变压器声纹振动声学指纹在线监测监测试验报告

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。GZAF-1000T系列变压器(电抗器)振动声学指纹监测系统功能。变压器声纹振动声学指纹在线监测监测试验报告

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台换流变分接开关隐患整改，加快消除故障隐患。因此，实施有载分接开关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。变压器/电抗器在生产、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/电抗器整体故障的36%和4%，对变压器/电抗器抗短路电流冲击能力及安全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。变压器声纹振动声学指纹在线监测监测试验报告GZAF-1000S系列高压开关振动声学指纹监测系统各类高压开关监测系统的技术参数。

云平台服务器：数据经现场采集装置采集后，通过4G/5G无线传输模组（或电力光纤专网）传送至电力设备监测及诊断技术的“中国智造者”第10页共29页云服务器进行存储及深度计算，远端通过浏览器登录云服务器可随时随地查看系统监测内容，对变压器/电抗器进行运行监测及诊断分析。云平台系统结构图如下图6所示，采用B/S结构（浏览器/服务器模式），提供监测系统的数据深度计算、存储及浏览器查看服务，便于管理。信号分析与处理有载分接开关运行状态分析

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-1000S系列高压开关振动声学指纹监测系统GIS及敞开式的隔离开关监测功能特性。

一、概述变压器在电力系统中起到电压变换、电能分配等重要作用，其安全稳定运行对确保供电可靠性具有重要意义。有载分接开关、绕组及铁芯是变压器/电抗器的重要组成部分，三者的故障率总和占变压器/电抗器整体故障的70%左右，而传统预防性检修方法具有试验周期长、影响变压器正常运行、耗费人力物力等缺点。开展基于声学指纹的状态监测，可在在线状态下及时发现变压器/电抗器有载分接开关、绕组及铁芯的潜在故障，并及时预警，从而延长变压器使用寿命，提高电网运行的可靠性。有载分接开关（On-LoadTapChanger,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，有载分接开关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。GZAF-1000T系列变压器(电抗器)振动声学指纹监测绕组及铁芯运行状态分析。变压器声纹振动声学指纹在线监测监测试验报告

杭州国洲电力科技有限公司简介。变压器声纹振动声学指纹在线监测监测试验报告

从振动和声学数据中提取有用的特征，以便建立设备的声学指纹，通常会用到以下信号处理技术：傅里叶变换（FFT）：用于分析信号在频域中的特性，可以识别出设备运行时的固有频率和谐波成分。短时傅里叶变换（STFT）：与FFT相比，STFT能够展示信号随时间变化的频率特性，适用于非平稳信号的分析。小波变换：具有良好的时频局部化特性，能够在多尺度上分析信号，适合捕捉瞬态事件和局部特征。包络检测：用于提取振动信号的振幅包络，可以用来表示信号的动态特性。频谱分析：通过计算信号的功率谱密度（PSD）或幅值谱，可以识别出信号的频率成分和能量分布。时频分析方法：如Wigner-Ville分布、Choi-Williams分布等，这些方法能够提供信号的时频表示，有助于分析复杂非线性和非平稳信号。模态分析：通过识别设备振动的模态特性，可以提取出与设备结构和损伤相关的特征。熵分析：如时域熵、频域熵或小波熵，这些方法可以量化信号的不确定性和复杂性，有助于识别设备状态的变化。统计分析：包括均值、方差、标准差等统计参数，可以描述信号的波动性和稳定性。高阶统计量：如偏度和峰度，它们可以提供信号分布形状的信息，有助于识别异常模式。变压器声纹振动声学指纹在线监测监测试验报告