CN114357694A - 一种基于大规模点云的变电站数字孪生方法及装置 - Google Patents
一种基于大规模点云的变电站数字孪生方法及装置 Download PDFInfo
- Publication number
- CN114357694A CN114357694A CN202111363476.8A CN202111363476A CN114357694A CN 114357694 A CN114357694 A CN 114357694A CN 202111363476 A CN202111363476 A CN 202111363476A CN 114357694 A CN114357694 A CN 114357694A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- point
- straight line
- transformer substation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大规模点云的变电站数字孪生方法及装置,通过点云预处理、聚类分割、直线拟合等技术有效提取点云中的关键设备数据,便于后续分类储存。通过瓦片式分内层存储方法,将不同重要程度的点云数据按不同要求进行储存,降低了点云数据量的大小,便于后续渲染;通过大规模点云渲染技术,结合实际情况,寻找需要加载渲染相应层次的节点进行加载,提高了大规模点云的渲染效率;通过数字孪生虚实映射、数据仿真、实时同步等技术,实现对变电站设备更直观的监控和分析,以及全生命周期综合管理;通过机器人仿真技术,将机器人巡检过程虚实同步至变电站的数字孪生虚拟模型中,更加方便的监控和管理巡检任务。
Description
技术领域
本发明涉及一种基于大规模点云的变电站数字孪生方法及装置,属于变电站技术领域。
背景技术
在电力系统中,对变电站设备的巡视检查、维护管理、及时发现设备存在的问题是变电运维专业的主要任务之一。电力设备的缺陷、隐患、异常动行状态等直接影响到电力设备的安全运行和电网的可靠供电,及工农商业用户的生产经营活动,甚至会带来严重的经济损失,不利于社会和谐稳定,作为变电运维人员,必须重视设备巡视质量。及时发现设备存在的问题、提升供电可靠性和服务水平,已成为提升供电企业服务水平的重要手段。因此,变电站需不断加强巡检作业能力建设,为电力用户创造更多的经济效益和社会效益。目前广泛开展的变电站巡检应用中,需要专业人员手动操作,工作复杂繁重,且危险性高;而且,由于巡检人员本身受身体所限,精神、体力难以长时间集中,在环境复杂的变电站环境中进行作业时,容易因违规操作或个人失误导致安全事故发生。
现有的变电站数字孪生技术的缺点如下:
1)变电站的点云数据通常很大,无法整合到内存中,目前采用的点云渲染方法对内存和CPU的消耗较高,且没有考虑到不同种类对象的区别,比如针对非重要物体(周围环境)和重要物体(电力设备)都采用同等的采样和渲染策略,导致渲染效率低下;
2)目前的变电站建模出要通过现场获取的点云数据渲染完成,但建模后只能用来进行基本的信息展示和查看功能,无法在数字模型中与巡检机器人进行互动,也无法实现变电站运行状态仿真。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种基于大规模点云的变电站数字孪生方法及装置,通过瓦片式分层存储和大规模点云渲染技术,降低对内存和CPU的要求,提高渲染效率;通过数字孪生虚实映射、数据仿真、实时同步等技术,实现对变电站设备更直观的监控和分析,以及全生命周期综合管理;通过机器人仿真技术,将机器人巡检过程虚实同步至变电站的数字孪生虚拟模型中,更加方便的监控和管理巡检任务。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种基于大规模点云的变电站数字孪生方法,包括:
获取变电站点云数据;
对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
从所述直线模型中识别出电力线;
对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
进一步的,所述对点云数据进行预处理,包括:计算每个点到所有相邻点的平均距离,假设结果分布是具有均值和标准差的高斯分布,将该点的平均距离在由全局距离均值和标准差定义的区间之外的所有点视为离群值,并从数据集中进行修剪。
进一步的,所述采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分,包括:以点与点之间的欧式距离作为测度函数进行判断,即该点与某类集合任一点的欧式距离小于阈值时,则将其归为同一类进行划分。
进一步的,所述采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,包括:对每个子块基于图论算法获得最小生成树,取最小生成树中最长路径作为导线的逼近直线,利用中轴线提取得到设备中轴线。
进一步的,所述从所述直线模型中识别出电力线,包括:从直线模型中识别出电力线,采用计算横截面半径的方法,在直线上某个点,取周围某个半径的球体内所有点的坐标蔓延的范围,所有点蔓延范围的并集,可视为该直线所属于的电线,如果所有球体内的点到直线的平均距离大于预先设置的阈值,则认为该直线不是电力线。
进一步的,还包括:将变电站设备物质和价值的全过程数字化管理,对资产的规划设计、物资采购、工程建设、维护运营、检修更新直至退役报废这一全生命周期实现综合管理。
进一步的,所述构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立,还包括:通过加载数据资源构建变电站多维数据空间,对数字孪生虚拟模型进行数据分析、仿真计算,并实时反馈给数字孪生虚拟模型,对模型优化演进,形成一种自我优化的智能运行模式。
进一步的,所述瓦片式分层存储方法,包括:
步骤1:从数据库中读取对象提取结果,生成根节点,并设置为当前节点;
步骤2:从原始点云文件中读取一个点,如果读取成功,转步骤3;否则如果数据全部读完,转步骤6;
步骤3:把读取的点加入到当前节点,判断当前操作的八叉树节点是不是叶子节点,如果是转步骤4,否则转步骤5;
步骤4:把新的点放到节点的数据缓存里面,当缓存中的点的个数超过一定阈值时,叶子节点分裂成非叶子节点,把缓存中的点逐级分配给子节点,转步骤3;
步骤5:计算该点和邻居们的平均距离,如果平均距离大于该节点所属类别的邻居阈值,说明该点比较稀疏,则把新的点放到节点的数据缓存;否则把该点划入到下一级子节点中,转步骤2;
步骤6:构造层次文件,层次文件按照广度优先遍历的顺序保存了各个节点之间的层次关系,保存的内容包括该节点自身有多少个点,该节点有哪些子节点;
步骤7:在构建层次结构构建过程中,定时对八叉树的节点进行序列化存储,对不同细节层次的瓦片文件保存,瓦片文件的文件名按照其层次进行命名。
第二方面,本发明提供一种基于大规模点云的变电站数字孪生装置,包括:
获取单元,用于获取变电站点云数据;
点云预处理单元,用于对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
聚类分割单元,用于采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
直线拟合单元,用于采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
识别电力线单元,用于从所述直线模型中识别出电力线;
存储单元,用于对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
点云数据渲染单元,用于把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
数据中台搭建单元,用于搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
虚实映射单元,用于采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
变电站数字孪生模型建立单元,用于基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
数字孪生虚拟机器人融合单元,用于构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
本发明提供的基于大规模点云的变电站数字孪生方法,通过点云预处理、聚类分割、直线拟合等技术有效提取点云中的关键设备数据,便于后续分类储存。通过瓦片式分内层存储方法,将不同重要程度的点云数据按不同要求进行储存,降低了点云数据量的大小,便于后续渲染;通过大规模点云渲染技术,结合实际情况,寻找需要加载渲染相应层次的节点进行加载,提高了大规模点云的渲染效率;通过数字孪生虚实映射、数据仿真、实时同步等技术,实现对变电站设备更直观的监控和分析,以及全生命周期综合管理;通过机器人仿真技术,将机器人巡检过程虚实同步至变电站的数字孪生虚拟模型中,更加方便的监控和管理巡检任务。
附图说明
图1是本发明实施例提供的一种基于大规模点云的变电站数字孪生方法的流程示意图;
图2是本发明实施例提供的横截面半径筛选示意图;
图3是本发明实施例提供的点云分层存储图;
图4是本发明实施例提供的点云存储流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本实施例介绍一种基于大规模点云的变电站数字孪生方法,包括:
获取变电站点云数据;
对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
从所述直线模型中识别出电力线;
对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
如图1-4所示,本实施例提供的基于大规模点云的变电站数字孪生方法及装置,其应用过程具体涉及如下步骤:
步骤1:利用现有技术,通过激光雷达扫描获取变电站点云数据;
步骤2:点云预处理。计算每个点到所有相邻点的平均距离,假设结果分布是具有均值和标准差的高斯分布,将该点的平均距离在由全局距离均值和标准差定义的区间之外的所有点视为离群值,并从数据集中进行修剪,然后利用点云体素滤波器算法对点云降采样,提取有效点云。
步骤3:聚类分割。提取后的点云在空间上呈独立分布状态,根据这一空间分布特征,即可采用欧式空间聚类分割的方法进行目标实体划分,该方法以点与点之间的欧式距离作为测度函数进行判断,即该点与某类集合任一点的欧式距离小于阈值时,则将其归为同一类;
步骤4:直线拟合。采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对每个子块基于图论算法获得最小生成树,取最小生成树中最长路径作为导线的逼近直线,利用中轴线提取得到设备中轴线;
步骤5:识别电力线。从直线模型中识别出电力线,采用计算横截面半径的方法,在直线上某个点,取周围某个半径(比如1米)的球体内所有点的坐标蔓延的范围,所有点蔓延范围的并集,可视为该直线所属于的电线,如果所有球体内的点到直线的平均距离大于某个阈值(比如20厘米),则认为该直线不是电力线;
步骤6:将识别结果入库存储。对象识别后的结果,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
步骤7:渲染点云数据。把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
步骤8:搭建数据中台。将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述,使信息在输变电环境内无障碍流通和共享,实现数据采集、汇集和统一管理、使用,为构建数字孪生虚拟模型进行智能运行提供数据;
步骤9:生命周期规划管理。将变电站设备物质和价值的全过程数字化管理,对资产的规划设计、物资采购、工程建设、维护运营、检修更新直至退役报废这一全生命周期实现综合管理;
步骤10:虚实映射。采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射,对数据的分析更为直观。
步骤11:建立变电站数字孪生模型。基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立。通过加载数据资源构建变电站多维数据空间,对数字孪生虚拟模型进行数据分析、仿真计算,并实时反馈给数字孪生虚拟模型,对模型优化演进,形成一种自我优化的智能运行模式;
步骤12:融合数字孪生虚拟机器人。构建基于ROS的机器人仿真环境,包括机器人运动学分析、运动路径规划、动力学控制、机器人与环境交互作用等,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况,便于观测整个巡检过程。
具体的,所述的最小生成树算法,对于给定的连通无向图G=(V,E),如果E存在一个无回路的子集A,该子集包含所有的顶点且所有边的权重之和最小,则我们称该子集为最小生成树,本发明采用Kruskal算法来求取最小生成树,借助并查集来判断新增的顶点是否在当前路径中构成了回路;
具体的,所述的中轴线提取,对提取出的最小生成树路径上的点云进行平滑便可以的得到当前直线点云的近似中轴线,然后采用RANSAC直线拟合的方法找到符合该路径的一条直线;
具体的,所述的RANSAC算法,核心在于将点划分为“内点”和“外点”,通过随机抽样求解得到一个矩阵,然后验证其他的点是否符合模型,然后符合的点成为“内点”,不符合的点成为“外点”,下次依然从“新的内点集合”中抽取点构造新的矩阵,重新计算误差,最后误差最小,点数最多就是最终的模型;
具体的,所述的瓦片式分层存储方法,最初,从原始点云文件中读取的点,被添加到根节点,如果节点中数据缓存的点的总数低于阈值,则该点将被分配给该节点,而存储在缓存中;一旦落入潜在的新的子节点的足够的点已经累积,就创建新的子节点。当新读取的点加入到子节点中时,要判断该点与其邻居之间的平均距离,根据距离决定该点是应该存放在八叉树的哪一层。如果当前的邻居平均距离大于该点对应的邻居距离阈值,则直接把该点存放在当前子节点;否则把该点存放到当前子节点的下一级层级更高的子节点,以此类推。可见,当前邻居距离越小,表示该点越稠密,它在八叉树中的层级就越高,可实现瓦片层次存储的功能;非关键对象中的点,如果被分配的层级大于系统允许最大层级,则丢弃该点,则可实现对非关键对象下采样的功能,降低点云存储空间;邻居距离阈值被设置的越小,该点被放到八叉树中低层级节点的可能性越大,广度优先遍历渲染时可优先被显示,从而可实现提高其渲染优先级的功能;
具体的,所述的点与其邻居之间的平均距离计算,通过哈希表来缓存邻居距离,以三维坐标组合为索引,检索出的哈希值是一个单元格地址,单元格内部包括本单元格多个点的坐标,以及多个邻居单元格地址,这样允许多个点共用一个单元格,从而解决了哈希冲突。已知某点的三维坐标,可以计算出其与本单元格多个点和每个邻居中所有点的平均距离;
具体的,所述的瓦片式分层存储方法,所述方法包括如下步骤:
步骤1:从数据库中读取对象提取结果,生成根节点,并设置为当前节点;
步骤2:从原始点云文件中读取一个点,如果读取成功,转步骤3;否则如果数据全部读完,转步骤6;
步骤3:把读取的点加入到当前节点,判断当前操作的八叉树节点是不是叶子节点,如果是转步骤4,否则转步骤5;
步骤4:把新的点放到节点的数据缓存里面,当缓存中的点的个数超过一定阈值时,叶子节点分裂成非叶子节点,把缓存中的点逐级分配给子节点,转步骤3;
步骤5:计算该点和邻居们的平均距离,如果平均距离大于该节点所属类别的邻居阈值,说明该点比较稀疏,则把新的点放到节点的数据缓存;否则把该点划入到下一级子节点中。转步骤2;
步骤6:构造层次文件。层次文件按照广度优先遍历的顺序保存了各个节点之间的层次关系,保存的内容包括该节点自身有多少个点,该节点有哪些子节点等;
步骤7:在构建层次结构构建过程中,定时对八叉树的节点进行序列化存储,对不同细节层次的瓦片文件保存,瓦片文件的文件名按照其层次进行命名。
具体的,所述的点云数据的渲染,渲染网页需要结合当前视角和视野范围,应用多线程动态调度技术和局部渲染技术,计算视野范围内不同区域的渲染分辨率,以便寻找需要加载渲染相应层次的节点进行加载,或者根据视野距离淘汰对应层次的节点。
实施例2
本实施例提供一种基于大规模点云的变电站数字孪生装置,包括:
获取单元,用于获取变电站点云数据;
点云预处理单元,用于对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
聚类分割单元,用于采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
直线拟合单元,用于采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
识别电力线单元,用于从所述直线模型中识别出电力线;
存储单元,用于对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
点云数据渲染单元,用于把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
数据中台搭建单元,用于搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
虚实映射单元,用于采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
变电站数字孪生模型建立单元,用于基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
数字孪生虚拟机器人融合单元,用于构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
实施例3
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现下述任一项所述方法的步骤:
获取变电站点云数据;
对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
从所述直线模型中识别出电力线;
对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种基于大规模点云的变电站数字孪生方法,其特征在于,包括:
获取变电站点云数据;
对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
从所述直线模型中识别出电力线;
对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
2.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:所述对点云数据进行预处理,包括:计算每个点到所有相邻点的平均距离,假设结果分布是具有均值和标准差的高斯分布,将该点的平均距离在由全局距离均值和标准差定义的区间之外的所有点视为离群值,并从数据集中进行修剪。
3.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:所述采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分,包括:以点与点之间的欧式距离作为测度函数进行判断,即该点与某类集合任一点的欧式距离小于阈值时,则将其归为同一类进行划分。
4.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:所述采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,包括:对每个子块基于图论算法获得最小生成树,取最小生成树中最长路径作为导线的逼近直线,利用中轴线提取得到设备中轴线。
5.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:所述从所述直线模型中识别出电力线,包括:从直线模型中识别出电力线,采用计算横截面半径的方法,在直线上某个点,取周围某个半径的球体内所有点的坐标蔓延的范围,所有点蔓延范围的并集,可视为该直线所属于的电线,如果所有球体内的点到直线的平均距离大于预先设置的阈值,则认为该直线不是电力线。
6.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:还包括:将变电站设备物质和价值的全过程数字化管理,对资产的规划设计、物资采购、工程建设、维护运营、检修更新直至退役报废这一全生命周期实现综合管理。
7.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:所述构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立,还包括:通过加载数据资源构建变电站多维数据空间,对数字孪生虚拟模型进行数据分析、仿真计算,并实时反馈给数字孪生虚拟模型,对模型优化演进,形成一种自我优化的智能运行模式。
8.根据权利要求1所述的基于大规模点云的变电站数字孪生方法及装置,其特征在于:所述瓦片式分层存储方法,包括:
步骤1:从数据库中读取对象提取结果,生成根节点,并设置为当前节点;
步骤2:从原始点云文件中读取一个点,如果读取成功,转步骤3;否则如果数据全部读完,转步骤6;
步骤3:把读取的点加入到当前节点,判断当前操作的八叉树节点是不是叶子节点,如果是转步骤4,否则转步骤5;
步骤4:把新的点放到节点的数据缓存里面,当缓存中的点的个数超过一定阈值时,叶子节点分裂成非叶子节点,把缓存中的点逐级分配给子节点,转步骤3;
步骤5:计算该点和邻居们的平均距离,如果平均距离大于该节点所属类别的邻居阈值,说明该点比较稀疏,则把新的点放到节点的数据缓存;否则把该点划入到下一级子节点中,转步骤2;
步骤6:构造层次文件,层次文件按照广度优先遍历的顺序保存了各个节点之间的层次关系,保存的内容包括该节点自身有多少个点,该节点有哪些子节点;
步骤7:在构建层次结构构建过程中,定时对八叉树的节点进行序列化存储,对不同细节层次的瓦片文件保存,瓦片文件的文件名按照其层次进行命名。
9.一种基于大规模点云的变电站数字孪生装置,其特征在于,包括:
获取单元,用于获取变电站点云数据;
点云预处理单元,用于对点云数据进行预处理,利用点云体素滤波器算法对点云数据降采样,提取有效点云数据;
聚类分割单元,用于采用欧式空间聚类分割的方法对提取的有效点云数据进行实体划分;
直线拟合单元,用于采用最小生成树和最大关键路径算法在划分出的目标实体中提取直线,对直线拟合获取直线模型;
识别电力线单元,用于从所述直线模型中识别出电力线;
存储单元,用于对识别后的电力线,采取瓦片式分层存储方法,构建基于八叉树结构的存储结构,按照不同点云的重要程度,以数据库表格方式保存在本地;
点云数据渲染单元,用于把瓦片数据、渲染网页、对象数据库部署在服务器上,Web浏览器通过加载渲染模块和瓦片数据,实现大规模点云数据的渲染;
数据中台搭建单元,用于搭建数据中台,将变电站环境内的所有信息基于一个标准协议,采用统一的格式和语言进行描述;
虚实映射单元,用于采用变电站设备感知数据虚实映射技术,建立感知数据与数据、数据与设备或环境之间的关联性,实现感知数据与设备之间虚实映射;
变电站数字孪生模型建立单元,用于基于全面感知以及数据治理技术获得多维度、全景式数据,构建变电站设备状态的数字孪生虚拟模型,实现对设备环境的准确模型建立;
数字孪生虚拟机器人融合单元,用于构建基于ROS的机器人仿真环境,通过交互式计算机技术以及机器人相关理论,将采集到的数据和当前的机器人运动状态结合起来,在计算机中同步模拟机器人实际工作情况。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363476.8A CN114357694A (zh) | 2021-11-17 | 2021-11-17 | 一种基于大规模点云的变电站数字孪生方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111363476.8A CN114357694A (zh) | 2021-11-17 | 2021-11-17 | 一种基于大规模点云的变电站数字孪生方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357694A true CN114357694A (zh) | 2022-04-15 |
Family
ID=81095565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111363476.8A Pending CN114357694A (zh) | 2021-11-17 | 2021-11-17 | 一种基于大规模点云的变电站数字孪生方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357694A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687623A (zh) * | 2022-11-11 | 2023-02-03 | 北京航空航天大学 | 一种工业数字孪生数据空间构建方法及系统 |
CN116416386A (zh) * | 2023-06-12 | 2023-07-11 | 深圳星寻科技有限公司 | 一种基于数字孪生l5级仿真高清渲染还原系统 |
CN117596375A (zh) * | 2024-01-18 | 2024-02-23 | 锋尚文化集团股份有限公司 | 千人级虚拟演艺云数据交换方法、装置及储存介质 |
CN117692610A (zh) * | 2024-02-02 | 2024-03-12 | 建龙西林钢铁有限公司 | 一种ar车间巡检系统 |
-
2021
- 2021-11-17 CN CN202111363476.8A patent/CN114357694A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687623A (zh) * | 2022-11-11 | 2023-02-03 | 北京航空航天大学 | 一种工业数字孪生数据空间构建方法及系统 |
CN115687623B (zh) * | 2022-11-11 | 2023-04-28 | 北京航空航天大学 | 一种工业数字孪生数据空间构建方法及系统 |
CN116416386A (zh) * | 2023-06-12 | 2023-07-11 | 深圳星寻科技有限公司 | 一种基于数字孪生l5级仿真高清渲染还原系统 |
CN117596375A (zh) * | 2024-01-18 | 2024-02-23 | 锋尚文化集团股份有限公司 | 千人级虚拟演艺云数据交换方法、装置及储存介质 |
CN117596375B (zh) * | 2024-01-18 | 2024-03-19 | 锋尚文化集团股份有限公司 | 千人级虚拟演艺云数据交换方法、装置及储存介质 |
CN117692610A (zh) * | 2024-02-02 | 2024-03-12 | 建龙西林钢铁有限公司 | 一种ar车间巡检系统 |
CN117692610B (zh) * | 2024-02-02 | 2024-04-26 | 建龙西林钢铁有限公司 | 一种ar车间巡检系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114357694A (zh) | 一种基于大规模点云的变电站数字孪生方法及装置 | |
Wang et al. | Integration of BIM and GIS in sustainable built environment: A review and bibliometric analysis | |
CN107193911B (zh) | 一种基于bim模型的三维可视化引擎及web应用程序调用方法 | |
CN113325816A (zh) | 面向工业互联网的数字孪生体数据管理方法 | |
CN106547853A (zh) | 基于一张图的林业大数据建设方法 | |
WO2019223413A1 (zh) | 一种用于构建城市设计数字化沙盘的系统 | |
CN111862292A (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
CN113570275A (zh) | 基于bim和数字高程模型的水资源实时监测系统 | |
CN112199758A (zh) | 基于bim技术的基坑工程设计与动态风险分析方法及系统 | |
CN116486025A (zh) | 一种基于大数据云计算技术的城市地质数据处理平台 | |
CN115310638A (zh) | 基于数字孪生的变电站运维方法及系统 | |
CN112328723A (zh) | 一种基于gis的数字钢厂可视化分析系统 | |
Wang et al. | [Retracted] Artificial Intelligence Technology Based on Deep Learning in Building Construction Management System Modeling | |
Yang et al. | Sustainable urban space expansion in Central Yunnan (China): regional urban integration | |
He et al. | Assistant design system of urban underground pipeline based on 3D virtual city | |
CN115457211A (zh) | 基于数字孪生的变电站管理方法及系统 | |
CN116385693A (zh) | 海上风电可视化展示方法、系统和计算机可读存储介质 | |
Leng et al. | A data integration and simplification framework for improving site planning and building design | |
CN111241228B (zh) | 基于矢量数据与图形化处理技术的综合制图方法 | |
Lam et al. | Semantic 3D City Model Data Visualization for Smar t City Digital Twin | |
CN114359429A (zh) | 电网信息图形化处理系统、方法、设备及介质 | |
CN112445882A (zh) | 一种基于业务流程建模的林业信息化平台及其建设方法 | |
Du et al. | Research on the framework and key technologies of panoramic visualization for smart distribution network | |
Wang | Application of 3D information expression method of ancient buildings based on point cloud data and BIM | |
Song et al. | Intelligent early-warming platform for open-pit mining: Current status and prospects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |