3.3.1.1信号包络分析为提高在线监测的准确度，GZAFV-01系统的IED/主机通常采用高采样率获取声纹振动及驱动电机电流的信号，然而大量的数据不利于快速、准确存储与分析。因而采用包络分析，简化并反映原始信号特征，便于后续分析与处理。传统希尔伯特变换进行包络分析时存在提取深度不足、存在幅值偏差等问题，因此采用小波变换和希尔伯特变换结合的信号包络分析。声纹振动和电流的信号包络分析如下图3.5所示。

3.3.1.2信号包络重合度比对分析如下图3.6所示，信号包络分析后可快速实现历史信号重合度比对分析，更直观地判断OLTC运行状态。为量化信号重合度比对，GZAFV-01系统引入互相关系数的计算。当实时采集的与正常状态的信号包络互相关系数：◆接近1时，OLTC接近正常运行状态。◆接近0时，OLTC可能存在故障。 GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统相关标准。杭州隔离开关振动声学指纹在线监测功能特性

变压器运行时，电流通过绕组时产生的电动力引起绕组振动，硅钢片的磁致伸缩及硅钢片接缝处与叠片之间的漏磁导致铁芯振动。由于绕组导体所受电动力正比于负载电流的平方，绕组的声纹振动信号的基频为100Hz。由于变压器中磁感应强度正比于加载电压的平方，铁芯的声纹振动信号的基频也为100Hz。另外，考虑到铁芯振动的非线性特性，声纹振动信号还会包含频率为100Hz整数倍的高次谐波。当变压器的绕组变形或铁芯故障后，声纹振动信号频谱分布将发生改变，产生谐波分量。因此，信号分量可以作为区别绕组故障与铁芯故障的重要依据，采用声纹振动监测法可实现绕组及铁芯在线运行状态下的健康态势评价与故障类型诊断。综上所述，采用声纹振动法监测变压器OLTC、绕组及铁芯的状态，适用于带电监测/在线监测，与变压器无电气连接而不影响正常运行，有安装方便、安全、可靠等优点。我公司结合多年技术预研储备及现场技术服务经验，成功研制出GZAFV-01型声纹监测系统，既有固定安装的长期在线监测式，也有便携式的带电监测系统及可移动的重症监护式。杭州隔离开关振动声学指纹在线监测技术方案GZAF-1000T系列变压器(电抗器)振动声学指纹监测包络分析。

3.3.2.3基频信号能量比(E)100Hz基频分量时域信号能量占信号总能量的比值，计算公式：E=jmS1j2jmSj2，其中S1为100Hz基频分量的时域信号，Sj为原始信号，j为采样索引值。正常状态下，由于100Hz基频分量为声纹振动频谱图的主要成分，基频信号能量比应较大；存在故障时，谐波分量增加且峰值频率发生偏移，基频信号能量比变小。3.3.2.4互相关系数(r)正常状态与实测的声纹振动信号频谱图之间的相似度，计算公式：r=i=0N-1[Xi-X][Yi-Y]i=0N-1[Xi-X]2i=0N-1[Yi-Y]2，其中Xi和Yi分别为正常状态与实时测得声纹振动信号的频域分布，X和Y为对应信号的平均值，互相关系数范围为0~1。◆正常运行时，相关系数应接近于1。◆存在故障时，信号频率分布发生改变，互相关系数减小。

变压器在生产、运输、安装过程中或在短路电流作用下，均会使绕组及铁芯压紧程度降低，绕组及铁芯故障分别约占变压器整体故障的36%和4%，对变压器抗短路电流冲击能力及安全稳定运行产生巨大威胁。绕组故障主要包括绝缘老化、受潮、匝间或绕组间短路、断路及机械损伤等，以上故障类型均可能导致绕组变形。传统的绕组变形监测方法有低压脉冲法(LVI)、频率响应分析法(FRA)和短路阻抗法(SCI)，以上方法*适用于离线或停电监测。铁芯典型故障包括压铁松动、接地不良、夹件松动或损伤，常用监测方法包括绝缘电阻测试及接地电流监测。GZAF-1000T系列变压器(电抗器)振动声学指纹监测设备信息管理。

二、遵循标准（不限于下列标准）2.1GB/T4208外壳防护等级（IP代码）。2.2DL/T860变电站通信网络和系统。2.3DL/T1430变电设备在线监测系统技术导则。2.4DL/T1432.1变电设备在线监测装置检验规范第1部分：通用检验规范。2.5DL/T1498.1变电设备在线监测装置技术规范第1部分：通用技术规范。2.6DL/T1686六氟化硫高压断路器状态检修导则。2.7DL/T1687六氟化硫高压断路器状态评价导则。2.8DL/T1700隔离开关及接地开关状态检修导则。2.9Q/GDW383智能变电站技术导则。2.10Q/GDWZ414变电站智能化改造技术规范。2.11Q/GDW561输变电设备状态监测系统技术导则。2.12Q/GDW739输变电设备状态监测主站系统变电设备在线监测I1接口网络通信规范。2.13国家电网公司智能组合电器技术规范。GZAF-1000T系列变压器(电抗器)振动声学指纹监测频谱分析。杭州高压开关振动声学指纹在线监测价格

杭州国洲电力科技有限公司振动声学指纹在线监测怎么样？杭州隔离开关振动声学指纹在线监测功能特性

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。 杭州隔离开关振动声学指纹在线监测功能特性

免责声明： 本页面所展现的信息及其他相关推荐信息，均来源于其对应的用户，本网对此不承担任何保证责任。如涉及作品内容、 版权和其他问题，请及时与本网联系，我们将核实后进行删除，本网站对此声明具有最终解释权。