变压器振动声纹监测试验

七、技术交流与投运业绩GZAFV-06T型便携式变压器声纹振动监测与诊断系统已成功应用于智能变电站、智慧变电站及数字化变电站等示范项目(已经投运的廊坊特高压站、济南商西站、青岛顾家站和世纪站、泰安天平站等)，实现大型电力设备的全振动在线监测与故障诊断，有效的提高电力设备运行的可靠性。同时，我公司积极与各科研院所(南网电科院、广东电科院广西电科院、冀北电科院、山东电科院、江苏电科院、浙江电科院等)、供电公司(冀北、山东、山西、江苏、宁夏等的省检)、变压器制造商(山东电力设备制造厂、江苏华鹏变压器厂、南通的韩国晓星变压器厂、杭州钱江变压器厂等)、OLTC制造商（上海华明、贵州长征、德国MR等）、变电站综合监测系统平台承建商(国网智能、南瑞科技、长园深瑞等)开展合作，不断丰富各型变压器的声纹振动样本数据库。GZAF-06 型振动声学指纹监测子系统。变压器振动声纹监测试验

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。 变压器振动监测化学变化国洲电力振动监测系统分析。

3.2.2数据采集装置GZAFV-06T型便携式变压器声纹振动监测与诊断系统的数据采集装置由传感器、信号调理电路、AD采样电路及缓存模块、MCU控制单元、电源模块、USB接口、4G/5G信号传输模块等组成。传感器实现多路振动、声纹及驱动电机电流等信号感知，信号调理电路实现信号放大、滤波、检波及A/D转换等功能，AD采样电路及缓存模块将转换后的数字信号(振动、声纹和电流的信号)传输至MCU控制单元。MCU控制单元实现信号时域、频域等的基本分析后，采用IEC61850协议或私有协议将原始数据及基本分析结果上传至客户端或平台层。电源模块包括电源输入（220V）及降压转换，为数据采集装置供电；USB接口用于现场信号获取、调试；4G/5G模块用于信号采集处理后的远端后台的信号传输。数据采集装置示意图及参数分别如下图5和下表2所示。

3.2.2功能特点Ø具备断路器的振动、分合闸线圈和电机的电流、动静触头分合闸位移和位置等信号的监测功能；Ø具备振动、电流波形、位移曲线、压力变化等信号的记录和展示，自动计算峰值电流、电流上升速率、动作时间、动作时长、位移、分合闸位置、分合闸次数等参量；Ø监测主机/IED支持多通道信号同步和实时采集，通道数不小于8个（可定制）；Ø支持历史数据与实测数据对比分析、不同通道测量数据的横向及纵向对比功能；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1000次以上断路器动作数据；Ø断路器每次动作后，监测主机/IED主动评价断路器运行状态，并自动上传结果。断路器典型振动和储能电机电流信号及对应包络曲线如下图4所示。杭州国洲电力科技有限公司振动监测报告。

目前针对 GIS设备较成熟的监测方法，主要有电气法、声测法及化学分析法三大类，以上监测方法均针对的是放电性故障所产生的电磁波、声波、光、电弧分解产物等物理量。但在 GIS的运行中，除了放电性故障之外，机械性故障也是导致事故发生的一大主要原因，当GIS设备存在开关触头接触异常、壳体对接不平衡、导杆轻微弯曲等缺陷时，在开关操作的机械力、负载电流产生的交变电动力等因素的作用下会产生机械性运动，造成设备异常振动。GIS设备的异常振动对其本体有很大危害，会造成六氟化硫气体泄露、盆式绝缘子和绝缘支柱损伤、外壳接地点悬浮等缺陷，长期发展可能导致绝缘事故的发生。因此，加强对GIS机械性故障的监测，是保证GIS安全运行的重要手段。国洲电力振动监测系统技术服务。电抗器振动监测安装示意图

杭州国洲电力科技有限公司变压器/电抗器振动声学指纹监测技术方案。变压器振动声纹监测试验

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。 变压器振动声纹监测试验