时间受限下的多无人机协同巡检技术在减少停机时间方面的应用——以海上风电场为例

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Time-Constrained Multi-UAV Collaborative Inspection for Offshore Wind Farms with Downtime Minimization

　　

摘要

无人机能够为海上风电场的自动巡检提供支持。现有研究主要侧重于缩短无人机的作业时间，而风力发电机的停机时间才是海上风电场经济损失的主要来源。此外，大多数现有的调度模型无法同时部署多架无人机对同一台风力发电机进行巡检，因而难以有效减少停机时间。

本文提出了一种新的海上风电场无人机协同巡检调度问题模型——在任务时间窗口约束下实现停机时间最小化（CIS-DM-TW-OWF），该模型具有三项核心创新点：（1）将风力发电机的巡检任务分解为多个并行子任务，以实现多架无人机的同步协作；（2）将优化目标从缩短巡检时间改为降低停机成本；（3）引入任务完成时间窗口约束，以确保方案的可行性。

本文还提出了一种改进的遗传算法（EGA）。该算法利用领域内的先验知识生成高质量的初始解群体，并结合双模式变邻域搜索机制，在迭代过程中既能处理可行解也能处理不可行解，从而提升算法的收敛速度和解决方案的质量。数值实验表明，与现有基准算法相比，EGA具有更出色的优化性能，且在不同的海上风电场布局下都能稳定运行，显示出很强的工程应用潜力。

引言

全球向可再生能源转型的趋势推动了海上风能的发展。截至2024年底，全球海上风能的累计装机容量已达83.2吉瓦，占全球风能总装机容量的7.3%[1]。中国拥有其中约50%的装机容量，并计划到2030年将这一数字提升至200吉瓦以上[2]。海上风电场通常位于环境恶劣的偏远地区，这使得其运营和维护成本极高，这些成本可能占到整个项目生命周期总支出的30%以上[3]。因此，降低运营维护成本对于提升海上风能的市场竞争力至关重要。风力发电机的停机所带来的运输和收入损失是导致高维护成本的主要原因[4]。而利用无人机平台进行全自动巡检，则为海上风电场的运营维护提供了一种具有成本优势的解决方案[5]。

在风力发电机附近设置无人机基地，可以缩短飞行距离，进而降低运输成本。另一种降低运营维护成本的策略则是尽量减少巡检过程中的风力发电机停机时间。如参考文献[[6]]、[[7]]中所指出的，为了获得清晰的图像，风力发电机在无人机巡检期间必须停止运转。过长的巡检时间会导致发电中断，从而造成巨大的经济损失，因此，多无人机协同巡检被视为减少此类损失的一项极具前景的研究方向。

本文提出了一种新的方法，让多架无人机在海上风电场巡检时协同工作。该方法将每台风力发电机的巡检任务分解为三个并行子任务：机舱、塔身和叶片的巡检。每台风力发电机都会配备一组专属的无人机。这些无人机遵循简单的操作流程：异步起飞，然后在风力发电机上方等待，同时开始对各自负责的区域进行巡检。如果某架无人机需要更换电池，那么整个无人机群就会返回基地更换电池，之后再前往下一台风力发电机处继续工作。这种方法能够有效减少海上风电场的停机时间，进而提升海上风能系统的经济性、安全性和运行稳定性。

对于多无人机协同巡检而言，有两种不同的电池更换方案。第一种是独立电池更换方式，只有电量不足的无人机才会返回基地更换电池，其余无人机则继续在风力发电机上空待命。但由于无人机在悬停状态下会持续消耗电量，这种方式容易导致调度上的死循环——无人机依次飞回基地更换电池，之后又重复这一过程。第二种方案是异步协同电池更换方式，当某架无人机需要更换电池时，系统会首先进行状态检测，判断其余无人机是否拥有足够的剩余电量来支撑其持续悬停。那些电量不足的无人机会被列入更换队列，通过多次筛选后，所有无人机会被分为两组：一组返回基地更换电池，另一组则继续留在现场执行任务。这种方案依赖于复杂的多层判断逻辑，计算量较大。此外，长时间悬停还会导致大量无法弥补的电量损失，增加无人机群的电池更换频率，进而延长整个巡检任务的持续时间。因此，这两种方案都被舍弃，最终采用了全集群同步电池更换机制。

图1展示了这种协同巡检方案的概念性示意图，图中显示有五架无人机正在对四台风力发电机进行巡检。图2中的流程图则详细说明了其中的时序逻辑和协作规则。在这种方案中，无人机会成组从基地出发，然后一同飞往指定的风力发电机处，按照预先规划的任务流程开展巡检工作。完成最初的协同巡检后，每组无人机会按照计划作为一个整体前往下一组风力发电机处继续工作。与此同时，系统会实时评估各组无人机的电池状况：如果有任何一组无人机——比如U₅——满足电池更换条件，那么该组的所有无人机都会一起返回基地，之后再继续执行任务；而那些电池电量充足的无人机则会继续完成各自的巡检任务。最后，当所有的巡检任务都完成后，无人机们会返回各自的基地。

CIS-DM-TW-OWF模型便是用于实现这一方案的。该模型以实际海上风电场的布局为基础，如文献[8]中所描述的，会在风电场内设置多个无人机基地，以确保方案的可行性。该模型的核心目标是尽可能减少海上风电场的总停机时间。在实现这一目标的过程中，该模型面临一个关键的权衡问题：任务并行化虽然能够减少每台风力发电机的停机时间，但会增加巡检无人机的数量以及总飞行距离，这可能会影响任务完成的效率。为了解决这一问题，该模型设置了时间窗口限制，以此控制总的巡检时间。这样的设计有助于海上风电场的管理者在巡检速度和停机成本之间找到平衡点。

为了解决这一复杂的NP难问题，特别是针对CIS-DM-TW-OWF模型，本文开发了一种改进的遗传算法。该算法在标准遗传算法的基础上进行了优化，采用了时间自适应协同路由初始化策略以及变邻域搜索机制，从而提升了算法的运行性能。

时间自适应协同路由初始化策略会利用模型参数来估算不同协同场景下的任务持续时间。在设定的时间窗口范围内，该策略会指导初始解群体中各无人机在不同风力发电机处的分布情况。基于这种分布情况，该策略会通过距离优先算法生成初始解群体，从而将搜索范围限定在更精确的区域之内。

变邻域搜索机制则整合了协同电池更换优化策略和协同任务重新分配策略，其搜索过程会在缩短任务完成时间和减少海上风电场总停机时间之间交替进行。是否采用某种邻域搜索方式，取决于时间窗口约束是否被违反。这种综合性的策略能够让算法根据约束条件的变化动态调整搜索方向，从而进一步提升算法的迭代效率和优化效果。

综上所述，本文共有三项核心贡献：

• a)
  提出了全新的优化模型CIS-DM-TW-OWF。与传统仅着眼于缩短无人机任务时间的模型不同，该框架通过分解任务并实现多无人机同步协作，首次实现了降低海上风电场整体停机成本的目标。
• b)
  设计了定制化的改进遗传算法。时间自适应协同路由初始化策略能够根据时间窗口约束生成高质量的初始解群体，而基于约束的多方向变邻域搜索机制则进一步优化了算法性能，提升了整体优化效果。
• c)
  通过数值实验得出了实用的决策建议。实验结果证明了该改进遗传算法的优越性，同时也揭示了时间窗口的严格程度对协同巡检策略的影响：时间窗口较紧时更适合采用简单的任务划分方式，而时间窗口较宽时则有利于实现更均衡的集群协作。

本文的结构如下：第二部分回顾相关研究文献，第三部分构建CIS-DM-TW-OWF模型，第四部分介绍所提出的改进遗传算法，第五部分展示并分析实验结果，第六部分对研究内容进行总结，并指出未来的研究方向。

章节要点

相关研究

为阐述本文的贡献——包括一种用于海上风电场的多无人机协同巡检方案、相应的停机时间最小化优化模型以及求解算法——本文从三个角度对相关文献进行了梳理。首先，介绍了基于无人机的技术在海上风电场巡检领域的最新进展；其次，回顾了多无人机协同任务分配的相关模型与方法；最后，介绍了支撑本文所提解决方案的进化优化算法。

CIS-DM-TW-OWF模型描述

在该模型中，风力发电机被视作N_w个“城市”，每个城市都需要进行N_s次巡检（每次对应一个子任务环节），而无人机则相当于从N_a个分布式机场出发的移动智能体。为便于进行精确的数学描述，我们定义无人机集合为U，风力发电机集合为W，机场集合为O；k用于表示无人机的编号，i和j则用于表示风力发电机的编号。在构建该模型之前，首先需要明确以下假设，以便界定模型的适用范围。

该模型是基于一些常见的假设构建的

求解算法

所提出的CIS-DM-TW-OWF模型包含两个关键的决策变量：无人机路径变量a_i、a_j、a_k，以及子任务分配变量x_m、x_j、x_k，由此形成了一个具有时间约束的动态版多旅行商问题模型，该模型需要在时间窗口的限制下寻找全局最优的协同巡检策略。

本文为CIS-DM-TW-OWF模型设计了改进的遗传算法。该算法采用了新的编码方式，不仅能够扩展信息的表达范围，还能避免算法陷入死循环，进而提升算法的优化效果

结果与分析

为了验证改进遗传算法在各种时间窗口约束条件下解决CIS-DM-TW-OWF模型问题的有效性，本文开展了相关实验。实验流程共分为三个部分：（1）案例描述，（2）与基准算法的对比，（3）不同海上风电场场景的测试。

所有的模拟实验都是在MATLAB R2022b环境中进行的，运算设备为一台搭载AMD Ryzen 9 7900X处理器、32GB内存的Windows 11系统电脑。

结论与未来研究方向

本文针对海上风电场巡检过程中停机时间过长的问题，构建了CIS-DM-TW-OWF模型，该模型明确考虑了时间窗口约束因素。其核心目标是通过优化的维护调度策略，提升海上风电场的运行可靠性和经济效益。本文的主要贡献在于提出了一种全新的协同巡检方案及其对应的优化模型，该模型通过改进的遗传算法得以求解。该算法还整合了时间自适应协同路由策略，进一步提升了优化效果

未引用参考文献

[[19], [20], [21],36]

CRediT作者贡献说明

范天远：论文撰写——审稿与编辑、论文撰写——初稿编写、可视化处理、软件工具使用、问题调研、形式化分析、数据整理、概念构思。傅立军：项目监督、项目管理、资金筹集。郭创新：项目监督、资源协调、项目管理。张岩：项目监督、概念构思。

范天远|傅立军|郭创新|张岩