基于GIS 的流域梯級電站綜合信息處理關鍵技術研究

李光華，謝鳳祥，羅濤

（國能大渡河流域水電開發有限公司，四川成都 610000）

目前，電站的綜合信息鏈涉及范圍廣且結構復雜，其關鍵作用在于對應急資源、運行狀態、氣象水情、車輛預警及人員等實施及時有效的調配。如何全面整合、精準分析、合理調配各站的綜合信息是當前的研究重點。運行人員無法實現對電站的全面管控，缺少切合流域梯級電站實際的可視化管控技術。通過3D 可視化技術、3D 數字技術，再結合GIS系統，將電力、BIM、氣象、車輛、預警、3D 數字廠房等數據進行整合，建立一個以地理信息系統為平臺，加載各類圖層和數據集合并能進行3D 綜合展示的決策指揮中心[1-2]。該中心能夠從電站安全、運行穩定、預控措施、實時診斷、實地應急處置等多維度綜合展示電站信息，全方位實現流域梯級電站可視化。其中，隱患實時管控、提級預防模塊尤為重要。當流域關鍵隱患點已確定時，能依靠高精度影像數據實時掌控隱患動向。與此同時，對于隱患發展趨勢的預測也不容忽視，需借助智能算法及工作流程，建立在線診斷模型，優化關鍵參數，提高流域梯級電站的隱患預防及處置能力，最大化地減少因隱患監測不到位而造成的固定性損失[3-5]。

為解決流域電站綜合信息分散性強、容錯性小的局限性問題，該文在現有流域電站信息的基礎上，利用在線診斷與離線優化為關鍵數據處理架構。最大化電網安全、穩定運行的決定性因素，整合流域梯級電站綜合信息，實現了梯級流域電站的可視化管控。

1 GIS集成流域綜合信息展示

流域綜合信息展示的關鍵在于全域信息可視化，其考慮了天氣、光度、地貌結構、地貌層級構架等因素，綜合各項關鍵參數建立地貌關鍵結構，在此基礎上實現流域綜合信息可視化展示。

GIS 數據包括影像數據、高程數據以及各類涉及空間位置信息的數據，通過符號化、矢量化、影像轉換將GIS 數據轉換為可接入的格式，即可實現GIS 地形與BIM 模型無縫結合[6-8]。GIS 集成流域綜合信息包括擬建、在建、投運3 種類型的電站大壩BIM 模型、隱患點邊坡影像數據加載、流域天氣、車輛信息四種數據類型與GIS 地圖進行集成展示。

1.1 地貌結構可視化展示

如何獲取及優化地貌結構參數是全域信息可視化的關鍵。為分析地貌結構性質不同的變化規律，該文建立了實例地貌仿真計算模型[9]。該模型在x和y方向上每間隔100 m 各選取11 個特征位置點，每個點均為直徑是20 cm 的圓，將100 m 的長度分割為10 部分進行對比修正，直到清晰對比度與準確度均滿足表1 所示的地貌關鍵結構參數要求為止。

表1 地貌關鍵結構參數

假設在圖中不同地段選定坐標位置，并標注地貌性質，再以此推算出選定區域相應的特征地貌。以地表面特征分量Bx在x=0～55 m，y=55 m 的區域分布為例，計算發現，選定區域的最大準確度約為1.4%，而特征位置點的準確度均大于5%，如圖1 所示。

圖1 不同地貌結構比較

從圖1 中可以看出，當直接從地貌定區域中選定特征位置點滿足清晰對比度時，可較好地展現實景圖。但由于非特征位置點不滿足準確度的要求，所以圖層差異較大，無法展現較為真實地實景全貌。因此在圖層確定后，需要達到清晰對比度及準確度要求，才能夠實地展示全景地貌，如圖2 所示。

圖2 圖層分布

1.2 3D可視化技術全景實現

3D 可視化影像技術的深度融合關鍵在于攝像頭位置點布設、典型特征快速確立以及無用條件迅速剔除。該文先以現有流域電站攝像頭布設位置點為基礎，增設相應攝像頭位置點，實現無死角監測流域電站地貌。再基于新建攝像頭布置架構，并深度融合場景投影紋理算法，采用空間網絡構造新型模型理論，分別對流域電站、攝像頭位置布設兩類關鍵數據建立拓撲結構聯系，形成具有流域電站典型特征的空間模型。然后基于構建的空間模型，運用拓撲診斷算法及動態篩選原理，剔除干擾性場景數據，保留典型特征性場景數據，從而降低3D 可視化存在眩暈模糊式場景的概率，最終得到具有流域典型特征的3D 可視化場景[10-11]。

該文基于空間模型，并通過樹狀索引構建流域電站三維場景，其主要步驟分為三部分，如圖3 所示。同時，其具有以下特點：

圖3 流域電站3D可視化工作流程

1）原有基礎上合理布設攝像頭位置，做到完全覆蓋；

2）動態剔除與拓撲診斷結合，避免眩暈式構圖；

3）優化圖像且與視頻結合，實景展示流域電站，實例效果如圖4 所示。

圖4 3D可視化實景圖實例

2 流域電站隱患預測關鍵技術

大數據分析技術結合智能算法可以實現關鍵性趨勢的預測[12-13]。而這需要采集大量的隱患典型特征數據，經初期篩選后剔除干擾性數據，保留有效性數據作為訓練樣本。該文基于大數據中心對接流域中現有的監測設備，如GNSS、微芯樁、表面位移監測、微芯樁-震動、傾角儀、固定測斜儀、錨索測力計、裂縫計等，獲取設備的基本信息和監測信息數據。數據樣本包括設備名稱、安裝經緯度以及各類型監測設備的實時數據等。

離線訓練階段主要是利用系統的歷史數據或實驗數據，采用智能算法、統計學算法等建立應用于在線監測的診斷模型。在線監測階段則獲取被測對象的實時監測數據，結合實際的系統診斷精度，經過智能比對實現對缺陷信息進行預警和診斷，同時將結果偏差反饋給離線學習模型。離線算法根據反饋結果持續優化模型，將優化后的參數傳遞到在線監測模型中。該文將離線學習與在線預警有機結合，實現了離線訓練到在線檢測，再通過檢測結果的反饋進一步優化離線訓練模型，從而實現了系統的自適應、自演進，突破了預置訓練數據的局限性。最終將隱患點監測點位數據在影像地圖上標注展示，實現流域電站隱患精準預測，診斷模型如圖5 所示。

圖5 系統診斷模型

在系統參數設定方面，該文采用10 折交叉驗證算法進行參數交叉驗證訓練，并最終選定適宜的參數組合[14]。初始階段先預設一組值作為系統初始參數，并將初始樣本隨機分成10 個子樣本，依次選取一個子樣本作為驗證模型的數據，其他9 個樣本用以訓練，進行SPRT 計算比對，并記錄下報警概率。如此重復10 次，獲得該參數組合下的平均診斷正確率。調整參數組合，重復以上操作，最終確定最優模型參數組合。

實際運行模式下，還需要對接地災中心的影像數據集成展示流域中隱患點的影像地圖。通過GIS地圖展示隱患點周邊5 km 的地形、村莊等情況。還需實時觀測隱患點，并依靠大數據分析實現隱患點預測，及時預防隱患點的爆發式增長[15]。天氣也是誘發隱患的關鍵因素，需提早進行預防[16]。可通過大數據平臺獲取流域的天氣數據，并根據天氣數據分析流域各個電站的實時天氣情況。在首頁流域地圖上模擬天氣動態、直觀展示分析結果，提供流域環境預測、預警數據的擬態化展示。

3 仿真驗證

3.1 3D技術對比驗證

該文以大渡河流域的梯級電站為樣本，建立不同攝像頭位置的融合對象延時對比分析體系，結果如圖6 所示。由圖可看出，該文所設計方案可對5 個攝像頭的監測數據進行融合式處理。該方法以1、3、5 個攝像頭為例，全過程測試所提方案的數據處理情況，其幀率始終保持在20 fps，能夠較為穩定地輸出數據處理結果。而現有傳統方法的融合幀率低于20 fps，漫游速率阻力較大，不能直接融合圖像數據，極易造成數據扭曲、丟失。因此，該方法能最大化處理采集數據，剔除干擾性數據，獲取清晰的實景圖，適合流域電站圖像處理。

3.2 隱患預測技術驗證

以某一電站為例，在設備的局部區域進行隱患預測測試，檢測該方法是否能準確測出地下接地網故障隱患，檢測結果如表2 所示。結果表明，該檢測系統的接地網檢測結果與實際接地網測量數據相符。該方法能有效、可靠地獲取變電站接地網的拓撲分布及準確預測接地網腐蝕狀況。由此說明，該方法中的隱患預測技術是可靠且有效的。

表2 檢測結果

4 結束語

該文以3D 可視化技術為核心，以智能算法為支撐，架構了離線訓練與在線診斷自演進的隱患預測模型，建立了基于GIS 的全域可視化綜合信息及預測系統。基于此系統，能將現有基礎設施靜態數據、物聯網感知數據、系統業務數據等與GIS 地圖進行集成，擴充決策指揮場景化應用，并根據場景的需求，對數據進行分析并自動處理，從而實現按需提取。