一种油流继电器检测方法及系统技术方案

本发明专利技术提供一种油流继电器检测方法，包括对油流继电器上所设叶片的转速及其所连接的油管中油的流速进行周期性采样；将各周期采样所得的转速及流速分别形成为一维转速

【技术实现步骤摘要】
一种油流继电器检测方法及系统


[0001]本专利技术涉及继电器故障检测
，尤其涉及一种油流继电器检测方法及系统
。

技术介绍

[0002]油流继电器又称气体继电器，是用来实时检测油浸式变压器用冷却器内油流的状态，起到间接保护变压器的作用
。
油流继电器通常是安装在变压器和储油柜之间的油管上，其动作原理是在油管油流量达到其预设的动作油流量时，其上所设的冲动指示器的动板旋转到终位置，进一步通过磁钢的耦合作用带动指示部分同步转动，使得指针指到流动位置之后，让微动开关常开接点闭合并发出故障工作信号或跳闸信号
。
因此，油流继电器的动作特性至关重要，需要进行及时检测
。
[0003]目前，需要停电，待排空变压器和储油柜之间油管内的绝缘油之后，从变压器上拆下油流继电器，并通过专门校验机构才能检测出油流继电器的动作特性是否有变化
。
[0004]然而，上述离线式油流继电器检测方法的流程复杂繁琐，需反复拆装油流继电器，大大降低了工作效率，增加了拆卸故障风险
。
[0005]随着电力系统对设备校验
、
工作效率
、
停电时间等提出的更高要求
,
有必要对上述离线式油流继电器检测方法进行改进，实现油流继电器在线检测，不仅提高了工作效率，还能避免拆卸故障风险
。

技术实现思路

[0006]本专利技术实施例所要解决的技术问题在于，提供一种油流继电器检测方法及系统，能够实现油流继电器在线检测，不仅提高了工作效率，还能避免拆卸故障风险
。
[0007]为了解决上述技术问题，本专利技术实施例提供了一种油流继电器检测方法，所述方法包括以下步骤：
[0008]对油流继电器上所设叶片的转速及其所连接的油管中油的流速进行周期性采样；
[0009]将各周期采样所得叶片的转速及油的流速分别对应形成为一维转速时间序列特征向量和一维流速时间序列特征向量，并使用基于卷积神经网络的多尺度邻域特征提取模块，得到对应的多尺度流速特征向量和多尺度转速特征向量；
[0010]使用基于对抗生成网络的转速生成器，将所述多尺度流速特征向量转换为一维生成转速特征向量，并使用相对类角度概率信息表示的校正器，对所述一维生成转速特征向量和所述多尺度转速特征向量分别进行校正，且进一步计算校正后的多尺度转速特征向量与校正后的一维生成转速特征向量之间的差分特征向量；
[0011]将所计算出的差分特征向量导入已训练好的分类器中，输出分类结果来表征所述油流继电器动作特性为非变压器故障或变压器故障引起的
。
[0012]其中，所述多尺度流速特征向量和所述多尺度转速特征向量是通过执行以下步骤得到的，具体为：
[0013]通过所述多尺度邻域特征提取模块的第一卷积层，对所述一维流速时间序列特征向量和所述一维转速时间序列特征向量均进行一维卷积编码，以对应生成第一尺度流速特征向量和第一尺度转速特征向量，并通过所述多尺度邻域特征提取模块的第二卷积层，对所述一维流速时间序列特征向量和所述一维转速时间序列特征向量均进行一维卷积编码，以对应生成第二尺度流速特征向量和第二尺度转速特征向量；其中，所述第一卷积层和所述第二卷积层均有一个一维卷积核，且二者的一维卷积核的长度相异；
[0014]通过所述多尺度邻域特征提取模块的级联层，将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联，得到所述多尺度流速特征向量，以及
[0015]通过所述多尺度邻域特征提取模块的级联层，将所述第一尺度转速特征向量和所述第二尺度转速特征向量进行级联，得到所述多尺度转速特征向量
。
[0016]其中，所述第一卷积层的表达式为其中，
a
为第一卷积核在
x
方向上的宽度，
F(a)
为第一卷积核参数向量，
G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为第一卷积核的尺寸，
X
为当前输入的一维流速时间序列特征向量或一维转速时间序列特征向量；
[0017]所述第二卷积层的表达式为其中，
b
为第二卷积核在
x
方向上的宽度，
F(b)
为第二卷积核参数向量，
G(x
‑
b)
为与卷积核函数运算的局部向量矩阵，
m
为第二卷积核的尺寸，
X
为当前输入的一维流速时间序列特征向量或一维转速时间序列特征向量
。
[0018]其中，所述相对类角度概率信息表示的校正器包括
Fisher
判别分析器
、
多类别支持向量机和朴素贝叶斯分类器
。
[0019]其中，所述差分特征向量为校正后的多尺度转速特征向量和校正后生成转速特征向量之间所计算出的位置差分
。
[0020]其中，所述分类结果包括第一概率和第二概率；其中，
[0021]所述第一概率用于表征所述油流继电器动作特性为非变压器故障引起的；
[0022]所述第二概率用于表征所述油流继电器动作特性为变压器故障引起的
。
[0023]本专利技术实施例还提供了一种油流继电器检测系统，包括：
[0024]数据采样单元，用于对油流继电器上所设叶片的转速及其所连接的油管中油的流速进行周期性采样；
[0025]数据特征向量处理单元，用于将各周期采样所得叶片的转速及油的流速分别对应形成为一维转速时间序列特征向量和一维流速时间序列特征向量，并使用基于卷积神经网络的多尺度邻域特征提取模块，得到对应的多尺度流速特征向量和多尺度转速特征向量；
[0026]数据特征向量校正单元，用于使用基于对抗生成网络的转速生成器，将所述多尺度流速特征向量转换为一维生成转速特征向量，并使用相对类角度概率信息表示的校正器，对所述一维生成转速特征向量和所述多尺度转速特征向量分别进行校正，且进一步计算校正后的多尺度转速特征向量与校正后的一维生成转速特征向量之间的差分特征向量；
[0027]分类检测结果输出单元，用于将所计算出的差分特征向量导入已训练好的分类器
中，输出分类结果来表征所述油流继电器动作特性为非变压器故障或变压器故障引起的
。
[0028]其中，所述相对类角度概率信息表示的校正器包括
Fisher
判别分析器
、
多类别支持向量机和朴素贝叶斯分类器
。
[0029]其中，所述差分特征向量为校正后的多尺度转速特征向量和校正后生成转速特征向量之间所计算出的位置差分
。
[0030]其中，所述分类结果包括第一概率和第二概率；其中，
[0031]所述第一概率用于表征所述油流继电器动作特性为非变压器故障引起的；
[0032]所述第二概率用于表征所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种油流继电器检测方法，其特征在于，所述方法包括以下步骤：对油流继电器上所设叶片的转速及其所连接的油管中油的流速进行周期性采样；将各周期采样所得叶片的转速及油的流速分别对应形成为一维转速时间序列特征向量和一维流速时间序列特征向量，并使用基于卷积神经网络的多尺度邻域特征提取模块，得到对应的多尺度流速特征向量和多尺度转速特征向量；使用基于对抗生成网络的转速生成器，将所述多尺度流速特征向量转换为一维生成转速特征向量，并使用相对类角度概率信息表示的校正器，对所述一维生成转速特征向量和所述多尺度转速特征向量分别进行校正，且进一步计算校正后的多尺度转速特征向量与校正后的一维生成转速特征向量之间的差分特征向量；将所计算出的差分特征向量导入已训练好的分类器中，输出分类结果来表征所述油流继电器动作特性为非变压器故障或变压器故障引起的
。2.
如权利要求1所述的油流继电器检测方法，其特征在于，所述多尺度流速特征向量和所述多尺度转速特征向量是通过执行以下步骤得到的，具体为：通过所述多尺度邻域特征提取模块的第一卷积层，对所述一维流速时间序列特征向量和所述一维转速时间序列特征向量均进行一维卷积编码，以对应生成第一尺度流速特征向量和第一尺度转速特征向量，并通过所述多尺度邻域特征提取模块的第二卷积层，对所述一维流速时间序列特征向量和所述一维转速时间序列特征向量均进行一维卷积编码，以对应生成第二尺度流速特征向量和第二尺度转速特征向量；其中，所述第一卷积层和所述第二卷积层均有一个一维卷积核，且二者的一维卷积核的长度相异；通过所述多尺度邻域特征提取模块的级联层，将所述第一尺度流速特征向量和所述第二尺度流速特征向量进行级联，得到所述多尺度流速特征向量，以及通过所述多尺度邻域特征提取模块的级联层，将所述第一尺度转速特征向量和所述第二尺度转速特征向量进行级联，得到所述多尺度转速特征向量
。3.
如权利要求2所述的油流继电器检测方法，其特征在于，所述第一卷积层的表达式为其中，
a
为第一卷积核在
x
方向上的宽度，
F(a)
为第一卷积核参数向量，
G(x
‑
a)
为与卷积核函数运算的局部向量矩阵，
w
为第一卷积核的尺寸，
X
为当前输入的一维流速时间序列特征向量或一维转速时间序列特征向量；所述第二卷积层的表达式为其中，
b
为第二卷积核在
x
方向上的宽度，
F(b)
为第二卷积核参数向量，
G(x
‑
b)
为与卷积...

【专利技术属性】
技术研发人员：黄楷敏，曹海兵，高德民，严亮，魏琨选，程琪，林翘宇，廖伟兴，向宇，方大川，黄嵘，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：