基于分布式快速存儲的變電站三維建模數據處理技術研究

陳志輝，甘運良，董躍周，雷偉剛，羅劍

（中國南方電網有限責任公司超高壓輸電公司，廣東廣州 510630）

隨著科技的進步，電網的等級與復雜程度也在不斷升級。為了更好地研究電力系統，通過建立電力系統的三維模型來進行研究已是較為成熟的手段[1]。因此，為了加快三維場景加載速度[2]及渲染效率，可以在三維場景中加載模型預制體來達到模型復用的效果[3]。但基于預制體加載的復用模型存在模型顏色較深，且不能進行三維場景靜態烘焙燈光的問題。

為了解決模型預制體顏色過深的問題，對三維場景進行燈光渲染是必不可少的步驟。當前對三維場景模型進行燈光渲染效果處理的主流方法有兩種：1）通過軟件將燈光信息直接渲染在模型預制體的UV 貼圖上，但其生成的模型貼圖占據的存儲空間較大，且模型加載時需要較長時間[4]；2）通過三維場景增加光照補償。然而目前基于WebGL 的B/S 架構引擎的光照補償效果較差，燈光實時渲染需要花費大量的時間，因此渲染計算也會給客戶端帶來較大的壓力[5]。

1 分布式存儲

1.1 云存儲

云存儲是一種基于云計算模型的存儲方法，通過以數據存儲作為服務進行管理和運營的云計算提供商，將數據存儲在互聯網上，以即時容量與成本按需交付，無需用戶進行數據存儲基礎設施建設[6]。

云存儲為在本地硬盤驅動器上或網絡上存儲的文件提供了一種經濟高效、可擴展的替代方案。該存儲方式的維護成本較高，因為隨著存儲數據的增長，公司必須投資以增加服務器與基礎設施來滿足不斷增長的需求[7]。同時，網絡存儲的位置也需不斷更新[8]。

云存儲是一種可調節的服務，其能在一定范圍內根據所要處理的數據進行容量調節，以此適應不同的數據規模，且還具有較強的靈活性。然而，這種容量可變的云存儲一方面會進一步導致成本隨著數據量的增加而增加，但從另一方面卻能減少設備配置的冗余。

1.2 分布式存儲架構

為了適應科技的發展與革新，數據存儲在過去的幾年中不斷發展。由于技術和經濟等方面的原因，目前正處于一個臨界點。傳統的使用獨立、專門的存儲盒技術已不再適用，需要提出一種速度更快的驅動器，建立新的數據存儲概念。目前，滿足當前數據存儲需求的最佳方法就是分布式存儲[9]，其將數據分散至各個子服務器的方式，則更利于實時、大量地處理海量信息[10]。

Dynamo 是面向設計人員的一種視覺形式的設計工具，同時，還可以利用其生成相關的計算工具。其在分布式存儲上具有諸多優勢。Dynamo能夠提高分布式存儲系統的可用性、可靠性以及可擴展性[11]，總體架構如圖1 所示。

圖1 Dynamo架構圖

2 變電站三維建模

2.1 圖像識別

圖像的物理坐標與監控攝像機的坐標有直接的關系。不同的成像模型會影響相機的坐標標定，因此有必要選擇合適的相機模型。在監控攝像機模型中，最理想的模型是針孔成像模型。但其也有較多的不足之處，當針孔不能收集到足夠的光，且尺寸足夠小時就會引起光的干涉現象，嚴重影響成像效果。因此，需要使用透鏡來收集更多的光，以實現實際的聚焦效果[12]。監控攝像機模型包含了眾多的參數，例如一個使攝像機坐標與世界坐標重合的旋轉與移動矩陣以及各種畸變系數，這些參數共同構成了攝像機的參數矩陣[13]。

根據變換視角的方法有如下坐標變換關系：

其中，[X Y Z1]T為三維世界坐標矢量；[u v1]T是對應的圖像物理坐標。mij是M的元素，M是透視變換矩陣。對式（1）展開計算，可以得到式（2）和式（3）：

對于三維空間中的每個點，都有兩個方程。當點數為n時，就有2n個方程，但其中的未知數由11個參數組成（6 個旋轉與平移參數，5 個失真系數）。當2n≥11 時，根據最小化原理可將校準坐標設置為世界坐標，即相機在世界坐標系中的位置（x，y，z）也可以計算出來，校準工作完成。

2.2 變電站模型的建立

變電站的占地面積較大，使用監控攝像頭無法獲得變電站全貌。且因圖像采集能力的限制，遠程場景圖像的質量會較差。此外，內部設備體積通常過大，監控攝像頭無法充分獲取設備的三維圖像[14]。

變電站的建模需要計算空間內設備上所有點的三維坐標。根據2.1 節，若已知監控攝像機的內外參數矩陣M，則坐標(u，v，1)可以根據空間中任意點P的世界坐標計算出其在圖像像素坐標系中的值[X Y Z1]T。但若已知空間中某一點的圖像像素坐標與矩陣M，則對應的空間坐標是一條射線，不能唯一確定。

為了解決這一問題，采用多臺不同角度的相機同時拍照，并利用卷積神經網絡對圖像進行自動處理。

為驗證該傳感器的準確性,實驗激勵電流采用自激磁通門原理[11]實現,其激勵電路如圖4(a)所示。整個電路通過激勵繞組的充放電與比較器實現電壓翻轉,形成自激振蕩產生周期性信號,推挽電路起到增大輸出電流的作用。

2.3 基于卷積神經網絡的圖像融合

卷積神經網絡是一種人工智能深度學習的方法，在圖像特征信息分析方面具有較大的優勢[15-16]。

其中，卷積計算與權值共享機制可以在減少參數計算的同時較大地保留圖像特征。在文中，空間點坐標的計算實際上是對圖像中信息的分析計算，其實質即圖像分析。因此，該設計使用卷積神經網絡來實現對圖像中坐標信息的提取和計算。

根據X坐標和Y坐標的數據將圖像分別記錄為X坐標圖像與Y坐標圖像。將這些被記錄的圖像作為操作的輸入層，且使不同圖像中同一設備的相同部分標記為輸出層，并存儲構成其相同部分的點的坐標，以供日后計算。

分別對X坐標圖像和Y坐標圖像進行卷積運算：

匯集特性圖后：

經過多次卷積池操作，在全連接層之后，同一設備的相同部分被標記在不同的圖像中。

2.4 變電站場景建模

為了使圖像中的每一個點均與實際站點的坐標信息相對應，從而解決單相機成像不完全、無法計算坐標的問題。需要使用不同角度的相機進行綜合成像建模，如圖2 所示。

圖2 攝像機建模原理

當建立完成實際站內所有設備點坐標后，可以利用這些點坐標建立實時站模型。然后利用模型的相對位置，基于圖像構建智能三維電子圍欄。當變電站發生入侵與實時運行時，能夠準確判斷目標物體在空間中的相對位置。若達到安全距離的極限值，則觸發報警。該圍欄可實時檢測入侵，并調節檢測路線，從而有效防止充電間隔進入。

3 系統建模

該文自動成圖采用多步驟分解模式進行，主要分為平面化-正交化兩個步驟。

首先獲取多個變電站的電壓等級信息和用途信息；然后需要根據所述電壓等級信息和所述用途信息，確定各個所述變電站對應的分區場景，并建立多個分區文件；而后將各個變電站的三維模型存儲到對應的所述分區文件中；最后需要針對所述分區場景，繪制不同區域的盒子模型確定所述盒子模型和所述分區文件的對應關系。其主要數據流如圖3所示。

圖3 主要數據流

根據所述盒子模型和所述分區文件的對應關系，逐個區域地加載各所述變電站的三維模型，具體如圖4 所示。

圖4 模型的數據構成

4 算例分析

基于WebGL 的三維電力系統構建是目前采用較多的方式，該文以電網中的變電站為例進行算例實驗。變電站的三維模型數據量巨大，在同一座變電站中通常存在一些相同型號的設備。在建造變電站模型時，存在三維場景模型加載重復率高、初始化耗時較長，三維場景內存消耗大及場景應用性能低等問題。為驗證該文所提變電站三維建模數據分布式快速存儲的優勢與有效性，將從其更新成本、可靠性和響應時間三個方面進行仿真對比分析。

具體的參數設置如下：1）網絡節點規模為5 000個；2）分布式存儲算法：方案一采用Flooding 算法、方案二采用PAP 算法與該文算法進行對比；3）對比項為更新數據數目、故障發生率及響應時間。

為避免實驗次數少而引起的誤差，采用多次實驗求解平均值的思路，每種方法進行100 次，然后選取平均值進行比較，結果如圖5-7 所示。

圖5 更新數據數目與總體規模關系

根據圖5-7 所示的結果，該文算法在更新數據數量、故障發生率上具有明顯的優勢。在響應時間方面，當更新比率在0～0.25%的范圍內時，該文所提方法的響應時間僅為350 ms 左右，滿足實際運行的實時性要求。

圖6 節點故障對總體可靠性的影響

圖7 響應時間隨更新比率的變化趨勢

綜上所述，利用文中所提的基于分布式快速存儲的變電站三維建模數據處理技術有利于提升存儲效率，并能實時處理多種復雜信息，且實現了較高的準確率。因此驗證了該文方法可以在保證建模效果真實性的前提下，大幅降低存儲成本，具有較好的工程應用價值。

5 結束語

該文提出了一種分布式快速存儲的變電站三維建模數據處理方法。該方法將各個變電站的三維模型存儲到對應的所述分區文件中，以確定相應盒子模型和分區文件的對應關系。根據此對應關系，逐區域地加載各個所述變電站的三維模型，生成還原了光照的設備模型。并通過與其他算法的性能對比實驗，驗證了該文存儲算法可兼顧更新成本與響應速度，顯著提高了數據加載的效率，有利于模型的快速渲染。