换流站激光点云密度对土石方计算的影响

　　摘要：换流站是直流输电工程项目建设中的重要内容，站址的合理性对工程投资、经济效益具有重要的影响。在换流站建设中需要高精度的地形数据作为基础数据，相对于传统测绘方式，机载激光雷达可快速大范围地获取研究区域的地形数据。站址建设中的土石方量大小是影响站址选择定位的关键因素，而点云精度会直接影响土石方计算结果。

　　本研究在获取站址点云数据的基础上，对原始点云数据进行分类等处理，利用外业检查点研究点云的精度，并从点云与检查点的高程误差、高程中误差及高程相关性方面分析评价点云数据的精度。最后使用地形点云数据，利用Civil3D软件来分析不同点云密度，及不同点云分块处理对土石方计算结果的影响，以此辅助换流站站址选择工作。

　　关键词：激光点云;换流站;站址选址;精度评价

　　0引言

　　换流站建设是直流输电工程项目中的重要内容，而选址问题是换流站建设中的常见问题，也是项目决策的一项重要内容，国内外诸多学者都对其进行过研究。在众多的研究中，大致可以分为三类。第一类是技术经济方案论证方法，在多种技术方案中进行技术和经济效果的比较，并选择技术可行、经济效果最好的方案，其主要使用技术经济学的相关理论，对拟建工程进行可行性研究、费用效益分析等[1]。

　　如胡伟[2]利用技术经济方案论证法对热电厂供热技术方案进行了分析;徐恒[3]、马涛[4]通过技术经济方案论证法对备选变电站站址方案进行了比较分析，确定了变电站站址的最佳方案。第二类是数学模型法，即将选址问题抽象构建为数学模型，然后运用各种算法模型进行求解，从而确定最佳的地址。E.Masud[5]提出的交互式计算模型能与规划设计人员进行交互对话，但不能确定变电站的地理位置。D.M.Crawford等[6]提出的以负荷距最小为目标函数，以运输问题为基本求解方法的数学优化技术需要有候选的变电站位置，从而降低了其实用性。

　　H.Willis[7]运用数字图像处理技术解决变电站选址问题，只适用于新建地区的变电站规划，也不能对变电站的容量进行优化选择。G.L.Thompson等[8]运用分支定界运输问题模型来确定变电站站址，此方法的局限性在于随着问题规模的扩大，模型的计算时间呈指数增长。第三类是综合评价法，影响选址的因素复杂多样，属于多目标决策问题。单一使用数学模型往往会导致计算成本较高或不能兼顾多因素的状况，因此，一些学者利用综合评价方法解决选址问题，常用的模型算法有专家系统[9]、模糊综合评价法[10]、层次分析法、分等加权法等。换流站场地平整是换流站建设中的基础工作，包括土方的开挖、运输、填筑、压实等施工过程，其中土方开挖是主导施工过程，土方量的大小直接影响工程项目的预算经费，在项目立项与评审中起着重要作用。

　　因此在换流站建设及换流站场平中，需要尽可能的准确估算土方量大小。机载激光雷达(lightdetectionandranging,LIDAR)[11]是近二十年发展起来的一种可快速获取地面及地物信息的高精度三维信息测绘技术，集成了激光测高仪、全球定位系统(globlepositioningsystem，GPS)、惯性制导仪(inertialmeasurementunit，IMU)、激光扫描仪及高分辨率数码相机等成像设备，在电力规划[12]、城市建设[13-15]、地形测绘[16]、海岸带变化检测[17]及森林生态研究[18-21]等领域得到了广泛应用。

　　在对地观测中，LIDAR系统通过记录多次回波信号，获取地面的激光点云数据。但由于LIDAR系统组成部分较多，其测量结果受多方面影响，主要包括GPS动态定位造成的误差、IMU姿态测定所造成的误差及激光扫描仪测距系统所造成的误差等，多种误差的影响最终则体现在点云数据的精度上。本研究通过点云去噪及分类处理获取站址区域高精度数字高程模型;通过布设外业检查点的方式研究点云数据的精度，并对分类后的地形点云数据抽稀为不同的密度，分析点云密度对土石方计算结果的影响。最后，对原始点云数据进行分块操作，在此基础上分析不同分块大小对土石方计算结果的影响，来验证激光点云数据在换流站建设中应用的可行性。

　　1数据获取及处理

　　1.1点云数据获取

　　依据电力行业规范DL/T5138—2014《电力工程数字摄影测量规程》对厂站工程的航摄要求，航带设计部分地区比列尺应达到1∶500。国家测绘局CH/T8024—2011《机载激光雷达数据获取技术规范》中规定，当分幅比例尺为1∶500时，点云密度需满足大于16个/m²的要求。在本研究中，站址的激光点云密度设计为10个/m²，并通过航带重叠以保证实际点云密度达到1∶500要求，设计10条航带进行数据采集。机载激光系统采用OptechGalaxy，并使用Applanix的POS/AV610作为惯性导航系统，采用区域网航飞方式采集站址周围5km×5km的激光点云数据。

　　1.2点云数据处理

　　点云数据处理主要包括点云数据预处理、噪声点去除及点云分类。点云数据预处理主要是获取点云数据的空间坐标，得到标准格式的点云数据。点云分类主要是区分地面点云与非地面点云。点云数据预处理包括文件的解码处理、激光点云的检校、坐标转换，最后生成满足要求的点云数据。预处理之后的激光点云数据需进行噪声点滤除，将明显低于地面的点或点群、明显高于地表目标的点或点群以及移动地物点定义为噪声点。

　　进行地面点分类之前，应首先将这类点分离出来，然后运用基于反射强度、回波次数、地物形状的算法或算法组合，对点云数据进行自动分类。在提取地面点云时，需要综合考虑高程信息和地面坡度阈值并进行迭代运算，分离出最准确的地面点。非地面点包括地面建筑、植被、道路、管线及其它。主要根据点云高程信息、回波次数、点云分布几何形状、密度、坡度等特征对非地面点云进行分类。虽然对于形状规则、空间特征明显的地物，可通过参数设置，利用软件自动提取，但是由于激光信息复杂多变，此项工作需要较多的人工干预实现，站址区域的高精度数字高程模型由地面点云生成。

　　2方法

　　2.1点云数据精度评价方法

　　相对于传统测绘方式，LIDAR的特点是能直接获取测量目标的高程信息，因此本研究主要针对点云数据的高程信息进行精度评价分析。经过分类后的点云为众多离散的点，虽然点云密度较大，但不能保证地面检查点所在位置都有点云覆盖。因此，需要根据离散的点云拟合出检查点所在位置的高程，再与地面检查点进行高程误差分析。以上精度评价指标中，高程误差体现所测点云与地面检查点的高程绝对误差。高程中误差反应研究区的点云数据精度的高低。相关性系数则是衡量点云数据与地面检查点在高程观测时的相关密切程度。

　　2.2土石方计算方法

　　激光点云具有点云密度高、数据量大的特点，目前大多土石方计算软件无法直接加载海量的点云数据，而Civil3D能加载研究区域土石方量计算所需的点云。研究内容主要包括两方面：分析不同点云密度的数据对土石方计算结果的影响;对点云数据进行分块处理，并研究分块处理对土石方计算效率及准确度的影响。

　　在Civil3D中，数字地形模型被称为曲面，曲面是由三角形或栅格组成的三维空间几何模型。在土石方量计算中，土石方量就是利用精确的三维几何计算模型，即设计曲面与原始曲面的每一个高程点的高程差所计算得到。研究区域地形具有起伏，由三角网构成的地形曲面及体积曲面能更准确地反应实际情况。利用Civil3D软件中点云数据建立数字地形模型，构建原始地形曲面，再根据已知的设计曲面计算土石方量，实现土地平整挖、填量的准确计算。

　　3结果及分析

　　3.1点云精度评价

　　其中Nnumber为检查点编号，Easting及Northing为检查点平面坐标，KnownZ为检查点高程值，LaserZ为对应的激光点云高程值，为高程误差。高程误差为正数时表示点云所测高程比检查点高程值大;高程误差为负数时表示点云所测高程比检查点高程值小。由结果分析可知，在站址中有6个检查点所在高程比点云测量值低，5个检查点所在高程比点云测量值高。

　　因此，在点云与检查点高程差对比结果中不存在系统性偏差，但相对于检查点高程值，点云所测高程偏高的点比偏低的点数要多。在点云测量结果比检查点高程值偏大的结果中，最大偏差为0.143m，最小偏差为0.006m。在点云测量结果比检查点高程值偏小的结果中，最大偏差为-0.109m，最小偏差为-0.015m，高程中误差为0.066m。其中横轴代表激光点云高程值，纵轴代表检查点高程值。点云高程与检查点高程值接近，其相关性系数为0.999，说明在整体上，激光点云高程接近检查点高程。

　　3.2点云密度及分块处理对土石方计算的影响

　　3.2.1点云密度的影响

　　在同样大小区域内，点云密度是影响点云数据量的直接因素，而点云数据量的大小也直接影响了点云数据在实际工程中的使用效率。本研究，通过获取站址周围1km×1km区域及500m×500m区域的原始点云数据，进行去噪、分类等处理，获取站址区域的地面点云数据，在此基础上进行点云数据的抽稀操作，以分析不同密度的点云数据对土石方量计算结果的影响。

　　点云数据的抽稀对1km×1km及500m×500m的区域土石方量计算结果都存在一定的影响。密度为18个/m²的原始点云抽稀为6个/m²时，挖方及填方的土石方量变化较小，需9.06m³的填方土石方量;与原始未抽稀点云对比分析可知，所计算的土石方量结果中6种方法所计算的结果为需填方(体积净值(填方)为正值)，1种方法结果为需挖方(体积净值(填方)为负值)。

　　8种抽稀方法计算所得的体积净值与填方体积(挖方体积)的绝对比值都小于0.135%，且点云密度为2个/m²时，绝对比值最小。点云密度为0.1个/m²时，绝对比值最大。在点云密度由2个/m²到0.1个/m²的变化，体积净值与填方体积(挖方体积)的绝对比值呈现递增的变化。在500m×500m区域，与原始未抽稀点云比较而言，所计算的土石方量结果中6种方法所计算的结果为需填方，2种方法结果为需挖方。

　　8种抽稀方法计算所得的体积净值与填方体积(挖方体积)的绝对比值都小于0.43%，且点云密度为6个/m²时，绝对比值最小，点云密度为0.1个/m²时，绝对比值最大。在点云密度由0.5个/m²到0.1个/m²个变化中，体积净值与填方体积(挖方体积)的绝对比值呈现递增的变化。

　　3.2.2点云分块的影响

　　除对点云进行抽稀可减少点云数据量大对计算机所造成的高计算成本外，对点云进行分块处理也可降低一次性所处理的点云数据量。在本研究中，对500m×500m区域的原始点云进行去噪、分类等处理后，进一步将其分为2块、4块及16块相互连接的小区域，500m×500m点云分块对土石方量计算结果的影响，可以看出，分块处理在一定程度上影响填挖方所需的土石方量，其中当将原始点云分为16块时所需的体积净值最大，为-17.67m³(该数值说明体积净值为挖方量17.67m³)，与填方(挖方)的绝对比值为0.01%，分为4块时，体积净值最小，为0.06m³。

　　4结论

　　激光点云的数据精度及数据量是影响LIDAR在换流站建设中应用的关键因素。本文通过获取某换流站的激光点云数据，并与所对应区域的地面检查点高程进行对比，从高程误差、高程中误差及高程相关性三方面分析点云数据的精度。在数据量方面，从点云抽稀及点云分块处理两个方面减少一次性处理点云数据的计算成本，并分别计算不同密度的点云及不同分块方法后所得的点云数据在计算土方量时的差异。在本研究中，激光点云在换流站区域的高程中误差为0.066m，满足测绘行业标准中关于1∶500对点云数据高程精度小于0.2m的要求。

　　点云抽稀及分块处理对土方量计算结果存在一定的影响，其中利用抽稀后所得点云计算的土方量，较原始点云数据计算得到的土方量需要更大的填方，其中当点云密度为0.1个/m²时，所需填方量最大，所得的体积净值与填方体积(挖方体积)的绝对比值都小于0.43%。点云数据分块对土方量计算影响较小，分块后计算所得的体积净值与填方(挖方)的绝对比值不超过0.01%。因此，由本文可知，机载LIDAR获取的换流站站址的激光点云数据精度较高，并能根据项目实际需要，控制点云数据量大小，在满足数据精度的要求下，快速获取站址所在区域的高精度地形数据。

　　参考文献：

　　[1]布兰克，塔奎因.工程经济学[M].胡欣悦，李从东，汤勇力，译.北京：清华大学出版社，2010.

　　[2]胡伟.滕州新源热电机组供热技术方案和经济性分析[D].保定：华北电力大学，2008.

　　[3]徐恒.万丰110kV输变电工程项目策划研究[D].保定：华北电力大学，2009.

　　[4]马涛.邯郸永和220kV输变电工程项目前评价研究[D].北京：华北电力大学，2011.

　　电力论文投稿刊物：广西电力设置栏目有经验交流、分析与探讨、电网管理、计算机应用、新技术新工艺。