基于GIM技術(shù)和YOLOv3深度網(wǎng)絡(luò)的三維電網(wǎng)建模及校驗方法

白汗章, 郭 科, 常 亮

(1. 西安交通大學 電氣工程學院, 西安 710048; 2. 寧夏寧電電力設(shè)計有限公司 變電設(shè)計中心, 銀川 750000)

數(shù)字化圖形和配套信息技術(shù)的發(fā)展推動了電網(wǎng)建設(shè)的數(shù)字化轉(zhuǎn)型與普及,其中,三維顯示技術(shù)被廣泛應(yīng)用于交通、建筑設(shè)計、市政建設(shè)與數(shù)字城市等領(lǐng)域[1].電網(wǎng)設(shè)備作為能源領(lǐng)域的重要硬件支撐,其三維建模與應(yīng)用對電網(wǎng)狀態(tài)的檢測、故障感知以及基建檢修等方面均具有重要意義[2].目前,電網(wǎng)可視化管理通常采用單線圖結(jié)合地理信息圖像的模式進行,該模式雖然實現(xiàn)簡單,但在空間表現(xiàn)與分析能力等方面仍存在不足,對于設(shè)備自身結(jié)構(gòu)以及設(shè)備之間的關(guān)聯(lián)無法直觀進行展示,具有一定的局限性[3-4].因此,電網(wǎng)三維建模是電網(wǎng)建設(shè)的重要基礎(chǔ),也是實現(xiàn)數(shù)字電網(wǎng)的關(guān)鍵環(huán)節(jié).

近年來,國內(nèi)外學者在電網(wǎng)三維建模技術(shù)領(lǐng)域展開了諸多研究,并取得了一定的研究成果.張帥等[5]提出了一種電網(wǎng)信息模型(grid information model,GIM)的三維重構(gòu)與優(yōu)化方法,將GIM模型轉(zhuǎn)換為通用的標準三維模型,從而完整地保留了原模型中的層級,具有較高的建模精度可控性和復用率,但建模效率有待提高.Zhou等[6]通過對三維數(shù)字電網(wǎng)關(guān)鍵技術(shù)的梳理,探討了相關(guān)建設(shè)的數(shù)據(jù)、技術(shù)架構(gòu)以及系統(tǒng)設(shè)計與實現(xiàn)過程,但模型缺乏校驗功能,在實際應(yīng)用中存在一定的推廣難度.余文輝等[7]提出了一種基于模型驅(qū)動的激光點云輸電線路桿塔建模方法,有效解決了輸電線路建模過程中效率與準確率較低的問題,進而保證了建模的效率與質(zhì)量,但算法同樣缺乏對建模結(jié)果的校驗功能,且對于大規(guī)模建模數(shù)據(jù)的處理能力不強.

隨著深度學習(deep learning,DL)方法和計算機技術(shù)的不斷發(fā)展,深度學習在三維建模及視覺處理等方面的優(yōu)勢逐步凸顯.其中BP神經(jīng)網(wǎng)絡(luò)作為一種監(jiān)督式學習算法,不存在傳統(tǒng)方法的局部最優(yōu)和收斂速度慢的問題;卷積神經(jīng)網(wǎng)絡(luò)CNN算法作為深度學習的代表算法,其參數(shù)共享可極大限度減小運算量,但其平移不變性和池化層在一定程度上限制了算法的應(yīng)用.因此,針對傳統(tǒng)電網(wǎng)可視化模型精度偏低、應(yīng)用局限性較大的問題,本文基于GIM技術(shù)與YOLOv3深度網(wǎng)絡(luò)提出了一種三維電網(wǎng)建模和校驗方法,有效提升了電網(wǎng)建模的效率及準確性.

1 基于GIM技術(shù)的三維電網(wǎng)建模

電網(wǎng)信息模型技術(shù)由中國國家電網(wǎng)公司基于建筑信息模型和電網(wǎng)工程信息需求特性提出.本文基于該技術(shù)設(shè)計了電網(wǎng)三維建模的方法,同時為了在建模過程中實現(xiàn)無損移植,還利用模型簡化及復用等方法進行建模優(yōu)化.

1.1 基于云平臺的GIM數(shù)據(jù)庫

GIM技術(shù)能夠規(guī)范電網(wǎng)的工程信息,并在統(tǒng)一模型框架和展現(xiàn)形式的基礎(chǔ)上進行多平臺的信息收集及運用[8-9].具體而言,即利用GIM技術(shù)對一次性錄入系統(tǒng)的所有數(shù)據(jù)進行可視化、全生命周期等平臺的多次重復使用.由于GIM系統(tǒng)具有數(shù)據(jù)輕量化、模型層次分明及仿真性強等優(yōu)點,其在電網(wǎng)數(shù)據(jù)全生命周期中均得到了廣泛應(yīng)用[10].GIM技術(shù)的架構(gòu)主要由屬性集、組件類模型、物理模型、組合模型、邏輯模型、幾何模型、土建模型以及工程模型等部分組成[11].

GIM模型的調(diào)用和展示均要在一段時間內(nèi)對大量模型數(shù)據(jù)進行查詢、調(diào)用以及統(tǒng)計分析.直接基于文件的傳統(tǒng)方式無法滿足設(shè)計審核業(yè)務(wù)快速、準確的數(shù)據(jù)調(diào)用需求,尤其是對于大部分圖形文件,更需要特殊的數(shù)據(jù)存儲與處理平臺.因此,文中基于GIM模型中數(shù)據(jù)非結(jié)構(gòu)化的特點,構(gòu)建了如圖1所示的GIM模型云平臺數(shù)據(jù)庫訪問架構(gòu),在最大程度上滿足建模的需求.

圖1 GIM模型云平臺的數(shù)據(jù)庫訪問架構(gòu)圖

圖1中,GIM工程文件通過解析器得到包含系統(tǒng)(子系統(tǒng))、設(shè)備、部件以及零件層次結(jié)構(gòu)的列數(shù)據(jù)庫,并利用高速緩存后的數(shù)據(jù)庫來提高查詢和檢查速度;服務(wù)層則采用Eclipse模型驅(qū)動架構(gòu)提高模型代碼化的轉(zhuǎn)換效率;數(shù)據(jù)庫通過客戶端基于一定的訪問協(xié)議進行交互.而云平臺數(shù)據(jù)庫的搭建,將為三維電網(wǎng)建模后的自動化評審校驗工作提供有力支撐.

1.2 三維電網(wǎng)建模及優(yōu)化設(shè)計

在實際應(yīng)用過程中,三維模型部分的分級結(jié)構(gòu)會因為導出工具的局限性而缺失.因此,為了實現(xiàn)該技術(shù)的無損移植,將其建模及優(yōu)化過程分為5個環(huán)節(jié),如圖2所示.

圖2 基于GIM技術(shù)的三維電網(wǎng)建模優(yōu)化流程

1) 數(shù)據(jù)解析.按照引用關(guān)聯(lián)規(guī)則,解析GIM文件模型至原始層級,并選用JSON數(shù)據(jù)結(jié)構(gòu)進行存儲.同時,數(shù)據(jù)解析包括幾何模型、其他模型和層級結(jié)構(gòu)嵌套3個方面.

2) 參數(shù)建模.三維電網(wǎng)建模首先需要將電網(wǎng)在GIM模型中的幾何信息模型進行參數(shù)化表達,進而形成三維網(wǎng)格數(shù)據(jù),且經(jīng)過適當轉(zhuǎn)換以呈現(xiàn)可視化模型;模型文件中的基礎(chǔ)圖元可以分為簡單和復雜兩種類型,再結(jié)合其他模型轉(zhuǎn)換,共同構(gòu)成了參數(shù)建模.

3) 模型組裝.基于GIM層級結(jié)構(gòu),利用空間變換矩陣將坐標系中的基礎(chǔ)圖元進行三維模型封裝,從而完成三維網(wǎng)格數(shù)據(jù)的完全還原.

4) 模型優(yōu)化.該環(huán)節(jié)主要進行模型簡化與復用.對于模型簡化,在建模階段可按照模型的類型和參數(shù)優(yōu)化其采樣點的數(shù)量;在建模后,模型表面的三角片數(shù)量則利用三角網(wǎng)格算法進行優(yōu)化.而模型復用是指在模型組裝寫入FBX時,僅需存儲一次模型的幾何、紋理信息,未來當相同幾何模型寫入時直接調(diào)用即可.

5) 屬性入庫.這一環(huán)節(jié)負責將各級模型對應(yīng)的屬性信息寫入數(shù)據(jù)庫,以繪制屬性表.

2 基于YOLOv3深度網(wǎng)絡(luò)的電網(wǎng)三維模型校驗方法

GIM技術(shù)生成的電網(wǎng)三維模型存在電氣設(shè)備類型易出錯、電氣安全距離不足等問題,因此利用YOLOv3深度網(wǎng)絡(luò)設(shè)計了電氣設(shè)備類型檢測方法,并根據(jù)設(shè)定的校驗規(guī)則對電氣距離進行安全校驗,以保證電網(wǎng)三維模型的準確性及可靠性[12-13].

2.1 YOLOv3深度網(wǎng)絡(luò)

圖像檢測將以網(wǎng)格為單位進行,YOLO網(wǎng)絡(luò)將輸入圖像劃分成S×S個網(wǎng)格,檢測完成后輸出B個邊界框信息以及K個被檢測物體所屬種類的概率信息[14].邊界框中有5個數(shù)據(jù),分別是預(yù)測物體邊界框的寬bw和高bh、邊界框中心位置的坐標bx、by以及置信度Conf,其計算表達式分別為

bw=gwedw

(1)

bh=ghedh

(2)

bx=σ(dx)+Cx

(3)

by=σ(dy)+Cy

(4)

Conf=Pr(O)Iou

(5)

式中:σ為偏移函數(shù),通常根據(jù)單位網(wǎng)格大小確定;dx、dy為預(yù)測物體的坐標偏移量,經(jīng)過Sigmoid函數(shù)歸一化,以均衡邊界框大小帶來的影響;dw、dh為尺度縮放量;Cx、Cy為網(wǎng)格單元的左上角坐標;gw、gh為先驗框?qū)?yīng)到特征圖的寬和高;Pr(O)為邊界框中存在/不存在待檢測物體,取為0或1;Iou為交并比,即預(yù)測邊框與實際邊框交疊面積的比值.

2.2 電網(wǎng)三維模型校驗流程

基于GIM技術(shù)構(gòu)建的電網(wǎng)三維模型需要進行電氣設(shè)備類型及電氣距離的動態(tài)校準,以保證三維模型與實際場景相符且滿足電網(wǎng)的安全標準.因此,利用YOLOv3深度網(wǎng)絡(luò)對電網(wǎng)三維模型進行識別校驗,流程如圖3所示.

圖3 基于YOLOv3深度網(wǎng)絡(luò)的模型識別校驗流程

在電網(wǎng)三維模型識別校驗過程中,首先根據(jù)電網(wǎng)實際電氣設(shè)備與土建設(shè)施等實時調(diào)整模型[15],并將其輸入YOLOv3模型中進行識別.然后,YOLOv3模型根據(jù)電氣設(shè)備類型進行校驗,若類型與實際一致,則進行電氣距離安全校驗;否則發(fā)出預(yù)警,提示工作人員模型錯誤并進行更改.最后,讀取設(shè)備的導線行程安全校驗區(qū),并根據(jù)設(shè)定的校驗規(guī)則進行安全校驗.若校驗區(qū)內(nèi)不存在其他安全區(qū),則構(gòu)建的電網(wǎng)三維模型是符合要求的;否則發(fā)出預(yù)警,同時進行電氣設(shè)備更改,且若不響應(yīng)預(yù)警,GIM平臺將禁用所有操作,直至通過全部校驗完成.

3 實驗結(jié)果與分析

本次實驗選擇了一座新建的220 kV常規(guī)變電站進行三維建模,該變電站裝有4個240 MVA的主變壓器,其中10 kV出線24回,110 kV出線8回,220 kV進出線4回以及相應(yīng)的GIS設(shè)備.相關(guān)的軟件環(huán)境:Windows7(1909),Python3.7.6,OpenCV4.2,CUDA11.0.140,PyTorch1.4.0;相關(guān)參數(shù)設(shè)置:學習率為0.001,迭代次數(shù)上限為200,YOLOv3算法中,mask初始化為0,conf_mask初始化為1,且bbox與gt的IOU正樣本閾值為0.7,負樣本閾值為0.3.

3.1 三維建模結(jié)果分析

根據(jù)變電站設(shè)計圖紙以及現(xiàn)場施工狀態(tài)進行三維建模,變電站的三維模型如圖4所示.

圖4 變電站三維建模結(jié)果

從圖4中可以看出,通過GIM技術(shù)構(gòu)建的三維模型能夠清楚地呈現(xiàn)出變電站的結(jié)構(gòu),且從三維模型中即可獲得相關(guān)參數(shù),無需進行實地測量,既降低了變電站運維的風險,又提高了工作效率.

3.2 電氣設(shè)備距離校驗結(jié)果

在變電站三維建模的基礎(chǔ)上,基于模型中的主變間隔與相關(guān)實驗參數(shù),在三維模型中更改變電站高壓電氣設(shè)備間的距離,檢驗?zāi)Ｐ褪欠衲軌蛟诟暮笳_判斷該距離,并對不合格的位置進行標注,其批注結(jié)果如圖5所示.針對主變間隔,所提模型不僅可以對電氣距離進行判斷和標注,還能實現(xiàn)對非電氣物體距離的直觀判斷及展示.

圖5 變電站三維建模距離批注效果

3.3 電氣設(shè)備安全距離校驗結(jié)果分析

針對模型安全距離校驗問題,本文還對其所確定的距離與實際現(xiàn)場測量結(jié)果進行了比較,結(jié)果如表1所示.

表1 GIM模型最小電氣距離校驗結(jié)果

由表1可知,所提模型對于最小電氣距離的判斷與實際值相差較小.其中,對于10 kV母線至柜體這類較為規(guī)則物體之間的距離,模型判定更準確,因此誤差僅為毫米級;而對于主變間隔不規(guī)則的物體以及線路間隔空間距離較大的設(shè)備,模型所判定的最小電氣距離與實際值相差稍大,但仍在誤差允許范圍內(nèi).由此可見,本模型針對變電站設(shè)計和改造均具有良好的實際應(yīng)用效果.

3.4 模型校驗結(jié)果分析

為了論證本文所提方法的校驗性能,采用準確率E、召回率R和F1值進行評價,三個參數(shù)計算表達式為

(6)

(7)

(8)

式中:TP為預(yù)測值是正值的正樣本;FN為預(yù)測值是負值的正樣本;FP為預(yù)測值為正值的負樣本.

將所提方法用來校驗構(gòu)建的電網(wǎng)三維模型,實驗分別從新建變電站土建、電氣、消防以及環(huán)保等方面選取不同電壓等級、隱蔽工程與非隱蔽工程等方面的24個樣本點作為校驗實驗點,得到的校驗結(jié)果準確率均值如圖6所示.

圖6 校驗過程中準確率均值的變化曲線

由圖6可以看出,所提方法進行模型校驗時能夠?qū)崿F(xiàn)快速收斂.當?shù)螖?shù)達到40后,準確率均值在95%上下浮動,因此整體校驗效果理想.此次還將該方法與BP神經(jīng)網(wǎng)絡(luò)、CNN算法進行對比,三者評價指標及檢測時間結(jié)果如表2所示.

表2 不同模型的對比結(jié)果

由表2可知,相較于BP神經(jīng)網(wǎng)絡(luò)和CNN算法,所提方法采用YOLOv3網(wǎng)絡(luò)能夠更好地保證校驗準確性,且其準確率、召回率和F1值分別為92.48%、96.71%和94.55%,但由于增加了電氣距離校驗,因此檢測時間有所延長,達到了120.39 ms.同時,因為YOLOv3網(wǎng)絡(luò)在圖像檢測中具有良好的處理效果,所以能夠準確地識別出三維模型中的電氣設(shè)備類型,并結(jié)合安全標準進行電氣距離校驗,進一步保證了三維模型的可靠性.而BP神經(jīng)網(wǎng)絡(luò)和CNN算法雖然檢測時間更短,但二者對于較小模型的檢測效果不佳,易出現(xiàn)誤檢或漏檢的情況,校驗準確性有所降低.

4 結(jié) 論

電網(wǎng)可視化對提高其運維安全和效率均具有重要意義,因此本文提出了一種基于GIM技術(shù)與YOLOv3深度網(wǎng)絡(luò)的三維電網(wǎng)建模及校驗方法.通過使用GIM技術(shù)實現(xiàn)了電網(wǎng)的三維建模,并將系統(tǒng)設(shè)備和參數(shù)可視化.同時將YOLOv3深度網(wǎng)絡(luò)檢測三維模型中的電氣設(shè)備類型與設(shè)定規(guī)則相結(jié)合,進而校驗電氣的安全距離.實驗結(jié)果表明,所構(gòu)建的變電站三維模型能夠清晰地呈現(xiàn)變電站結(jié)構(gòu),且校驗結(jié)果的性能參數(shù)較為理想,進而保證了電網(wǎng)三維模型的可靠性.但本方法僅針對電氣設(shè)備類型和安全距離進行了校驗,仍有諸多其他需要校驗的方面,例如工程進展是否如期、設(shè)備安裝是否合規(guī)等.后續(xù)將開展更為廣泛的校驗研究,以提高該方法的普適性.