11.2技术服务11.2.1现场电气作业我公司按照购买合同约定的时间交货后，派遣由GZTR-S装置现场电气作业管理经验丰富的工程师带领多位电气作业工程师组建的项目部按照甲方指定的时间和地址开展GZTR-S装置的安装、调试和投运等现场电气作业。GZTR-S装置投运并经甲方验收合格后，由甲方出具验收合格报告。 11.2.2二十四小时... 【查看详情】

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... 【查看详情】

绝缘减弱到完全失效的过程，与绝缘系统的不连续性及其位置密切相关。对于固体绝缘材料内部的空隙，若空隙较小且位置远离电极等关键部位，可能需要较长时间，甚至数年，局部放电才会逐渐发展到导致绝缘完全失效，引发接地或相间故障。但如果空隙较大，或者位于电场强度集中的区域，如靠近高压电极附近，局部放电可能在较短时间内，如几个小时，就会迅速恶化，导致绝缘... 【查看详情】

局部放电在线监测系统的可视化界面设计对运维人员的操作和决策具有重要影响。设计简洁直观、功能丰富的可视化界面，将设备的局部放电数据以图表、图形等形式清晰展示。例如，通过实时绘制局部放电量随时间变化的曲线、放电相位分布图谱等，让运维人员能快速了解设备的局部放电状态。在界面上设置操作便捷的查询功能，方便运维人员查看历史数据和分析报告。同时，将在... 【查看详情】

随着电力系统的不断发展，对局部放电检测设备的便携性和易用性提出了更高要求。在一些现场检测场景中，如对偏远地区的电力设备进行巡检，检测人员需要携带检测设备进行长途跋涉，因此设备的体积和重量成为关键因素。同时，检测设备的操作应简单易懂，不需要检测人员具备过高的专业技术门槛。目前，一些便携式局部放电检测设备虽然在一定程度上满足了便携性要求，但在... 【查看详情】

GZAFV-01系统的功能特点 GIS在带电运行过程中除了机械故障会导致异常振动外，放电性故障（如绝缘子内部缺陷、螺丝松动、悬浮电位放电、毛刺前列放电、金属微粒放电等）也会导致声纹振动信号的产生。因此，通过深入研究GIS本体的声纹振动信号特征可发现GIS机械性故障及放电性故障，具有监测***、监测结果互相补充的特点。基于声纹振动... 【查看详情】

分析定位功能是特高频检测单元的一大亮点。其具备内、外同步功能，外同步可与变频电源进行相位外同步。在电力设备局部放电检测中，相位同步对于准确分析局部放电信号与电源相位的关系至关重要。通过与变频电源相位外同步，能够更精确地判断局部放电发生的时刻与电源周期的对应关系，有助于深入分析局部放电产生的原因。同时，检测单元具备实时 PRPD（相位分辨局... 【查看详情】

界面电痕的形成与局部放电的能量密度密切相关。当局部放电在多层固体绝缘系统界面产生的能量密度达到一定程度时，会使界面处的绝缘材料发生碳化等变化，形成导电通道。而且，界面电痕一旦形成，会改变电场分布，使电痕处的电场强度进一步增强，局部放电能量密度增大，从而加速界面电痕的扩展。例如在高压电容器的绝缘介质与电极的界面处，若发生局部放电且能量密度较... 【查看详情】

机器学习技术在局部放电检测中的应用也具有巨大潜力。机器学习算法可以根据历史检测数据和设备运行状态信息，建立局部放电故障预测模型。通过对实时检测数据的不断学习和更新，模型能够及时发现设备运行状态的变化，预测局部放电故障的发生概率。例如，支持向量机（SVM）算法可以在高维空间中寻找比较好分类超平面，对局部放电信号进行准确分类；随机森林算法可以... 【查看详情】

GZAFV-01系统的IED/主机形态分便携式带电监测（分体机，如上图3.3、一体机）、长期固定在线监测式（标准1U的IED，如上图3.3）等机型。其中，便携式一体机结构轻巧，适用于带电巡检、故障诊断；标准监测单元与壁挂式监测单元适用于长期在线监测与故障诊断。6.12020年10月20日，我公司荣获国网公司设备部的邀请，委派技术智造中心总... 【查看详情】

3.3.2绕组及铁芯运行状态分析下图3.10a为变压器运行时绕组及铁芯的声纹振动时域信号。为更直观地分析绕组及铁芯运行状态，采用频域法分析声纹振动信号。如下图3.10b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作为分析参数。各特征参量定义及解释如下： 3.3.2.1峰值频率：频谱... 【查看详情】

随着人工智能技术在各个领域的广泛应用，将其引入局部放电检测领域成为未来的重要发展方向。人工智能算法，如深度学习中的卷积神经网络（CNN）和循环神经网络（RNN），能够对复杂的局部放电信号进行自动特征提取和分类。通过对大量的局部放电样本数据进行训练，人工智能模型可以学习到不同类型局部放电信号的特征模式，从而实现对局部放电故障的快速准确诊断。... 【查看详情】