CN120217136A 一种变压器运行状态评估系统及方法

(71)申请人上海君世电气科技有限公司地址201109上海市闵行区剑川路940号B幢3层申请人国网山西省电力公司运城供电公司(72)发明人李瑞荣冯李军李亚国王永辉李军赵镭贾炜崔玺张俊士裴鹏飞姚尧张可杜平吉贾雅君(74)专利代理机构上海恒慧知识产权代理事务GO6F18/213(2023.01)一种变压器运行状态评估系统及方法本发明提供一种变压器运行状态评估系统及方法，所述系统的在线监测模块实时连续采集变压器的n种运行数据，n≥1;状态评估模块基于第一状态评估模型对n种运行数据分别进行评估，得到n个单参数评估结果；再对n个单参数评估结果进行多源信息融合得到融合信息；最后将融合信息输入第二状态评估模型进行量化评估，得到变压器运行状态评估结果；第一状态评估模型具有参数θ;增量学习模块将从在线监测模块持续接收的运行数据输入增量学习算法公式对参数θ进行迭代优化，直至满足预设的迭代停止条件，得到参数θ的更新值θ';第一状态评估模型基于更新值得到单参数评估结果。本发明通过增量学习模块在线监测模块状态评估模块2所述n种运行数据一一对应的n个单参数评估结果，再对所述n个单参数评估结果进行多源增量学习模块，用于将从所述在线监测模块持续接收的所述n种运行数据分别输入增式为9t+1=9t-n×▽。L(θ,xt,Yt);3.根据权利要求2所述的变压器运行状态评估系统，其特征在于，所述迭代停止条件4.根据权利要求1所述的变压器运行状态评估系统，其特征在于，还包括声场分析模示。状态评估：首先基于第一状态评估模型对所述n种运行数据分别进行评估，得到n个单3参数更新：将从所述在线监测模块持续接收的至少一种式为9t+1=0+-n×▽。L(θ,xt,Yt);式中，θ为模型在t时刻的参数，η为学习率，真实标签。10.根据权利要求9所述的变压器运行状态评估方法，其特征在于，所述迭代停止条件为：经过T次迭代将参数0从0更新为9t+T;4技术领域[0001]本发明涉及数据处理领域，具体涉及一种变压器运行状态评估系统及方法。背景技术[0002]变压器作为电力传输和分配的核心设备，其运行状态直接关系到电力系统的稳定性和安全性。因此，实时和精准地评估变压器的运行状态对于维持设备持续健康运行、预防设备故障、延长设备使用寿命和保障电力持续可靠供应具有重要意义。[0003]传统的变压器运行状态评估方法主要依赖于定期的人工巡检和离线测试，虽然在一定程度上能够反映变压器的运行状态，但存在评估周期长、实时性差和人力成本高等问题。随着传感器技术、信号处理技术以及机器学习技术的发展，电力行业开始探索基于数据的在线监测和评估方法，对通过实时监测变压器运行获得的数据进行处理和分析，实现对变压器状态的实时评估。[0004]尽管基于数据的在线监测和评估方法在电力行业得到了应用，但仍存在一些技术缺陷：1、基于采用静态学习方法训练得到的状态评估模型，训练数据集均来自变压器的历史运行数据，训练完成后即封闭模型参数，然后用该状态评估模型对变压器运行状态进行评估预测得到评估结果。因此，该评估结果只与历史运行数据有关，而与后续持续产生的新运行数据无关。如果新产生的运行数据在历史数据中找不到相同或类似数据，必然导致评估结果的准确性大打折扣。时的声音特征，导致评估结果不够全面和准确。[0006]3、评估结果以专业性非常强的数据格式展示，缺乏可视化展示和报警提示功能，用户难以简明、直观和准确地获知变压器的当前运行状态，所见非所得，容易贻误及时采取补救措施的时机。发明内容[0007]针对现有技术中变压器状态评估不全面、实时性差、模型适应性不足的缺陷，本发明的目的是提供一种变压器运行状态评估系统及方法，通过增量学习算法以持续接收的新数据来动态优化状态评估模型，实现对变压器运行状态的精准、实时评估，为电力系统的安全稳定运行提供有力保障。[0008]为实现上述发明目的，第一方面，本发明提供一种变压器运行状态评估系统，包括：在线监测模块，用于实时连续采集变压器的n种运行数据，n≥1;状态评估模块，用于首先基于第一状态评估模型对所述n种运行数据分别进行评估，得到与所述n种运行数据一一对应的n个单参数评估结果；再对所述n个单参数评估结果进行多源信息融合得到融合信息；最后将所述融合信息输入第二状态评估模型进行量化评估，得到变压器运行状态评估结果；所述第一状态评估模型具有参数θ;增量学习模块，用于将从所述在线监测模块持续5接收的所述n种运行数据分别输入增量学习算法公式对所述第一状态评估模型的参数θ进模块持续接收的至少一种所述运行数据输入增量学习算法公式对所述参数θ进行迭代优6收的变压器运行数据输入增量学习算法公式，对状态评估模型的参数进行迭代更新，使状态评估结果不仅与历史运行数据相关，也与最新运行数据紧密相关，实现对变压器运行状态的精准、实时评估，从而及时发现安全隐患，为第一时间排除运行故障提供有力的参考依据，为电力系统的安全稳定运行提供有力保障。由附加特征带来的其他技术效果将在相应的实施例中进一步阐述。附图说明[0019]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：图1为本发明变压器运行状态评估系统一个实施例的原理框图；图2为本发明变压器运行状态评估系统另一个实施例的原理框图；图3为本发明变压器运行状态评估系统又一个实施例的原理框图；图4为本发明变压器运行状态评估系统再一个实施例的原理框图。具体实施方式[0020]下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。[0021]如图1所示，本发明变压器运行状所述在线监测模块，实时连续采集变压器的n种运行数据，n≥1;所述状态评估模块，首先基于第一状态评估模型对所述n种运行数据分别进行评估，得到与所述n种运行数据一一对应的n个单参数评估结果，再对所述n个单参数评估结果进行多源信息融合得到融合信息，最后将所述融合信息输入第二状态评估模型进行量化评所述增量学习模块，将从所述在线监测模块持续接收的所述n种运行数据分别输入增量学习算法公式对所述第一状态评估模型的参数θ进行迭代优化，直至满足预设的迭单参数评估结果。[0022]本实施例中，在线监测模块包括安装在变压器上的各类传感器，如电压传感器、电流传感器、温度传感器和油色谱监测装置等，通过这些传感器实时收集变压器的运行数据，包括电压、电流和功率因数等电气参数、绕组温度和表征绝缘特性的特征气体参量等信息。由此可见，运行数据的种类n至少为5。这些运行数据能够反映变压器的运行状态和负荷情况，为状态评估提供基础数据。然后将这些运行数据中的至少一种通过数据接口传输到增[0023]本实施例中，增量学习模块采用基于机器学习的增量学习算法，能够持续接收新数据并动态优化状态评估模型。具体实施方式如下：7其中，0t表示所述第一状态评估模型在t时刻的参数，η表示学习率，的范围内的学习率值；另一种可以是网格搜索或随机搜索，这种8表示预测输出hg(xt)关于参数θ的梯度。[0034](3)通过不断迭代优化，使模型能够实时地适应数据的变化，提高评估结果的准确性和时效性。[0035]设定一个迭代次数或停止条件(如损失函数值小于某个阈值),在每次迭代中，从在线监测模块接收新数据，利用SGD算法更新模型参数，并计算损失函数值以评估模型性能。其中损失函数值阈值的取值范围，通常取决于具体的任务和损失函数本身。一般来说，阈值可以是正数或零。常见的取值范围包括：对于回归问题，阈值可以在(0,∞)之间，具体值取决于数据的分布和任务需求。对于分类问题，尤其是二分类问题，阈值可以在[0,1]之间，通常是小于1的正数，如0.01、0.1等。[0036]实际中，选择损失函数阈值的合适值受到多个因素的影响，主要包括：任务类型、任务(回归、分类、聚类等)通常对应不同的损失函数，因此阈值的选择也会有所不同。回归问题一般使用均方误差(MSE)等损失函数，这时阈值需要考虑预测值与真实值之间的合理误差范围。而分类问题可能使用交叉熵损失，此时阈值通常与分类精度相关。关于数据集的特性，数据的分布、样本数量和特性会影响损失的大小和模型的性能，因此需要设置适当的阈值来衡量模型的有效性。例如，数据集中的样本不平衡可能导致损失函数的值偏高，因此阈值可能需要相应调整，以确保模型仍能有效分类少数类样本。关于模型复杂度，复杂度较高的模型(如深度神经网络)可能需要更严格的阈值，以避免过拟合。复杂的模型在训练集上可能表现很好，但在验证集或测试集上可能效果不佳，因此设置较低的阈值可以确保模型在未见数据上的泛化能力。关于应用场景的容错性，某些应用场景(如医疗诊断)对错误的容忍度较低，可能需要更严格的阈值，而在其他应用(如推荐系统)中，阈值可以相对宽松。在关键任务中，确保模型的高准确性和低错误率尤为重要，因此阈值应设置得更低，以确保模型的可靠性。在训练的不同阶段，阈值的选择可能会有所不同。初期可以设定一个较高的阈值以允许模型探索，而后期则可以降低阈值以追求更高的精度。随着训练的进行，模型逐渐学习到数据的模式，降低阈值有助于提高模型的性能和精度。[0037]最佳阈值通常依赖于具体任务、模型架构和数据集。在实际应用中，最佳阈值通常通过实验和调优确定。[0038]迭代过程可以表示为：fort=1toT(或直到满足停止条件):接收新数据(x,y.)计算梯度更新参数θt+1=0t-η×▽。L(,xt,Yt)评估模型性能(计算损失函数值等)。其中，T表示预设的迭代次数或满足停止条件时的迭代次数。[0039]本实施例中，第一状态评估模型也可称为单参数评估模型，用于对某个单一的变声音评估结果等。[0040]以两个输入特征，包括声音特征(SsoundSsound)和电气参数(SelecSelec),为每一个输入特征建立一个独立的评估模型，即单参数评估模型。以声音特征为例，假设使用一个线性回归模型来对声音特征进行评估，其表达式可以写为：9souna是声音特征的评估结果。x是输入特征向量(可能包括频率、振幅等)。souna是声音特征模型的权重参数。类似地，为电气参数建立一个评估模型，其表达式为：Selec是电气参数的评估结果。y是电气参数特征向量(如电压、电流等)。θe1e是电气参数模型的权重参数。本实施例中，最终状态评分或状态等级由第二状态评估模型进行评估，具体如下：在得到单参数评估结果后，需要将这些结果进行融合，以得到变压器的最终状态评分或状态等级。可以使用一个综合评估模型，例如加权和模型来实现。该加权和模型的表达式为：S是最终的状态评分或状态等级。[0049]W₁,W₂,…,w是各个评估结果的权重系数，反映了它们在综合评估中的重要性。[0050]S代表其他可能的评估结果。[0051]下面对上述有关评估模型进行进一步解释和赋值演算。[0052]对偏置项b的说明如下：在许多机器学习模型中，偏置项是一个重要的参数，它可以帮助模型更好地拟合数据。对于线性模型，偏置项通常与输入特征相加，使得模型能够有更大的灵活性。[0053]含义：偏置项b是模型中的一个常数项，用于调整预测结果的基线。它允许模型在没有输入特征时仍然给出一个非零的预测。[0054]逻辑关系：偏置项加入模型后，允许模型在特征值为零时(或所有特征的影响被抵消时)输出一个固定的值。[0055]对参数θ的说明如下：含义：0是模型的权重参数，表示输入特征与预测结果之间的线性关系。每个特征对应一个权重，反映了该特征对最终预测结果的影响程度。[0056]逻辑关系：在模型中，θ与输入特征x的线性组合共同影响输出结果。[0057]第一状态评估模型或单参数评估模型的预测过程如下：假设有两个单参数评估模型，一个用于声音特征的评估Ssound,另一个用于电气特征的评估Selec°[0058]声音特征评估结果Ssouna的获得通常涉及一系列的步骤，包括特征提取、模型构建、训练及评估。首先，选择一个合适的模型可以是基于传统机器学习的方法(如支持向量机、决策树、随机森林等),也可以是基于深度学习的方法(如卷积神经网络、循环神经网络等)。选择依赖于具体的任务要求和数据特性。[0059]在模型中，声音特征可以包括频率特征(如梅尔频率倒谱系数，MFCCs)、时域特征[0060]特征提取的环节中，使用信号处理技术从音频数据中提取特征。例如，从音频信号中计算MFCCs,短时能量和零交叉率，并生成声谱图用于后续分析。随后，使用带标签的音频特征数据集进行模型训练。此过程通常包括划分数据集为训练集、验证集和测试集，选择损失函数，使用训练集数据优化模型参数，及通过验证集调整模型的超参数。以包括准确率、精确率、召回率和F1分数等，以综合衡量模型的性能。最终生成的评估结果[0062]例如，假设要评估一个环境噪声的状态，首先收集一组环境噪声音频，并标记为征。然后选择随机森林分类器，使用提取的特征在训练集上训练模型。在测试集上评估模型时，计算准确率和F1分数等指标。最终，Ssound可以表示模型的分类结果(如“环境噪声为嘈杂”)或对声音特征的数值评估(如“声音强度为85dB”),这些评估结果可以用于后续的决策支持、报警系统或其他应用。[0063]电气参数评估结果Se1ec的获得通常涉及一系列明确的步骤，包括数据采集、特征以来自于实际的运行环境，也可以通过实验室测试获得。[0064]在数据准备阶段，收集到的电气数据需要经过预处理，以确保数据的质量和一致提取的准确性。特征提取阶段则是从原始电气信号中提取有意义的特征，例如计算电压和[0065]接下来，选择合适的评估模型是至关重要的一步。常见的模型包括线性回归、向量机、决策树或更复杂的深度学习模型。选择模型时，需考虑具体的应用需求和数据特性。模型训练阶段则通过将提取的特征与已知的电气参数标签进行匹配，使用适当的算法来优化模型参数。这一过程通常涉及将数据集分为训练集和测试集，利用训练集来学习模型，并通过验证集来调整超参数，以提高模型[0066]在模型评估阶段，使用测试集对训练好的模型进行评估，以得到最终的电气参数评估结果Se1ec。评估指标可以包括均方误差(MSE)、决定系数(R²)等，以量化模型在预测电气参数方面的性能。最终的评估结果可以是对电气设备运行状态的分类(如“正常”、“异[0067]例如，在评估一种变压器的电气参数时，首先通过传感器收集其工作时的电压和择线性回归模型进行训练。通过训练集优化模型参数后，在测试集上评估，则可得出变压器的电气参数评估结果，如其运行状态是否正常或具体的功率输出值。[0068]声音特征和电气特征的赋值演算过程如下：CN120217136A11模型表达式：声音特征模型：电气特征模型：参数赋值：假设有如下参数：对于声音特征模型：θsound=[0.5,-0.2](假设有两个特征)对于电气特征模型：θe1ec=[0.4,0.6](假设有两个特征)输入特征：预测过程：计算声音特征评估结果：Ssound=[0.5,-0.2][2.0,3.0]+1.0=(0.5×2.0)+(-0.2×3.0)+1.[0069]计算电气特征评估结果：[0070]最终状态评分模型或第二状态评估模型的预测过程如下：等级。[0071]模型表达式：参数赋值：假设有如下的权重：w₁=0.7(声音特征的权重)w₂=0.3(电气特征的权重)预测过程：用上述计算得到的单参数评估结果：计算最终状态评分：[0072]通过上述过程，从单参数评估模型出发，利用设定的参数和输入特征计算了声音和电气特征的评估结果。接着，使用加权和模型将两个评估结果结合，得出了最终的状态评分[0073]这种预测过程展示了模型的工作原理和参数如何共同影响最终结果。[0074]本实施例中，通过在线监测模块和增量学习模块的协同工作，能够实时收集和处理新数据，动态优化状态评估模型。这使得系统能够实时反映变压器的运行状态，并随着数据的变化不断更新评估结果，增强了系统的实时性和动态适应性。增量学习算法的应用使得系统在更新模型时无需重新训练整个模型，从而降低了计算复杂度，提高了评估效率。同时，由于能够实时评估变压器状态，减少了人工巡检和离线测试的频率，降低了运维成本。[0075]本实施例中，如图2所示，还可包括声场分析模块，用于分析变压器运行时的声音特征，并将所述声音特征输入所述第一状态评估模型得到声音特征评估结果。优选地，所述声场分析模块包括声音特征提取单元和声音特征匹配单元；所述声音特征提取单元用于从变压器运行时产生的声音中提取特征信息；所述声音特征匹配单元中预设有声音特征库，所述声音特征库包括多个特征对(a,b),其中a为声音元素，b为a所对应的变压器状态，将提取的所述特征信息与各所述声音元素分别进行比较，直至二者相匹配，则所述特征信息所对应的变压器状态为匹配上的所述特征元素所对应的变压器状态。上述特征对涉及的具体情性举例说明如下：特征对1:描述：频率表示声音的高低，而声压级表示声音的强度。两者结合可以分析声音的性质与影响。[0076]特征对2:d:短时能量(Short-TimeEnergy)描述：零交叉率能够反映信号的复杂程度，而短时能量用于表示信号的强度。这对语音或音乐的分析非常有用。[0077]特征对3:c:梅尔频率倒谱系数(Mel-frequencycepstralcoefficients,MFCCs)描述：MFCCs广泛用于语音识别中，可以有效捕捉语音的特征，而基频则是音调的重要参数。[0078]特征对4:c:声谱图特征(Spectrogram)描述：声谱图提供声音随时间变化的频率成分，而音色可以帮助识别声音的质感和特征，适用于音乐和环境声音识别。[0079]特征对5:d:低频能量(Low-FrequencyEnergy)描述：高频和低频能量的比值可以用于音频信号的分类，比如在语音与噪声的分d:音频持续时间(Duration)描述：响度反映声音的主观强度，而持续时间则可用于分析事件发生的特性，如音乐片段的长度。[0081]本实施例中，可在变压器周围布置高灵敏度麦克风阵列来采集变压器运行时产生波变换等数学工具。f=n/T,其中A为声音振幅，a和b分别为声音信号的实部和虚部。[0084]这些声音特征能够反映变压器内部的机械振动、电磁噪声等状态信息，为变压器运行状态评估提供重要参考。[0085]本实施例中，状态评估模块对变压器的运行状态进行量化评估，具体步骤(1)采用多源信息融合技术，将声音特征和电气参数等信息进行综合分析。[0086]多源信息融合技术公式：其中，S为综合评估结果，Ssouna为声音特征评估W₁、W₂...、w为各单参数评估结果的权重系数。S还包括油色谱特征气体种类和含量、油[0087](2)利用机器学习算法(如支持向量机、神经网络等)建立状态评估模型。1.数据准备1.1数据收集收集与评估目标相关的数据，这些数据可以是传感器数据、实验室测试结果或历史记录。数据的质量直接影响模型的性能，因此必须确保数据的准确性和完整性。[0089]1.2数据预处理对收集到的数据进行预处理，包括：去噪：去除数据中的噪声或异常值。[0090]标准化/归一化：将数据缩放到统一的范围内，以提高模型的收敛速度和性能。[0091]缺失值处理：对缺失数据进行填补或丢弃，以保证数据集的完整性。[0092]2.特征提取从预处理后的数据中提取有意义的特征，这些特征将用于训练模型。特征提取的步骤包括：选择特征：通过领域知识选择与状态评估相关的重要特征。[0093]生成特征：使用算法提取新特征，例如通过傅里叶变换提取频域特征，或计算统计根据数据特性和评估任务选择合适的机器学习算法。神经网络：适合于复杂的非线性关系建模，尤其在数据量较大时表现良好。[0095]4.模型训练通过以下步骤训练所选模型：数据划分：将数据集分为训练集、验证集和测试集，一般按70%-15%-15%的比例划[0096]模型训练：使用训练集数据来训练模型，参数的优化可以使用梯度下降法或其他优化算法。升模型性能。[0098]5.模型评估在测试集上评估模型性能，评估指标可以包括：准确率(Accuracy):分类模型正确分类的比例。[0099]精确率(Precision)和召回率(Recall):用于分析分类模型对正类的识别能力。[0100]F1分数：综合考虑精确率和召回率的指标。[0101]均方误差(MSE):回归模型预测值与实际值之间的平均平方差。[0102]6.模型应用一旦模型经过训练和验证，可以将其应用于实际的状态评估任务。实际应用中可以通过以下步骤：实时数据输入：将实时或新的数据输入到模型中进行评估。[0104]在神经网络模型中，神经元的输出通常通过一系列的线性和非线性变换来实现。神经网络的基本表达式可以描述为：这里，1表示网络中的层数，下面将对表达式中的各个参数进行详细说明：a(1):这是第1层的激活值或输出。对于输出层，a(1)就是神经网络的最终输[0105]W(1):这是第1层的权重矩阵。权重矩阵是神经网络中的可训练参数之一，决定了输入特征如何线性组合成下一层的输入。W(1)的尺寸通常是“第1-1层的神经元数×[0106]b(1):这是第1层的偏置向量。偏置是另一个可训练参数，添加到线性组合中以允许模型在不依赖输入为零的情况下进行调整。[0107]b(1)的维度通常等于第1层神经元的数量。[0108]a(1-1):这是第1-1层的激活值或输出，即第1层的输入。对于输入层，a(0)就是输入特征向量。[0109]f(·):这是激活函数，它应用于每个神经元的线性组合结果。激活函数引入非线性，使得神经网络能够学习复杂的模式。常用的激活函数包括ReLU(修正线性单元),Sigmoid(逻辑函数),和Tanh(双曲正切函数)等。[0112]多层传播：将上述步骤重复应用于每一层神经网络层，直到达到输出层。[0113]在整个神经网络中，这些步骤允许模型从输入中提取特征并将其映射到输出。在训练过程中，通过反向传播算法，根据损失函特征对网络的权重和偏置进行调整，以最小化输出误差。[0114](3)将融合后的信息输入到状态评估模型中，得出变压器的状态评分或状态等级。假设状态评估模型评分的范围是从0到100,评分越高表示变压器状态越好。根据评分，可以将变压器状态分为以下等级：优秀(80-100):变压器运行状态良好，无需额外处理。[0116]良好(60-79):变压器运行状态较好，建议定期监测。[0117]一般(40-59):变压器显示出轻微的异常，建议安排维护。[0118]较差(20-39):变压器状态不佳，建议尽快检修。[0119]危险(0-19):变压器可能出现严重故障，立即停止运行并进行检修。[0120]案例分析与评分计算假设通过传感器采集了变压器的一组关键数据，包括温度、电压、电流和振动频率等。这些数据经过预处理和特征提取后输入到状态评估模型中，模型输出的状态评分为45。[0121]根据评分的处理结果处理结果：变压器显示出轻微的异常。这可能是由于温度偏高或振动频率异常。建议安排技术人员进行现场检查和维护，以预防潜在的问题。这可以包括清理散热器、检查绝缘油的品质、确保接线的稳定性等。[0122]其他评分的处理措施优秀(80-100):[0123]良好(60-79):处理结果：变压器状态较好，可以继续运行，但建议增加监测频率，以便在状态发生变化时能够及时响应。[0124]较差(20-39):[0125]危险(0-19):行全面检查和修复，以避免设备损坏或安全事故。[0126]状态等级系统设定如下：假设有以下几项关键的变压器状态指标和它们对状态评分的权重：通过传感器和数据处理得到的实际评分如下：计算总评分根据权重，计算变压器的总状态评分：总评分=0.3×70+0.25×80+0.25×75+0.2×60总评分=21+20+18.75+12=71.75确定状态等级根据总评分，我们可以将变压器状态等级划分如下：优秀(80-100)良好(60-79)一般(40-59)较差(20-39)危险(0-19)[0127]针对该等级的处理结果良好(60-79):处理结果：变压器状态较好，可以继续运行。建议增加监测频率，例如每周检查一次关键指标，以确保在状态发生变化时能够及时响应。可以考虑安排季度检修以确保长时间的安全运行。[0128]不同等级下的处理措施优秀(80-100):处理结果：无需特别处理，继续按计划运行。定期进行常规检查即可，例如每季度进行一次全面检查。处理结果：变压器状态较好，可以继续运行，但建议增加监测频率，确保能够及时捕捉到状态的变化。[0130]一般(40-59):处理结果：变压器显示出轻微的异常，可能是由于环境因素或设备老化造成的。建议安排维护，如清理散热器、检查接线和绝缘状况。[0131]较差(20-39):处理结果：状态不佳，建议尽快安排停机检修，重点检查关键部件，如变压器绕组和铁芯，防止故障扩大。[0132]危险(0-19):处理结果：变压器可能存在严重故障风险。应立即停止运行，并进行全面检查和修复，以避免设备损坏或安全事故。[0133]本实施例中，从声音特征和电气参数等多个维度对变压器状态进行全面评估。声音特征能够反映变压器内部的机械振动