參考文獻(xiàn)
[1] 劉云鵬，和家慧，許自強(qiáng)，等．基于 SVM SMOTE 的電力變壓器故障樣本均衡化方法[J]．高電壓技術(shù)，2020，46(7)：2522-2529．
[2] 方健，楊帆，童銳，等. 基于紅外圖像處理和半監(jiān)督學(xué)習(xí)的變壓器故障診斷方法[J] . 全球能源互聯(lián)網(wǎng)(英文版)，2021，4(6)：596-607.
[3] 李兵，韓睿，何怡剛，等．改進(jìn)隨機(jī)森林算法在電機(jī)軸承故障診斷中的應(yīng)用[J]．中國電機(jī)工程學(xué)報(bào)，2020，40(4)：1310-1319.
[4] 唐文虎，牛哲文，趙柏寧，等. 數(shù)據(jù)驅(qū)動的人工智能技術(shù)在電力設(shè)備狀態(tài)分析中的研究與應(yīng)用[J] .高電壓技術(shù)，2020，46(9)：2985-2999.
[5] ZHANG C , TAN K C , LI H , et a1. Acost-sensitive deep belief network for imbalanced classification[J].IEEE Transactions on Neural Networks and Learning Systems，2019，30(1)：109-122．
[6] 陳顥，王伏亮，李澄，等. 基于 KPCA-LSSVM 的智能斷路器故障診斷方法研究[J] . 自動化儀表，2021，42(12)：19-22.
[7] 陳如清，李嘉春，尚濤，等. 改進(jìn)煙花算法和概率神經(jīng)網(wǎng)絡(luò)智能診斷齒輪箱故障[J] . 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(17)：192-198.
[8] 畢建權(quán)，鹿鳴明，郭創(chuàng)新，等. 一種基于多分類概率輸出的變壓器故障診斷方法[J]．電力系統(tǒng)自動化，2015，39(5)：88-93．
[9] 蘇磊，陳璐，徐鵬，等. 基于 GRNN 和 KPCA 組合模型的變壓器油中氣體體積分?jǐn)?shù)短期預(yù)測[J] . 高壓電器，2021，57(1)：82-88.
[10] 陳鐵，呂長欽，張欣，等. 基于 KPCA-WPA-SVM 的變壓器故障診斷模型[J] . 電測與儀表，2021，58(4)：158-164.
[11] 吳君，丁歡歡，馬星河，等. 改進(jìn)自適應(yīng)蜂群優(yōu)化算法在變壓器故障診斷中的應(yīng)用[J] . 電力系統(tǒng)保護(hù)與控制，2020，48(9)：174-180.
[12] 吳杰康，覃煒梅，梁浩浩，等. 基于自適應(yīng)極限學(xué)習(xí)機(jī)的變壓器故障識別方法[J] . 電力自動化設(shè)備，2019，39(10)：181-186.
[13] HEIDARI A A, MIRJALILI S, FARIS H，et al.Harris hawks optimization：Algorithm and applications[J].Future Generation Computer Systems，2019，97：849-872.
[14] SAHRI Z B , YUSOF R B . Support vector machine-based fault diagnosis of power transformer using k nearest-neighbor imputed DGA dataset [J] . Journal of Computer & Communications，2014，2(9)：22-31.
[15] 楊凌霄，朱亞麗. 基于概率神經(jīng)網(wǎng)絡(luò)的高壓斷路器故障診斷[J] . 電力系統(tǒng)保護(hù)與控制，2015，43(10)：62-67.
