浙江高压振动监测服务工程

GZAFV-01系统已成功应用于智能变电站、智慧变电站及数字化变电站等示范项目(已经投运的廊坊特高压站、济南商西站、青岛顾家站和胜利站、泰安天平站等)，实现大型变压器全振动在线监测与故障诊断，有效地提高设备运行可靠性。同时，我公司积极与各科研院所(南网电科院、广西电科院、冀北电科院、山东电科院、江苏电科院、浙江电科院)、供电公司(冀北、山东、山西、江苏、宁夏等地的省检)、变压器制造商(山东电力设备制造厂、江苏华鹏变压器厂、南通的韩国晓星变压器厂、杭州钱江变压器厂等)、OLTC制造商（上海华明的遵义长征厂区、德国MR等）、变电站综合监测系统平台承建商(国网智能、南瑞科技、长园深瑞等)开展合作，不断丰富各型号变压器的声纹振动信号样本数据库。GZAFV-01型声纹振动监测系统（变压器、电抗器)的智能评估和故障预警。浙江高压振动监测服务工程

3.2系统结构GZAFV-06型便携式声纹振动监测与诊断系统由IEPE式振动(加速度)传感器、声纹(自由场)传感器、驱动电机电流传感器、数据采集装置、云服务器（采用B/S结构）、通讯子系统及供电系统构成，本系统的框架示意图如下图3所示。3.2.1传感器GZAFV-06型便携式声纹振动监测与诊断系统传感层由IEPE式振动(加速度)传感器、声纹(自由场)传感器及驱动电机电流传感器，传感器外观及参数如下表1所示。振动传感器集成电荷放大器，将声纹振动信号转换成与之成正比的电压信号；自由场传感器是一种利用电容量变化而引起声电转换作用的传感器；电流传感器采用微型卡扣结构，便于现场安装，节省空间。传感器安装示意图如下图4所示，变压器声纹振动监测与诊断系统所有传感器单元与变压器本体无电气连接，安装简单方便，适用于在线监测与诊断或带电监测与诊断。研发振动监测种类什么是声学指纹振动监测？

能量分布曲线

基于小波变换的声纹振动信号多分辨率分析结果如下图3.8所示。原始信号经8层分解后产生第8层的近似分量和第1层至第8层的详细分量，计算各层详细分量信号能量，可获得信号能量分布曲线。比对正常状态与异常状态能量分布曲线，可判断OLTC运行状态，并提取互相关系数、最大值、平均值、峰度、偏度作为状态诊断特征参量。下图3.7为正常与异常状态的声纹振动信号能量分布曲线比对。

时频能量分布矩阵(ATF图谱)

获取声纹振动信号的时频能量分布矩阵，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OLTC正常状态与异常状态比对。下图3.9为正常状态下声纹振动信号时频能量矩阵。

4.1.9智能分析功能：软件内置典型故障特征的数据库，可与监测数据进行比对，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；也可添加新监测数据，方便后期横向、纵向比较；可将同一厂家同一型号的正常监测数据导入保存，便于对该厂家、型号的变压器监测数据曲线进行比对分析。4.1.10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。4.2智慧化功能4.2.1具备边缘计算能力，就地采集并处理声纹振动信号及驱动电机电流信号，完成OLTC信号包络、ATF图谱等分析，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。GZAFV-06T型便携式变压器声纹振动 监测与诊断系统技术方案。

4.2智慧化功能4.2.1具备边缘计算能力，就地采集并处理声纹振动和驱动电机电流的信号，进行OLTC信号的包络、ATF等分析，完成绕组和铁芯的声纹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；4.2.2具备实物ID管理功能，提供OLTC、绕组和铁芯运行状态信息链接入口，可扫码读取设备在线监测与诊断的历史数据及趋势。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。GZAFV-01型声纹振动监测系统（变压器、电抗器)的高灵敏度检测和早期隐患捕捉。国产振动监测研究方向

杭州国洲电力科技有限公司的企业愿景与使命。浙江高压振动监测服务工程

4.2.2具备实物ID管理功能，提供OLTC、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。4.2.3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，自动判断变压器运行状态及机械故障类型。

4.2.4结合变压器的带电监测、智能巡检以及其他在线监测状态量，进行数据的多参量融合分析，形成基于多源数据的故障预警机制，多参量融合分析不仅提高了识别故障的准确性，而且还能**降低因单个参量判别故障带来的误报。例如，对于变压器疑似问题地诊断可结合负荷、损耗、绕组机械振动信号、油温、以及历史电流电压情况分析，在监测到变压器地声纹振动频谱时，GZAFV-01系统的操控及监测数据分析系统可以自动去查询变压器地历史电流和电压信号，如果发现在某段时期确实有大电流冲击，可给出预警：变压器可能存在绕组变形地异常。 浙江高压振动监测服务工程