摘要：換流站是直流輸電工程項目建設中的重要內容，站址的合理性對工程投資、經濟效益具有重要的影響。在換流站建設中需要高精度的地形數據作為基礎數據，相對于傳統測繪方式，機載激光雷達可快速大范圍地獲取研究區域的地形數據。站址建設中的土石方量大小是影響站址選擇定位的關鍵因素，而點云精度會直接影響土石方計算結果。

　　本研究在獲取站址點云數據的基礎上，對原始點云數據進行分類等處理，利用外業檢查點研究點云的精度，并從點云與檢查點的高程誤差、高程中誤差及高程相關性方面分析評價點云數據的精度。最后使用地形點云數據，利用Civil3D軟件來分析不同點云密度，及不同點云分塊處理對土石方計算結果的影響，以此輔助換流站站址選擇工作。

　　關鍵詞：激光點云;換流站;站址選址;精度評價

　　0引言

　　換流站建設是直流輸電工程項目中的重要內容，而選址問題是換流站建設中的常見問題，也是項目決策的一項重要內容，國內外諸多學者都對其進行過研究。在眾多的研究中，大致可以分為三類。第一類是技術經濟方案論證方法，在多種技術方案中進行技術和經濟效果的比較，并選擇技術可行、經濟效果最好的方案，其主要使用技術經濟學的相關理論，對擬建工程進行可行性研究、費用效益分析等[1]。

　　如胡偉[2]利用技術經濟方案論證法對熱電廠供熱技術方案進行了分析;徐恒[3]、馬濤[4]通過技術經濟方案論證法對備選變電站站址方案進行了比較分析，確定了變電站站址的最佳方案。第二類是數學模型法，即將選址問題抽象構建為數學模型，然后運用各種算法模型進行求解，從而確定最佳的地址。E.Masud[5]提出的交互式計算模型能與規劃設計人員進行交互對話，但不能確定變電站的地理位置。D.M.Crawford等[6]提出的以負荷距最小為目標函數，以運輸問題為基本求解方法的數學優化技術需要有候選的變電站位置，從而降低了其實用性。

　　H.Willis[7]運用數字圖像處理技術解決變電站選址問題，只適用于新建地區的變電站規劃，也不能對變電站的容量進行優化選擇。G.L.Thompson等[8]運用分支定界運輸問題模型來確定變電站站址，此方法的局限性在于隨著問題規模的擴大，模型的計算時間呈指數增長。第三類是綜合評價法，影響選址的因素復雜多樣，屬于多目標決策問題。單一使用數學模型往往會導致計算成本較高或不能兼顧多因素的狀況，因此，一些學者利用綜合評價方法解決選址問題，常用的模型算法有專家系統[9]、模糊綜合評價法[10]、層次分析法、分等加權法等。換流站場地平整是換流站建設中的基礎工作，包括土方的開挖、運輸、填筑、壓實等施工過程，其中土方開挖是主導施工過程，土方量的大小直接影響工程項目的預算經費，在項目立項與評審中起著重要作用。

　　因此在換流站建設及換流站場平中，需要盡可能的準確估算土方量大小。機載激光雷達(lightdetectionandranging,LIDAR)[11]是近二十年發展起來的一種可快速獲取地面及地物信息的高精度三維信息測繪技術，集成了激光測高儀、全球定位系統(globlepositioningsystem，GPS)、慣性制導儀(inertialmeasurementunit，IMU)、激光掃描儀及高分辨率數碼相機等成像設備，在電力規劃[12]、城市建設[13-15]、地形測繪[16]、海岸帶變化檢測[17]及森林生態研究[18-21]等領域得到了廣泛應用。

　　在對地觀測中，LIDAR系統通過記錄多次回波信號，獲取地面的激光點云數據。但由于LIDAR系統組成部分較多，其測量結果受多方面影響，主要包括GPS動態定位造成的誤差、IMU姿態測定所造成的誤差及激光掃描儀測距系統所造成的誤差等，多種誤差的影響最終則體現在點云數據的精度上。本研究通過點云去噪及分類處理獲取站址區域高精度數字高程模型;通過布設外業檢查點的方式研究點云數據的精度，并對分類后的地形點云數據抽稀為不同的密度，分析點云密度對土石方計算結果的影響。最后，對原始點云數據進行分塊操作，在此基礎上分析不同分塊大小對土石方計算結果的影響，來驗證激光點云數據在換流站建設中應用的可行性。

　　1數據獲取及處理

　　1.1點云數據獲取

　　依據電力行業規范DL/T5138—2014《電力工程數字攝影測量規程》對廠站工程的航攝要求，航帶設計部分地區比列尺應達到1∶500。國家測繪局CH/T8024—2011《機載激光雷達數據獲取技術規范》中規定，當分幅比例尺為1∶500時，點云密度需滿足大于16個/m²的要求。在本研究中，站址的激光點云密度設計為10個/m²，并通過航帶重疊以保證實際點云密度達到1∶500要求，設計10條航帶進行數據采集。機載激光系統采用OptechGalaxy，并使用Applanix的POS/AV610作為慣性導航系統，采用區域網航飛方式采集站址周圍5km×5km的激光點云數據。

　　1.2點云數據處理

　　點云數據處理主要包括點云數據預處理、噪聲點去除及點云分類。點云數據預處理主要是獲取點云數據的空間坐標，得到標準格式的點云數據。點云分類主要是區分地面點云與非地面點云。點云數據預處理包括文件的解碼處理、激光點云的檢校、坐標轉換，最后生成滿足要求的點云數據。預處理之后的激光點云數據需進行噪聲點濾除，將明顯低于地面的點或點群、明顯高于地表目標的點或點群以及移動地物點定義為噪聲點。

　　進行地面點分類之前，應首先將這類點分離出來，然后運用基于反射強度、回波次數、地物形狀的算法或算法組合，對點云數據進行自動分類。在提取地面點云時，需要綜合考慮高程信息和地面坡度閾值并進行迭代運算，分離出最準確的地面點。非地面點包括地面建筑、植被、道路、管線及其它。主要根據點云高程信息、回波次數、點云分布幾何形狀、密度、坡度等特征對非地面點云進行分類。雖然對于形狀規則、空間特征明顯的地物，可通過參數設置，利用軟件自動提取，但是由于激光信息復雜多變，此項工作需要較多的人工干預實現，站址區域的高精度數字高程模型由地面點云生成。

　　2方法

　　2.1點云數據精度評價方法

　　相對于傳統測繪方式，LIDAR的特點是能直接獲取測量目標的高程信息，因此本研究主要針對點云數據的高程信息進行精度評價分析。經過分類后的點云為眾多離散的點，雖然點云密度較大，但不能保證地面檢查點所在位置都有點云覆蓋。因此，需要根據離散的點云擬合出檢查點所在位置的高程，再與地面檢查點進行高程誤差分析。以上精度評價指標中，高程誤差體現所測點云與地面檢查點的高程絕對誤差。高程中誤差反應研究區的點云數據精度的高低。相關性系數則是衡量點云數據與地面檢查點在高程觀測時的相關密切程度。

　　2.2土石方計算方法

　　激光點云具有點云密度高、數據量大的特點，目前大多土石方計算軟件無法直接加載海量的點云數據，而Civil3D能加載研究區域土石方量計算所需的點云。研究內容主要包括兩方面：分析不同點云密度的數據對土石方計算結果的影響;對點云數據進行分塊處理，并研究分塊處理對土石方計算效率及準確度的影響。

　　在Civil3D中，數字地形模型被稱為曲面，曲面是由三角形或柵格組成的三維空間幾何模型。在土石方量計算中，土石方量就是利用精確的三維幾何計算模型，即設計曲面與原始曲面的每一個高程點的高程差所計算得到。研究區域地形具有起伏，由三角網構成的地形曲面及體積曲面能更準確地反應實際情況。利用Civil3D軟件中點云數據建立數字地形模型，構建原始地形曲面，再根據已知的設計曲面計算土石方量，實現土地平整挖、填量的準確計算。

　　3結果及分析

　　3.1點云精度評價

　　其中Nnumber為檢查點編號，Easting及Northing為檢查點平面坐標，KnownZ為檢查點高程值，LaserZ為對應的激光點云高程值，為高程誤差。高程誤差為正數時表示點云所測高程比檢查點高程值大;高程誤差為負數時表示點云所測高程比檢查點高程值小。由結果分析可知，在站址中有6個檢查點所在高程比點云測量值低，5個檢查點所在高程比點云測量值高。

　　因此，在點云與檢查點高程差對比結果中不存在系統性偏差，但相對于檢查點高程值，點云所測高程偏高的點比偏低的點數要多。在點云測量結果比檢查點高程值偏大的結果中，最大偏差為0.143m，最小偏差為0.006m。在點云測量結果比檢查點高程值偏小的結果中，最大偏差為-0.109m，最小偏差為-0.015m，高程中誤差為0.066m。其中橫軸代表激光點云高程值，縱軸代表檢查點高程值。點云高程與檢查點高程值接近，其相關性系數為0.999，說明在整體上，激光點云高程接近檢查點高程。

　　3.2點云密度及分塊處理對土石方計算的影響

　　3.2.1點云密度的影響

　　在同樣大小區域內，點云密度是影響點云數據量的直接因素，而點云數據量的大小也直接影響了點云數據在實際工程中的使用效率。本研究，通過獲取站址周圍1km×1km區域及500m×500m區域的原始點云數據，進行去噪、分類等處理，獲取站址區域的地面點云數據，在此基礎上進行點云數據的抽稀操作，以分析不同密度的點云數據對土石方量計算結果的影響。

　　點云數據的抽稀對1km×1km及500m×500m的區域土石方量計算結果都存在一定的影響。密度為18個/m²的原始點云抽稀為6個/m²時，挖方及填方的土石方量變化較小，需9.06m³的填方土石方量;與原始未抽稀點云對比分析可知，所計算的土石方量結果中6種方法所計算的結果為需填方(體積凈值(填方)為正值)，1種方法結果為需挖方(體積凈值(填方)為負值)。

　　8種抽稀方法計算所得的體積凈值與填方體積(挖方體積)的絕對比值都小于0.135%，且點云密度為2個/m²時，絕對比值最小。點云密度為0.1個/m²時，絕對比值最大。在點云密度由2個/m²到0.1個/m²的變化，體積凈值與填方體積(挖方體積)的絕對比值呈現遞增的變化。在500m×500m區域，與原始未抽稀點云比較而言，所計算的土石方量結果中6種方法所計算的結果為需填方，2種方法結果為需挖方。

　　8種抽稀方法計算所得的體積凈值與填方體積(挖方體積)的絕對比值都小于0.43%，且點云密度為6個/m²時，絕對比值最小，點云密度為0.1個/m²時，絕對比值最大。在點云密度由0.5個/m²到0.1個/m²個變化中，體積凈值與填方體積(挖方體積)的絕對比值呈現遞增的變化。

　　3.2.2點云分塊的影響

　　除對點云進行抽稀可減少點云數據量大對計算機所造成的高計算成本外，對點云進行分塊處理也可降低一次性所處理的點云數據量。在本研究中，對500m×500m區域的原始點云進行去噪、分類等處理后，進一步將其分為2塊、4塊及16塊相互連接的小區域，500m×500m點云分塊對土石方量計算結果的影響，可以看出，分塊處理在一定程度上影響填挖方所需的土石方量，其中當將原始點云分為16塊時所需的體積凈值最大，為-17.67m³(該數值說明體積凈值為挖方量17.67m³)，與填方(挖方)的絕對比值為0.01%，分為4塊時，體積凈值最小，為0.06m³。

　　4結論

　　激光點云的數據精度及數據量是影響LIDAR在換流站建設中應用的關鍵因素。本文通過獲取某換流站的激光點云數據，并與所對應區域的地面檢查點高程進行對比，從高程誤差、高程中誤差及高程相關性三方面分析點云數據的精度。在數據量方面，從點云抽稀及點云分塊處理兩個方面減少一次性處理點云數據的計算成本，并分別計算不同密度的點云及不同分塊方法后所得的點云數據在計算土方量時的差異。在本研究中，激光點云在換流站區域的高程中誤差為0.066m，滿足測繪行業標準中關于1∶500對點云數據高程精度小于0.2m的要求。

　　點云抽稀及分塊處理對土方量計算結果存在一定的影響，其中利用抽稀后所得點云計算的土方量，較原始點云數據計算得到的土方量需要更大的填方，其中當點云密度為0.1個/m²時，所需填方量最大，所得的體積凈值與填方體積(挖方體積)的絕對比值都小于0.43%。點云數據分塊對土方量計算影響較小，分塊后計算所得的體積凈值與填方(挖方)的絕對比值不超過0.01%。因此，由本文可知，機載LIDAR獲取的換流站站址的激光點云數據精度較高，并能根據項目實際需要，控制點云數據量大小，在滿足數據精度的要求下，快速獲取站址所在區域的高精度地形數據。

　　參考文獻：

　　[1]布蘭克，塔奎因.工程經濟學[M].胡欣悅，李從東，湯勇力，譯.北京：清華大學出版社，2010.

　　[2]胡偉.滕州新源熱電機組供熱技術方案和經濟性分析[D].保定：華北電力大學，2008.

　　[3]徐恒.萬豐110kV輸變電工程項目策劃研究[D].保定：華北電力大學，2009.

　　[4]馬濤.邯鄲永和220kV輸變電工程項目前評價研究[D].北京：華北電力大學，2011.

　　電力論文投稿刊物：廣西電力設置欄目有經驗交流、分析與探討、電網管理、計算機應用、新技術新工藝。