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*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)振动声学指纹监测时频能量分布矩阵(ATF图谱)。电抗器振动声学指纹在线监测业绩
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杭州GZAF-1000T系列振动声学指纹在线监测技术背景GZAF-1000T系列变压器(电抗器)振动声学指纹监测运行状态告警。
GIS及开关柜的断路器监测:技术背景:断路器在电力系统中起到保护和控制作用，它根据供电系统运行的需要来可靠地投电力设备监测及诊断技术的“中国智造者”第9页共12页入或切除相应的线路或电气设备，以确保电力系统安全运行。实现对断路器的在线监测，准确得知断路器的工作状态和故障部位，可以有效减小维护工作量，增强检修的针对性，***提高供电系统可靠性和经济性。振动声学指纹信号、线圈分合闸电流、储能电机电流、行程及分合闸位置是断路器在线监测中非常重要的参数，是衡量断路器性能优劣的重要指标，因此通过在线监测系统准确提取振动声学指纹、分合闸电流、储能电机电流、行程及分合闸位置特征值，对判断断路器的健康状态具有重要意义。
绕组及铁芯运行状态分析下图13(a)为变压器/电抗器运行时的绕组及铁芯振动声学指纹的时域信号。为更直观地分析绕组及铁芯运行状态，采用频域法分析振动声学指纹信号，实现在线状态下的故障监测。如下图13(b)所示，基于振动声学指纹信号的频域分布，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，以作为变压器/电抗器运行状态的分析参数。各特征参量定义及解释如下：(1)峰值频率：频谱图中比较大幅值对应的频率值。(2)总谐波畸变率(TotalHarmonicDistortion,THD)：所有50Hz整数倍谐波分量的有效值与基频100Hz分量有效值的比值，计算公式如下：=2其中100Hz基频分量有效值，为频率索引值。正常状态下，由于100Hz基频分量为振动频谱图的主要成分，总谐波畸变率应较小；存在故障时，谐波分量增加且峰值频率发生偏移，总谐波畸变率变大。GZAF-1000S系列高压开关振动声学指纹监测系统--敞开式断路器监测技术背景。
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)振动声学指纹监测信号分析与处理。电抗器振动声学指纹在线监测业绩
GZAF-1000S系列高压开关振动声学指纹监测系统遵循标准。电抗器振动声学指纹在线监测业绩
系统功能：3.4.2监测系统的智慧化功能具备边缘计算能力，就地采集并处理振动声学指纹信号及驱动电机电流信号，完成有载分接开关信号包络、ATF等分析，完成绕组及铁芯振动信号频谱分析及参数计算，根据传输层要求统一通讯接口及数据结构，根据平台层及应用层要求上传分析结果；具备实物ID管理功能，提供有载分接开关、绕组及铁芯运行状态信息链接入口，可扫码读取设备在线监测历史数据及趋势。通过扫码或RFID识别设备，读取设备ID信息，通过站内网络（4G/5G/WIFI）传输给云端服务器，向服务器请求该设备的详细信息，以及详细的运行状态，测试信息等。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/电抗器运行状态及机械故障类型。图15基于振动声学指纹的变压器故障诊断结合变压器/电抗器的带电检测、智能巡检以及其他在线监测状态量，电抗器振动声学指纹在线监测业绩
