3.2.1.1OLTC监测与诊断：=1\*GB3①采用多路振动传感器获取振动信号，传感器通过固定底座安装在变压器外壁，安装位置通常选取平行于分接开关垂直传动杆方向，且尽量靠近分接开关触头组处。=2\*GB3②采用非接触方式安装在OLTC的1~2m范围内的声纹传感器获取OLTC切换时的声纹信号。=3\*GB3③采用安装于驱动电机电源线处的电流传感器获取OLTC驱动电机电流信号。3.2.1.2变压器本体（绕组及铁芯）监测与诊断：=1\*GB3①采用多路振动传感器监测与诊断变压器绕组及铁芯运行状况，通常安装于上夹件底部、非冷却器侧油箱表面中部及油箱顶部中芯点。为保持监测与诊断点同一性，便于历史数据对比，传感器底座应长期固定在变压器外壁上。=2\*GB3②采用声纹传感器获取变压器声纹信号，传感器采用工装固定在变压器周边立柱或防火墙上，距地面高度1.2m以上、1/2油箱高度以下，与变压器距离0.3m～2m之间。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安全性设计。振动监测必要性
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。高压开关振动声学指纹监测标准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实际应用价值。
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
信号包络重合度比对分析
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。
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。杭州国洲电力科技有限公司的振动监测标准。
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。 杭州国洲电力科技有限公司的核主要团队介绍与技术研发实力。电抗器振动监测技术参数
GZAFV-06T型便携式变压器声纹振动 监测与诊断系统基本功能。振动监测必要性
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。振动监测必要性
