电力优化论文：三维电力设施优化方式探讨范文
本站小编为你精心准备了电力优化论文：三维电力设施优化方式探讨参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。
作者：汤雍南云戚魏炯单位：象山县供电局
建立基础三维场景
首先根据DEM和DOM等地理数据，结合电力设施地理空间分布数据，建立基础三维空间场景；建立三维场景的流程如下：
（1）影像数据准备确定影像数据：如果我们所要做的工程范围内有以前拍摄的航片数据或高精度卫星影像数据，需要先把影像数据处理为正射影像，并拼接在一起，可一个条带拼接在一起，条带与条带之间无需拼接，最后直接将每个条带加入TB模块中。
（2）DEM数据准备为了使场景更加漂亮，需要增加比我们所要做的工程范围更大的DEM数据，可使用全国90米分辨率或全国30米分辨率的免费DEM数据进行融合，这类数据通过收集或直接从网上免费下载。每个地区，可能有1∶500、1∶2000、1∶5000尺度的地形图，可将此类地形图做成高精度DEM添加到场景中。
●图幅拼接影像数据大部分均为单幅地形图，为了方便，可以将多幅地形图在软件中拼接为一幅（拼接的幅数根据电脑性能确定），在拼接的时候即可检查是否有断线，如果有断线尽量把线连在一起，避免生成DEM时出错。
●高程赋值如果等高线没有赋值，首先要对等高线进行赋值，等高线必须有高程值。
●检查错误包括检查等高线赋值是否正确等。
（3）在场景中添加影像数据和DEM
重点关注区域初步选址
在基础三维空间场景中根据电力设施选址要求，利用模拟退火算法，建立初步选址模型，生成设施可选拟合度分布图［2］。根据预期规划的电力设施分布情况，在此范围内选取对电力设施部署有利同时有不确定拟合可能的区域，作为重点关注区域。
高精度数据获取
使用激光点云扫描等高精度定制化方式，结合设施可选拟合度分布图，在该区域中采集点云数据等高精度数据，采集的区域选择和不同采集区域的精度控制以设施可选拟合度分布图作为依据；
选址结果二次优化
由于采集数据精确性较高，可以对上一步得到的选址分析结果进行二次优化处理，尤其是在取得了高精度数据的区域，得到更精确的分析结果；将分析结果和实际情况结合起来进行高精度选址作业，并将作业结果展现在三维空间中。
关键技术
1三维空间场景仿真技术
●场景分割
一个三维地形场景可以从几平方千米到几十甚至数百、数万平方千米，其多边形数量可达几十、几百万个。如果把整个模型数据一次性读入计算机内存中去显示，目前来说几乎不可能做到，所以需要进行三维场景的分割。分割之前需要对于硬件性能、场景复杂程度以及纹理的数据量进行综合评估，确定每一块场景的大小。实时显示时，将只会拣取可视范围之内的三维场景模型。
●多分辨率地形模型
细节层次模型是虚拟显示应用中经常使用的技术，其思想是在不同的层次、不同的视觉条件下，采用不同精细度的模型来表示同一个对象，以提高场景的显示速度。多分辨率地形模型主要根据视点距离模型（地形）的距离和观察角度来确定模型的惊喜程度。随着距离由远及近，模型的精细程度也由粗到细。相邻层次模型的多边形数目一般相差50％～60％。
●采用多分辨率纹理贴图
三维场景的真实性是场景可视化的重要组成部分。随着计算机的发展，可视化对于真实性的要求也越来越高，除了采用光照技术使地形具有明暗效果外，使用高分辨率的纹理也是增强地形真实性的常用有效手段。但是高辨率的纹理将会占用大量内存，消耗系统资源，严重影响三维场景的正常显示速度。为了解决这种矛盾，一般通过运用多分辨率纹理贴图来实现纹理和系统资源之间的平衡。这种方法的思想是：在多分辨率的模型中加入多分辨率的纹理影像，并根据视点的变化选择不同分辨率的纹理。
2模拟退火算法
在此处使用了模拟退火算法来建立选址模型，模拟退火是一种通用概率算法，用来在固定时间内寻求在一个大的搜寻空间内找到的最优解。模拟退火来自冶金学的专有名词退火。退火是将材料加热后再经特定速率冷却，目的是增大晶粒的体积，并且减少晶格中的缺陷。材料中的原子原来会停留在使内能有局部最小值的位置，加热使能量变大，原子会离开原来位置，而随机在其他位置中移动。退火冷却时速度较慢，使得原子有较多可能可以找到内能比原先更低的位置。
模拟退火的原理也和金属退火的原理近似：我们将热力学的理论套用到统计学上，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。可以证明，模拟退火算法所得解依概率收敛到全局最优解。
模拟退火算法新解的产生和接受可分为如下四个步骤：由一个产生函数从当前解产生一个位于解空间的新解；为便于后续的计算和接受，减少算法耗时，通常选择由当前新解经过简单地变换即可产生新解的方法，如对构成新解的全部或部分元素进行置换、互换等，注意到产生新解的变换方法决定了当前新解的邻域结构，因而对冷却进度表的选取有一定的影响。计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生，所以目标函数差的计算最好按增量计算。事实表明，对大多数应用而言，这是计算目标函数差的最快方法。
判断新解是否被接受，判断的依据是一个接受准则，最常用的接受准则是Metropolis准则：若Δt′＜0则接受S′作为新的当前解S，否则以概率exp（－Δt′／T）接受S′作为新的当前解S。当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可。此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。
模拟退火算法与初始值无关，算法求得的解与初始解状态S（是算法迭代的起点）无关；模拟退火算法具有渐近收敛性，已在理论上被证明是一种以概率1收敛于全局最优解的全局优化算法；模拟退火算法具有并行性。
3点云数据采集建模技术
点云（pointcloud）是指通过3D扫瞄仪得到的数据形式。扫描资料以点的型式记录，每一个点包含有三维座标，有些可能含有色彩信息（R，G，B）或物体反射面强度。点云数据除了具有几何位置以外，还有强度（Intensity）信息，强度信息的获取是激光扫描仪接受装置采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及仪器的发射能量，激光波长有关。
激光点云扫描是通过激光测距来获得被测物体的距离数据，通过精密的时钟同步的方法来获取激光测距时，测距仪所发射激光束的角度，进而建立扫描坐标系。作为中距离三维激光扫描系统的自动化解决方案，激光点云的测量精度均可以达到较高的水准。利用激光点云数据，可以得到一系列表达目标空间分布和目标表面特性的海量点的集合，点云的属性包括：空间分辨率，点位精度，表面法向量等。
以建筑物点云扫描为例，在研究中一般先根据已知信息对于获取的原始扫描观测值进行地物提取，将地形数据与地物数据分离；再对建筑物数据进行去噪处理，去除测量噪声、遮挡物（树木、车辆等）的影响，得到建筑物整体信息；然后通过基于平面特征的图像分割对于建筑物进行识别，并根据建筑物自身特点，对于连续扫描的激光测量端面进行整体匹配纠正，得到建筑物特征点和二维平面特征；之后，再根据总体纠正信息对于原始测量数据进行重新测量和计算。最后对三维坐标进行建模和三维可视化处理。
4选址算法
选址问题的求解一般可以分为定性和定量两类：定性的方法主要是结合层次分析法和模糊综合法对于各个方案进行指标评价，以找出最优选址；定量的方法包括松弛算法和启发式算法。松弛算法的基本原理是：将造成问题难的约束吸收到目标函数中，并使得目标函数依旧保持线性，由此使得问题易于解决。一些组合优化问题在现有的约束条件下很难求得最优解，但是原问题减少某些约束以后，求解的难度就会大大降低。启发式搜索就是在状态空间中对于每一个要搜索的位置按照某种方式进行评估，得到最优的位置，在从这个位置进行搜索直到达到目标，这样就可以减少大量无畏的搜索路径，提高了效率。不同的位置评估方式，得到不同的算法。在这里，我们使用了模拟退火算法来进行启发式搜索。
电力设施选址二次优化方法的应用
首先，确定选址区域根据DEM和DOM等地理数据，结合电力设施地理空间分布数据，建立区域的基础三维空间场景；第二步：在基础三维空间场景中根据电力设施选址要求，利用模拟退火算法，建立初步选址模型，生成设施可选拟合度分布图。根据预期规划的电力设施分布情况，在此范围内选取对电力设施部署有利同时有不确定拟合可能的区域，作为重点关注区域［5］；第三步：使用激光点云扫描等高精度定制化方式，结合电力设施重点关注区域，在该区域中采集点云数据等高精度数据，不同采集区域的精度控制以设施可选拟合度分布图作为依据，越倾向不确定拟合可能的区域，采集精度越高；第四步：由于采集数据精确性较高，可以对第二步得到的选址分析结果进行二次优化处理，尤其是在电力设施重点关注区域，得到更精确的分析结果；第五步：将分析结果作为选址作业结果展现在三维空间中，供工程技术人员与实际情况相结合进行高精度选址作业。
小结
通过在一般精度三维地理信息场景中进行初步选址生成设施可选拟合度分布图，再根据预期规划在此范围内选取重点关注区域进行高精度、定制化数据采集，生成高精度的局部模型进行二次精细选址。从而有效提高资源和数据的使用效率。本方法相对于以往技术的优势在于：减小了使用高精度地理信息数据的高成本问题，在选址过程中先使用一般精度的地理信息数据通过模拟退火算法进行初步选址生成设施可选拟合度分布图。再根据图线和规划选取重点区域进行针对性高精度建模，从而大大减小了数据测量的工作量和施工成本。
