面向電網工程的智能數據采集與分析驗收方法研究

鮑海泉，方瑞寅

（國網湖北省電力有限公司襄陽供電公司，湖北襄陽 441000）

近年來隨著電力行業數字化轉型的推進，信息技術在電力工程的設計、施工及驗收流程中均具有更加深入的應用[1-4]。根據電網公司數字化應用與建設的要求，在電力工程建設中，應實現建設過程的“所見即所得”，深化減負增效。以電力工程的隨工驗收為例：1）工程的進度不直觀、不準確，需要驗收人員進行現場查看；2）現場施工工藝的驗收仍依賴于傳統人工測量，驗收單的填寫通常需要手動計算后再錄入，由此便造成了人工、時間成本的提升，故需在數字化轉型的過程中加以改進[5-8]。現階段通過部署智能化的實測實量設備，實現數字化管控施工計劃并精準把控施工進度是提升驗收效率的有效方法，也是電力工程驗收的發展方向[9-12]。

基于上述背景，該文對智能化驗收中的數據采集與分析方法展開了研究。通過現場的激光掃描設備及驗收表單賦予電網信息模型(Grid Information Model,GIM)，以三維模型直觀展示實測實量數據，并準確標記存在問題的位置，從而幫助管理人員準確獲取項目進度。文中對三維激光掃描技術的可視化流程進行了分析，且對數據的處理方法加以改進。此外還根據獲取數據的稀疏性，提出了具體的分析方法，進而提升了數據建模的效率。

1 理論設計

1.1 三維激光掃描

為實現電網驗收全流程的可視化，該文借助激光掃描技術對變電站中的各物體進行了三維激光掃描，以獲取三維點云數據[13-14]，并實現了三維圖像的建模，具體流程如圖1 所示。

圖1 三維數據采集與建模流程

在數學上，點云數據包括歐式距離(Euclidean Distance)、法向量與曲率等信息。但由于激光掃描過程中所獲得的點云數據內部無幾何分布，導致數據集呈離散狀態。因此，需要先建立點云數據點間的空間拓撲關系，再實現計算機的硬件存儲。點云數據的法向量是建立空間拓撲關系的關鍵，該文基于最小二乘法(Least Sqaure Method)實現了法向量的估計[15-17]。

以式（2）為切片Sj所屬平面在三維空間內擬合后的平面方程，δ為切片最大值，式（3）為該平面方程的法向量，記，根據最小二乘法對式（2）進行擬合，則擬合誤差為：

整理式（4）和式（5），通過矩陣的形式進行求解可得：

經過上述流程，可得到具有二義性的法向量。在具體建模過程中，不同數值會導致法向量的朝向也有所不同，從而使得三維模型產生視覺差異。因此，還需對法向量的朝向進行規則化處理。

具體方法如下：對于N個采樣點構成的點云模型，記Si為其K鄰域，為其質心，首先將質心變換至坐標原點，則有：

隨后，將法向量分別繞x、y軸旋轉，即可將法向量置成與z軸同向：

其中，α、β分別為x、y方向的旋轉角度，定義B、C分別為向量在xoz、yoz平面內的投影，則：

1.2 點云數據的壓縮與重建

通常情況下，電力工程建設現場激光掃描設備所獲取的點云數據均是超量且稀疏的。若直接進行三維建模，則會浪費計算資源，從而影響建模效率，故需利用采集的稀疏性對點云數據進行精簡壓縮。該文在壓縮時基于全變分(Total Variation,TV)模型理論，具體方法如下：通過k-近鄰(k-NN)算法先將原始采集信息劃分為M個切片。此時S是一個K行M列矩陣，記D為R域上的L維過完備字典?的過渡矩陣，則可得到對應的等效轉化關系為：

記原始采集的維度為N，精簡后的維度為W，此時式（11）可轉化為欠定方程的求解問題。根據L1范數的性質，將原始信號u的重建轉化為L1范數最小化，如式（12）所示：

但若僅依靠L1范數，無法消除重構模型時信號的稀疏性影響。此時可以借助信號中的梯度稀疏性，采用TV 模型進行等效計算，如式（13）所示：

同時使用L1范數與TV 模型，便可融合二者優勢，如式（14）所示：

其中，旋轉角度α、β在式中分別為TV 模型與L1的調節因子。對于式（14），為保證其可達到信號重建的上界，再引入稀疏性約束：

式中，ψ-1為小波變換，A為R上的傅里葉變換。對于式（15）可采用多種優化方法進行求解。

2 方法實現

2.1 仿真實驗設計

為評估算法的性能，該文使用斯坦福大學三維掃描數據庫的開放數據集Bunny 與Dragon 來進行算法性能測試。這兩個數據集的基本參數如表1所示。

表1 數據集參數

該次從簡化程度、繪制精度及運行速度這三方面對改進后的算法性能加以評估。所對應的評估指標則分別為精簡比率(Simplification Rate,SR)、均方根誤 差(RMSE)、簡化耗時(Simplification Time,ST)。其中，SR、RMSE 的指標定義方式分別如下所示：

式中，Nq為原始三維模型中的采樣點個數，Nh則為算法精簡后的采樣點個數，Cq為三維模型的實際參數，Ch為精簡模型插值后的參數值。

為了合理評估算法的運行耗時，文中使用表2的軟硬件參數作為算法仿真環境。

表2 算法仿真的軟硬件環境

2.2 仿真結果

在仿真時，以SR 為自變量，以RMSE 及算法運行耗時為因變量來對模型性能進行評估。此外，為評估模型性能的改善效果，還引入了隨機降采樣優化作為對照實驗組。表3-6 分別為Bunny 數據集在SR 為60%、80%以及Dragon 數據集在SR 為80%、90%時，兩種算法的三維建模效果。

表3 Bunny數據集SR=60%時的三維建模效果

表4 Bunny數據集SR=80%時的三維建模效果

表5 Dragon數據集SR=80%時的三維建模效果

表6 Dragon數據集SR=90%時的三維建模效果

從點云數據集的規模看，Dragon 模型約為Bunny模型的10 倍，因此兩個數據集分別可以評估該算法在大小規模數據集上的精簡效果。整體來看，該算法在RMSE 精度上較隨機降采樣算法具有顯著的提升。以Bunny 數據集SR=60%為例，精簡后的RMSE達到了0.000 082。這表明數據精簡后，建模效果幾乎未發生改變。而在Dragon 數據集下，即使精簡率提升到90%，該算法的RMSE 也能達到10×10-3的數量級。然而，所提算法在小規模數據集上的運行耗時(ST)上較隨機降采樣算法有較大劣勢，如在Bunny數據集SR=60%時，該算法的ST 是其2.402 倍。但隨著數據集規模的增長以及SR 的提升，所提算法的運行耗時與隨機降采樣算法的差距逐漸縮小。且當Dragon 數據集的SR=90%時，該算法的ST 是其的1.204 倍，這說明該算法在大規模數據集上的應用效率更高。

2.3 電網工程驗收過程可視化仿真

在評估完算法性能后，該文在部署了數字工地平臺的某變電站工程實際驗收現場進行了三維建模仿真。經現場激光采集掃描后的點云數據以.PCD和.PLY 文件的格式進行存儲。這兩種格式文件的采集信息分別如表7-8 所示。

表7 .PCD文件內的采集信息

通過現場掃描，共獲取567 824 個數據點，且數據規模與Dragon 相似。該次采用80%的精簡率進行三維建模，具體建模效果如圖2 所示。此時，相關的建模指標具體如表9 所示。

表9 某變電工程現場SR=80%時的三維建模效果

圖2 變電工程現場建模效果

在仿真時，文中首先使用全量的點云數據進行建模測試，得到ST 為2 045.998 s。而利用該文算法進行精簡后，建模時間降低了90.603%。對比隨機降采樣算法，該文算法的RMSE 可達到0.002 36，而時間成本僅提升了11.495%。

3 結束語

該文使用最小二乘法對建立工程現場采集的激光點云數據進行規則化處理，保證了三維建模時空間拓撲關系的完整性。同時，針對現場采集數據的稀疏特性，文中還對現場采集數據加以精簡，在保證建模精度的同時提升了三維建模的效率。此外，隨著電網數字化轉型的加速，文中的理論與方法將會有更廣闊的應用前景。