基于DS证据理论的高光谱图像融合分类

高光谱图像包含丰富的地物信息，被广泛应用于许多场合。由于各分类模型具有不同的分类性能，如何有效利用各分类模型性能的差异性是实现融合分类的重要环节，为此提出了一种基于DS证据理论的多模型融合分类的高光谱图像分类方法。由于现有的分类模型从HSI数据的空间域和光谱域提取不同的特征，因此产生的预测结果不同。本融合方法采用多层感知机网络和随机森林网络进行融合分类实验，该网络借助各分类网络的提取特征的差异性，提高了分类结果的准确性。实验结果表明，当不同网络的分类精度存在一定差异时，DS融合模型能提高分类精度，同时优于线性平均加权融合模型。     

基于精密单点定位的变配电站地质微位移监测技术研究

变配电站是电力系统的重要组成部分,配电站所经区域地质地形条件复杂,容易受到地质灾害的影响。针对避免地质灾害对变配电站造成破坏,提高输配电系统的安全性的问题,一种有效的手段是对变配电站所在区域进行微位移监测。考虑配电站有时部署在无人区,通信环境复杂,采用全球定位系统-精密单点定位方法对变电站进行11个月的连续观测,监测数据经过模型矫正、解算后,精度可达毫米级。此外,通过与同期该地区降水量分析,地质位移、沉降主要发生于降水丰富的时间段。这说明精密单点定位方法在变配电站地质灾害监测预警中应用前景良好,能够有效保证输配电系统的安全性。     

基于改进粒子群优化XGBoost的变压器故障诊断方法

变压器作为电网传输和变换电能的主要设备,对DGA数据进行异常分析,可为变压器故障诊断提供理论依据。鉴于此,文中提出了基于DGA和IPSO-XGBoost的变压器故障诊断方法。首先,将特征气体划分为无编码比值作为特征参量输入极端梯度提升（XGBoost）模型,提出了基于XGBoost的变压器故障诊断模型;其次,通过动态调整惯性权重和加速因子对粒子群算法（PSO）进行改进,并利用改进的粒子群算法（IPSO）对XGBoost的关键参数进行迭代优化;最后,随机抽取1 614例故障类型已知的DGA数据进行算例分析。结果表明：相比于其它传统机器学习分类模型,XGBoost的变压器故障诊断正确率更高,且与传统PSO算法相比,所提方法可以更好克服粒子群寻优速度慢和易陷入局部最优等问题,可为变压器安全稳定运行提供有力保障。