3.3.2.3基頻信號能量比(E)100Hz基頻分量時域信號能量占信號總能量的比值，計算公式：E=jmS1j2jmSj2，其中S1為100Hz基頻分量的時域信號，Sj為原始信號，j為采樣索引值。正常狀態下，由于100Hz基頻分量為聲紋振動頻譜圖的主要成分，基頻信號能量比應較大；存在故障時，諧波分量增加且峰值頻率發生偏移，基頻信號能量比變小。3.3.2.4互相關系數(r)正常狀態與實測的聲紋振動信號頻譜圖之間的相似度，計算公式：r=i=0N-1[Xi-X][Yi-Y]i=0N-1[Xi-X]2i=0N-1[Yi-Y]2，其中Xi和Yi分別為正常狀態與實時測得聲紋振動信號的頻域分布，X和Y為對應信號的平均值，互相關系數范圍為0~1?！粽＿\行時，相關系數應接近于1?！舸嬖诠收蠒r，信號頻率分布發生改變，互相關系數減小。杭州國洲電力科技有限公司振動聲學指紋在線監測功能的主要特性解析。特色服務振動聲學指紋在線監測監測品牌排行

3.3.1.3能量分布曲線基于小波變換的聲紋振動信號多分辨率分析結果如下圖3.8所示。原始信號經8層分解后產生第8層的近似分量和第1層至第8層的詳細分量，計算各層詳細分量信號能量，可獲得信號能量分布曲線。比對正常狀態與異常狀態能量分布曲線，可判斷OLTC運行狀態，并提取互相關系數、最大值、平均值、峰度、偏度作為狀態診斷特征參量。下圖3.7為正常與異常狀態的聲紋振動信號能量分布曲線比對。

3.3.1.4時頻能量分布矩陣(ATF圖譜)獲取聲紋振動信號的時頻能量分布矩陣，同時反映原始信號時域、頻域特性及能量分布。將信號時頻分布矩陣分為6個區間，計算各區間平均值作為特征參量，用于OLTC正常狀態與異常狀態比對。下圖3.9為正常狀態下聲紋振動信號時頻能量矩陣。 本地振動聲學指紋在線監測監測卡杭州國洲電力科技有限公司振動聲學指紋在線監測技術系統的用戶定制化服務。

電力系統中的高壓開關類設備主要包括GIS（氣體絕緣金屬封閉開關設備）、AIS（敞開式斷路器）、GIS /敞開式的隔離開關、開關柜斷路器等。各類開關設備的材料、工藝、設計、安裝過程中的缺陷以及頻繁動作極易引起機械故障，嚴重時更會導致電氣火災、停電等事故，現有狀態檢修方式的試驗周期長、耗費人力物力、檢修效率低等缺點，較大地影響設備正常運行。

基于聲紋振動信號的在線監測，可在GIS帶電運行狀態下及時發現潛在故障，并及時預警，從而延長使用壽命，提高電網運行的可靠性。我公司以聲紋振動信號為主，結合電流、位移等其他參量的在線監測，開發了故障診斷算法（***軟著權）并提取相關特征參量研制完成的GZAFV-01型聲紋振動監測系統，適用于開關設備的帶電監測（便攜診斷式、手持巡檢式）、在線監測（長期固定式、短期移動式）。

3.3.1.1信號包絡分析為提高在線監測的準確度，GZAFV-01系統的IED/主機通常采用高采樣率獲取聲紋振動及驅動電機電流的信號，然而大量的數據不利于快速、準確存儲與分析。因而采用包絡分析，簡化并反映原始信號特征，便于后續分析與處理。傳統希爾伯特變換進行包絡分析時存在提取深度不足、存在幅值偏差等問題，因此采用小波變換和希爾伯特變換結合的信號包絡分析。聲紋振動和電流的信號包絡分析如下圖3.5所示。

3.3.1.2信號包絡重合度比對分析如下圖3.6所示，信號包絡分析后可快速實現歷史信號重合度比對分析，更直觀地判斷OLTC運行狀態。為量化信號重合度比對，GZAFV-01系統引入互相關系數的計算。當實時采集的與正常狀態的信號包絡互相關系數：◆接近1時，OLTC接近正常運行狀態。◆接近0時，OLTC可能存在故障。 杭州國洲電力科技有限公司振動聲學指紋在線監測技術系統的智能化設計。

6.4 2020年11月19日，我公司獲邀南網廣西電網公司總經辦和生產技術部的邀請，委派公司技術智造中心總監王國明博士向廣西電網公司的總經理、副總經理以及生產技術部、電力科學研究院等相關部門和直屬單位的領導做了《變壓器聲紋振動在線監測與故障診斷技術》的專題匯報，榮獲領導和**們的稱贊與肯定。

6.5 2020年10月30日，國網公司設備部領導視察1000kV廊坊特高壓變電站已投運的1000kV電抗器運行情況（如下圖6.4所示）。通過查看我公司的GZOLM-1000T型變壓器綜合在線監測系統（局部放電、聲紋振動、鐵芯接地電流、油中溶解氣體、電抗器空負載等運行參數）的多參量數據監測和融合評價技術所展示的電抗器在線運行中的性能狀況），后根據評價電抗器在線運行健康態勢的診斷報告，把某一臺電抗器下線返廠維修，在廠區解體后驗證了診斷報告的準確性。 杭州國洲電力科技有限公司振動聲學指紋在線監測的概述。國洲電力振動聲學指紋在線監測監測系統內容

GZAFV-01型聲紋振動監測系統（開關設備）監測和綜合分析。特色服務振動聲學指紋在線監測監測品牌排行

4.2.3根據各時頻信號互相關系數、能量分布曲線特征參量（互相關系數、最大值、平均值、峰度、偏度）、ATF圖譜特征參量（六等分區間均值）、總諧波畸變率、基頻信號能量比等狀態量，采用深度學習算法，自動判斷變壓器運行狀態及機械故障類型。

4.2.4結合變壓器的帶電監測、智能巡檢以及其他在線監測狀態量，進行數據的多參量融合分析，形成基于多源數據的故障預警機制，多參量融合分析不僅提高了識別故障的準確性，而且還能**降低因單個參量判別故障帶來的誤報。例如，對于變壓器疑似問題地診斷可結合負荷、損耗、繞組機械振動信號、油溫、以及歷史電流電壓情況分析，在監測到變壓器地聲紋振動頻譜時，GZAFV-01系統的操控及監測數據分析系統可以自動去查詢變壓器地歷史電流和電壓信號，如果發現在某段時期確實有大電流沖擊，可給出預警：變壓器可能存在繞組變形地異常。 特色服務振動聲學指紋在線監測監測品牌排行