參考文獻
[1] 陳小玉. 改進的神經網絡在變壓器故障診斷中的應用[J]. 計算機仿真，2012，29(8) ：318-321.
[2] DUVAL M, DEPABLA A.Interpretation of gas-inoil analysis using new IEC publication 60599 and IEC TC 10 databases[J].IEEE Electrical Insulation Magazine，2001，17(2) ：31-41.
[3] 汪可，李金忠，張書琦，等. 變壓器故障診斷用油中溶解氣體新特征參量[J] . 中國電機工程學報，2016，36(23) ：6570-6578.
[4] ROGERS R R.IEEE and IEC codes to interpret incipient faults in transformers, using gas in oil analysis[J].IEEE Transactions on Electrical Insulation，2007，13(5) ：349-354.
[5] International Electrotechnical Commission.Mineral oil-impregnated electrical equipment in service—Guide to the interpretation of dissolved and free gases analysis ：IEC 60599-1999[S].Geneva ：International Electrotechnical Commission Publication，1999 ：1-25.
[6] 電力行業電力變壓器標準化技術委員會. 變壓器油中溶解氣體分析和判斷導則：DL/T 722—2014[S] .北京：中國電力出版社，2007 ：3-9.
[7] 楊志超，張成龍，吳奕，等. 基于粗糙集和 RBF 神經網絡的變壓器故障診斷方法研究[J] . 電測與儀表，2014，51(21) ：34-39.
[8] 陳歡，彭輝，舒乃秋，等. 基于蝙蝠算法優化最小二乘雙支持向量機的變壓器故障診斷[J] . 高電壓技術，2018，44(11) ：3664-3671.
[9] 鄭蕊蕊，趙繼印，趙婷婷，等. 基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷[J].中國電機工程學報，2011，31(7) ：56-63.
[10] 樊浩，李興文，蘇海博，等. 基于主成分分析-支持向量機優化模型的斷路器故障診斷方法研究[J].高壓電器，2020，56(6) ：143-151.
[11] 吳廣寧，袁海滿，宋臻杰，等. 基于粗糙集與多類支持向量機的電力變壓器故障診斷[J] . 高電壓技術，2017，43(11) ：3668-3674.
[12] 周光宇，馬松齡. 基于機器學習與 DGA 的變壓器故障診斷及定位研究[J] . 高壓電器，2020，56(6) ：262-268.
[13] 胡清華，趙輝，于達仁. 基于鄰域粗糙集的符號與數值屬性快速約簡算法[J] . 模式識別與人工智能，2008，21(6) ：732-738.
[14] 胡清華，于達仁，謝宗霞. 基于鄰域粒化和粗糙逼近的數值屬性約簡[J] . 軟件學報，2008，19(3) ：640-649.
[15] 張鐿議，焦健，汪可，等. 基于帝國殖民競爭算法優化支持向量機的電力變壓器故障診斷模型[J] .電力自動化設備，2018，38(1) ：99-104．
[16] 李春茂，周妺末，劉亞婕，等. 基于鄰域粗糙集與多核支持向量機的變壓器多級故障診斷[J] . 高電壓技術，2018，44(11) ：3474-3482.
[17] MIRJALILI S, MIRJALILI S M, LEWIS A.Grey wolf optimizer[J].Advances in Engineering Software，2014，69(3) ：46-61.
[18] 趙洛印，李忠誠，王丹，等. 基于 GWO-SVM 的電壓暫降擾動源識別[J]. 電測與儀表，2019，56(23) ：76-85.
