基于GIM技术和YOLOv3深度网络的三维电网建模及校验方法

白汗章, 郭 科, 常 亮

(1. 西安交通大学 电气工程学院, 西安 710048; 2. 宁夏宁电电力设计有限公司 变电设计中心, 银川 750000)

数字化图形和配套信息技术的发展推动了电网建设的数字化转型与普及,其中,三维显示技术被广泛应用于交通、建筑设计、市政建设与数字城市等领域[1].电网设备作为能源领域的重要硬件支撑,其三维建模与应用对电网状态的检测、故障感知以及基建检修等方面均具有重要意义[2].目前,电网可视化管理通常采用单线图结合地理信息图像的模式进行,该模式虽然实现简单,但在空间表现与分析能力等方面仍存在不足,对于设备自身结构以及设备之间的关联无法直观进行展示,具有一定的局限性[3-4].因此,电网三维建模是电网建设的重要基础,也是实现数字电网的关键环节.

近年来,国内外学者在电网三维建模技术领域展开了诸多研究,并取得了一定的研究成果.张帅等[5]提出了一种电网信息模型(grid information model,GIM)的三维重构与优化方法,将GIM模型转换为通用的标准三维模型,从而完整地保留了原模型中的层级,具有较高的建模精度可控性和复用率,但建模效率有待提高.Zhou等[6]通过对三维数字电网关键技术的梳理,探讨了相关建设的数据、技术架构以及系统设计与实现过程,但模型缺乏校验功能,在实际应用中存在一定的推广难度.余文辉等[7]提出了一种基于模型驱动的激光点云输电线路杆塔建模方法,有效解决了输电线路建模过程中效率与准确率较低的问题,进而保证了建模的效率与质量,但算法同样缺乏对建模结果的校验功能,且对于大规模建模数据的处理能力不强.

随着深度学习(deep learning,DL)方法和计算机技术的不断发展,深度学习在三维建模及视觉处理等方面的优势逐步凸显.其中BP神经网络作为一种监督式学习算法,不存在传统方法的局部最优和收敛速度慢的问题;卷积神经网络CNN算法作为深度学习的代表算法,其参数共享可极大限度减小运算量,但其平移不变性和池化层在一定程度上限制了算法的应用.因此,针对传统电网可视化模型精度偏低、应用局限性较大的问题,本文基于GIM技术与YOLOv3深度网络提出了一种三维电网建模和校验方法,有效提升了电网建模的效率及准确性.

1 基于GIM技术的三维电网建模

电网信息模型技术由中国国家电网公司基于建筑信息模型和电网工程信息需求特性提出.本文基于该技术设计了电网三维建模的方法,同时为了在建模过程中实现无损移植,还利用模型简化及复用等方法进行建模优化.

1.1 基于云平台的GIM数据库

GIM技术能够规范电网的工程信息,并在统一模型框架和展现形式的基础上进行多平台的信息收集及运用[8-9].具体而言,即利用GIM技术对一次性录入系统的所有数据进行可视化、全生命周期等平台的多次重复使用.由于GIM系统具有数据轻量化、模型层次分明及仿真性强等优点,其在电网数据全生命周期中均得到了广泛应用[10].GIM技术的架构主要由属性集、组件类模型、物理模型、组合模型、逻辑模型、几何模型、土建模型以及工程模型等部分组成[11].

GIM模型的调用和展示均要在一段时间内对大量模型数据进行查询、调用以及统计分析.直接基于文件的传统方式无法满足设计审核业务快速、准确的数据调用需求,尤其是对于大部分图形文件,更需要特殊的数据存储与处理平台.因此,文中基于GIM模型中数据非结构化的特点,构建了如图1所示的GIM模型云平台数据库访问架构,在最大程度上满足建模的需求.

图1 GIM模型云平台的数据库访问架构图

图1中,GIM工程文件通过解析器得到包含系统(子系统)、设备、部件以及零件层次结构的列数据库,并利用高速缓存后的数据库来提高查询和检查速度;服务层则采用Eclipse模型驱动架构提高模型代码化的转换效率;数据库通过客户端基于一定的访问协议进行交互.而云平台数据库的搭建,将为三维电网建模后的自动化评审校验工作提供有力支撑.

1.2 三维电网建模及优化设计

在实际应用过程中,三维模型部分的分级结构会因为导出工具的局限性而缺失.因此,为了实现该技术的无损移植,将其建模及优化过程分为5个环节,如图2所示.

图2 基于GIM技术的三维电网建模优化流程

1) 数据解析.按照引用关联规则,解析GIM文件模型至原始层级,并选用JSON数据结构进行存储.同时,数据解析包括几何模型、其他模型和层级结构嵌套3个方面.

2) 参数建模.三维电网建模首先需要将电网在GIM模型中的几何信息模型进行参数化表达,进而形成三维网格数据,且经过适当转换以呈现可视化模型;模型文件中的基础图元可以分为简单和复杂两种类型,再结合其他模型转换,共同构成了参数建模.

3) 模型组装.基于GIM层级结构,利用空间变换矩阵将坐标系中的基础图元进行三维模型封装,从而完成三维网格数据的完全还原.

4) 模型优化.该环节主要进行模型简化与复用.对于模型简化,在建模阶段可按照模型的类型和参数优化其采样点的数量;在建模后,模型表面的三角片数量则利用三角网格算法进行优化.而模型复用是指在模型组装写入FBX时,仅需存储一次模型的几何、纹理信息,未来当相同几何模型写入时直接调用即可.

5) 属性入库.这一环节负责将各级模型对应的属性信息写入数据库,以绘制属性表.

2 基于YOLOv3深度网络的电网三维模型校验方法

GIM技术生成的电网三维模型存在电气设备类型易出错、电气安全距离不足等问题,因此利用YOLOv3深度网络设计了电气设备类型检测方法,并根据设定的校验规则对电气距离进行安全校验,以保证电网三维模型的准确性及可靠性[12-13].

2.1 YOLOv3深度网络

图像检测将以网格为单位进行,YOLO网络将输入图像划分成S×S个网格,检测完成后输出B个边界框信息以及K个被检测物体所属种类的概率信息[14].边界框中有5个数据,分别是预测物体边界框的宽bw和高bh、边界框中心位置的坐标bx、by以及置信度Conf,其计算表达式分别为

bw=gwedw

(1)

bh=ghedh

(2)

bx=σ(dx)+Cx

(3)

by=σ(dy)+Cy

(4)

Conf=Pr(O)Iou

(5)

式中:σ为偏移函数,通常根据单位网格大小确定;dx、dy为预测物体的坐标偏移量,经过Sigmoid函数归一化,以均衡边界框大小带来的影响;dw、dh为尺度缩放量;Cx、Cy为网格单元的左上角坐标;gw、gh为先验框对应到特征图的宽和高;Pr(O)为边界框中存在/不存在待检测物体,取为0或1;Iou为交并比,即预测边框与实际边框交叠面积的比值.

2.2 电网三维模型校验流程

基于GIM技术构建的电网三维模型需要进行电气设备类型及电气距离的动态校准,以保证三维模型与实际场景相符且满足电网的安全标准.因此,利用YOLOv3深度网络对电网三维模型进行识别校验,流程如图3所示.

图3 基于YOLOv3深度网络的模型识别校验流程

在电网三维模型识别校验过程中,首先根据电网实际电气设备与土建设施等实时调整模型[15],并将其输入YOLOv3模型中进行识别.然后,YOLOv3模型根据电气设备类型进行校验,若类型与实际一致,则进行电气距离安全校验;否则发出预警,提示工作人员模型错误并进行更改.最后,读取设备的导线行程安全校验区,并根据设定的校验规则进行安全校验.若校验区内不存在其他安全区,则构建的电网三维模型是符合要求的;否则发出预警,同时进行电气设备更改,且若不响应预警,GIM平台将禁用所有操作,直至通过全部校验完成.

3 实验结果与分析

本次实验选择了一座新建的220 kV常规变电站进行三维建模,该变电站装有4个240 MVA的主变压器,其中10 kV出线24回,110 kV出线8回,220 kV进出线4回以及相应的GIS设备.相关的软件环境:Windows7(1909),Python3.7.6,OpenCV4.2,CUDA11.0.140,PyTorch1.4.0;相关参数设置:学习率为0.001,迭代次数上限为200,YOLOv3算法中,mask初始化为0,conf_mask初始化为1,且bbox与gt的IOU正样本阈值为0.7,负样本阈值为0.3.

3.1 三维建模结果分析

根据变电站设计图纸以及现场施工状态进行三维建模,变电站的三维模型如图4所示.

图4 变电站三维建模结果

从图4中可以看出,通过GIM技术构建的三维模型能够清楚地呈现出变电站的结构,且从三维模型中即可获得相关参数,无需进行实地测量,既降低了变电站运维的风险,又提高了工作效率.

3.2 电气设备距离校验结果

在变电站三维建模的基础上,基于模型中的主变间隔与相关实验参数,在三维模型中更改变电站高压电气设备间的距离,检验模型是否能够在更改后正确判断该距离,并对不合格的位置进行标注,其批注结果如图5所示.针对主变间隔,所提模型不仅可以对电气距离进行判断和标注,还能实现对非电气物体距离的直观判断及展示.

图5 变电站三维建模距离批注效果

3.3 电气设备安全距离校验结果分析

针对模型安全距离校验问题,本文还对其所确定的距离与实际现场测量结果进行了比较,结果如表1所示.

表1 GIM模型最小电气距离校验结果

由表1可知,所提模型对于最小电气距离的判断与实际值相差较小.其中,对于10 kV母线至柜体这类较为规则物体之间的距离,模型判定更准确,因此误差仅为毫米级;而对于主变间隔不规则的物体以及线路间隔空间距离较大的设备,模型所判定的最小电气距离与实际值相差稍大,但仍在误差允许范围内.由此可见,本模型针对变电站设计和改造均具有良好的实际应用效果.

3.4 模型校验结果分析

为了论证本文所提方法的校验性能,采用准确率E、召回率R和F1值进行评价,三个参数计算表达式为

(6)

(7)

(8)

式中:TP为预测值是正值的正样本;FN为预测值是负值的正样本;FP为预测值为正值的负样本.

将所提方法用来校验构建的电网三维模型,实验分别从新建变电站土建、电气、消防以及环保等方面选取不同电压等级、隐蔽工程与非隐蔽工程等方面的24个样本点作为校验实验点,得到的校验结果准确率均值如图6所示.

图6 校验过程中准确率均值的变化曲线

由图6可以看出,所提方法进行模型校验时能够实现快速收敛.当迭代次数达到40后,准确率均值在95%上下浮动,因此整体校验效果理想.此次还将该方法与BP神经网络、CNN算法进行对比,三者评价指标及检测时间结果如表2所示.

表2 不同模型的对比结果

由表2可知,相较于BP神经网络和CNN算法,所提方法采用YOLOv3网络能够更好地保证校验准确性,且其准确率、召回率和F1值分别为92.48%、96.71%和94.55%,但由于增加了电气距离校验,因此检测时间有所延长,达到了120.39 ms.同时,因为YOLOv3网络在图像检测中具有良好的处理效果,所以能够准确地识别出三维模型中的电气设备类型,并结合安全标准进行电气距离校验,进一步保证了三维模型的可靠性.而BP神经网络和CNN算法虽然检测时间更短,但二者对于较小模型的检测效果不佳,易出现误检或漏检的情况,校验准确性有所降低.

4 结 论

电网可视化对提高其运维安全和效率均具有重要意义,因此本文提出了一种基于GIM技术与YOLOv3深度网络的三维电网建模及校验方法.通过使用GIM技术实现了电网的三维建模,并将系统设备和参数可视化.同时将YOLOv3深度网络检测三维模型中的电气设备类型与设定规则相结合,进而校验电气的安全距离.实验结果表明,所构建的变电站三维模型能够清晰地呈现变电站结构,且校验结果的性能参数较为理想,进而保证了电网三维模型的可靠性.但本方法仅针对电气设备类型和安全距离进行了校验,仍有诸多其他需要校验的方面,例如工程进展是否如期、设备安装是否合规等.后续将开展更为广泛的校验研究,以提高该方法的普适性.