1.2变压器/电抗器运行状态概述变压器/电抗器（下文皆用“变压器”简称）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（下文皆用OLTC简称）、绕组及铁芯是变压器的重要组成部分，三者故障率总和占变压器整体故障70%左右，而传统预防性试验有试验周期长、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OLTC、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。杭州国洲电力科技有限公司振动声学指纹在线监测服务的快速响应机制。杭州断路器振动声学指纹在线监测遵循标准
3.1技术原理变压器振动主要包括OLTC切换时的瞬态振动、电流通过绕组时电动力引起的绕组振动、硅钢片的磁致伸缩及硅钢片接缝处与叠片之间的漏磁导致铁芯振动、以及冷却装置工作时的振动。其中，由冷却系统引起的基本振动频率小于100Hz，不作为变压器的分析内容。变压器内部的声纹振动信号通过绝缘油、支撑单元、加强筋结构等多种途径传播至变压器外壁，可由安装于外壁的声纹振动传感器测得。
OLTC切换过程中，分接选择器动作、切换开关动作、动静触头碰撞等机械动作产生声纹振动信号，信号包含触头分合状态、三相触头是否同期、触头表面是否平整、切换是否到位等信息，可反映OLTC结构磨损、卡滞、松动、变形等故障。切换过程中若储能弹簧性能发生改变或储能过程中存在机构卡塞等现象，必然伴随着电机驱动力矩的变化，从而使驱动电机电流发生变化。因此，可通过监测驱动电机电流信号与声纹振动信号的结合分析，可更加有效的评价OLTC在线运行状态下的健康态势评价与故障类型诊断。 杭州断路器振动声学指纹在线监测遵循标准GZAFV-01型声纹振动监测系统（开关设备）数据可视化和远程监控。
3.2.3平台层的云服务器数据经现场传感器采集并经过IED/主机处理后，通过通信模块（4G/5G无线传输或电力光纤专网）传送至云服务器进行存储及深度计算，平台层的操控计算机（含通过IEC61850通讯管理连接的远端）可通过浏览器登录云服务器随时随地查看监测数据，对变压器进行运行监测及诊断分析。云服务器采用B/S结构（浏览器/服务器模式），提供监测数据的深度计算、存储、浏览器查看等服务。
3.2GZAFV-01系统的系统架构GZAFV-01系统由感知层的声纹振动传感器、电流传感器、IED/主机，网络层的通讯管理里，平台层的数据（云）服务器、内置操控及监测数据分析软件的操控计算机、IEC61850通讯管理机等构成。
杭州国洲电力科技有限公司截止到目前已获授权的发明专利2项，实用新型专利23项，软件著作权7项，已过受理及审核而待授权的另计；在国内外核心期刊已发表的论文18篇；参与制定的行业标准2项；并与海内外**的专业院校、设备制造等单位建立了稳固的技术交流和共研机制。我公司始至秉持《始于专注、精于品质、久于信任、终于共赢》的经营理念追求创新，***、深度的应用大数据、云计算、机器学习、人工智能、物联网等新技术，决心塑造为综合智慧能源服务领域“民族创新智造”的先行者、**者和专注者，并在公司发展进程中为社会、合作方、员工和资方创造更大的价值。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多场景适用性。
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。杭州国洲电力科技有限公司振动声学指纹在线监测技术的标准化实施路径。杭州断路器振动声学指纹在线监测遵循标准
杭州国洲电力科技有限公司的企业愿景与使命。杭州断路器振动声学指纹在线监测遵循标准
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。 杭州断路器振动声学指纹在线监测遵循标准
