應(yīng)用可視化技術(shù)的配電房三維模型設(shè)計方法

任核權(quán)，章劍光，胡宇晴 ，楊劍峰，陳桂芳

(1.紹興大明電力設(shè)計院有限公司，浙江 紹興 312000；2.國家電網(wǎng)紹興電力局電力經(jīng)濟技術(shù)研究所，浙江 紹興 312000)

0 引 言

隨著國家大力推進智能電網(wǎng)的建設(shè)，需要建設(shè)配電房的數(shù)量也隨之增加，如何提高配電房的建設(shè)效率和保證配電房的質(zhì)量是目前智能電網(wǎng)建設(shè)需要解決的重點問題。文獻[1]將三維可視化建模技術(shù)應(yīng)用到礦山建設(shè)中，使用3DMine軟件對礦山的地表模型、煤層模型以及巷道模型進行建模，并對巷道的可視化進行了設(shè)計。然后介紹了一種可視化模型的優(yōu)化方法，提高模型的準確率，對礦山的建設(shè)具有一定的指導作用，但是對模型的優(yōu)化效果不佳。文獻[2]將三維可視化建模技術(shù)應(yīng)用到城市地下管廊的建設(shè)中：首先介紹了城市地下管廊的建設(shè)和管理現(xiàn)狀以及三維GIS和BIM技術(shù)的應(yīng)用現(xiàn)狀；然后采用了qt+vs2010+SQLite和Unity 3D軟件設(shè)計了一個一體化建模地下管廊可視化建模系統(tǒng)；最后，以橫琴新區(qū)中心北路地下管廊為例，對上述建模系統(tǒng)進行了驗證，在城市地下管廊的管理和查詢領(lǐng)域具有良好的應(yīng)用前景，但是沒有考慮到模型的優(yōu)化，模式的準確率不高。

基于以上內(nèi)容，本文首先采用三維激光掃描儀對現(xiàn)有的配電網(wǎng)進行實體掃描，對掃描得到的圖像進行處理；然后采用3ds Max建模軟件對配電房進行三維建模；最后為了提高模型的精度，采用最優(yōu)最小生成樹分別對模型的局部和全局進行優(yōu)化，便于后續(xù)的分析和研究。

1 基于3ds Max的配電房建模方法

配電房的線路規(guī)劃和一些電氣設(shè)備的位置會影響配電網(wǎng)的運行，因此不斷改進配電房的結(jié)構(gòu)以及內(nèi)部的規(guī)劃對配電網(wǎng)的運行以及后續(xù)的維修具有一定的幫助[3]。本文通過三維可視化建模技術(shù)實現(xiàn)配電房場景的還原，采用3ds Max軟件對現(xiàn)有的配電房進行建模，建模分為兩個部分：三維激光掃描獲取信息和3ds Max建模[4]。配電房的三維建模流程如圖1所示。

圖1 配電房三維建模流程

模型的建立首先需要對三維激光點進行云建模。三維激光點的云建模首先需要對數(shù)據(jù)進行采集，本文使用的是徠卡公司的三維激光掃描儀[5]，對配電房內(nèi)外部的結(jié)構(gòu)以及設(shè)施進行掃描，進行多點位分析，能夠得到三維激光點的紋理照片和云數(shù)據(jù)；然后對數(shù)據(jù)進行處理，即圖像進行降噪、裁剪、精簡和配準操作，得到符合3ds Max使用需要的圖像和數(shù)據(jù)[6]。配準使用的是ICP算法，可以得到全面和坐標統(tǒng)一的點云數(shù)據(jù)，裁剪的目的是篩選出感興趣的點云數(shù)據(jù)區(qū)域，對不感興趣的區(qū)域進行剔除。

本文配電房的建模方式采用的是規(guī)則體建模方式，根據(jù)點云的輪廓，首先對配電房的主體完成建模。然后對建筑的細節(jié)以及內(nèi)部的電器設(shè)備進行建模，得到較為完整的配電房模型。最后將使用三維激光掃描儀得到的紋理照片進行處理后與配電房的模型進行貼圖，得到與配電房實物具有一定比例的配電房三維模型。

2 基于最優(yōu)最小生成樹的模型優(yōu)化方法

最小生成樹(MST)是一個數(shù)學模型，主要的用途是優(yōu)化，因為其能夠清晰地表現(xiàn)出模型的拓撲結(jié)構(gòu)，在網(wǎng)絡(luò)設(shè)計和數(shù)據(jù)挖掘領(lǐng)域具有廣泛的應(yīng)用。最小生成樹的經(jīng)典算法有Prim算法和Kruskal算法兩種，本文構(gòu)建初始的最小生成樹使用的是Prim算法，因為Prim算法能夠從任意頂點出發(fā)，不斷地加入距離生成樹頂點最近的模型頂點，多用于構(gòu)建邊稠密的生成樹[7]，而配電房內(nèi)部存在多種電氣設(shè)備以及開關(guān)，因此使用Prim算法。

3D-MST

輸入：加權(quán)連通圖G(V,E)；

輸出：模型3D-MST=MST(Vnew，Enew)。

BEGIN

(1)Vnew={vi}，Enew=?

(2)WhileV-Vnew≠? do

(3) 在V-Vnew中選擇一個vj使得Vnew中頂點vi的權(quán)值最小的邊Eij

(4)Vnew←Vnew∪{vj}，Enew←Enew∪{Eij}

(5)return MST(Vnew，Enew)

END

雖然建模之前已經(jīng)對圖像進行了一定的降噪處理，得到的三維模型的精度已經(jīng)不錯，但是為了得到精度更高的圖像。本文通過構(gòu)建模型的最小生成樹，對模型的局部和整體進行優(yōu)化。

局部優(yōu)化采用的是雙邊濾波，雙邊濾波在圖像處理方面的應(yīng)用已經(jīng)比較成熟，具有非線性的特征，能夠?qū)D像進行保邊降噪。濾波器由幾何空間的距離測量函數(shù)和像素灰度的特征測量函數(shù)兩個測量函數(shù)組成[8]。幾何空間的距離測量函數(shù)對濾波系數(shù)d具有絕對性的影響，像素灰度的特征測量函數(shù)對濾波系數(shù)r具有絕對性的影響。像素的輸出值主要取決于鄰域像素值的加權(quán)值，計算公式為:

(1)

距離濾波系數(shù)的表達式為：

(2)

式中:W(i,j)為模型上vi、vj兩點之間的測地線距離；σd為空間幾何距離的標準差。

特征濾波系數(shù)的表達式為：

(3)

式中：Ti、Tj為頂點vi和vj的體積；σr為體積特征的標準差。

權(quán)重系數(shù)w=d×r也可以寫成：

(4)

濾波后的特征為：

(5)

式中：ni為頂點vi一環(huán)鄰域的頂點數(shù)目。

采用雙邊濾波方法優(yōu)化圖像的核心思想是通過測地線之間的距離來判斷幾何空間的差異性，將特征差異用體積特征來表示。通過濾波器對具有缺陷的特征進行過濾，保留相對完整和質(zhì)量較好的特征。

全局優(yōu)化采用的是信息熵，熵最初是熱力學中的一個概念，主要用來表示氣體分子的流動狀態(tài)，而信息熵是由美國信息論的創(chuàng)始人香農(nóng)提出的，將其用來表示信息量，信息熵的值越大則代表信息量越小。圖像的檢索和特征選擇經(jīng)過不斷的發(fā)展，也引入了信息熵，但是信息熵只會對模型的整體特征進行表示，不能表示局部的特征。因此為了實現(xiàn)模型的全局優(yōu)化，本文根據(jù)局部濾波的形狀特征，結(jié)合模型的整體特征分布(信息熵)來進行處理。

具體的步驟如下：

(1) 將體積特征[min(T′),max(T′)]平均分成L個子區(qū)間，對每個區(qū)間內(nèi)的頂點進行統(tǒng)計，記作ni(i=1,2,…,L)。

(2) 計算ni的概率分布P={p1,p2,…,pL}。

(6)

(3) 根據(jù)信息熵的計算原理，計算模型頂點的體積特征的信息熵H。

(7)

熵權(quán)值Ci表示區(qū)間為整個模型提供熵的量Di與整體熵H的比值。計算公式如下：

Di=-pi·lnpi

(8)

Ci=Di/H

(9)

進而計算區(qū)間頂點的熵權(quán)值為：

C(vi)=Ci/ni

(10)

(4) 全局優(yōu)化的最后是通過步驟(3)得到熵權(quán)值和特征點，并將非特征點向特征點聚合，從而實現(xiàn)模型的全局優(yōu)化。計算頂點的信息特征差值d：

d(vi,vj)=abs[C(vi)-C(vj)]

(11)

式中:vj為vi的子節(jié)點。

通過計算閾值γ，根據(jù)頂點的信息特征差值d與閾值γ的比較進行節(jié)點剔除，閾值γ的計算式為：

γ=φ·avg[d(vi,vj)]

(12)

式中:φ為閾值參數(shù)，用來控制閾值的大小。如果d≤γ，則刪除子節(jié)點，保留父節(jié)點；如果d>γ，則節(jié)點全部保留。

模型的優(yōu)化應(yīng)該是局部優(yōu)化在前，全局優(yōu)化在后，保證模型優(yōu)化的可行性。

3 試驗與分析

在實驗室即可完成對上述模型優(yōu)化方法的仿真與驗證。驗證分為兩個部分，采用優(yōu)化和不采用優(yōu)化的模型效果對比，采用最優(yōu)最小生成樹和不采用最優(yōu)最小生成樹的模型效果對比。首先對使用的計算機配置進行說明，操作系統(tǒng)為Windows 7，CPU為Inter Core i7-9700，運行內(nèi)存為DDR4 3 200 MHz 16G，硬盤大小為1 TB[23]。

為了更直觀地表現(xiàn)模型的質(zhì)量，引入可視化體積指數(shù)和形狀分布(SD)作為評估標準，可視化體積即人眼能看到的模型體積，兩個評價指數(shù)都介于0～1之間，越大表示模型的質(zhì)量越好。

首先采用上述建模方法對某實體配電房進行建模，建模完成后，采用章節(jié)2中的方法對模型進行優(yōu)化，對優(yōu)化前后的模型進行可視化體積和形狀分布計算，得到表1的數(shù)據(jù)。

表1 模型對比

從表1可以看出，模型經(jīng)過本文方法優(yōu)化后，可視化體積和SD都有所提高。但是只有一次的試驗并不能說明本文模型優(yōu)化方法的可行性，依舊采用本文的三維建模方法和模型優(yōu)化方法對五個不同的配電房進行建模和優(yōu)化。為了更直觀地表現(xiàn)優(yōu)化前后的模型質(zhì)量，采用圖形的方式表達，可以得到圖2所示的優(yōu)化前后對比圖。

圖2 優(yōu)化前后的模型質(zhì)量對比

通過圖2可以看出，對于5個不同的配電房，通過本文方法進行建模和優(yōu)化，優(yōu)化后的可視化體積和SD都比優(yōu)化前的高，說明本文的模型優(yōu)化方法能夠提高模型的質(zhì)量，對后續(xù)的分析提供幫助。

本文模型優(yōu)化的方法采用的是最優(yōu)最小生成樹。采用最優(yōu)最小生成樹與最小生成樹兩種方法進行對比驗證。分別采用兩種方法對建模完成后的配電房模型進行優(yōu)化，計算兩種優(yōu)化方法得到一個模型的可視化體積和SD，對數(shù)據(jù)進行整理得到表2所示的對比數(shù)據(jù)。

表2 兩種模型優(yōu)化后的模型對比

從表2可以看出，采用最優(yōu)最小生成樹的模型優(yōu)化方法得到的模型可視化體積和SD比采用最小生成樹模型優(yōu)化方法得到的模型高，即本文的最優(yōu)最小生成樹模型優(yōu)化的效果要比采用最小生成樹的優(yōu)化效果要好。但是只進行了一次對比試驗，無法有效地證明本文模型優(yōu)化方法的先進性，因此進行了多組對比試驗。采用直方圖的形式反映5組對比試驗的結(jié)果，如圖3所示。

圖3 兩種優(yōu)化方法的效果對比

從圖3可以看出，5次的對比試驗結(jié)果均采用最優(yōu)最小生成樹進行優(yōu)化得到的模型可視化體和SD，比采用最小生成樹進行優(yōu)化得到的模型要高。雖然有些時間提高的不多，但是依然能夠說明本文的模型優(yōu)化的效果要更好。

綜上所述，本文的三維模式建議和優(yōu)化方法能夠得到質(zhì)量比較優(yōu)秀的模型，對后續(xù)的分析提供技術(shù)支持。

4 結(jié)束語

本文根據(jù)可視化技術(shù)的發(fā)展現(xiàn)狀，將其應(yīng)用到配電房的改造和建設(shè)中，解決配電房的建設(shè)，智能化程度高。提高模型的質(zhì)量，對配電房的建設(shè)具有積極作用。本文的模型優(yōu)化方法在模型優(yōu)化領(lǐng)域具有良好的應(yīng)用前景和推廣效果，但是建模的智能化程度不高，在后續(xù)的研究中可以在保證建模質(zhì)量的前提下提高建模的智能化程度。