浙江振动监测汇报跟踪

3.1.2功能特点Ø采用加速度传感器监测GIS本体振动信号，监测主机/IED具备多个传感测点连续实时或周期性自动监测功能；Ø具备诊断分析功能，监测主机/IED可向综合分析单元传送标准化数据、分析结果和预警信息，并接收下传控制命令；Ø具有比对分析功能，可将测量数据与标准信号、历史测量信号进行比对分析；Ø具有断电不丢失存储数据、复电自启动、自复位的功能，可连续监测、存储及导出1年以上数据；Ø具备振动信号时域波形展示、频谱分析(基频为100Hz)功能，可自动提取峰值频率、总谐波畸变率、频谱互相关系数、频率复杂度、振动平稳性、能量相似度、振动相关性等特征参量，作为GIS运行状态分析参量，且用户可定义设置报警阈值。下页图3为正常状态与异常状态时，GIS本体的振动信号的时域波形及频域谱图。GZAFV-01型声纹振动监测系统的概述。浙江振动监测汇报跟踪

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在线重症监护式。GZAFV-01系统由声纹振动传感器、驱动电机电流传感器、数据采集装置（在线监测式：IED，便携/手持式：主机；下文皆用IED/主机简称）、云服务器、通讯单元及供电单元构成；操控及监测数据分析软件结合包络分析、重合度分析、小波分析、能量分布矩阵、时域信号频谱分析等多种算法，并提取故障诊断特征参量，在线状态下实现变压器OLTC、绕组及铁芯的健康态势评价与故障类型诊断。电力振动监测周期性GZAFV-01型声纹振动监测系统的基本功能。

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；

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。GZAFV-06T型便携式变压器声纹振动 监测与诊断系统技术方案。

GIS在运行过程中除了机械故障会导致异常振动外，放电性故障（如绝缘子内部缺陷、螺丝松动悬浮电位放电、毛刺前列放电及金属微粒放电等）也会导致声纹振动信号的产生。因此，通过深入研究GIS外壳声纹振动信号的特点，分析其信号特征，可发现GIS机械性故障及放电性故障，具有监测***、监测结果互相补充的特点。开展基于声纹振动的状态监测，可在在线状态下及时发现开关设备的潜在故障，并及时预警，从而延长设备使用寿命，提高电网运行的可靠性。我公司以声纹振动的监测为主，结合电流、位移等其他状态量，开发故障诊断算法并提取相关特征参量，研制完成的监测系统适用于开关设备的带电监测、在线监测（长期固定式、短期移动式）及疑似故障诊断。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兼容性分析。断路器振动监测位置分类

GZAFV-01型声纹振动监测系统（变压器、电抗器)的实时监测和分析的结合。浙江振动监测汇报跟踪

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。 浙江振动监测汇报跟踪