數，并定義微分參數Kd=Kp*Td，Kp，Ki，Kd即為文中所搜索尋優參數。

2.1 基于改進遺傳算法的PID控制器設計

文中結合上文遺傳算法模型與典型PID 控制器，構成了基于遺傳算法的PID 模型參數控制器。遺傳算法PID 控制器中，經典PID 控制器主要工作為控制對象的進閉環循環控制，而新加的遺傳算法模塊則依據經典PID 系統運行參數來優化PID 參數的數值，直到前后參數結果一致或迭代結束，并輸出最優參數[10]。

遺傳算法PID 參數控制器中，遺傳算法模塊將PID 控制器的Kp，Ki，Kd3 個參數作為遺傳算法輸入解集區間；遺傳算法模塊主要對輸入解集進行編碼，種群篩選、交叉、變異，并通過迭代來尋優[11-12]。其模型框圖如圖3 所示。

圖3 遺傳算法PID控制器

2.2 電力巡線無人機姿態控制數學方程的建立

文中主要研究旋翼無人機在極端環境下的姿態控制，與速度成正比的阻力是研究無人機在風沙環境下的主要擾動因素，故文中以該擾動因素作為主要影響量，近似模擬無人機在實際環境中的飛行狀態。文中將與速度成正比的阻力作為擾動因子，建立無人機狀態空間方程，如式（14）所示[13-15]：

根據上文的狀態空間方程和系統傳遞函數G(s)=(sI-A)-1，可計算得到Z軸和姿態傳遞函數，如式（15）～（18）所示[16-19]：

3 仿真實驗結果

文中主要研究無人機在電力巡檢作業中的PID參數控制，故選取式（12）旋翼無人機俯仰角模型及式（13）偏航角模型，并在Matlab 進行建模。分別設俯仰角仿真時間為0.8 s，翻滾角響應速度為3 s，輸入信號為單位階躍信號，迭代次數Max Gen 為20，姿態控制模型參數定義如表1 所示，其實驗結果如圖4～6 所示。

表1 姿態控制模型參數定義

圖4 最優適應度值與平均值

圖5 翻滾角PID響應

根據圖4～6 中的計算結果可知，遺傳算法PID 控制模塊計算種群平均適應度值為0.023 672，最優適應度值為0.022 994 2，且從圖4 可以看出，遺傳算法PID 參數模型相較經典PID 參數模型具有更快的響應速度，并隨時間變化收斂性更好，俯仰角爬升至2 m后快速平滑。從圖4、圖5 可以看出，遺傳算法PID參數控制相較傳統PID 模型具有更快的整定速度及更高的算法收斂度，提高了算法應對變化環境的實時性。

圖6 俯仰角PID響應

4 結束語

旋翼無人機PID 參數控制器算法的主要計算核心是PID 參數模塊，但由于PID 參數模塊PID 模型控制的補償外部抗擾動能力較弱，文章通過遺傳算法尋優來提升算法的復雜環境自適應能力，提升PID參數控制器的復雜環境穩定性，進而提升無人機在復雜環境中的可操作能力。為驗證遺傳算法與PID模型的定相結合效果，通過在Matlab 上搭建無人機姿態控制模型并進行仿真，通過實驗結果證明：遺傳算法PID 參數控制器相較經典PID 參數控制器有更快的整定速度、低超調，收斂更加精準，可以滿足無人機在實時環境下姿態控制的要求，進而提升無人機在多變環境下的可操作能力。