維持穩(wěn)定的電網(wǎng)需要在潛在問題擾亂運(yùn)行之前對(duì)其進(jìn)行預(yù)測(cè)。降壓變壓器對(duì)于向消費(fèi)者提供可用電壓水平至關(guān)重要，但很容易受到電壓下降的影響，從而影響設(shè)備性能。
　　圖片由Grainger提供
　　挑戰(zhàn)：識(shí)別斷電情況
　　實(shí)驗(yàn)室練習(xí)的重點(diǎn)是初級(jí)繞組電源電壓為 120 Vac 的降壓變壓器。初級(jí)電壓系統(tǒng)地分階段降低：最初降低 5 伏，然后在達(dá)到 100 Vac 后降低 10 伏。次級(jí)輸出電壓根據(jù)變壓器的 5:1 匝數(shù)比進(jìn)行調(diào)整。開發(fā)一個(gè)模型來(lái)預(yù)測(cè)變壓器在經(jīng)歷停電之前可以正常運(yùn)行的最低電壓，這將有助于主動(dòng)維護(hù)并防止設(shè)備損壞或服務(wù)中斷。與理想變壓器的短路繞組相比，該人工智能/機(jī)器學(xué)習(xí) (AI/ML) 模型的另一個(gè)結(jié)果是部分短路。
　　創(chuàng)建實(shí)驗(yàn)降壓變壓器模型　　開發(fā)了一個(gè)電路仿真模型來(lái)捕獲降壓理想變壓器的初級(jí)和次級(jí)數(shù)據(jù)。所選的電磁元件是理想的變壓器。選擇這樣的組件可確保寄生效應(yīng)不會(huì)影響變壓器的輸出次級(jí)電壓，從而降低輸出電壓或產(chǎn)生諧波行為。圖 1 說(shuō)明了變壓器電路模型。對(duì)模型執(zhí)行瞬態(tài)分析仿真事件，以獲得降壓變壓器的初級(jí)和次級(jí)電壓數(shù)據(jù)。

　　圖1?；纠硐胱儔浩麟娐纺Ｐ?。圖片由 Don Wilcher 提供　　通過(guò)改變變壓器的初級(jí)電壓并測(cè)量 10 KΩ 電阻負(fù)載上的次級(jí)輸出電壓來(lái)構(gòu)建數(shù)據(jù)表。在仿真模型上執(zhí)行的掃描電壓范圍為 120 Vac (169.71 Vp) 至 10 Vac (3.03 Vp)。表 1 顯示了從變壓器電路模型收集的數(shù)據(jù)。該模型生成一個(gè)雙周期正弦波，顯示變壓器電路模型產(chǎn)生的初級(jí)和次級(jí)電壓。

　　表格1。從理想變壓器電路模型收集和記錄初級(jí)和次級(jí)電壓　　圖 2 顯示了交流電磁組件產(chǎn)生的兩周期正弦波。藍(lán)色正弦波是施加到理想變壓器初級(jí)繞組的 169.71 峰值電壓 (Vp)，而次級(jí)繞組的 33.94 Vp 以紅色標(biāo)識(shí)。

　　圖2 . 將正弦波電壓施加到理想變壓器初級(jí)繞組。圖片由 Don Wilcher 提供
　　機(jī)器學(xué)習(xí)提供了用于分析復(fù)雜數(shù)據(jù)和識(shí)別模式的強(qiáng)大工具。該項(xiàng)目使用了決策樹分類器，這是一種流行的監(jiān)督學(xué)習(xí)算法。使用大型語(yǔ)言模型 (LLM) 創(chuàng)建Python 代碼來(lái)建立決策樹分類器。在即時(shí)工程會(huì)議期間，包括了部分短路、短路和掉電行為的規(guī)范。Google Colaboratory 用于執(zhí)行人工智能生成的Python 代碼，以減少圖書館資源和對(duì)標(biāo)準(zhǔn)筆記本電腦的依賴。接下來(lái)提供決策樹的描述。
　　決策樹的工作原理如下：想象一個(gè)分支樹結(jié)構(gòu)，其中每個(gè)分支代表基于特定數(shù)據(jù)特征的決策。初級(jí)輸入電壓和次級(jí)輸出電壓是本實(shí)驗(yàn)室練習(xí)的特征。該算法通過(guò)根據(jù)這些特征分割數(shù)據(jù)來(lái)逐步“學(xué)習(xí)”，在每個(gè)分支的末端創(chuàng)建代表特定結(jié)果的葉子——在本例中為“正常操作”或“掉電”。決策樹分類器模型觀察到部分短路或短路繞組。這種情況可能是由于降壓變壓器的正常運(yùn)行或掉電行為造成的。
　　包含各種輸入電壓電平的電壓測(cè)量值和運(yùn)行狀態(tài)（正?；驍嚯姡┑臄?shù)據(jù)集訓(xùn)練了決策樹。該模型分析了這些關(guān)系，識(shí)別了區(qū)分正常運(yùn)行和斷電條件的模式。訓(xùn)練過(guò)程涉及將數(shù)據(jù)分成兩組。訓(xùn)練集用于構(gòu)建模型；測(cè)試集評(píng)估其性能。該模型通過(guò)根據(jù)訓(xùn)練數(shù)據(jù)迭代調(diào)整其決策規(guī)則來(lái)進(jìn)行學(xué)習(xí)。
　　訓(xùn)練完成后，將使用測(cè)試集中未見過(guò)的數(shù)據(jù)來(lái)測(cè)試模型。這評(píng)估了其概括學(xué)習(xí)模式并準(zhǔn)確預(yù)測(cè)訓(xùn)練期間未遇到的新電壓輸入的掉電閾值的能力。準(zhǔn)確性和精確度等指標(biāo)用于評(píng)估模型的性能。準(zhǔn)確度衡量正確預(yù)測(cè)斷電情況的總體成功率。精度表示預(yù)測(cè)的限電為真陽(yáng)性（實(shí)際限電）的頻率。該模型能夠識(shí)別由于變壓器繞組部分短路或短路而導(dǎo)致的實(shí)際掉電情況，這進(jìn)一步符合精度定義。
　　分類器的決策樹結(jié)果考慮了變壓器初級(jí)繞組收到的掉電條件。分類器模型提供了一次電壓 <= 107.5 V 的欠壓條件的相關(guān)條件。請(qǐng)注意，120 Vac 電源電壓 10% 時(shí)的欠壓條件為 108?；跇颖敬笮『褪褂谩癉ecisionTreeClassifier”ML模型和監(jiān)督學(xué)習(xí)，理想的變壓器局部短路繞組是分類器最具預(yù)測(cè)性的結(jié)果。根據(jù)此結(jié)果，可能會(huì)出現(xiàn)斷電情況。該實(shí)驗(yàn)室練習(xí)與 AI/ML 結(jié)合使用進(jìn)行預(yù)測(cè)性維護(hù)，展示了分析在工業(yè)和制造應(yīng)用中的潛在優(yōu)勢(shì)。模型結(jié)果如圖3所示。決策樹分類器中使用多數(shù)投票規(guī)則來(lái)預(yù)測(cè)故障檢測(cè)元件的結(jié)果。在本實(shí)驗(yàn)室練習(xí)中，部分短路條件是理想變壓器電路模型的多數(shù)決定條件。