基于GIS 的流域梯级电站综合信息处理关键技术研究

李光华，谢凤祥，罗涛

（国能大渡河流域水电开发有限公司，四川成都 610000）

目前，电站的综合信息链涉及范围广且结构复杂，其关键作用在于对应急资源、运行状态、气象水情、车辆预警及人员等实施及时有效的调配。如何全面整合、精准分析、合理调配各站的综合信息是当前的研究重点。运行人员无法实现对电站的全面管控，缺少切合流域梯级电站实际的可视化管控技术。通过3D 可视化技术、3D 数字技术，再结合GIS系统，将电力、BIM、气象、车辆、预警、3D 数字厂房等数据进行整合，建立一个以地理信息系统为平台，加载各类图层和数据集合并能进行3D 综合展示的决策指挥中心[1-2]。该中心能够从电站安全、运行稳定、预控措施、实时诊断、实地应急处置等多维度综合展示电站信息，全方位实现流域梯级电站可视化。其中，隐患实时管控、提级预防模块尤为重要。当流域关键隐患点已确定时，能依靠高精度影像数据实时掌控隐患动向。与此同时，对于隐患发展趋势的预测也不容忽视，需借助智能算法及工作流程，建立在线诊断模型，优化关键参数，提高流域梯级电站的隐患预防及处置能力，最大化地减少因隐患监测不到位而造成的固定性损失[3-5]。

为解决流域电站综合信息分散性强、容错性小的局限性问题，该文在现有流域电站信息的基础上，利用在线诊断与离线优化为关键数据处理架构。最大化电网安全、稳定运行的决定性因素，整合流域梯级电站综合信息，实现了梯级流域电站的可视化管控。

1 GIS集成流域综合信息展示

流域综合信息展示的关键在于全域信息可视化，其考虑了天气、光度、地貌结构、地貌层级构架等因素，综合各项关键参数建立地貌关键结构，在此基础上实现流域综合信息可视化展示。

GIS 数据包括影像数据、高程数据以及各类涉及空间位置信息的数据，通过符号化、矢量化、影像转换将GIS 数据转换为可接入的格式，即可实现GIS 地形与BIM 模型无缝结合[6-8]。GIS 集成流域综合信息包括拟建、在建、投运3 种类型的电站大坝BIM 模型、隐患点边坡影像数据加载、流域天气、车辆信息四种数据类型与GIS 地图进行集成展示。

1.1 地貌结构可视化展示

如何获取及优化地貌结构参数是全域信息可视化的关键。为分析地貌结构性质不同的变化规律，该文建立了实例地貌仿真计算模型[9]。该模型在x和y方向上每间隔100 m 各选取11 个特征位置点，每个点均为直径是20 cm 的圆，将100 m 的长度分割为10 部分进行对比修正，直到清晰对比度与准确度均满足表1 所示的地貌关键结构参数要求为止。

表1 地貌关键结构参数

假设在图中不同地段选定坐标位置，并标注地貌性质，再以此推算出选定区域相应的特征地貌。以地表面特征分量Bx在x=0～55 m，y=55 m 的区域分布为例，计算发现，选定区域的最大准确度约为1.4%，而特征位置点的准确度均大于5%，如图1 所示。

图1 不同地貌结构比较

从图1 中可以看出，当直接从地貌定区域中选定特征位置点满足清晰对比度时，可较好地展现实景图。但由于非特征位置点不满足准确度的要求，所以图层差异较大，无法展现较为真实地实景全貌。因此在图层确定后，需要达到清晰对比度及准确度要求，才能够实地展示全景地貌，如图2 所示。

图2 图层分布

1.2 3D可视化技术全景实现

3D 可视化影像技术的深度融合关键在于摄像头位置点布设、典型特征快速确立以及无用条件迅速剔除。该文先以现有流域电站摄像头布设位置点为基础，增设相应摄像头位置点，实现无死角监测流域电站地貌。再基于新建摄像头布置架构，并深度融合场景投影纹理算法，采用空间网络构造新型模型理论，分别对流域电站、摄像头位置布设两类关键数据建立拓扑结构联系，形成具有流域电站典型特征的空间模型。然后基于构建的空间模型，运用拓扑诊断算法及动态筛选原理，剔除干扰性场景数据，保留典型特征性场景数据，从而降低3D 可视化存在眩晕模糊式场景的概率，最终得到具有流域典型特征的3D 可视化场景[10-11]。

该文基于空间模型，并通过树状索引构建流域电站三维场景，其主要步骤分为三部分，如图3 所示。同时，其具有以下特点：

图3 流域电站3D可视化工作流程

1）原有基础上合理布设摄像头位置，做到完全覆盖；

2）动态剔除与拓扑诊断结合，避免眩晕式构图；

3）优化图像且与视频结合，实景展示流域电站，实例效果如图4 所示。

图4 3D可视化实景图实例

2 流域电站隐患预测关键技术

大数据分析技术结合智能算法可以实现关键性趋势的预测[12-13]。而这需要采集大量的隐患典型特征数据，经初期筛选后剔除干扰性数据，保留有效性数据作为训练样本。该文基于大数据中心对接流域中现有的监测设备，如GNSS、微芯桩、表面位移监测、微芯桩-震动、倾角仪、固定测斜仪、锚索测力计、裂缝计等，获取设备的基本信息和监测信息数据。数据样本包括设备名称、安装经纬度以及各类型监测设备的实时数据等。

离线训练阶段主要是利用系统的历史数据或实验数据，采用智能算法、统计学算法等建立应用于在线监测的诊断模型。在线监测阶段则获取被测对象的实时监测数据，结合实际的系统诊断精度，经过智能比对实现对缺陷信息进行预警和诊断，同时将结果偏差反馈给离线学习模型。离线算法根据反馈结果持续优化模型，将优化后的参数传递到在线监测模型中。该文将离线学习与在线预警有机结合，实现了离线训练到在线检测，再通过检测结果的反馈进一步优化离线训练模型，从而实现了系统的自适应、自演进，突破了预置训练数据的局限性。最终将隐患点监测点位数据在影像地图上标注展示，实现流域电站隐患精准预测，诊断模型如图5 所示。

图5 系统诊断模型

在系统参数设定方面，该文采用10 折交叉验证算法进行参数交叉验证训练，并最终选定适宜的参数组合[14]。初始阶段先预设一组值作为系统初始参数，并将初始样本随机分成10 个子样本，依次选取一个子样本作为验证模型的数据，其他9 个样本用以训练，进行SPRT 计算比对，并记录下报警概率。如此重复10 次，获得该参数组合下的平均诊断正确率。调整参数组合，重复以上操作，最终确定最优模型参数组合。

实际运行模式下，还需要对接地灾中心的影像数据集成展示流域中隐患点的影像地图。通过GIS地图展示隐患点周边5 km 的地形、村庄等情况。还需实时观测隐患点，并依靠大数据分析实现隐患点预测，及时预防隐患点的爆发式增长[15]。天气也是诱发隐患的关键因素，需提早进行预防[16]。可通过大数据平台获取流域的天气数据，并根据天气数据分析流域各个电站的实时天气情况。在首页流域地图上模拟天气动态、直观展示分析结果，提供流域环境预测、预警数据的拟态化展示。

3 仿真验证

3.1 3D技术对比验证

该文以大渡河流域的梯级电站为样本，建立不同摄像头位置的融合对象延时对比分析体系，结果如图6 所示。由图可看出，该文所设计方案可对5 个摄像头的监测数据进行融合式处理。该方法以1、3、5 个摄像头为例，全过程测试所提方案的数据处理情况，其帧率始终保持在20 fps，能够较为稳定地输出数据处理结果。而现有传统方法的融合帧率低于20 fps，漫游速率阻力较大，不能直接融合图像数据，极易造成数据扭曲、丢失。因此，该方法能最大化处理采集数据，剔除干扰性数据，获取清晰的实景图，适合流域电站图像处理。

3.2 隐患预测技术验证

以某一电站为例，在设备的局部区域进行隐患预测测试，检测该方法是否能准确测出地下接地网故障隐患，检测结果如表2 所示。结果表明，该检测系统的接地网检测结果与实际接地网测量数据相符。该方法能有效、可靠地获取变电站接地网的拓扑分布及准确预测接地网腐蚀状况。由此说明，该方法中的隐患预测技术是可靠且有效的。

表2 检测结果

4 结束语

该文以3D 可视化技术为核心，以智能算法为支撑，架构了离线训练与在线诊断自演进的隐患预测模型，建立了基于GIS 的全域可视化综合信息及预测系统。基于此系统，能将现有基础设施静态数据、物联网感知数据、系统业务数据等与GIS 地图进行集成，扩充决策指挥场景化应用，并根据场景的需求，对数据进行分析并自动处理，从而实现按需提取。