杭州振动监测测试工程 国洲电力供应

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。GZAFV-06T型系统包括便携式带电监测与诊断型（分体机的如下图25C、一体机的如下图25D）、固定式在线监测与诊断型（标准1U式的如下图25E、壁挂式监测与诊断单元的如下图25F）等机型。其中，便携式一体机结构轻巧，适用于带电检测，标准单元与壁挂式单元适用于长期在线监测与重症监护。7.1 2020年10月20日，我公司荣获**电网公司设备部的邀请，参与关于智慧变电站技术方案审查会，向与会的国网公司设备部、各省公司设备部及各省电科院的领导和专家们做了《振动声学指纹监测技术在变电站主设备智慧型综合监测中的作用和实施方案》的汇报，荣获与会的领导和专家们的高度认可，如下图26所示。杭州国洲电力科技广发(中国)有哪些声学指纹振动监测产品？杭州振动监测测试工程

如下图14(b)所示，基于声纹振动信号的频域分布，提取峰值频率、总谐波畸变率、基频能量比、互相关系数特征参量，以作为变压器运行状态的分析参数。各特征参量定义及解释如下：(1)峰值频率：频谱图中比较大幅值对应的频率值。(2)总谐波畸变率(TotalHarmonicDistortion,THD)：所有50Hz整数倍谐波分量的有效值与基频100Hz分量有效值的比值，计算公式如下公式1所示：公式1：总谐波畸变率计算公式公式1中V1为100Hz基频分量有效值，Vi为各谐波分量有效值，i为频率索引值。正常状态下，由于100Hz基频分量为振动频谱图的主要成分，总谐波畸变率应较小；存在故障时，谐波分量增加且峰值频率发生偏移，总谐波畸变率变大。杭州无线振动监测故障诊断GZAFV-01型声纹振动监测系统的概述。

变压器在生产、运输、安装过程中或在短路电流作用下，均会使绕组及铁芯压紧程度降低，绕组及铁芯故障分别约占变压器整体故障的36%和4%，对变压器抗短路电流冲击能力及**稳定运行产生巨大威胁。绕组故障主要包括绝缘老化、受潮、匝间或绕组间短路、断路及机械损伤等，以上故障类型均可能导致绕组变形。传统的绕组变形监测方法有低压脉冲法(LVI)、频率响应分析法(FRA)和短路阻抗法(SCI)，以上方法*适用于离线或停电监测。铁芯典型故障包括压铁松动、接地不良、夹件松动或损伤，常用监测方法包括绝缘电阻测试及接地电流监测。

主要意义如下：6.1采用带电监测/在线监测方式，不影响主设备正常运行，降低了电网风险；6.2减少了人员进站检查的运维成本；6.3监测方式与设备无电气连接，具有**、可靠、安装方便等优点；6.4采用独特的时域分析、包络分析、重合度对比、时频矩阵分析等方法，并提峰值频率、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等特征参量，提高在线监测的准确度。6.5内置基于海量样本的大数据和人工智能技术而建立的专家分析型数据库，可真实反应设备运行状态，有效诊断绕组变形、机械卡涩、触头磨损、电动机构拒动等故障程度和类型；6.6符合智慧变电站建设原则，本系统的IED具备边缘计算能力，就地采集并处理声纹振动及融合其它信号，完成分析计算后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。声学指纹振动监测产品有哪些？

15、DL/T1700隔离开关及接地开关状态检修导则；16、Q/GDW383智能变电站技术导则；17、Q/GDWZ410高压设备智能化技术导则；18、Q/GDWZ414变电站智能化改造技术规范；19、Q/GDW561输变电设备状态监测系统技术导则；20、Q/GDW1535变电设备在线监测装置通用技术规范；21、Q/GDW739输变电设备状态监测主站系统变电设备在线监测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；23、Q/GDW11058变电设备在线监测系统综合监测主机/IED技术规范；24、南方电网公司年新技术应用指南（2018年版）：变电设备运维检修技术--声学指纹技术；25、**电网公司变电监测管理规定（试行）第11分册机械振动监测细则；26、**电网公司智能组合电器技术规范；27、**电网公司变电监测通用管理规定第38分册断路器机械特性监测细则。什么是声学指纹振动监测？杭州振动监测装置

杭州国洲电力科技广发(中国)振动声学指纹在线监测技术的行业应用背景。杭州振动监测测试工程

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、**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。 杭州振动监测测试工程