杭州振动声学指纹在线监测基本功能

杭州国洲电力科技有限公司，专注于综合智慧能源服务领域内发、输、变、配、用、储等全过程的各主设备参量监测、数据分析和状态评价技术的研制，致力于为领域内的各科研院所、专业院校、设备管理、工程服务、发电、设备制造等合作方提供前列的解决方案。我公司于2014年1月把研发部、生产部和技术服务部融合打造成“技术智造中心”，并在研发部组建了专注于局部放电监测技术和振动声学指纹监测技术的两个技术组，成功研制出自主知识产权的、先进的局部放电和振动声学指纹监测技术，且至今已在合作方的实验室、投运站场、制造厂区上大量运用多年，为综合智慧能源服务领域中电网的可靠运行提供了逐年增长的先进的、高效的技术支持。杭州国洲电力科技有限公司振动声学指纹在线监测服务。杭州振动声学指纹在线监测基本功能

各类高压开关监测系统的技术参数类别指标名称技术指标备注振动声学指纹传感器励磁电压DC18～30V频率范围为0.5Hz～3kHz的传感器适用于GIS本体振动声学指纹监测；频率范围为0.5Hz～20kHz的传感器适用于隔离开关及断路器机械特性监测。励磁电流2～20mA灵敏度100mV/g测量范围50g频率范围0.5Hz～3kHz/20kHz数量1个电流传感器电流范围0～20A适用于隔离开关及断路器机械特性监测。频率范围10Hz～100kHz线性度＜1%误差＜1%噪声比优于80dB数量6个位移传感器测量范围0～300mm适用于断路器机械特性监测。时间分辨率优于0.1ms行程分辨率优于0.1mm数量1个IED(监测单元)采样率200kS/s采样精度16bit通道数量8（可根据监测需求定制）通讯接口RS485、RJ45、光纤、4G/5G杭州振动声学指纹在线监测基本功能杭州国洲电力科技有限公司振动声学指纹在线监测技术交流与投运业绩。

绕组及铁芯运行状态分析下图13(a)为变压器/电抗器运行时的绕组及铁芯振动声学指纹的时域信号。为更直观地分析绕组及铁芯运行状态，采用频域法分析振动声学指纹信号，实现在线状态下的故障监测。如下图13(b)所示，基于振动声学指纹信号的频域分布，提取峰值频率、总谐波畸变率、基频能量比、互相关系数特征参量，以作为变压器/电抗器运行状态的分析参数。各特征参量定义及解释如下：(1)峰值频率：频谱图中比较大幅值对应的频率值。(2)总谐波畸变率(TotalHarmonicDistortion,THD)：所有50Hz整数倍谐波分量的有效值与基频100Hz分量有效值的比值，计算公式如下：=2其中100Hz基频分量有效值，为频率索引值。正常状态下，由于100Hz基频分量为振动频谱图的主要成分，总谐波畸变率应较小；存在故障时，谐波分量增加且峰值频率发生偏移，总谐波畸变率变大。

GIS及敞开式的隔离开关监测:功能特性:各特征参量定义如下：(1)分合动作时间：根据电机电流的变化来获取驱动电机启动至停止的时长；(2)电机峰值电流：电机电流出现后的瞬态过程中，电流的***个大半波的峰值；(3)电机电流燃弧时间：电机电流停止末端，电流变小后又增大，直至电流归零的持续时间；(4)电流抖动：电机在驱动连杆时，电机电流不稳定状态称为电流抖动；(5)振动声学高幅值关键特征:捕获一些振动幅值比较大的时间点；(6)振动声学脉动关键特征:振动信号进过小波滤波后，时域及频域分布特性。杭州国洲电力科技有限公司简介。

系统功能：智能分析功能：系统软件内置海量故障特征的数据库，可与测得的数据进行比对，通过信号波形、时间长度和幅值等特征值，诊断分析故障类型；也可添加新测得的数据，方便后期横向、纵向比较；软件可将同一厂家同一型号的正常检测数据进行导入保存，便于对该厂家、型号的变压器数据曲线进行比对分析；具有报表分析功能，自动计算并保存重合度、动作时间、能量分布、电流最大值、电流平均值、绕组及铁芯振动峰值频率、总谐波畸变率、基频能量比、互相关系数等特征参量，并生成分析报表。GZAF-1000T系列变压器(电抗器)振动声学指纹监测软件界面。杭州国洲电力振动声学指纹在线监测主界面

GZAF-1000T系列变压器(电抗器)振动声学指纹监测设备信息管理。杭州振动声学指纹在线监测基本功能

系统功能：3.4.2监测系统的智慧化功能具备边缘计算能力，就地采集并处理振动声学指纹信号及驱动电机电流信号，完成有载分接开关信号包络、ATF等分析，完成绕组及铁芯振动信号频谱分析及参数计算，根据传输层要求统一通讯接口及数据结构，根据平台层及应用层要求上传分析结果；具备实物ID管理功能，提供有载分接开关、绕组及铁芯运行状态信息链接入口，可扫码读取设备在线监测历史数据及趋势。通过扫码或RFID识别设备，读取设备ID信息，通过站内网络（4G/5G/WIFI）传输给云端服务器，向服务器请求该设备的详细信息，以及详细的运行状态，测试信息等。根据各时频信号互相关系数、能量分布曲线特征参量（互相关系数、最大值、平均值、峰度、偏度）、ATF图谱特征参量（六等分区间均值）、总谐波畸变率、基频信号能量比等状态量，采用深度学习算法，自动判断变压器/电抗器运行状态及机械故障类型。图15基于振动声学指纹的变压器故障诊断结合变压器/电抗器的带电检测、智能巡检以及其他在线监测状态量，杭州振动声学指纹在线监测基本功能