杭州电力振动监测服务工程

◆可在不同的监测结果之间进行比较区分正常与异常。◆具有时间触发和电流触发功能，可手动选择信号触发方式。◆具有AFV和电流信号历史数据变化趋势曲线功能。◆具有阈值超限告警功能，软件自动分析信号增长趋势，实现自动阈值告警，也可手动设置阈值告警的限值，支持短信阈值告警。◆系统软件内置各种故障的特征数据库，可与监测的数据进行比对，通过波形形状、时间长度和幅值，诊断分析出故障类型；也可将新测得的数据作为诊断卡的一部份，方便后期与同一开关作纵向比对分析。◆具有报表分析功能：可针对不同包络曲线能够进行动作曲线的重合度、抖动度、延迟/制动时间、高/低频振动最大值、电流最大值/平均值等参数计算并生成分析报表。◆可灵活选择图谱各点的幅值数据并显示，便于分析图谱的变化特征。◆具有标准图谱库功能，系统软件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OLTC数据曲线作横向比对分析。◆机械特性监测包括：档位、动作次数、振动状态、电机电流、动作时间等。◆对监测数据进行融合分析与评价，判断OLTC运行状态，阈值告警输出。杭州国洲电力科技有限公司振动声学指纹在线监测技术的客户反馈分析。杭州电力振动监测服务工程

11、DL/T1540油浸式交流电抗器（变压器）运行振动测量方法；12、DLT1694.2高压测试仪器及设备校准规范第2部分：电力变压器分接开关测试仪；13、DL/T1805电力变压器用有载分接开关选用导则；14、DL/T1051电力技术监督导则；15、DL/T1054高压电气设备绝缘技术监督规程；16、DL/T11771000kV交流输变电设备技术监督导则；17、Q/GDW383智能变电站技术导则；18、Q/GDWZ410高压设备智能化技术导则；19、Q/GDWZ414变电站智能化改造技术规范；20、Q/GDW561输变电设备状态监测与诊断系统技术导则；21、Q/GDW739输变电设备状态监测与诊断主站系统变电设备在线监测与诊断I1接口网络通信规范；22、Q/GDW1168-2013输变电设备状态检修试验规程；在线振动监测推荐货源杭州国洲电力科技有限公司振动声学指纹在线监测功能的多场景适用性。

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。声纹振动监测具体知识介绍。

AFV信号分析法AFV信号分析法是采用AFV传感器监测AFV信号，获得OLTC的状态数据和工作模式，从而对其状态进行判断的方法。OLTC在切换时，其内部主要机构部件的运动撞击和摩擦都会产生脉冲冲击力，该信号会通过静触头或变压器油传到变压器箱壁上。传到变压器外壳上的振动是内部多种激励现象的响应，包含着大量的设备机械状态数据。OLTC的故障类型与其振动特性的变化存在着紧密关系，通过对AFV信号的监测和诊断，即可判断出OLTC切换时间的变化、触头接触不良、触头磨损、弹簧弹性下降和电弧等故障，从而可以诊断出OLTC处于正常状态或是故障状态。触头在分/合的切换过程中，由于伴随着机械、化学、头材料消耗，造成触头凹凸不平和变形，从而引起触头压力接触电阻和开矩参数的变化，使得OLTC的振动特征也随之改变。杭州国洲电力科技有限公司振动声学指纹在线监测技术系统的模块化设计。断路器振动用途

杭州国洲电力科技有限公司振动声学指纹在线监测技术的成功案例分享。杭州电力振动监测服务工程

4.2.3根据各时频信号相关系数、能量分布曲线特征参量（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疑似机械故障类型。图16基于声纹振动法的故障诊断4.2.4结合变压器的带电检测、智能巡检以及其他在线监测的状态量，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疑似故障识别的准确性，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的诊断可结合负荷、损耗、绕组机械振动信号、油温、以及历史电流电压情况分析，在监测到变压器的声纹振动频谱时，系统可以自动去查询变压器的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的异常。杭州电力振动监测服务工程