电抗器振动声学指纹在线监测推荐

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)振动声学指纹监测传感器。电抗器振动声学指纹在线监测推荐

1、2020年10月20日，我公司荣获国网公司设备部的邀请，参与国网设备部组织的关于智慧变电站技术方案审查会，向与会的国网公司设备部、各省公司设备部及各省电科院的领导和**们做了《振动声学指纹监测技术在变电站主设备智慧型综合监测中的作用和实施方案》的汇报，荣获与会的领导和**们的高度认可。如下图25所示：2、2020年10月22日，我公司总经理技术助理王国明博士以技术顾问的身份，参与国网冀北电力有限公司关于智慧物联体系建设专项劳动竞赛成果评审会，会上向国网冀北公司设备运行管理领域的各位领导和**们汇报了《电力设备振动声学指纹监测技术的发展态势和应用前景》，并会中作为厂家**参与技术评审，会后荣获与会的领导和**们的高度认可。电抗器振动声学指纹在线监测推荐GZAF-1000S系列高压开关振动声学指纹监测系统GIS及敞开式的隔离开关监测功能特性。

时频能量分布矩阵(ATF图谱)获取振动声学指纹信号时频能量分布矩阵，同时反映原始信号时域、频域特性及能量分布。将信号时频分布矩阵分为6个区间，计算各区间平均值作为特征参量，用于有载分接开关正常状态与异常状态对比。下图12为正常状态下振动声学指纹信号时频能电力设备监测及诊断技术的“中国智造者”第14页共29页量矩阵。图12振动声学指纹信号时频能量矩阵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。

(5)振动平稳性(DET):振动平稳性以理解为对振动信号周期性的一种衡量,如果振动平稳性较差，那么作为振动主要激励源的部件出现机械稳定性异常的可能性较大，其定义为h=其中，l**信号递归图中斜对角线的长度，P(l)**对角线长度为l的对角线的条数，Im**斜对角线的最小长度。DET值是一个介于0和I之间的数，对于正常运行的GIS而言，其机械结构确定性很高，其DET值接近1。(6)能量相似度(EDR):能量相似度分析用于衡量不同负载条件下测点振动能量的相似性,振动能量分布特性的改变能够反映GIS内部机械结构的变化，其定义为电力设备监测及诊断技术的“中国智造者”第6页共12页=1−100其中，vi为各频率信号归一化能量，μ为能量平均值。能量相似度分析通过对比测量信号的能量与目标能量差异来判断GIS振动是否异常。当某个测点的EDR值突然变大，这意味着该测点附近的机械结构可能出现异常。GZAF-1000T系列变压器(电抗器)振动声学指纹监测绕组及铁芯运行状态分析。

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。GZAF-1000T系列变压器(电抗器)振动声学指纹监测软件界面。电抗器振动声学指纹在线监测推荐

GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统相关标准。电抗器振动声学指纹在线监测推荐

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，电抗器振动声学指纹在线监测推荐