計及電網工程全壽命周期的輕量化三維模型自動化校驗

張愛軍, 白 英, 邵雪瑾, 王新新

(1. 河海大學 能源與電氣工程學院, 南京 210098; 2. 寧夏寧電電力設計有限公司 變電設計中心, 銀川 750000)

隨著我國電力設計行業的發展,輸變電工程項目設計過程中諸多創新性數字化技術也逐漸投入應用,并取得了若干探索性成果.在電力設計領域,三維設計已成為了重要的技術應用,同時也令三維交底的重要性越發凸顯[1].國家電網公司指出,在輸變電工程的建設施工階段,以電力三維輕量化模型為代表的三維設計交底成為電力設計領域不可忽視的關鍵環節[2].但由于目前三維設計交底的校驗水平不足,且缺乏自動化及數字化方法,因此在考慮電網工程全壽命周期前提下的三維設計交底實際完成情況仍不理想.

輸變電工程的三維設計交底與其數據密切相關.電網信息模型(grid information model,GIM)的設計標準要求在輸變電工程的設計過程中,基于通用模型對電力設備設施開展精細化建模,由此促進建筑信息模型(building information model,BIM)得到充分利用.BIM可以通過與電力設計數據的交互完成對輸變電工程設計的數字化管控,從而實現對項目設計的合理協調[3].然而,僅依靠BIM完成三維模型校驗存在獲取數據成本較高且效率偏低的問題.當前主流方法是將點云與BIM相結合,進而輔助人工完成數據的獲取并實現三維模型校驗[4].點云主要是根據屬性劃分數據,提取點特征后,將所得特征內的三維幾何屬性輸入到分類模型中進行標簽分類,從而獲得相應的判定結果.WANG等[5]針對城市激光雷達數據,重點提取像素特征進行比較,并通過隨機森林(random forest,RF)分類器完成特征分類;CHEN等[6]采用具有混合核函數的支持向量機(support vector machine,SVM)實現對點云特征的語義分類;徐國艷等[7]針對駕駛障礙物檢測的效率問題,通過點云過濾與分割算法完成點云縮減,并利用改進的AdaBoost算法實現點云特征分類,以提高檢測精度.但上述方法主要是依靠大量實驗獲取的先驗知識來人工提取點云特征,并未考慮領域中各點間的關系,故難以避免噪聲影響,由此導致結果不穩定.針對此問題,蔣騰平等[8]在三維點云中引入馬爾可夫隨機場(Markov random field,MRF),并結合殘差學習(ResNets)完成特征的自動提取;而邵磊等[9]則在考慮多尺度體素的基礎上,利用條件隨機場(conditional random field,CRF)實現了點云特征的分類.然而此類方法雖然改善了分類性能,但仍依賴人工設定的規則,對于不同場景的泛化使用性能較弱,未能完全實現自動化應用的目的.

我國水資源總量為28 412億m3，居世界第六位，人均水資源量約2 100 m3，為世界平均值的28%。人多水少、水資源時空分布不均是我國的基本國情和水情。水資源的有效開發利用有力地支撐了經濟社會的快速發展，但總量不足和水質惡化導致的水資源短缺也成為制約我國經濟社會發展一大“瓶頸”。

本文針對當前輸變電工程三維設計交底過程中對三維輕量化模型自動化校驗水平不足的問題,提出了一種計及電網工程全壽命周期的模型自動化校驗方法.該方法在現有研究的基礎上分析了三維交底數據的需求,并基于GIM模型構建輸變電工程輕量化三維模型,通過SLAM技術進行相關工程三維點云的拼接重建;同時設計了改進的KPConv模型來實現點云語義的分割,且最終根據節點對比結果完成自動化校驗.

首先，祭祖祀神可以滿足民眾祈求風調雨順、五谷豐登、村族平安的愿望，即最基本的生存和生活愿望。“歷代俗民的生存愿望與生活需求是民俗得以產生、傳習、保存、應用的基本動因。”“百家宴”傳承八百多年，其根本原因也在此，雖然在現代社會人們生活水平已經大大提高，但是這種訴求是永遠無法完全滿足的，而祭祖祀神可以使人們在精神上得到慰藉。

1 輸變電工程三維設計交底

1.1 數據需求分析

輸變電工程三維設計交底是由相關工程設計單位向建管單位、施工單位進行的設計方案交底.在工程全壽命周期中需要依據輸變電工程建設的有關規程規范,在考慮整體設計思路、強條反措、施工標準工藝、新設備與新材料使用情況等全壽命周期設計要素的基礎上,自動生成工程建設強制性條文庫、質量監督檢查表模板庫以及標準工藝庫等.

BIM技術可實現三維可視化,并將項目基礎數據進行協同與共享,而工程量信息可以根據時空維度、構件類型等進行匯總、拆分及對比分析.因此在進行輸變電工程三維設計交底時,需要在三維場景中對關鍵尺寸、角度和材質等信息進行標注并作出必要施工要點的批注,進而為交底過程中數據校驗的精確定位提供依據.三維模型數據的標注如圖1所示.

1) 傳感器終端數據獲取.在視覺SLAM中通過負載的視覺傳感器終端獲取數據并讀取完成預處理,進而生成局部三維點云.

患者得到以上實惠，靠的是“大醫星海”APP。此APP可用于預約掛號及支付管理、候診管理和智慧導診、會診轉診，以及電子病歷及報告查詢，也在開放接口實現了對接第三方醫療及健康類細分服務的作用。患者、醫生、醫院三位一體是軟件特色，服務模塊主要包含“門診業務”，提供自診、預約掛號、支付服務、候診管理、體檢套餐、床位信息等；“我的醫生”端口，可提供醫患在線圖文語音會話、通訊錄管理、消息群聊，報告查詢，提供就診化驗、體檢數據查詢；“我的”端口，則能提供就診記錄查詢、健康卡管理、服務訂單、住院意見反饋，等等。

1.2 輸變電工程輕量化三維模型

1.2.1 GIM模型解析技術

本文引入GIM技術來構建相關工程的輕量化三維模型.GIM梳理共性需求,且將可傳承性的輸變電工程信息加以規范,進而建立統一的模型框架及描述方式,實現不同平臺的采集及應用.

GIM文件內存儲了輸變電工程的三維設計成果,包括三維模型和數字化參數.其中電氣設備由GIM交互規范規定的基本圖元組成,文件中具體描述了其位置空間與尺寸[10-11].變電工程三維設計成果中的土建部分以IFC格式存儲在GIM文件中.但由于IFC文件對模型的描述沒有GIM文件直觀,因此需要研究其對模型位置空間尺寸的存儲規則或通過在GIM文件中引入特殊屬性描述的方式,對土建部分模型的位置空間尺寸進行描述,以實現對該部分模型的關鍵數據提取.

“李鐵夫年八十以后所作”一印原石現存我館，邊款“鐵夫先生社長八十壽，叔厓敬祝，一九四九年十一月”，叔厓即錢瘦鐵⑥。所以，6件鈐有此兩印的作品（有3件同時署有“八十八老人”款）都為當時書寫的作品，即創作時間為：1949年11月。

1.2.2 三維模型輕量化

輸變電工程的三維模型復雜程度高且數據規模龐大,為了能在用戶終端設備上快速顯示三維模型,實現模型的高效瀏覽和交互,需要研究一種多層次的三維輕量化圖形平臺.該平臺在保證三維模型對象可用性的前提下,還可對原始模型數據進行壓縮、過濾及優化,以減少模型的規模、降低內存使用量及加快顯示速度.

SLAM技術主要通過移動機器人的視覺傳感器完成對未知環境的位置估計,是建立語義地圖的核心,可直接影響到點云拼接重建的質量.該技術主要由5個單元漸次構成:傳感器終端、前端、后端、回環檢測以及語義地圖[13-14].具體分析如下:

以往4D模擬均依托處理過的模型進行分析,存在信息丟失的問題.而本項目使用國網公司首批試點工程形成的三維數據,并應用GIM模型以保證結構、模型和屬性的完整.所建立的輸變電工程輕量化三維模型如圖2所示.

圖2 輸變電工程輕量化三維模型Fig.2 3D model of power transmission and transformation project

2 三維模型點云拼接重建

在對輕量化算法研究的基礎上,為了減少模型渲染過程中的數據傳輸量,采用三維瓦片處理技術[12]在服務端將一個大場景切割成不同等級和范圍的瓦片.而客戶端則根據當前屏幕顯示的區域與視角距離進行動態按需獲取,并在客戶端進行加密緩存及同步更新,從而有效解決網絡傳輸數據量較大的問題,且對性能進行全面優化.

男人說著就在女人臉上親了一口，女人摟著男人的脖子嗲聲嗲氣地說：“你還說！人家這不是在乎你嗎？哦，我忘了告訴你了，我那天在珠寶店看到一串項鏈，可漂亮了！”

你們具有承擔責任的能力（包括心理能力和行動能力）嗎?愛情不是只有甜蜜和溫馨，也有意外和傷害。意外懷孕了，你們有能力解決嗎？爭風吃醋大打出手了，你們有能力去解決嗎？吵架分手后，若其中一方一哭二鬧三上吊，你們有能力化解嗎？沒有。那么，同學們，請問，現在的你們適合戀愛嗎？

2) 傳感器前端位姿估計.該單元的作用在于當相機發生位移時,通過幀間變換對所獲取的每幀圖像進行位姿估計,從而得到相機的位移軌跡,以實現即時跟蹤.本文采用特征點法完成位姿估計,并通過對特征點的提取和匹配實現對SLAM技術的改進.特征點的提取需要描述圖中關鍵點的坐標信息以及坐標與周圍像素的關聯性,然后提取圖像中的可辨特征,再完成特征點匹配以估計位姿,從而建立稀疏性地圖,實現多視角的點云拼接.

3) 傳感器后端優化.當前端通過位姿估計完成相機初試位移軌跡預測后,考慮到位移中可能存在幀間誤差和噪聲導致的軌跡偏移誤差,采用非線性優化方法來保證位移軌跡最優,進而建立最優語義地圖.采用卡爾曼濾波方法完成非線性優化.

假設問題具有馬爾科夫性,按照某時刻輸入及觀察狀態計算現有的后驗概率,即

(1)

詞條Mi的權重為TF與IDF的乘積,即

X*=argmaxP(x|z)=argmaxP(z|x)P(x)

(2)

4) 回環檢測.該單元主要用于分析相機位移過程中是否經過同一點位,可通過對比當前與歷史的圖像幀進行確認.而考慮到對圖像直接進行特征匹配會造成計算資源的浪費,故采用詞袋結構完成回環檢測.同時為了提升區分度,還利用TF-IDF完成袋中節點的加權.假設總的詞條數目為N,Ni表示某類詞條出現的頻次,則TF可表示為

在網絡技術飛速發展的今天，面對大學生人格發展歷程中可能出現的各種問題，所有的教育工作者都應牢記榮格曾強調的“教育及心理治療的主要目的，并不是使求助者進入一種不可能的幸福狀態，而是幫助他們樹立一種面對苦難的、哲學式的耐心和堅定。”［3］

(3)

與之對應的IDF為

IDFi=ln TFi

(4)

式中:P(x)為先驗概率;P(x|z)與P(z|x)分別為后驗概率和似然概率.可通過后驗概率實現尋優最大化,即

天氣實況分析資料來自常規氣象觀測資料和NCEP/FNL 1°×1°再分析資料。其中常規觀測資料為地面逐3 h資料,高空逐12 h資料;航空氣象自動觀測資料(以下稱為AWOS)為逐1 min觀測資料,包括風場、氣壓、氣溫、降水量等氣象要素;形勢場分析和中尺度模式WRF模擬資料均采用NCE/FNL 1°×1°逐6 h再分析資料。

Wi=TFi×IDFi

(5)

由此可得到表征全部詞條權重的集合

C={(M1,W1),(M2,W2),…,(Mn,Wn)}

(6)

依照計算的相似性開展評估,若預測圖像與目標圖像幀的相似度超過設定值,則判斷回環發生的概率較高.為了防范偶發性,還需要完成連續檢測才能最終確定,并通過非線性優化消除誤差.

為構造“反事實情形”從而使實施過境免簽政策的分組與對照組具有共同趨勢，本文采用傾向得分匹配法進行匹配。采用馬氏距離方法進行一對一的傾向得分匹配，結果如表3，即模型（2）所示。比較匹配前后結果可以發現，相比匹配前的數據，匹配后的數據的均值偏差、中位數偏差均顯著降低，匹配效果較好（表4）。進而采用匹配后的數據再次進行共同趨勢檢驗，表2模型（3）表明依據匹配后的數據，政策虛擬變量并不顯著影響入境旅游人次，即匹配后的數據滿足共同趨勢假定。

3 三維模型自動化校驗

3.1 KPConv模型原理及改進

在二維圖像卷積理論的基礎上,對三維點云進行KPConv卷積操作[15].將點云中的某點作為球心,從而構建球狀卷積核,并針對核內三維坐標點進行特征整合求解,即KPConv卷積的核心在于核函數的求解.

首先設定固定半徑為R的球狀卷積核鄰域,并建立K個核心點k0～kK-1,同時獲得K個初始化權重W0～WK-1.然后對于核內任意一點y,核函數G(y)可通過加權求和得到,其中求和權重滿足

(7)

5) 語義地圖建立.在原有項目中增加自建節點,集成SLAM技術中的RGB-SLAM3,從而完成點云的重建并建立語義地圖.利用各類標簽表征物體的類型與坐標,實現精準辨識及人機交互.

由此,通過KPConv卷積操作可以將輸變電工程輕量化三維模型點云的空間分布納入特征運算中,以解決空間的不連續性問題.同時令該模型獲取三維模型的局部特征,進而實現對三維模型的直接性語義學習.

(8)

3.2 KPConv網絡結構及改進

KPConv網絡結構主要由編碼器和解碼器組成.編碼器通過對殘差網絡進行修改得到,其包含3個大小分別為1×1、3×3和1×1的卷積模塊串聯結構,能夠實現對輸入特征的降維、變換與升維.編碼器結構如圖3所示,圖中Dimi和Dimo分別表示輸入與輸出特征的維度,Dimb則表示3×3卷積層輸入和輸出的特征維度.

8月施肥處理下禾本科和莎草科DM載畜量最高(56.66和14.00羊單位/hm2)，補播處理下豆科DM載畜量(13.33羊單位/hm2)顯著高于施肥和CK(P<0.05)。9月份施肥對莎草科DM載畜量(8.54羊單位/hm2)促進作用顯著高于補播和CK(P<0.05)，補播對禾本科和豆科DM載畜量促進作用最強(38.14和8.63羊單位/hm2)。6，7和9月補播對禾本科、豆科和莎草科DM載畜量的促進作用最佳，8月施肥對禾本科和莎草科的促進效果最好。

圖4 KPConv模型解碼器結構Fig.4 Decoder structure of KPConv model

3.3 自動化校驗

在完成輸變電工程三維輕量化模型的點云語義分割后,與三維可視化系統進行連接,通過對國網公司工程三維設計成果數據進行對比完成自動化校驗,校驗結果示例如圖5所示.

圖5 自動化校驗示例圖Fig.5 Example diagram of automatic calibration

自動化校驗的主要流程如下:

1) 點云顯示.將點云的三維空間映射至系統的二維界面進行展示,以便于對比觀察.

表4中，M1為H1的檢驗結果。其中，FS與RD顯著正相關（β=0.0018，p＜0.01），現金冗余可有效支持研發投入，H1得到驗證。

2) 實景展示.模擬位移和觀察視角變動,展示實景及虛擬現實效果.

3) 重建驗證.基于SLAM技術動態顯示工程實景,驗證重建過程.

4) 語義檢測.結合改進KPConv模型與點云顯示技術,自動計算語義信息對比結果并通過可視化系統進行展示.

4 實驗分析

4.1 實驗環境

為了檢驗本文自動化校驗方法的有效性,采用開源三維語義庫Torch-Points 3D對所提出的改進KPConv模型進行測試.實驗數據來源于某省2019年4月～2022年4月的輸變電工程三維設計模型數據,實驗硬件環境如表1所示.

表1 實驗硬件環境Tab.1 Hardware environment of experiment

4.2 實驗結果

本次實驗的源碼基于Torch-Points 3D 1.0.1版本設計,將數據集按照9∶1的比例劃分為訓練集和測試集,且每訓練完1個epoch便開始進行測試.其中,1個epoch包含輸入點云、定義標簽、標簽對比、計算損失函數以及反向傳播5個步驟.設定的模型參數如表2所示,優化器選用隨機梯度下降法,分割損失函數使用負對數似然函數.

表2 模型參數設置Tab.2 Settings of model parameters

為了對比改進前后的KPConv模型校驗效果,將兩種模型均交并比(mean intersection over union,MIOU)值隨迭代次數的波動情況進行對比,所得結果分別如圖6、7所示.

圖6 改進前KPConv模型的性能Fig.6 Performance of KPConv model before improvement

圖7 改進后KPConv模型的性能Fig.7 Performance of KPConv model after improvement

由圖6、7可以看出,改進前KPConv模型MIOU最大值為65.662 2%;而改進后模型MIOU最大值則可達69.250 7%.通過對比可知,改進后KPConv模型大幅減少了網絡參量,提高了運算效率.而通過MIOU最大值的對比可以看出,改進后模型相比改進前具備更優的校驗精度及良好的自動化校驗性能,更適用于輸變電工程輕量化三維模型的自動化校驗.由于MIOU曲線與擬合曲線的對比結果可以在一定程度上表征校驗誤差[16],為了驗證模型校驗誤差,將改進前后KPConv模型的MIOU曲線與其擬合曲線的均方根誤差(RMSE)進行對比,所得結果如表3所示.由表3可以看出,改進后KPConv模型MIOU曲線的RMSE低于改進前KPConv模型MIOU曲線的RMSE,表明改進后KPConv模型的穩定性更好.所得自動化校驗結果在三維可視化系統中的展示效果如圖8所示.從圖8中能夠清晰地看到三維交底效果較為理想.

表3 模型穩定性對比Tab.3 Model stability comparison

圖8 自動化校驗結果在三維可視化系統的展示圖Fig.8 Display drawing of automatic calibration results for 3D visualization system

5 結 論

本文提出了一種計及電網工程全壽命周期的輕量化三維模型自動化校驗方法.通過分析基于BIM技術三維設計交底自動化校驗的數據需求明確了數據來源,并在GIM模型的基礎上建立了輕量化三維模型,利用改進SLAM技術完成三維點云的拼接重建.通過改進KPConv模型的求和權重求解方法與解碼器的網絡結構,實現了快速三維點云的語義分割,且最終結合可視化系統完成自動化的校驗及展示.實驗結果表明,所提校驗方法具有良好的校驗精度及效率,能夠基于BIM技術完成相關工程輕量化三維模型的自動化校驗,有助于施工前三維交底工作的順利開展,對電網工程的三維設計具有重要意義.