3.3.2.3基频信号能量比(E)100Hz基频分量时域信号能量占信号总能量的比值，计算公式：E=jmS1j2jmSj2，其中S1为100Hz基频分量的时域信号，Sj为原始信号，j为采样索引值。正常状态下，由于100Hz基频分量为声纹振动频谱图的主要成分，基频信号能量比应较大；存在故障时，谐波分量增加且峰值频率发生偏移，基频信号能量比变小。3.3.2.4互相关系数(r)正常状态与实测的声纹振动信号频谱图之间的相似度，计算公式：r=i=0N-1[Xi-X][Yi-Y]i=0N-1[Xi-X]2i=0N-1[Yi-Y]2，其中Xi和Yi分别为正常状态与实时测得声纹振动信号的频域分布，X和Y为对应信号的平均值，互相关系数范围为0~1。◆正常运行时，相关系数应接近于1。◆存在故障时，信号频率分布发生改变，互相关系数减小。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主要特性解析。特色服务振动声学指纹在线监测监测品牌排行

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。 本地振动声学指纹在线监测监测卡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用户定制化服务。

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）。

3.3.1.1信号包络分析为提高在线监测的准确度，GZAFV-01系统的IED/主机通常采用高采样率获取声纹振动及驱动电机电流的信号，然而大量的数据不利于快速、准确存储与分析。因而采用包络分析，简化并反映原始信号特征，便于后续分析与处理。传统希尔伯特变换进行包络分析时存在提取深度不足、存在幅值偏差等问题，因此采用小波变换和希尔伯特变换结合的信号包络分析。声纹振动和电流的信号包络分析如下图3.5所示。

3.3.1.2信号包络重合度比对分析如下图3.6所示，信号包络分析后可快速实现历史信号重合度比对分析，更直观地判断OLTC运行状态。为量化信号重合度比对，GZAFV-01系统引入互相关系数的计算。当实时采集的与正常状态的信号包络互相关系数：◆接近1时，OLTC接近正常运行状态。◆接近0时，OLTC可能存在故障。 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智能化设计。

6.4 2020年11月19日，我公司获邀南网广西电网公司总经办和生产技术部的邀请，委派公司技术智造中心总监王国明博士向广西电网公司的总经理、副总经理以及生产技术部、电力科学研究院等相关部门和直属单位的领导做了《变压器声纹振动在线监测与故障诊断技术》的专题汇报，荣获领导和**们的称赞与肯定。

6.5 2020年10月30日，国网公司设备部领导视察1000kV廊坊特高压变电站已投运的1000kV电抗器运行情况（如下图6.4所示）。通过查看我公司的GZOLM-1000T型变压器综合在线监测系统（局部放电、声纹振动、铁芯接地电流、油中溶解气体、电抗器空负载等运行参数）的多参量数据监测和融合评价技术所展示的电抗器在线运行中的性能状况），后根据评价电抗器在线运行健康态势的诊断报告，把某一台电抗器下线返厂维修，在厂区解体后验证了诊断报告的准确性。 杭州国洲电力科技有限公司振动声学指纹在线监测的概述。国洲电力振动声学指纹在线监测监测系统内容

GZAFV-01型声纹振动监测系统（开关设备）监测和综合分析。特色服务振动声学指纹在线监测监测品牌排行

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。 特色服务振动声学指纹在线监测监测品牌排行