CN109142516B - 一种变压器油状态在线评估方法及装置 - Google Patents

Abstract

本申请公开了一种变压器油状态在线评估方法及装置，其中方法包括：实时发射超声波信号至变压器油箱中的待测变压器油；采集所述待测变压器油中所述超声波信号的超声参数，所述超声参数包括：幅值、相角和波速；将所述待测变压器油的超声参数输入至预置神经网络模型求解，得到所述待测变压器油的待测状态标记，所述预置神经网络模型为超声参数和状态标记的关联关系模型；根据所述状态标记和状态的预置对应关系确定所述待测状态标记所对应的状态，将所述状态作为所述待测变压器油的实际状态。解决了现有变压器油的评估方法难以对变压器油的状态进行实时、准确的判断的技术问题。

Description

一种变压器油状态在线评估方法及装置

技术领域

本申请属于电力设备监测技术领域，尤其涉及一种变压器油状态在线评估方法及装置。

背景技术

电力设备作为电网的重要组成部分，其的稳定运行是保障电力系统正常运行的必要因素，而变压器作为电力系统中最重要的电力设备之一，对变压器状态进行有效评估对维持电力系统可靠运行意义重大。

变压器的故障类型和变压器油有着密切的关系，对变压器油的状态进行采集分析有助于变压器的状态评估。目前国内外对于变压器油的检测主要采用的是油化实验分析，但是该分析方法，不仅检验过程中容易引入误差，而且按照目前定期检测方式不能提供变压器运行状态的实时信息，使得难以对变压器油的状态进行实时、准确的判断。

发明内容

本申请提供了一种变压器油状态在线评估方法及装置，用于变压器油状态在线评估，解决了现有变压器油的评估方法难以对变压器油的状态进行实时、准确的判断的技术问题。

有鉴于此，本申请第一方面提供了一种变压器油状态在线评估方法，包括：

实时发射超声波信号至变压器油箱中的待测变压器油；

采集所述待测变压器油中所述超声波信号的超声参数，所述超声参数包括：幅值、相角和波速；

将所述待测变压器油的超声参数输入至预置神经网络模型求解，得到所述待测变压器油的待测状态标记，所述预置神经网络模型为超声参数和状态标记的关联关系模型；

根据所述状态标记和状态结果的预置对应关系确定所述待测状态标记所对应的状态结果，将所述状态结果作为所述待测变压器油的实际状态。

优选地，所述方法还包括：

发射所述超声波信号至变压器油箱中的样本变压器油；

采集所述样本变压器油中所述超声波信号的超声参数；

评估所述样本变压器油的样本状态结果，并根据预置对应关系确定所述样本状态结果所对应的样本状态标记；

以预置神经网络为训练模型、所述样本变压器油的超声参数为所述训练模型的输入指标、所述样本状态标记为所述训练模型的输出结果，得到训练后的预置神经网络模型。

优选地，所述评估所述样本变压器油的样本状态结果具体包括：

接收所述样本变压器油在加入变压器油箱前的质量指标作为初始质量指标，所述质量指标包括：击穿电压、酸值、介质损耗因数、微水值；

接收所述变压器油箱中的所述样本变压器油的质量指标作为样本质量指标；

基于所述初始酸值和所述样本酸值，利用第一预置公式得到第一样本状态子结果，基于所述初始介质损耗因数和所述样本介质损耗因数，利用所述第一预置公式得到第二样本状态子结果，基于所述初始微水值和所述样本微水值，利用所述第一预置公式得到第三样本状态子结果，基于所述初始击穿电压和所述样本击穿电压，利用所述第二预置公式得到第四样本状态子结果；

基于预设评估规则，根据所述第一样本状态子结果、所述第二样本状态子结果、所述第三样本状态子结果和所述第四样本状态子结果得到所述样本状态结果；

所述第一预置公式为：

其中，X_r为样本质量指标，X₀为初始质量指标，X_n为国标质量指标；

所述第二预置公式为：

优选地，所述基于预设评估规则，根据所述第一样本状态子结果、所述第二样本状态子结果、所述第三样本状态子结果和所述第四样本状态子结果得到所述样本状态结果具体包括：

当有一个样本状态子结果大于1时，所述样本状态结果为注意；

当所有样本状态子结果均大于0且小于等于1时，所述样本状态结果为普通；

当所有样本状态子结果均小于1，且有一个样本状态子结果小于等于0时，所述样本状态结果为良好。

优选地，所述采集所述待测变压器油中所述超声波信号的超声参数具体包括：

在变压器油箱中的多个位置处采集待测变压器油中所述超声波信号的超声参数，并对采集到的不同位置的超声参数求平均值后作为待测变压器油中所述超声波信号的超声参数。

优选地，所述超声波信号为包括多个不同频率的超声波信号。

优选地，所述预置神经网络模型为：BP神经网络模型。

本申请第二方面提供一种变压器油状态在线评估装置，包括：

第一发射模块，用于实时发射超声波信号至变压器油箱中的待测变压器油；

第一采集模块，用于采集所述待测变压器油中所述超声波信号的超声参数，所述超声参数包括：幅值、相角和波速；

求解模块，用于将所述待测变压器油的超声参数输入至预置神经网络模型求解，得到所述待测变压器油的待测状态标记，所述预置神经网络模型为超声参数和状态标记的关联关系模型；

输出模块，用于根据所述状态标记和状态结果的预置对应关系确定所述待测状态标记所对应的状态结果，将所述状态结果作为所述待测变压器油的实际状态。

优选地，所述装置还包括：

第二发射模块，用于发射超声波信号至变压器油箱中的样本变压器油；

第二采集模块，用于采集样本变压器油中超声波信号的超声参数；

评估模块，用于评估样本变压器油的样本状态结果，并根据预置对应关系确定样本状态结果所对应的样本状态标记；

训练模块，用于以预置神经网络为训练模型、样本变压器油的超声参数为训练模型的输入指标、样本状态标记为训练模型的输出结果，得到训练后的预置神经网络模型。

优选地，所述评估模块具体包括：

第一采集子模块，用于接收样本变压器油在加入变压器油箱前的质量指标作为初始质量指标，质量指标包括：击穿电压、酸值、介质损耗因数、微水值；

第二采集子模块，用于接收变压器油箱中的样本变压器油的质量指标作为样本质量指标；

第一评估子模块，用于基于初始酸值和样本酸值，利用第一预置公式得到第一样本状态子结果，基于初始介质损耗因数和样本介质损耗因数，利用第一预置公式得到第二样本状态子结果，基于初始微水值和样本微水值，利用第一预置公式得到第三样本状态子结果，基于初始击穿电压和样本击穿电压，利用第二预置公式得到第四样本状态子结果；

第二评估子模块，用于基于预设评估规则，根据第一样本状态子结果、第二样本状态子结果、第三样本状态子结果和第四样本状态子结果得到样本状态结果；

第一预置公式为：

其中，X_r为样本质量指标，X₀为初始质量指标，X_n为国标质量指标；

第二预置公式为：

从以上技术方案可以看出，本申请实施例具有以下优点：

本申请提供了一种变压器油状态在线评估方法及装置，其中方法包括：首先实时发射超声波信号至变压器油箱中的待测变压器油，然后采集变压器油中的超声波信号的超声参数，因为预置神经网络模型为超声参数和状态标记的关联关系模型，因此将待测变压器油的超声参数输入至预置神经网络模型求解后，得到待测变压器油的待测状态标记，将该待测状态标记所对应的状态结果作为待测变压器油的实际状态，可以实时的对变压器油的状态进行评估，同时该评估方法未使用传统油化实验分析方法，无传统油化实验分析方法中引入的实验误差，使得该评估方法对应的评估结果更准确，解决了现有变压器油的评估方法难以对变压器油的状态进行实时、准确的判断的技术问题。

附图说明

图1为本申请实施例中一种变压器油状态在线评估方法的第一实施例的流程示意图；

图2为本申请实施例中一种变压器油状态在线评估方法的第二实施例的流程示意图；

图3为本申请实施例中一种变压器油状态在线评估装置的结构示意图。

具体实施方式

本申请实施例提供了一种变压器油状态在线评估方法及装置，用于变压器油状态在线评估，解决了现有变压器油的评估方法难以对变压器油的状态进行实时、准确的判断的技术问题。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参阅图1，本申请实施例中一种变压器油状态在线评估方法的第一实施例的流程示意图，包括：

步骤101、实时发射超声波信号至变压器油箱中的待测变压器油。

需要说明的是，首先实时地发射超声波信号至变压器油箱中的待测变压器油。

步骤102、采集待测变压器油中超声波信号的超声参数，超声参数包括：幅值、相角和波速。

需要说明的是，在实时地发射超声波信号至变压器油箱中的待测变压器油之后，采集待测变压器油中超声波信号的超声参数。

步骤103、将待测变压器油的超声参数输入至预置神经网络模型求解，得到待测变压器油的待测状态标记，预置神经网络模型为超声参数和状态标记的关联关系模型。

需要说明的是，因为预置神经网络模型为超声参数和状态标记的关联关系模型，在采集到待测变压器油中超声波信号的超声参数后，将将待测变压器油的超声参数输入至预置神经网络模型求解后，得到待测变压器油的待测状态标记。

步骤104、根据状态标记和状态结果的预置对应关系确定待测状态标记所对应的状态结果，将该状态结果作为待测变压器油的实际状态。

需要说明的是，在得到待测变压器油的待测状态标记后，根据预置对应关系确定待测状态标记所对应的状态结果，将该状态结果作为待测变压器油的实际状态。

本实施例中，首先实时发射超声波信号至变压器油箱中的待测变压器油，然后采集变压器油中的超声波信号的超声参数，因为预置神经网络模型为超声参数和状态标记的关联关系模型，因此将待测变压器油的超声参数输入至预置神经网络模型求解后，得到待测变压器油的待测状态标记，将该待测状态标记所对应的状态结果作为待测变压器油的实际状态，可以实时的对变压器油的状态进行评估，同时该评估方法未使用传统油化实验分析方法，无传统油化实验分析方法中引入的实验误差，使得该评估方法对应的评估结果更准确，解决了现有变压器油的评估方法难以对变压器油的状态进行实时、准确的判断的技术问题。

以上为本申请实施例提供的一种变压器油状态在线评估方法的第一实施例，以下为本申请实施例提供的一种变压器油状态在线评估方法的第二实施例。

请参阅图2，本申请实施例中一种变压器油状态在线评估方法的第二实施例的流程示意图，包括：

步骤201、发射超声波信号至变压器油箱中的样本变压器油。

需要说明的是，因为变压器油中包括多种物质，不确定对哪个频率的超声波信号的传播能力最强，可以发射包括多个不同频率的超声波信号。

步骤202、采集样本变压器油中超声波信号的超声参数。

需要说明的是，当超声波信号是多个不同频率的超声波信号时，采集各个频率的超声波信号的超声参数，然后在采集到的多个频率的超声波信号的超声参数中，选取信号最强的一个作为样本变压器油中超声波信号的超声参数。同时为了确保采集结果的正确，在采集超声参数的同时，可以在变压器油箱中的多个位置采集样本变压器油中超声波信号的超声参数，然后对不同位置采集到的超声参数求平均。

步骤203、评估样本变压器油的样本状态结果，并根据预置对应关系确定样本状态结果所对应的样本状态标记。

需要说明的是，评估样本变压器油的样本状态结果具体包括：接收样本变压器油在加入变压器油箱前的质量指标作为初始质量指标，质量指标包括：击穿电压、酸值、介质损耗因数、微水值，接收变压器油箱中的样本变压器油的质量指标作为样本质量指标，基于初始酸值和样本酸值，利用第一预置公式得到第一样本状态子结果，基于初始介质损耗因数和样本介质损耗因数，利用第一预置公式得到第二样本状态子结果，基于初始微水值和样本微水值，利用第一预置公式得到第三样本状态子结果，基于初始击穿电压和样本击穿电压，利用第二预置公式得到第四样本状态子结果，基于预设评估规则，根据第一样本状态子结果、第二样本状态子结果、第三样本状态子结果和第四样本状态子结果得到样本状态结果，第一预置公式为：

其中，X_r为样本质量指标，X₀为初始质量指标，X_n为国标质量指标，

第二预置公式为：

可以理解的是，对于微水值、酸值、介质损耗因数，数值越小表示状态越好，故按照第一预置公式计算该指标所对应的样本状态子结果，对于击穿电压，数值越大表示状态越好，按照第二预置公式计算该指标所对应的样本状态子结果。

同时，基于预设评估规则，根据第一样本状态子结果、第二样本状态子结果、第三样本状态子结果和第四样本状态子结果得到样本状态结果具体包括：当有一个样本状态子结果大于1时，样本状态结果为注意；当所有样本状态子结果均大于0且小于等于1时，样本状态结果为普通；当所有样本状态子结果均小于1，且有一个样本状态子结果小于等于0时，样本状态结果为良好。

同时，可以理解的是，样本状态结果为良好，对应的样本状态标记可以是100，样本状态结果为普通，对应的样本状态标记可以是010，样本状态结果为注意，对应的样本状态标记可以是001，可以理解的是，以上的状态标记和状态结果的对应，并不局限于以上的形式，只要可以将三种状态结果区分开且一一对应即可。同时需要说明的是，变压器油在注入变压器前，还需进行过滤、净化、煤油脱水等操作，故变压器油箱中的质量指标是可能优于在加入变压器之前的质量指标的。

步骤204、以预置神经网络为训练模型、样本变压器油的超声参数为训练模型的输入指标、样本状态标记为训练模型的输出结果，得到训练后的预置神经网络模型。

需要说明的是，神经网络的训练过程为现有技术，在此不再赘述。

步骤205、实时发射超声波信号至变压器油箱中的待测变压器油。

需要说明的是，超声波信号为包括多个不同频率的超声波信号。

步骤206、在变压器油箱中的多个位置处采集待测变压器油中超声波信号的超声参数，并对采集到的不同位置的超声参数求平均值后作为待测变压器油中超声波信号的超声参数。

步骤207、将待测变压器油的超声参数输入至预置神经网络模型求解，得到待测变压器油的待测状态标记，预置神经网络模型为超声参数和状态标记的关联关系模型。

步骤208、根据状态标记和状态结果的预置对应关系确定待测状态标记所对应的状态，将该状态结果作为待测变压器油的实际状态。

进一步地，预置神经网络模型为：BP神经网络模型。

进一步地，在将待测超声参数输入至预置神经网络模型中时，为了使得计算更快，可以利用主成分分析法对待测超声参数进行降维。

可以理解的是，为了使得训练的神经网络模型更正确，可以使用多组样本变压器油对神经网络进行训练。

本实施例中，首先实时发射超声波信号至变压器油箱中的待测变压器油，然后采集变压器油中的超声波信号的超声参数，因为预置神经网络模型为超声参数和状态标记的关联关系模型，因此将待测变压器油的超声参数输入至预置神经网络模型求解后，得到待测变压器油的待测状态标记，将该待测状态标记所对应的状态结果作为待测变压器油的实际状态，可以实时的对变压器油的状态进行评估，同时该评估方法未使用传统油化实验分析方法，无传统油化实验分析方法中引入的实验误差，使得该评估方法对应的评估结果更准确，解决了现有变压器油的评估方法难以对变压器油的状态进行实时、准确的判断的技术问题。

以上为本申请实施例提供的一种变压器油状态在线评估方法的第二实施例，以下为本申请实施例提供的一种变压器油状态在线评估装置的实施例，请参阅图3。

本申请实施例中提供的一种变压器油状态在线评估装置，包括：

第一发射模块301，用于实时发射超声波信号至变压器油箱中的待测变压器油；

第一采集模块302，用于采集待测变压器油中超声波信号的超声参数，超声参数包括：幅值、相角和波速；

求解模块303，用于将待测变压器油的超声参数输入至预置神经网络模型求解，得到待测变压器油的待测状态标记，预置神经网络模型为超声参数和状态标记的关联关系模型；

输出模块304，用于根据状态标记和状态结果的预置对应关系确定待测状态标记所对应的状态结果，将状态结果作为待测变压器油的实际状态。

进一步地，该装置还包括：

第二发射模块，用于发射超声波信号至变压器油箱中的样本变压器油；

第二采集模块，用于采集样本变压器油中超声波信号的超声参数；

评估模块，用于评估样本变压器油的样本状态结果，并根据预置对应关系确定样本状态结果所对应的样本状态标记；

训练模块，用于以预置神经网络为训练模型、样本变压器油的超声参数为训练模型的输入指标、样本状态标记为训练模型的输出结果，得到训练后的预置神经网络模型。

进一步地，评估模块具体包括：

第一采集子模块，用于接收样本变压器油在加入变压器油箱前的质量指标作为初始质量指标，质量指标包括：击穿电压、酸值、介质损耗因数、微水值；

第二采集子模块，用于接收变压器油箱中的样本变压器油的质量指标作为样本质量指标；

第一评估子模块，用于基于初始酸值和样本酸值，利用第一预置公式得到第一样本状态子结果，基于初始介质损耗因数和样本介质损耗因数，利用第一预置公式得到第二样本状态子结果，基于初始微水值和样本微水值，利用第一预置公式得到第三样本状态子结果，基于初始击穿电压和样本击穿电压，利用第二预置公式得到第四样本状态子结果；

第二评估子模块，用于基于预设评估规则，根据第一样本状态子结果、第二样本状态子结果、第三样本状态子结果和第四样本状态子结果得到样本状态结果；

第一预置公式为：

其中，X_r为样本质量指标，X₀为初始质量指标，X_n为国标质量指标；

第二预置公式为：

进一步地，第二评估子模块具体用于，当有一个样本状态子结果大于1时，样本状态结果为注意；当所有样本状态子结果均大于0且小于等于1时，样本状态结果为普通；当所有样本状态子结果均小于1，且有一个样本状态子结果小于等于0时，样本状态结果为良好。

需要说明的是，样本状态结果为良好，对应的样本状态标记可以是100；样本状态结果为普通，对应的样本状态标记可以是010，样本状态结果为注意，对应的样本状态标记可以是001，可以理解的是，以上的状态标记和状态结果的对应，并不局限于以上的形式，只要可以将三种状态结果区分开且一一对应即可。

进一步地，第一采集模块具体用于，在变压器油箱中的多个位置处采集待测变压器油中超声波信号的超声参数，并对采集到的不同位置的超声参数求平均值后作为待测变压器油中超声波信号的超声参数。

进一步地，超声波信号为包括多个不同频率的超声波信号。

进一步地，预置神经网络模型为：BP神经网络模型。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (6)

1.一种变压器油状态在线评估方法，其特征在于，包括：

实时发射超声波信号至变压器油箱中的待测变压器油；

采集所述待测变压器油中所述超声波信号的超声参数，所述超声参数包括：幅值、相角和波速；

将所述待测变压器油的超声参数输入至预置神经网络模型求解，得到所述待测变压器油的待测状态标记，所述预置神经网络模型为超声参数和状态标记的关联关系模型；

根据所述状态标记和状态结果的预置对应关系确定所述待测状态标记所对应的状态结果，将所述状态结果作为所述待测变压器油的实际状态；

所述方法还包括：

发射所述超声波信号至变压器油箱中的样本变压器油；

采集所述样本变压器油中所述超声波信号的超声参数；

评估所述样本变压器油的样本状态结果，并根据所述预置对应关系确定所述样本状态结果所对应的样本状态标记；

以预置神经网络为训练模型、所述样本变压器油的超声参数为所述训练模型的输入指标、所述样本状态标记为所述训练模型的输出结果，得到训练后的预置神经网络模型；

所述评估所述样本变压器油的样本状态结果具体包括：

接收所述样本变压器油在加入变压器油箱前的质量指标作为初始质量指标，所述质量指标包括：击穿电压、酸值、介质损耗因数、微水值；

接收所述变压器油箱中的所述样本变压器油的质量指标作为样本质量指标；

基于所述初始酸值和所述样本酸值，利用第一预置公式得到第一样本状态子结果，基于所述初始介质损耗因数和所述样本介质损耗因数，利用所述第一预置公式得到第二样本状态子结果，基于所述初始微水值和所述样本微水值，利用所述第一预置公式得到第三样本状态子结果，基于所述初始击穿电压和所述样本击穿电压，利用第二预置公式得到第四样本状态子结果；

基于预设评估规则，根据所述第一样本状态子结果、所述第二样本状态子结果、所述第三样本状态子结果和所述第四样本状态子结果得到所述样本状态结果；

所述第一预置公式为：

其中，X_r为样本质量指标，X₀为初始质量指标，X_n为国标质量指标；

所述第二预置公式为：

2.根据权利要求1所述的方法，其特征在于，所述基于预设评估规则，根据所述第一样本状态子结果、所述第二样本状态子结果、所述第三样本状态子结果和所述第四样本状态子结果得到所述样本状态结果具体包括：

当有一个样本状态子结果大于1时，所述样本状态结果为注意；

当所有样本状态子结果均大于0且小于等于1时，所述样本状态结果为普通；

当所有样本状态子结果均小于1，且有一个样本状态子结果小于等于0时，所述样本状态结果为良好。

3.根据权利要求1所述的方法，其特征在于，所述采集所述待测变压器油中所述超声波信号的超声参数具体包括：

在变压器油箱中的多个位置处采集待测变压器油中所述超声波信号的超声参数，并对采集到的不同位置的超声参数求平均值后作为待测变压器油中所述超声波信号的超声参数。

4.根据权利要求1所述的方法，其特征在于，所述超声波信号为包括多个不同频率的超声波信号。

5.根据权利要求1所述的方法，其特征在于，所述预置神经网络模型为：预置BP神经网络模型。

6.一种变压器油状态在线评估装置，其特征在于，包括：

第一发射模块，用于实时发射超声波信号至变压器油箱中的待测变压器油；

第一采集模块，用于采集所述待测变压器油中所述超声波信号的超声参数，所述超声参数包括：幅值、相角和波速；

求解模块，用于将所述待测变压器油的超声参数输入至预置神经网络模型求解，得到所述待测变压器油的待测状态标记，所述预置神经网络模型为超声参数和状态标记的关联关系模型；

输出模块，用于根据所述状态标记和状态结果的预置对应关系确定所述待测状态标记所对应的状态结果，将所述状态结果作为所述待测变压器油的实际状态；

所述装置还包括：

第二发射模块，用于发射超声波信号至变压器油箱中的样本变压器油；

第二采集模块，用于采集样本变压器油中超声波信号的超声参数；

评估模块，用于评估样本变压器油的样本状态结果，并根据预置对应关系确定样本状态结果所对应的样本状态标记；

训练模块，用于以预置神经网络为训练模型、样本变压器油的超声参数为训练模型的输入指标、样本状态标记为训练模型的输出结果，得到训练后的预置神经网络模型；

所述评估模块具体包括：

第一采集子模块，用于接收样本变压器油在加入变压器油箱前的质量指标作为初始质量指标，质量指标包括：击穿电压、酸值、介质损耗因数、微水值；

第二采集子模块，用于接收变压器油箱中的样本变压器油的质量指标作为样本质量指标；

第一评估子模块，用于基于初始酸值和样本酸值，利用第一预置公式得到第一样本状态子结果，基于初始介质损耗因数和样本介质损耗因数，利用第一预置公式得到第二样本状态子结果，基于初始微水值和样本微水值，利用第一预置公式得到第三样本状态子结果，基于初始击穿电压和样本击穿电压，利用第二预置公式得到第四样本状态子结果；

第二评估子模块，用于基于预设评估规则，根据第一样本状态子结果、第二样本状态子结果、第三样本状态子结果和第四样本状态子结果得到样本状态结果；

第一预置公式为：

其中，X_r为样本质量指标，X₀为初始质量指标，X_n为国标质量指标；

第二预置公式为：

Images