李文震 羅漢武 許曉路 谷凱凱 吳啟瑞

1(國(guó)網(wǎng)內(nèi)蒙古東部電力有限公司 內(nèi)蒙古 呼和浩特 010020)2(國(guó)網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司 湖北 武漢 430074)

0 引 言

近十年來(lái)，我國(guó)在變電運(yùn)檢領(lǐng)域取得了長(zhǎng)足的進(jìn)步，電網(wǎng)規(guī)模不斷增長(zhǎng)，變電站數(shù)量由21 556座增加到39 247座，由于輸變電設(shè)備數(shù)量與變電站數(shù)量正相關(guān)，可以認(rèn)為設(shè)備規(guī)模增長(zhǎng)82%，但運(yùn)維人員僅增長(zhǎng)9.8%，結(jié)構(gòu)性缺員問(wèn)題突出。而傳統(tǒng)的人工巡檢和帶電檢測(cè)方式也暴露出人力成本和運(yùn)維成效之間的矛盾。而此類運(yùn)維模式多針對(duì)缺陷后期，無(wú)法對(duì)故障前期狀態(tài)進(jìn)行發(fā)掘，嚴(yán)重影響電網(wǎng)安全穩(wěn)定運(yùn)行。

變壓器作為電力系統(tǒng)最關(guān)鍵的設(shè)備，其運(yùn)行狀態(tài)關(guān)乎整個(gè)區(qū)域電網(wǎng)安全，對(duì)變壓器故障及時(shí)診斷分析具有重要意義。變壓器油色譜在線監(jiān)測(cè)已成為了變壓器狀態(tài)監(jiān)測(cè)的重要發(fā)展方向和組成部分。

變壓器油色譜在線監(jiān)測(cè)旨在不停電情況下，對(duì)變壓器進(jìn)行連續(xù)性的自動(dòng)檢測(cè)，掌握變壓器內(nèi)部運(yùn)行狀況。特別針對(duì)偏遠(yuǎn)地區(qū)、無(wú)人值守電站等特殊區(qū)域安裝實(shí)時(shí)監(jiān)測(cè)設(shè)備，有利于實(shí)現(xiàn)變壓器監(jiān)測(cè)自動(dòng)化和智能化。

國(guó)網(wǎng)公司對(duì)變壓器在線監(jiān)測(cè)系統(tǒng)配置做出了規(guī)定，強(qiáng)制安裝220 kV及以上變壓器，110 kV(66 kV)及以下電壓等級(jí)變壓器為選配，實(shí)際操作普遍采用基層單位需求上報(bào)、網(wǎng)省公司審批的模式，配置方式粗放。為此，研究110 kV(66 kV)及以下變壓器油色譜在線監(jiān)測(cè)裝置配置策略，對(duì)降低變壓器故障率，是當(dāng)前電網(wǎng)系統(tǒng)中急需要解決的一項(xiàng)重要研究課題。

油色譜在線監(jiān)測(cè)裝置配置問(wèn)題是一個(gè)經(jīng)典的組合優(yōu)化問(wèn)題，其配置受到很多因素的制約，目前在該領(lǐng)域，國(guó)內(nèi)外已經(jīng)有大量的研究工作。文獻(xiàn)[1]針對(duì)觀測(cè)站選址問(wèn)題，從地質(zhì)、工程設(shè)計(jì)和建設(shè)角度出發(fā)，設(shè)計(jì)了一種基于經(jīng)驗(yàn)和專家決策的選址原則和方法。文獻(xiàn)[2]針對(duì)變壓器油色譜的在線監(jiān)測(cè)問(wèn)題，提出了一種基于改良三比值法的變壓器故障在線監(jiān)測(cè)系統(tǒng)，對(duì)在線檢測(cè)裝置從安裝、運(yùn)維、診斷等方面進(jìn)行了系統(tǒng)研究。文獻(xiàn)[3]對(duì)輸電線路污穢在線監(jiān)測(cè)裝置選址問(wèn)題進(jìn)行研究，提出了利用層次分析法進(jìn)行選址。這些相關(guān)文獻(xiàn)大部分停留在經(jīng)驗(yàn)?zāi)Ｊ?，專家決策等模式中，其科學(xué)性不足，并缺乏全局性、系統(tǒng)性地規(guī)劃和考量。因此有效地利用歷史數(shù)據(jù)，并使用科學(xué)的理論方法對(duì)在線裝置配置問(wèn)題進(jìn)行系統(tǒng)建模，并指導(dǎo)實(shí)踐顯得更為重要。

為了提高在線裝置的運(yùn)行效率和監(jiān)測(cè)準(zhǔn)確率，本文以蒙東電網(wǎng)公司為研究對(duì)象，分析近年來(lái)變壓器故障狀況，根據(jù)易發(fā)故障所在區(qū)域的相關(guān)數(shù)據(jù)，分析并篩選了影響在線監(jiān)測(cè)裝置配置問(wèn)題的重要影響因子。利用改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)在線監(jiān)測(cè)裝置配置問(wèn)題進(jìn)行了系統(tǒng)建模，提出了一種基于K-means聚類和遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)配置模型，為在線監(jiān)測(cè)裝置配置提供了理論依據(jù)，提高變壓器實(shí)時(shí)監(jiān)測(cè)準(zhǔn)確率，進(jìn)一步保障了電網(wǎng)的安全穩(wěn)定供電，對(duì)我國(guó)變電檢修工作具有重要的意義[4-6]。

1 影響因子分析及RBF適用性分析

1.1 影響因子分析

變壓器油色譜在線監(jiān)測(cè)裝置在實(shí)際應(yīng)用過(guò)程中受到很多因素制約，影響因素眾多，主要分為內(nèi)部的變壓器本體運(yùn)維和外部的變壓器所處環(huán)境兩大類，如圖1所示。

(1) 變壓器本體運(yùn)維狀態(tài)類包括電壓等級(jí)、 歷史故障次數(shù)、運(yùn)行年限、負(fù)載類型和歷史缺陷次數(shù)。其中：電壓等級(jí)是表征變壓器在電網(wǎng)中重要度最核心指標(biāo)，電壓等級(jí)越高，所處位置和安全級(jí)別就越高；歷史故障次數(shù)和歷史缺陷次數(shù)主要說(shuō)明變壓器故障發(fā)生率和缺陷發(fā)生率，因維修更換過(guò)程中會(huì)對(duì)變壓器進(jìn)行大面積拆解和試驗(yàn)，后續(xù)局部放電和過(guò)熱可能性提高；運(yùn)行年限與設(shè)備運(yùn)行工況體現(xiàn)出“浴缸效益”，是重要影響因子；變壓器負(fù)荷類型直接影響了變壓器內(nèi)部故障風(fēng)險(xiǎn)率，突發(fā)急救負(fù)載不斷挑戰(zhàn)安全閾值，需要通過(guò)在線監(jiān)測(cè)裝置實(shí)時(shí)監(jiān)測(cè)變壓器各項(xiàng)指標(biāo)。

(2) 變壓器所處環(huán)境類包括變壓器運(yùn)行位置的重要度、是否存在家族性缺陷、場(chǎng)站環(huán)境等。由于變壓器運(yùn)行位置表征所屬場(chǎng)站重要度，其對(duì)監(jiān)測(cè)裝置配置的影響不容忽視。家族性缺陷是同廠家、同批次、同型號(hào)等多個(gè)維度對(duì)比分析，共性明顯，需要對(duì)有家族缺陷設(shè)備進(jìn)行重點(diǎn)監(jiān)控；場(chǎng)站環(huán)境是表征變電站的所處區(qū)位的多雷、大風(fēng)、極寒、地質(zhì)災(zāi)害等地理環(huán)境和貼近工礦企業(yè)、居民社區(qū)等運(yùn)行環(huán)境，也是造成故障風(fēng)險(xiǎn)的一大因素。

1.2 RBF神經(jīng)網(wǎng)絡(luò)適用性分析

變壓器油色譜在線監(jiān)測(cè)裝置配置是內(nèi)因和外因等多種因素共同決定的，而其中大部分影響因素具有很多的不確定性和復(fù)雜性，它們之間的關(guān)系并不是簡(jiǎn)單的線性關(guān)系或者指數(shù)關(guān)系等，無(wú)法用精確的表達(dá)式進(jìn)行描述。而人工神經(jīng)網(wǎng)絡(luò)模型通過(guò)模擬人的腦神經(jīng)功能，具有很好的自我學(xué)習(xí)能力、很強(qiáng)的自適應(yīng)性、自組織性和泛化能力，能適應(yīng)復(fù)雜不確定的系統(tǒng)和環(huán)境，能夠更好地描述自變量和因變量之間之中非線性、復(fù)雜度高的關(guān)系[7-10]。因此，我們考慮使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)測(cè)裝置配置問(wèn)題的決策。其中，當(dāng)樣本數(shù)據(jù)較多，輸入輸出之間關(guān)系較為復(fù)雜時(shí)，BP神經(jīng)網(wǎng)絡(luò)容易進(jìn)入局部收斂且收斂速度較慢。因此本文中，我們選取徑向基函數(shù)(Radial Basis Function, RBF)神經(jīng)網(wǎng)絡(luò)[1]來(lái)進(jìn)行建模，它是由Powell于1985年提出的一種高效前饋式神經(jīng)網(wǎng)絡(luò)。它結(jié)構(gòu)簡(jiǎn)單，易于操作，學(xué)習(xí)收斂速度快，幾乎可以逼近任意的非線性函數(shù)，具有強(qiáng)大的泛化能力。使用RBF模型解決變壓器在線裝置配置問(wèn)題的適用性主要體現(xiàn)在以下幾個(gè)方面：

(1) 對(duì)于復(fù)雜非線性的關(guān)系來(lái)說(shuō)，RBF模型可以通過(guò)以往數(shù)據(jù)快速為電網(wǎng)決策人員提供一個(gè)配置方案。

(2) RBF模型可以充分利用歷史數(shù)據(jù)，有效地評(píng)估不同配置方案的優(yōu)劣，為電網(wǎng)決策人員提供可靠的技術(shù)支撐。

(3) RBF模型可以與其他一些優(yōu)化方法進(jìn)行結(jié)合，不斷地更新和改進(jìn)自身算法，最終形成一種配置方案評(píng)估的工具，提高電網(wǎng)檢修能力。

2 基于RBF的裝置配置模型

2.1 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種三層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。其中從輸入空間到隱層空間的變換是非線性的，而從隱層空間到輸出空間的變換是線性的。其基本思想是用RBF作為隱單元的“基”來(lái)構(gòu)成隱含空間，隱含層對(duì)輸入空間中的矢量進(jìn)行變換，將向量從線性不可分的低維度映射到線性可分的高維度。RBF神經(jīng)網(wǎng)絡(luò)可以處理一些系統(tǒng)內(nèi)難以解析的規(guī)律，具有良好的泛化能力，且結(jié)構(gòu)簡(jiǎn)單、易于操作，學(xué)習(xí)收斂速度快，因此被廣泛地應(yīng)用于非線性函數(shù)逼近、信息處理、系統(tǒng)建模、控制和故障診斷等領(lǐng)域[16]。

假設(shè)RBF網(wǎng)絡(luò)輸入向量為X=[x1,x2,…,xp]T，則多輸入單輸出可描述為:

(1)

式中:K是隱含層神經(jīng)元個(gè)數(shù)；αk是隱含層到輸出層的權(quán)值向量；φk是輸入層到隱含層的輸出，其輸出值取決于輸入向量與徑向基函數(shù)中心的距離。在這里基函數(shù)選取高斯函數(shù)，距離采用歐式范數(shù)表示，則：

(2)

式中：ci是第i個(gè)隱含層節(jié)點(diǎn)高斯函數(shù)的中心向量；σi是第i個(gè)隱含層節(jié)點(diǎn)的標(biāo)準(zhǔn)化常數(shù)。

由此可知，RBF神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)中需要求解的參數(shù)主要包括：隱含層節(jié)點(diǎn)數(shù)、隱含層節(jié)點(diǎn)中徑向基函數(shù)的中心和方差、隱含層到輸出層的權(quán)值。RBF神經(jīng)網(wǎng)絡(luò)有很多中學(xué)習(xí)方法，如隨機(jī)選取中心法、自組織選取中心法、最近鄰聚類法、有監(jiān)督選取中心法、K-means聚類法等。本文中選取利用K-means聚類算法和遺傳算法相結(jié)合的學(xué)習(xí)方法對(duì)RBF神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行不斷的優(yōu)化和修正，有效地保證了網(wǎng)絡(luò)預(yù)測(cè)精度，實(shí)現(xiàn)了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的自校正。

2.2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立和分析

在變壓器油色譜在線監(jiān)測(cè)裝置配置問(wèn)題中，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立首先應(yīng)該確定網(wǎng)絡(luò)輸入自變量X，并輸入到神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，作為輸入層；其次將不同地址評(píng)分作為因變量Y，作為網(wǎng)絡(luò)模型的輸出，以此建立二者的非線性關(guān)系模型；最終建立網(wǎng)絡(luò)結(jié)構(gòu)，如圖2所示。

圖2 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

輸入層節(jié)點(diǎn)數(shù)與在線監(jiān)測(cè)裝置配置影響因子有關(guān)，本文結(jié)合歷史記錄中的變壓器相關(guān)監(jiān)測(cè)數(shù)據(jù)、變壓器故障數(shù)據(jù)、所處環(huán)境等數(shù)據(jù)，對(duì)變壓器油色譜在線監(jiān)測(cè)裝置配置影響因素進(jìn)行了分析，確定了主要影響因子有：電壓等級(jí)(x1)、歷史故障次數(shù)(x2)、運(yùn)行年限(x3)、變壓器運(yùn)行狀態(tài)(x4)、變壓器最大負(fù)載(x5)、歷史缺陷次數(shù)(x6)、所在運(yùn)行位置重要度(x7)、是否有家族性缺陷(x8)、場(chǎng)站環(huán)境(x9)。選取以上9個(gè)影響因子作為神經(jīng)網(wǎng)絡(luò)輸入層的神經(jīng)元節(jié)點(diǎn)。由于這幾類影響因子量綱不同，在網(wǎng)絡(luò)進(jìn)行訓(xùn)練前，需要對(duì)樣本數(shù)據(jù)進(jìn)行無(wú)量綱歸一化的預(yù)處理過(guò)程。

(3)

(2) 文字類影響因子。油色譜在線裝置配置影響因子中還有一些因子只能用文字進(jìn)行描述，但是這些因子在變壓器故障風(fēng)險(xiǎn)中影響頗大，對(duì)監(jiān)測(cè)裝置配置影響亦不容忽視，例如電壓等級(jí)、負(fù)載類型、變壓器運(yùn)行位置重要性等，對(duì)于這一類文字類影響因子采用如表1所示的賦值方法，并進(jìn)行歸一化。

表1 油色譜在線監(jiān)測(cè)裝置配置影響因子賦值

將監(jiān)測(cè)裝置不同的配置評(píng)分作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸出Y，為了便于比較將評(píng)分進(jìn)行歸一化處理，使得不同樣本的輸出值均在0～1之間。經(jīng)過(guò)數(shù)據(jù)預(yù)處理，確定網(wǎng)絡(luò)輸入和輸出，建立基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)在線監(jiān)測(cè)裝置優(yōu)化配置模型，通過(guò)參數(shù)優(yōu)化學(xué)習(xí)，找出最終的最優(yōu)配置策略，并進(jìn)行結(jié)果輸出。

2.3 基于RBF模型的建立和分析

變壓器油色譜在線監(jiān)測(cè)裝置配置問(wèn)題屬于復(fù)雜的非線性系統(tǒng)問(wèn)題，因此我們采用基于K-means聚類和遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行裝置配置，其優(yōu)化選址配置流程如圖3所示。

圖3 基于K-means聚類和遺傳算法的RBF裝置配置流程

步驟1確定RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在訓(xùn)練開(kāi)始時(shí)，進(jìn)行樣本數(shù)據(jù)輸入，并根據(jù)2.2節(jié)介紹的數(shù)據(jù)預(yù)處理方法進(jìn)行處理得到RBF神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層。

步驟2優(yōu)化RBF網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)。遺傳算法(Genetic algorithm，GA)是模擬生物進(jìn)化論中的自然選擇和遺傳學(xué)中的生物進(jìn)化過(guò)程所形成的一種搜索最優(yōu)解的計(jì)算模型，它具有良好的全局優(yōu)化性能，搜索效率較高。因此我們利用遺傳算法對(duì)網(wǎng)絡(luò)結(jié)構(gòu)中隱含層節(jié)點(diǎn)數(shù)K、中心向量ci和寬度σi進(jìn)行參數(shù)優(yōu)化。其優(yōu)化過(guò)程包括：

1) 染色體編碼。模型采用實(shí)數(shù)編碼，將由隱含層節(jié)點(diǎn)數(shù)K、中心向量ci和寬度σi組成的集合編碼成一個(gè)個(gè)體，個(gè)體基因值用實(shí)數(shù)來(lái)表示。

2) 生成初始種群。目前，比較常用的RBF學(xué)習(xí)算法有K-means聚類算法，其基本思想是從輸入樣本數(shù)據(jù)中選取k個(gè)數(shù)據(jù)作為初始的聚類中心；然后計(jì)算所有樣本與聚類中心的范式距離，對(duì)樣本進(jìn)行分類，重新計(jì)算得到新的聚類中心，反復(fù)執(zhí)行上述步驟，直到聚類中心不再變化，得到中心向量ci；接著根據(jù)聚類中心之間距離確定寬度σi。該算法簡(jiǎn)單易實(shí)現(xiàn)，因此我們選用隨機(jī)選取不同的廚師聚類中心并多次利用K-means算法優(yōu)化得到初始種群個(gè)體。

3) 計(jì)算種群內(nèi)個(gè)體適應(yīng)度。適應(yīng)度函數(shù)用來(lái)評(píng)價(jià)種群中每個(gè)個(gè)體的優(yōu)劣，個(gè)體適應(yīng)度越大，性能越好。參數(shù)優(yōu)化的最終目的是找到一組最優(yōu)參數(shù)，使得樣本的均方誤差最小。因此適應(yīng)度函數(shù)如下：

(4)

4) 判斷染色體適應(yīng)度是否滿足設(shè)定要求。若滿足輸出最優(yōu)染色體，即最優(yōu)RBF網(wǎng)絡(luò)參數(shù)；若不滿足，則利用遺傳算子對(duì)染色體進(jìn)行選擇、交叉和變異。交叉概率Pc和變異概率Pm計(jì)算方式如下：

(5)

(6)

式中：fmax是種群中最大適應(yīng)度；favg是該平均適應(yīng)度；f′為將要進(jìn)行交叉的兩個(gè)個(gè)體中較大的適應(yīng)度；f為將要進(jìn)行變異的個(gè)體適應(yīng)度；Pc1、Pc2、Pm1、Pm2為固定值。以此產(chǎn)生新種群重復(fù)如上遺傳步驟，直到滿足設(shè)定條件，選出最優(yōu)染色體。

5) 輸出最優(yōu)配置結(jié)果。利用最優(yōu)的網(wǎng)絡(luò)參數(shù)，得到最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)模型，輸出全局最優(yōu)解。

3 案例分析

為了驗(yàn)證提出的選址模型有效性，本文選取蒙東電網(wǎng)公司近年來(lái)12組變壓器油色譜在線監(jiān)測(cè)裝置配置及其相關(guān)數(shù)據(jù)作為樣本數(shù)據(jù)。其中：由歷史記錄數(shù)據(jù)中得到每種配置方案影響因子數(shù)據(jù)并進(jìn)行歸一化處理后作為模型輸入數(shù)據(jù)；由專家對(duì)每種不同的方案按照相同指標(biāo)進(jìn)行了評(píng)價(jià)打分，輸出各個(gè)方案的總評(píng)作為模型的輸出數(shù)據(jù)。最終樣本數(shù)據(jù)如表2所示。

表2 12組歷史監(jiān)測(cè)裝置配置的樣本數(shù)據(jù)

續(xù)表2

模型訓(xùn)練利用的是MATLAB[19]關(guān)于神經(jīng)網(wǎng)絡(luò)的仿真實(shí)驗(yàn)環(huán)境，樣本數(shù)據(jù)中前10組用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，后2組作為測(cè)試數(shù)據(jù)。為了對(duì)比算法的效果，本文將傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)與本文所建立的K-means+遺傳算法+RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比研究，實(shí)驗(yàn)中所用到的參數(shù)有：BP神經(jīng)網(wǎng)絡(luò)中訓(xùn)練目標(biāo)參數(shù)為0.000 1，訓(xùn)練次數(shù)為5 000； K-means+遺傳算法+RBF神經(jīng)網(wǎng)絡(luò)模型中參數(shù)設(shè)置為種群個(gè)數(shù)為10，遺傳算法迭代次數(shù)為100，交叉變異概率為Pc1=0.9、Pc2=0.5、Pm1=0.1、Pm1=0.002。

10組數(shù)據(jù)訓(xùn)練誤差結(jié)果如圖4所示，可以看出，采用BP神經(jīng)網(wǎng)絡(luò)模型和改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)模型對(duì)油色譜在線監(jiān)測(cè)裝置配置問(wèn)題進(jìn)行評(píng)分，對(duì)同樣的樣本數(shù)據(jù)來(lái)說(shuō)，BP神經(jīng)網(wǎng)絡(luò)收斂速度較慢，改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)收斂速度較快，效率更高。

(a) BP訓(xùn)練結(jié)果

(b) RBF訓(xùn)練結(jié)果圖4 不同模型下訓(xùn)練誤差變化曲線圖

為了進(jìn)一步說(shuō)明RBF神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)更加適用于小樣本數(shù)據(jù)的訓(xùn)練，我們對(duì)10組數(shù)據(jù)輸出真實(shí)值和預(yù)測(cè)值進(jìn)行了對(duì)比分析，結(jié)果如圖5所示。可以看出，RBF網(wǎng)絡(luò)更加適合于處理小樣本數(shù)據(jù)，其訓(xùn)練結(jié)果要比BP神經(jīng)網(wǎng)絡(luò)好。因此當(dāng)訓(xùn)練樣本數(shù)據(jù)少時(shí)，使用本文提出的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)更加有效。

圖5 不同模型下真實(shí)值與擬合值對(duì)比圖

除此之外，我們用訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)對(duì)剩下的2組測(cè)試數(shù)據(jù)進(jìn)行總評(píng)分預(yù)測(cè)，將輸入數(shù)據(jù)帶入到神經(jīng)網(wǎng)絡(luò)輸入結(jié)構(gòu)中，最終得到方案11和12的總評(píng)分分別為0.431 2和0.759 6。

4 結(jié) 語(yǔ)

本文結(jié)合蒙東電網(wǎng)特征，包括地區(qū)、變壓器故障、地理信息等，找出變壓器油色譜在線監(jiān)測(cè)配置主要影響因子，研究并提出了一種基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的在線監(jiān)測(cè)裝置配置模型。該模型有效地結(jié)合K-means聚類和遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行了優(yōu)化，并找到最優(yōu)參數(shù)，來(lái)對(duì)不同的配置策略進(jìn)行評(píng)分，最終得到最優(yōu)配置。該模型可以快速并有效地找到變壓器油色譜在線監(jiān)測(cè)裝置配置方案，提高了故障監(jiān)測(cè)效率，對(duì)蒙東電網(wǎng)輸電線路的安全穩(wěn)定運(yùn)行提供了強(qiáng)有力的支撐和保障。