OLTC是在励磁状态下，通过改变绕组分接位置实现电网的有载调压，起到稳定负载电压、调节无功潮流、增加电网灵活度等重要作用。它是调压变压器中***的可动部件、关键部件之一。国际大电网委员会(GIGRE)等国内外统计结果表明（下图1所示），OLTC故障占变压器总体故障的30%以上，各类故障影响变压器及整个电网的安全稳定运行，严重时更会导致大面积停电、电气火灾等事故。OLTC的故障模式有多种，具体包括传动轴断裂、选择开关触头接触不良、操作机构失灵造成的拒动或滑档现象、限位开关失灵、切换开关拒切、中止或动作滞后、内部紧固件松动和脱落、以及内部渗漏等。根据国家电网设备部发布的《设备管理重点工作任务》，2020年度需完成382台换流变OLTC隐患整改，加快消除故障隐患。因此，实施OLTC在线监测与故障诊断不仅对确保变压器及整个电网安全稳定运行具有重要的现实意义，也是今后的发展方向。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用户培训支持。有载开关声纹振动声学指纹在线监测案例
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。智能化振动声学指纹在线监测监测的选择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行业应用前景。
3.3.1.3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。
3.3.1.4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。
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。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实时数据分析能力。
电力系统中的高压开关类设备主要包括GIS（气体绝缘金属封闭开关设备）、AIS（敞开式断路器）、GIS /敞开式的隔离开关、开关柜断路器等。各类开关设备的材料、工艺、设计、安装过程中的缺陷以及频繁动作极易引起机械故障，严重时更会导致电气火灾、停电等事故，现有状态检修方式的试验周期长、耗费人力物力、检修效率低等缺点，较大地影响设备正常运行。
基于声纹振动信号的在线监测，可在GIS带电运行状态下及时发现潜在故障，并及时预警，从而延长使用寿命，提高电网运行的可靠性。我公司以声纹振动信号为主，结合电流、位移等其他参量的在线监测，开发了故障诊断算法（***软著权）并提取相关特征参量研制完成的GZAFV-01型声纹振动监测系统，适用于开关设备的带电监测（便携诊断式、手持巡检式）、在线监测（长期固定式、短期移动式）。 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政策支持背景。质量振动声学指纹在线监测监测系统内容
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。有载开关声纹振动声学指纹在线监测案例
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。 有载开关声纹振动声学指纹在线监测案例
