摘要
溶解气体分析（DGA）广泛用于变压器状态评估，但在可用证据薄弱时，固定分辨率的分类器可能会输出过于具体的故障标签。本研究提出了一种风险可控的自适应分辨率框架：一个轻量级的层级残差神经网络编码器生成细粒度以及电气/热力学父级候选标签，而独立的可信度估计则决定最终输出应保持细粒度、回退至父级机理，还是拒答。25维DGA表示由三个残差全连接块（64-32-24）编码，层级B2模型共计9492个可训练参数。可信度结合了校准后的不确定性与DGA物理一致性证据，而数据质量与分布支撑则作为部署可接受性的独立保障措施。在10×5重复评估下，B2骨干在普通交叉验证中取得Macro-F1为0.723±0.026，在参考分组评估中为0.664±0.086。在自适应分辨率分析中，层级风险从0.212降至0.094，跨父级风险从0.062降至0.026，同时在普通协议下保留了约91.5%的回答覆盖率。物理增强效果具有上下文依赖性：在普通重采样下劣于校准边际，但在参考分组评估下大幅改善了AURC。仅使用CPU的性能剖析显示，单样本端到端延迟中位数为0.713毫秒（P95为1.028毫秒），远低于电网在线DGA数据的采样频率。因此，本研究强调风险可控的信息释放，而非底层分类器的普遍优越性。探索性时序结果仅作为透明性分析呈现，不应被解读为已验证的早期预警能力的证据。
