基于分布式快速存储的变电站三维建模数据处理技术研究

陈志辉，甘运良，董跃周，雷伟刚，罗剑

（中国南方电网有限责任公司超高压输电公司，广东广州 510630）

随着科技的进步，电网的等级与复杂程度也在不断升级。为了更好地研究电力系统，通过建立电力系统的三维模型来进行研究已是较为成熟的手段[1]。因此，为了加快三维场景加载速度[2]及渲染效率，可以在三维场景中加载模型预制体来达到模型复用的效果[3]。但基于预制体加载的复用模型存在模型颜色较深，且不能进行三维场景静态烘焙灯光的问题。

为了解决模型预制体颜色过深的问题，对三维场景进行灯光渲染是必不可少的步骤。当前对三维场景模型进行灯光渲染效果处理的主流方法有两种：1）通过软件将灯光信息直接渲染在模型预制体的UV 贴图上，但其生成的模型贴图占据的存储空间较大，且模型加载时需要较长时间[4]；2）通过三维场景增加光照补偿。然而目前基于WebGL 的B/S 架构引擎的光照补偿效果较差，灯光实时渲染需要花费大量的时间，因此渲染计算也会给客户端带来较大的压力[5]。

1 分布式存储

1.1 云存储

云存储是一种基于云计算模型的存储方法，通过以数据存储作为服务进行管理和运营的云计算提供商，将数据存储在互联网上，以即时容量与成本按需交付，无需用户进行数据存储基础设施建设[6]。

云存储为在本地硬盘驱动器上或网络上存储的文件提供了一种经济高效、可扩展的替代方案。该存储方式的维护成本较高，因为随着存储数据的增长，公司必须投资以增加服务器与基础设施来满足不断增长的需求[7]。同时，网络存储的位置也需不断更新[8]。

云存储是一种可调节的服务，其能在一定范围内根据所要处理的数据进行容量调节，以此适应不同的数据规模，且还具有较强的灵活性。然而，这种容量可变的云存储一方面会进一步导致成本随着数据量的增加而增加，但从另一方面却能减少设备配置的冗余。

1.2 分布式存储架构

为了适应科技的发展与革新，数据存储在过去的几年中不断发展。由于技术和经济等方面的原因，目前正处于一个临界点。传统的使用独立、专门的存储盒技术已不再适用，需要提出一种速度更快的驱动器，建立新的数据存储概念。目前，满足当前数据存储需求的最佳方法就是分布式存储[9]，其将数据分散至各个子服务器的方式，则更利于实时、大量地处理海量信息[10]。

Dynamo 是面向设计人员的一种视觉形式的设计工具，同时，还可以利用其生成相关的计算工具。其在分布式存储上具有诸多优势。Dynamo能够提高分布式存储系统的可用性、可靠性以及可扩展性[11]，总体架构如图1 所示。

图1 Dynamo架构图

2 变电站三维建模

2.1 图像识别

图像的物理坐标与监控摄像机的坐标有直接的关系。不同的成像模型会影响相机的坐标标定，因此有必要选择合适的相机模型。在监控摄像机模型中，最理想的模型是针孔成像模型。但其也有较多的不足之处，当针孔不能收集到足够的光，且尺寸足够小时就会引起光的干涉现象，严重影响成像效果。因此，需要使用透镜来收集更多的光，以实现实际的聚焦效果[12]。监控摄像机模型包含了众多的参数，例如一个使摄像机坐标与世界坐标重合的旋转与移动矩阵以及各种畸变系数，这些参数共同构成了摄像机的参数矩阵[13]。

根据变换视角的方法有如下坐标变换关系：

其中，[X Y Z1]T为三维世界坐标矢量；[u v1]T是对应的图像物理坐标。mij是M的元素，M是透视变换矩阵。对式（1）展开计算，可以得到式（2）和式（3）：

对于三维空间中的每个点，都有两个方程。当点数为n时，就有2n个方程，但其中的未知数由11个参数组成（6 个旋转与平移参数，5 个失真系数）。当2n≥11 时，根据最小化原理可将校准坐标设置为世界坐标，即相机在世界坐标系中的位置（x，y，z）也可以计算出来，校准工作完成。

2.2 变电站模型的建立

变电站的占地面积较大，使用监控摄像头无法获得变电站全貌。且因图像采集能力的限制，远程场景图像的质量会较差。此外，内部设备体积通常过大，监控摄像头无法充分获取设备的三维图像[14]。

变电站的建模需要计算空间内设备上所有点的三维坐标。根据2.1 节，若已知监控摄像机的内外参数矩阵M，则坐标(u，v，1)可以根据空间中任意点P的世界坐标计算出其在图像像素坐标系中的值[X Y Z1]T。但若已知空间中某一点的图像像素坐标与矩阵M，则对应的空间坐标是一条射线，不能唯一确定。

为了解决这一问题，采用多台不同角度的相机同时拍照，并利用卷积神经网络对图像进行自动处理。

为验证该传感器的准确性,实验激励电流采用自激磁通门原理[11]实现,其激励电路如图4(a)所示。整个电路通过激励绕组的充放电与比较器实现电压翻转,形成自激振荡产生周期性信号,推挽电路起到增大输出电流的作用。

2.3 基于卷积神经网络的图像融合

卷积神经网络是一种人工智能深度学习的方法，在图像特征信息分析方面具有较大的优势[15-16]。

其中，卷积计算与权值共享机制可以在减少参数计算的同时较大地保留图像特征。在文中，空间点坐标的计算实际上是对图像中信息的分析计算，其实质即图像分析。因此，该设计使用卷积神经网络来实现对图像中坐标信息的提取和计算。

根据X坐标和Y坐标的数据将图像分别记录为X坐标图像与Y坐标图像。将这些被记录的图像作为操作的输入层，且使不同图像中同一设备的相同部分标记为输出层，并存储构成其相同部分的点的坐标，以供日后计算。

分别对X坐标图像和Y坐标图像进行卷积运算：

汇集特性图后：

经过多次卷积池操作，在全连接层之后，同一设备的相同部分被标记在不同的图像中。

2.4 变电站场景建模

为了使图像中的每一个点均与实际站点的坐标信息相对应，从而解决单相机成像不完全、无法计算坐标的问题。需要使用不同角度的相机进行综合成像建模，如图2 所示。

图2 摄像机建模原理

当建立完成实际站内所有设备点坐标后，可以利用这些点坐标建立实时站模型。然后利用模型的相对位置，基于图像构建智能三维电子围栏。当变电站发生入侵与实时运行时，能够准确判断目标物体在空间中的相对位置。若达到安全距离的极限值，则触发报警。该围栏可实时检测入侵，并调节检测路线，从而有效防止充电间隔进入。

3 系统建模

该文自动成图采用多步骤分解模式进行，主要分为平面化-正交化两个步骤。

首先获取多个变电站的电压等级信息和用途信息；然后需要根据所述电压等级信息和所述用途信息，确定各个所述变电站对应的分区场景，并建立多个分区文件；而后将各个变电站的三维模型存储到对应的所述分区文件中；最后需要针对所述分区场景，绘制不同区域的盒子模型确定所述盒子模型和所述分区文件的对应关系。其主要数据流如图3所示。

图3 主要数据流

根据所述盒子模型和所述分区文件的对应关系，逐个区域地加载各所述变电站的三维模型，具体如图4 所示。

图4 模型的数据构成

4 算例分析

基于WebGL 的三维电力系统构建是目前采用较多的方式，该文以电网中的变电站为例进行算例实验。变电站的三维模型数据量巨大，在同一座变电站中通常存在一些相同型号的设备。在建造变电站模型时，存在三维场景模型加载重复率高、初始化耗时较长，三维场景内存消耗大及场景应用性能低等问题。为验证该文所提变电站三维建模数据分布式快速存储的优势与有效性，将从其更新成本、可靠性和响应时间三个方面进行仿真对比分析。

具体的参数设置如下：1）网络节点规模为5 000个；2）分布式存储算法：方案一采用Flooding 算法、方案二采用PAP 算法与该文算法进行对比；3）对比项为更新数据数目、故障发生率及响应时间。

为避免实验次数少而引起的误差，采用多次实验求解平均值的思路，每种方法进行100 次，然后选取平均值进行比较，结果如图5-7 所示。

图5 更新数据数目与总体规模关系

根据图5-7 所示的结果，该文算法在更新数据数量、故障发生率上具有明显的优势。在响应时间方面，当更新比率在0～0.25%的范围内时，该文所提方法的响应时间仅为350 ms 左右，满足实际运行的实时性要求。

图6 节点故障对总体可靠性的影响

图7 响应时间随更新比率的变化趋势

综上所述，利用文中所提的基于分布式快速存储的变电站三维建模数据处理技术有利于提升存储效率，并能实时处理多种复杂信息，且实现了较高的准确率。因此验证了该文方法可以在保证建模效果真实性的前提下，大幅降低存储成本，具有较好的工程应用价值。

5 结束语

该文提出了一种分布式快速存储的变电站三维建模数据处理方法。该方法将各个变电站的三维模型存储到对应的所述分区文件中，以确定相应盒子模型和分区文件的对应关系。根据此对应关系，逐区域地加载各个所述变电站的三维模型，生成还原了光照的设备模型。并通过与其他算法的性能对比实验，验证了该文存储算法可兼顾更新成本与响应速度，显著提高了数据加载的效率，有利于模型的快速渲染。