基于三維虛擬現實技術的電力數據可視化分析

程鵬

(國網廊坊供電公司，河北 廊坊 065000)

0 引 言

大數據挖掘技術目前已經在電網企業及電力系統的運行管理中廣泛應用。但是如何利用大數據技術來深度挖掘這些數據的內在規律以及通過可視化技術來實現更好的電力系統管理是當前要解決的具有挑戰性的問題。將可視化技術應用到電力大數據挖掘之中，能夠突破傳統二維圖表在可視化及直觀性上的局限性，解決傳統可視化方法出現的重疊及密集區域[1-3]。為了能夠更好展現電力設備的地理空間特性及設備的運行狀態，應當考慮引入數據挖掘智能算法，實現電力大數據的全景狀態數據展現，深度挖掘不同空間位置數據之間的相互關系。

1 三維場景模型可視化優化重建

1.1 算法優化設計

為了能夠獲得更快的刷新速度以及更快的場景繪制速度，需要利用場景漫游以及快速人際交互等多種技術[4]。在電力設備的三維模型構建中，由于這些電力設備大部分都具有多線圈結構且表面局部曲率很大，因而不能夠過度簡化，否則無法實現對場景重繪的目的效果[5-6]。在此情況下，考慮引入LOD(levels of detail)方法進行模型構建過程的簡化，提高場景繪制的速度。首先分析模型結構，采用三角網格(mesh)開展數學描述，即M=(K,V)。對模型的簡化，并非是進行E的簡化，而是要逐漸過渡到E，需要對E進行量化分析，從而確定其重要程度。可以利用能量函數思想進行模型簡化的逼近程度，并不斷修正頂點數量變化權重。利用能量函數進行模型構建的時候，難以有理想減面效果，算法復雜，執行率低，因而并不適用于場景復雜的變電站中。

E(K,V)=Edist(K,V)+Erep(K,V)+Fspring(K,V)

(1)

式中:E為三角網格的連接頂點基本元素，實際模型中替換為M=(E,V)，表示三角網格模型;K,V分別為三個連接頂點基本元素和頂點；Edist為距離能量;Espring為彈性能量;Erep為代表性能量。因而提出LOD算法融入能量函數思想，結合統計方法加權進行K值重要性量化，對于邊E影響因子A有：

(2)

式中:W為邊E的影響因子權重函數；n為影響因子數量；Fi為所有特征邊標識；Ai為i種不同的影響因子;wi為影響因子對應的權重 。在進行電力大數據可視化過程中，最主要是進行電力設備的構建，因而不能夠過度簡化[7]。綜合考慮之下，E選取影響因子A1、A2、A3、A4，分別對應的是邊長L、特征邊標識F、兩側三角形面積S和曲率C。

設邊E(V1，V2)兩側三角形如圖1中所示，四個點的坐標分別為V1(x1,y1,z1)、V2(x2，y2,z2)、V3(x3,y3,z2)、V4(x4,y4,z4)，則有：

圖1 周圍相關頂點及法向量示意圖

(3)

(4)

(5)

C=cos-1n1·n2=

(6)

式中:F、L、S、C分別為特征邊標識、邊長、兩側三角形面積和曲率(后同)；n1、n2為圖1中的兩個方向法向量。利用權重函數E=f(E)對影響因子加權計算，進一步設計基本權重函數。

W0=w1·L+w2·F+w3·S+w4·|C|

(7)

式中:w1、w2、w3、w4為L、F、S和|C|對應的權重系數，其中C的值域區間為[0,π]。L、S值域是難以確定的，如果單純直接使用L、S原始值進行計算，可能會導致最終產生較大的誤差，因而需要對影響因子進行均衡化處理，使其能夠處于同一尺度空間中。將L、F、S值域線性映射至[0,π]區間中，設：

(8)

EFj=π·Fj

(9)

(10)

由此能夠得到均衡值域的權重函數計算公式：

W=w1·EL+w2·EF+w3·ES+w4·|C|

(11)

式中:C為曲率，值域為[0，π]。為了進行模型簡化，令w1=σEL，w3=σES，w4=σC，w2=α。對于給定任意邊E，可以得到權重函數方程為：

W=σEL·EL+α·EF+σES·ES+σC·|C|

(12)

由此可以保證影響因子貢獻比例的均衡，完善邊E的貢獻值。將其應用到電力可視化模型構建時，可以對權重系數按照線性縮放的原則進行調整。

1.2 模型簡化及重建

利用式(10)可以計算出模型中每個E貢獻值，然而還需要進一步完成LOD計算方法的過程完善，還需要進一步定義模型構建過程中模型頂點列表的變換確認簡化比例，完成不同比例參數的分配等。在對E進行約減時，為了填補刪除后可能留下的縫隙，操作需要遍歷三角網格模型，因而消耗大量的計算時間。在此采用收縮方式代替刪除方式，對E進行收縮變換。

E(V1,V2)→E(V1,V3)

(13)

1.3 仿真運算

將簡化仿真算法應用于某個變電站數據分析系統之中，開展變電站的場景優化，對其測試算法效率和效果進行分析。經過初步的仿真模擬，對于不同簡化比例參數θ為0、70%、85%，對應的場景優化效果效率曲線如圖2及表1所示。從圖2及表1可以看出，當處于初始化狀態時為0，對應的FPS(frames per second)=3.8幀/s；當簡化比例為70%時，FPS上升為15.4幀/s，對應的細節基本上沒有損失，能夠保持案例設備的完整性，實現最好的優化效果；當簡化比例為85%時，損失了較多細節，即便仍能夠保持有大致的設備外形，但是精度上有著顯著的降低，此時的FPS為18.1幀/s，對應的連續幀率閾值為24 FPS，能夠滿足人機交互及變電站的場景漫游需要。

圖2 場景優化效率曲線圖

表1 場景繪制效率表

整體分析可以看出，當簡化比例參數在85%以上時，模型陷入扁平化，可能導致三體塌陷成為二維面，最終產生體積信息的損失，因而需要進一步提升扁平化閾值。

2 基于數據挖掘技術的可視化算法優化

2.1 數據挖據技術分析

利用Amdahl定律，采用并行方式加快算法，運行速度存在極限，不能實現無限提高。具體計算公式為：

(14)

式中:S、a、n分別為加速比、串行比例和并行節點數。當a無限趨近于0時，才能夠實現n加速比。結合CUDA(computer unified device architecture)三層編程模型，可以將BP神經網絡算法劃分為三個層次：第一層次是每個Grid對應的單個神經網絡計算任務；第二層次是Block對上層節點的計算任務；第三層次是Thread對應的節點計算任務。對應的并行層次計算模式如圖3中所示。

圖3 BP神經網絡的并行層次計算模式

2.2 算法仿真訓練

為了進行基于BP神經網絡改進后的并行算法的效果分析，此次選取95臺主變壓器的相關監測數據來進行具體的仿真分析。在這個仿真體系中，每一臺變壓器就相當于一個神經網絡，由此分別進行BP及BP Grid算法效率的對比分析，結果如表2所示。

表2 BP Grid算法的加速比

從表2可以看出，對于不融入并行算法大數據技術時，整個算法的效率非常低，單臺變壓器所需要消耗的時間要達到58.14 s，消耗的時間過多，難以達到實用要求。而融入了BP神經網絡算法后，BP Grid算法單臺變壓器的消耗時間為7.14 s，與單純的神經網絡訓練時間相比加速比為8.14。進一步分析可以看出，神經網絡數量為1、2、4、8時，對應的加速比分別為8.14、7.69、7.32、7.51。

3 電力數據三維可視化

利用此次提出的可視化方法對三維場景的結果進行可視化展示。為了更好實現可視化的展現，設計出一種三維平行坐標圖，用以展開時間序列數據對應的時間維度，能夠將多個時間點數據同時排列其中。為了緩解空間可能出現的緊促感，需要將曲線排列在三維空間之中。在三維空間之中，可以利用視點位置的改變以及場景漫游等解決二維平行坐標圖中可能出現的遮擋問題。根據此次可測試數據得到的結果集進行可視化展現，具體如圖4～圖7所示。

圖4 三維平行坐標圖(1)

圖5 三維平行坐標圖(2)

圖6 三維平行坐標圖(3)

圖7 三維平行坐標圖(4)

數據集分析的結果可視化展現在圖8中，圖中的“★”為存在異常數據，黑色點為最近數據采集結果的維度數值。將三維場景的實現和數據結合起來，能夠增強人機交互效率，讓人們更好了解到數據背后隱藏的規律。

圖8 變電站可視化三維虛擬現實場景

綜合分析可以看出，并行化BP神經網絡的BP Grid算法能夠對輸入的時間序列數據實現高效快速的神經網絡訓練。通過和傳統可視化的對比分析可以看出，BP神經網絡輸出結果可以讓用戶在地理空間上實現快速的定位，便于其更好地理解數據。通過可視化分析方式，用戶能夠快速定位數據源，基于三維場景輔助可視化方式進行異常數據點的查找，有利于提高人機交互效率。

4 結束語

本文整合了大數據技術和可視化分析模型，通過數據挖掘并行優化算法，實現漸進、動態和無損的模型簡化重建。通過仿真試驗數據的快速可視化分析模型構建可以看出，此次的分析模型能夠滿足電力企業的大數據業務需求，便于用戶對數據的人機交互需求和理解，極大提升了人機交互效率。當采用多分辨率快速渲染方法的時候，可以在不改變電力設備外觀的情況下快速實現異常設備點的定位，有助于電力系統的日常運維管理。