变电站设备人工巡检的低效率和高成本促使变电站巡检机器人在各大变电站的应用越来越广泛。在变电站巡检机器人的各项技术研究中路径规划算法是衡量巡检机器人是否能快速而准确完成巡检工作的标准，随着国内外学者对人工智能算法研究的逐渐深入，路径规划算法技术也逐渐成熟。

本文针对变电站巡检机器人路径规划智能算法的实现问题和算法收敛速度优化以及全局最优值优化问题展开研究，具体内容有：变电站环境建模、遗传算法实现变电站巡检机器人路径规划、遗传算法的改进和仿真数据对比分析。本文首先在分析了变电站与巡检机器人的交互关系以及巡检机器人常用的定位导航方式后，获得了简化的变电站地图。通过对比常用的地图建模方法，最终采用栅格法完成了变电站地图建模，为后续变电站巡检机器人路径规划算法的Maltab实现提供了地图数据。然后在设计变电站巡检机器人路径规划算法时，按照巡检设备的多少把巡检工作分为特殊巡检模式和常规巡检模式。针对变电站特殊巡检模式，本文通过在遗传算法中导入地图数据完成了该种模式下的路径规划，针对变电站常规巡检方式，采取先用A*算法计算距离矩阵，然后将距离矩阵数据导入到遗传算法中进行运算，以避免巡检点多和巡检点之间的距离计算量大的问题。最后就遗传算法求解变电站巡检机器人常规巡检模式和特殊巡检模式路径规划问题进行Matlab仿真。针对仿真结果中遗传算法表现的收敛速度慢、容易陷入局部最优且规划路径的最优值不够理想的问题，提出一种改进的遗传算法。改进遗传算法首先采取贪婪算法初始化种群和精英保留策略，然后对传统遗传算法的交叉概率Pc和变异概率Pm进行一端线性调整一端非线性自适应调整，最后在交叉变异算子运算后引入模拟退火算法的自然降温思想。

通过Matlab对改进遗传算法、传统遗传算法、蚁群算法和模拟退火算法就变电站巡检机器人路径规划问题进行20次仿真测试，通过对比各算法的最优仿真结果，证明了改进遗传算法可以快速实现变电站常规巡检模式和特殊巡检模式下的路径规划，同时改进遗传算法的运行时间比传统遗传算法缩短了35.42%，规划的全局最优路径值比传统遗传算法减小了29.19%，且改进遗传算法的收敛速度更快，可以改善传统遗传算法容易陷入局部最优的问题。

[1]冯坤. 变电站巡检机器人系统设计和实现[D]. 四川：西南交通大学,2018.

[2]赵雪楠. 配电网可靠性评估中不确定性信息的处理方法研究[D]. 北京：华北电力大学,2012.

[3]张昕妍. 早期机器人知识的传播与产业政策的发展[D]. 内蒙古：内蒙古师范大学,2016.

[4]杨象军. 基于四线激光雷达的道路检测与跟踪[D]. 杭州：浙江大学,2013.

[5]张智, 翁宗南, 苏丽等. 室内机器人避碰路径规划[J]. 小型微型计算机系统，2019，40(10):2078-2081.

[6] R. Kuo, L. Lin, Application of a hybrid of genetic algorithm and particle swarm optimization algorithm for order clustering[J]. Decision Support Systems, 2010, 49(4): 451462.69-73.

[7]孙魁伟. 基于贪婪算法的自动排课系统的设计与实现[D]. 大连：大连理工大学,2013.

[8]关晓蕾. 生物地理优化算法及其在机器人路径规划中的应用[D]. 哈尔滨：哈尔滨工程大学,2011.

[9] Shi Y h, Eberhart RC. A modified particle swarm optimizer[C]. Proceedings of the 1998 Conference of Evolutionary Computation, Anchorage, AK, USA, 1998:148-172.

[10]王戌. 智能仓库多移动机器人的路径规划研究[D]. 大连：大连交通大学,2014.

[11]陈杰. 基于蚁群算法的机器人路径规划研究[D]. 南京：南京理工大学,2009.

[12] Luan Y Q, Yang W, Xiao P, et al. Design of Automatic Thermostat Control System for Substation Inspection Robot[C]. Trans Tech Publications, 2015, 716: 1457-1460.

[13] Wang T B, Wang H P, Qi H, et al. The Humanoid Substation Inspection Robot Modelling Design[J]. Applied Mechanics and Materials, 2013, 365(4): 771-774.

[14] Hong S, Kim J, Pyo J, et al. A robust loop－closure method for visual SLAM in unstructured seafloor environments[J]. Autonomous Robots, 2016, 40(6): 1－15.

[15]任仕玖，宋辉，蒋勋. 基于改进Prim算法的变电站巡检机器人路径规划[J]. 西南科技大学，2011，26（1）：61-63.

[16] Wang C, Wei S, Zhang F. Development of Automatic Detection System for EGR Valve Position Sensor[J]. Applied Mechanics & Materials, 2015, 181:3-50.

[17] Sipil? K. Energy-consumption and economic analysis of group and building substation systems—A case study of the reformation of the district heating system in China[J]. Renewable Energy, 2016, 87:1139-1147.

[18]姚君延. 基于深度增强学习的路径规划算法研究[D]. 成都：电子科技大学,2018.

[19]刘锦. 混合遗传算法和模拟退火算法在TSP中的应用研究[D]. 广州：华南理工大学,2014.

[20] Ma Y, Wang H, Xie Y, et al. Path planning for multiple mobile robots underdouble–warehouse[J]. Information Sciences, 2014, 278: 357-379.

[21]张楠. 变电站巡检机器人路径规划的智能算法研究[D]. 安徽：合肥工业大学,2018.

[22]管文龙. 变电站巡检机器人的充电系统设计[J]. 机电信息，2014,1(9)：88-89.

[23]史奎凡，陈月辉. 提高遗传算法收敛速度的方法[J]. 信息与控制，1998，4(27)：289-293.

[24]郭毅. 智能巡视机器人的研究与开发[D]. 兰州：兰州大学,2014.

[25] Rand C, Schuster M J, Hirschmuller H, et al. Submap matching for stereo－vision based indoor/outdoor SLAM[C]. International Conference on Intelligent Robots and Systems, IEEE, 2015:5670－5677.

[26] Chaple G N, Daruwala R D, Gofane M S. Comparisions of Robert, Prewitt, Sobel operator based edge detection methods for real time uses on FPGA[C]. Technologies for Sustainable Development, 2015:1-4.

[27]张杨. 基于遗传蚁群算法的红外图像分割方法研究[D]. 北京：中国民航大学,2016.

[28]张春涛. 遗传算法及其在数值逼近中的应用研究[D]. 重庆：重庆大学,2004.

[29]刘研. 改进遗传算法及在电器产品优化设计中的研究[D]. 沈阳：沈阳工业大学,2007.

[30]程华彬. 基于超声波传感器的移动机器人定位研究[J]. 传感器与微系统,2018,2(4)：60-64.

[31]李超. 基于自适应遗传算法的BP神经网络预测研究及应用[D]. 山西：山西师范大学,2012.

[32]马浩浩. 基于栅格模型下机器人路径规划的改进遗传算法[J]. 无线通信技术，2019，2（2）：55-61.

[33]孙文娟. 自适应遗传算法的该井及其在爆炸冲击响应谱时域合成优化中的应用研究[D]. 北京：中国科学技术大学,2019.

[34] Luo Xianyue, Gao Jipu, Long Zheng. Intelligent Path Planning Method of Inspection Robot System[A]. 1672－9102(2018) 04－0075－08.

[35]沈宇. 变电站巡检机器人路径规划技术研究[D]. 武汉：华中科技大学,2017.

[36]刘明春, 张葛祥, 黄占鳌, 等. 基于深度学习的变电站巡检机器人道路场景识别[J]. 科学技术与工程, 2019, 19(13)：158-163.

[37]缪桂根. 改进遗传算法求解TSP问题的Matlab程序设计[J]. 雄师范学院学报,2011, 1(3)：5-10

[38]常淮阳. 基于改进蚁群算法的移动机器人路径规划问题研究[D]. 长春：长春工业大学,2018.

[39]王鑫淼. 仓储作业中多搬运机器人动态路径规划研究[D]. 北京：北京交通大学,2019.

[40] Tate M W, Purohit P, Chamberlain D, et al. High dynamic range pixel array detector for scanning transmission electron microscopy[J]. Microscopy and Microanalysis, 2016, 22(1):237-249.

[41]何宏. 一种新的种群自适应遗传算法[J].计算机应用研究，2006，22(10)：30-32.

[42]汪贵庆. 基于精英蚁群算法的交通最优路径研究[D]. 南京：南京大学,2019.