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技术的行业培训支持。本地振动声学指纹在线监测参数
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。 检测振动声学指纹在线监测答疑解惑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国际合作案例。
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：频谱图中比较大幅值对应的频率值。3.3.2.2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：THD=i=0nVi2V1，其中V1为100Hz基频分量有效值，Vi为各谐波分量有效值，i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
综上所述，采用声纹振动法监测变压器OLTC、绕组及铁芯的状态，适用于带电监测/在线监测，与变压器无电气连接而不影响正常运行，有安装方便、安全、可靠等优点。我公司结合多年技术预研储备及现场技术服务经验，成功研制出GZAFV-01型声纹监测系统，既有固定安装的长期在线监测式，也有便携式的带电监测系统及可移动的在线重症监护式。GZAFV-01系统由声纹振动传感器、驱动电机电流传感器、数据采集装置（在线监测式：IED，便携/手持式：主机；下文皆用IED/主机简称）、云服务器、通讯单元及供电单元构成；操控及监测数据分析软件结合包络分析、重合度分析、小波分析、能量分布矩阵、时域信号频谱分析等多种算法，并提取故障诊断特征参量，在线状态下实现变压器OLTC、绕组及铁芯的健康态势评价与故障类型诊断。杭州国洲电力科技有限公司的企业荣誉与资质认证。
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）。GZAFV-01系统由声纹振动传感器（压电式加速度计）、位移传感器、电流传感器、IED（在线监测式）/主机（便携/手持式）、云服务器、通讯单元、供电单元等组件构成。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客户反馈分析。专注振动声学指纹在线监测案例
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定制化解决方案。本地振动声学指纹在线监测参数
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。本地振动声学指纹在线监测参数
