杭州研制的振动声学指纹在线监测功能特点

系统结构：GZAF-1000T系列变压器/电抗器振动声学指纹监测系统由压电式加速度传感器、驱动电机电流传感器、数据采集装置、云服务器（采用B/S结构）、通讯子系统及供电系统构成，系统机构图如下图2所示。传感器：GZAF-1000T系列变压器/电抗器振动声学指纹监测系统传感层由6路压电式加速度传感器及1路电流传感器构成，各传感器外观及参数如下表1所示。压电式加速度传感器集成电荷放大器，将振动信号转换成与之成正比的电压信号；电流传感器采用微型卡扣结构，便于现场安装，节省空间。采用3路压电式加速度传感器获取有载分接开关振动信号，振动传感器通过固定底座安装在变压器/电抗器外壁，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。采用1路电流传感器获取有载分接开关驱动电机电流信号，电流传感器安装于驱动电机电源线处。采用3路振动传感器检测变压器/电抗器绕组及铁芯运行状况，传感器通常选取于上夹件底部、非冷却器侧油箱表面中部及油箱顶部中心点。GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统原理。杭州研制的振动声学指纹在线监测功能特点

系统功能：结合变压器/电抗器的带电检测、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/电抗器地振动声学指纹频谱时，系统可以自动去查询变压器/电抗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/电抗器可能存在绕组变形地异常。杭州研制的振动声学指纹在线监测系统组件GZAF-1000T系列变压器(电抗器)振动声学指纹监测云平台服务器。

敞开式断路器监测:技术背景:敞开式断路器在电力系统中起到保护和控制作用，它根据供电系统运行的需要来可靠地投入或切除相应的线路或电气设备，以确保系统安全运行。实现对断路器机械特性的在线监测，准确得知断路器的工作状态和故障部位，可以有效减小维护工作量，增强检修的针对性，***提高供电系统可靠性和经济性。振动声学指纹信号、线圈分合闸电流、储能电机电流、行程及分合闸位置是断路器非常重要的参数，是衡量断路器性能优劣的重要指标。因此，通过在线监测系统准确提取振动声学指纹、分闸电流、合闸电流、储能电机电流、行程及分合闸位置特征值，对判断断路器的健康程度和工作状态诊断具有重要意义。

系统功能3.4.1基本功能支持多通道信号同步实时地采集、显示及分析；具有时间触发和电流触发功能，可手动选择信号触发方式；可将任意两次测量的图谱进行相似度分析，并自动计算图谱的重合度；具有先进的能量谱分析功能，并能自动识别能量谱比较大的高低频能量频率；独有的信号处理功能，生成振动声学指纹信号ATF图（**算法，**所有），更直观、更便捷分析有载分接开关及绕组和铁芯的运行状态；具有绕组及铁芯振动声学指纹信号频谱分析功能，自动识别峰值频率偏移及谐波增量，实时分析绕组及铁芯运行状态；振动声学指纹信号和电流信号历史数据曲线趋势功能；信号阈值告警功能，软件自动分析信号增长趋势，实现自动告警，也可手动设置告警阈值，支持短信告警；GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统结构。

采用1路电流传感器获取有载分接开关驱动电机电流信号，电流传感器安装于驱动电机电源线处。采用3路振动传感器检测变压器/电抗器绕组及铁芯运行状况，传感器通常选取于上夹件底部、非冷却器侧油箱表面中部及油箱顶部中心点。为保持检测点的同一性，便于后期历史数据对比，建议所有振动传感器底座长期固定在变压器/电抗器外壁上。传感器安装示意图如下图3所示，变压器/电抗器声学指纹监测系统所有传感器单元均与变压器/电抗器本体无电气连接，安装简单方便，适用于在线监测或带电检测。（注：传感器数量及安装位置可根据具体技术规范或方案调整。）GZAF-1000S系列高压开关振动声学指纹监测系统--GIS本体监测技术背景。杭州研制的振动声学指纹在线监测系统组件

GZAF-1000S系列高压开关振动声学指纹监测系统概述。杭州研制的振动声学指纹在线监测功能特点

系统功能：3.4.2监测系统的智慧化功能具备边缘计算能力，就地采集并处理振动声学指纹信号及驱动电机电流信号，完成有载分接开关信号包络、ATF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；具备实物ID管理功能，提供有载分接开关、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。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/电抗器运行状态及机械故障类型。图15基于振动声学指纹的变压器故障诊断结合变压器/电抗器的带电检测、智能巡检以及其他在线监测状态量，杭州研制的振动声学指纹在线监测功能特点