7.2技術服務7.2.1現場電氣作業我公司按照購買合同約定的時間交貨后，派遣由GZAFV-01系統現場電氣作業管理經驗豐富的工程師帶領多位電氣作業工程師組建的項目部按照甲方指定的時間和地址開展GZAFV-01系統的安裝、調試和投運等現場電氣作業。GZAFV-01系統投運并經甲方驗收合格后，由甲方出具驗收合格報告。詳見獨冊的《杭州國洲電力科技有限公司關于電力設備在線監測系統現場安裝、調試項目的現場作業指導書（范本）》附件。7.2.2二十四小時熱線電話支持服務我公司設有專門的24h服務熱線提供電話支持服務。GZAFV-01系統在運行中出現技術故障，可以通過撥打服務熱線向我公司提供故障情況、服務時間等詳細信息，我公司將在2h內出具解決方案給予響應。杭州國洲電力科技有限公司振動聲學指紋在線監測技術的標準化實施路徑。便攜式聲紋振動聲學指紋在線監測規格

近年來，國家電網公司狀態檢修工作不斷深化，對設備可靠性的要求不斷提高，及時、有效發現GIS內部潛伏性缺陷，保證GIS安全穩定運行、合理安排檢修周期成為狀態檢修模式下的當務之急。目前針對GIS較成熟的監測方法，主要有電氣法、聲測法及化學分析法三大類，以上監測方法均針對的是放電性故障所產生的電磁、聲、光、電弧分解產物等物理量。但在GIS的運行中，除了放電性故障之外，機械性故障也是導致事故發生的一大主要原因，當GIS存在開關觸頭接觸異常、殼體對接不平衡、導桿輕微彎曲等缺陷時，在開關操作的機械力、負載電流產生的交變電動力等因素的作用下會產生機械性運動，造成設備異常振動。GIS的異常振動對其本體有很大危害，會造成SF6氣體泄露、盆式絕緣子和絕緣支柱損傷、外殼接地點懸浮等缺陷，長期發展可能導致絕緣事故的發生。因此，加強對GIS機械性故障的監測，是保證GIS安全運行的重要手段。聲紋振動聲學指紋在線監測監測參數杭州國洲電力科技有限公司振動聲學指紋在線監測技術的技術突破點。

目前針對GIS較成熟的監測方法，主要有電氣法、聲測法及化學分析法三大類，以上監測方法均針對的是放電性故障所產生的電磁、聲、光、電弧分解產物等物理量。但在GIS的運行中，除了放電性故障之外，機械性故障也是導致事故發生的一大主要原因，當GIS存在開關觸頭接觸異常、殼體對接不平衡、導桿輕微彎曲等缺陷時，在開關操作的機械力、負載電流產生的交變電動力等因素的作用下會產生機械性運動，造成設備異常振動。GIS的異常振動對其本體有很大危害，會造成SF6氣體泄露、盆式絕緣子和絕緣支柱損傷、外殼接地點懸浮等缺陷，長期發展可能導致絕緣事故的發生。因此，加強對GIS機械性故障的監測，是保證GIS安全運行的重要手段。

GIS是當今輸電網絡中一種應用***的電氣設備。通過將變電站中斷路器、隔離開關、接地開關、PT、CT、避雷器、連接母線、電纜終端、進出線套管等一次設備經過優化設計并有序地結合為整體，在金屬殼內封裝起來，內部充SF6氣體作為滅弧和絕緣介質組成的封閉組合電器。與傳統的敞開式相比較，GIS具有占地面積小、可靠性高、安全性強、運行維護工作量很小等優點，因而被大量使用在重要負荷、樞紐變電站中。但由于其采用全封閉結構，一旦發生故障，影響范圍大并且難以準確定位及快速搶修，將會帶來嚴重的經濟損失。隨著GIS逐步在特高壓輸電網絡推廣應用，設備故障所造成的影響將進一步加大。近年來，國家電網公司狀態檢修工作不斷深化，對設備可靠性的要求不斷提高，及時、有效發現GIS內部潛伏性缺陷，保證GIS安全穩定運行、合理安排檢修周期成為狀態檢修模式下的當務之急。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。

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的企業榮譽與資質認證。有載開關聲紋振動聲學指紋在線監測監測參數

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。便攜式聲紋振動聲學指紋在線監測規格

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。 便攜式聲紋振動聲學指紋在線監測規格