開(kāi)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變壓器。選擇這樣的元件可確保寄生效應(yīng)不會(huì)影響變壓器的輸出次級(jí)電壓，從而導(dǎo)致變壓器性能下降或產(chǎn)生諧波行為。圖 1 顯示了變壓器電路模型。在模型上執(zhí)行了瞬態(tài)分析仿真事件，以獲取降壓變壓器的初級(jí)和次級(jí)電壓數(shù)據(jù)。

　　圖 1.基本理想變壓器電路模型。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，建立了一個(gè)數(shù)據(jù)表。對(duì)仿真模型進(jìn)行了 120 Vac（169.71 Vp）至 10 Vac（3.03 Vp）的掃描電壓范圍。表 1 顯示了從變壓器電路模型收集的數(shù)據(jù)。該模型生成了一個(gè)雙周期正弦波，顯示了變壓器電路模型產(chǎn)生的初級(jí)和次級(jí)電壓。
　
　

　　圖 2 顯示了交流電磁元件產(chǎn)生的雙周期正弦波。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.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
　　進(jìn)入機(jī)器學(xué)習(xí)：決策樹(shù)的力量
　　機(jī)器學(xué)習(xí)提供了強(qiáng)大的工具來(lái)分析復(fù)雜數(shù)據(jù)和識(shí)別模式。該項(xiàng)目使用了決策樹(shù)分類(lèi)器，這是一種流行的監(jiān)督學(xué)習(xí)算法。大型語(yǔ)言模型 (LLM) 用于創(chuàng)建Python 代碼以建立決策樹(shù)分類(lèi)器。在提示工程會(huì)議期間包括了部分短路、短路和電壓下降行為的規(guī)范。Google Colaboratory 用于執(zhí)行 AI 生成的Python 代碼，以減少庫(kù)資源和對(duì)標(biāo)準(zhǔn)筆記本電腦的依賴(lài)。接下來(lái)提供了決策樹(shù)的描述。
　　決策樹(shù)的工作原理如下：想象一個(gè)分支樹(shù)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)中的特征。算法通過(guò)基于這些特征拆分?jǐn)?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“正常運(yùn)行”或“電壓降低”。決策樹(shù)分類(lèi)器模型觀察到部分短路或短路繞組。這種情況可以歸因于降壓變壓器的正常運(yùn)行或電壓降低行為。
　　包含各種輸入電壓水平的電壓測(cè)量值和運(yùn)行狀態(tài)（正?；螂妷合陆担┑臄?shù)據(jù)集訓(xùn)練了決策樹(shù)。該模型分析了這些關(guān)系，識(shí)別出區(qū)分正常運(yùn)行和電壓下降情況的模式。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)試集用于評(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)學(xué)習(xí)。
　　訓(xùn)練完成后，使用測(cè)試集中未見(jiàn)過(guò)的數(shù)據(jù)對(duì)模型進(jìn)行測(cè)試。這將評(píng)估其概括學(xué)習(xí)模式的能力，以及準(zhǔn)確預(yù)測(cè)訓(xùn)練期間未遇到的新電壓輸入的電壓下降閾值的能力。準(zhǔn)確度和精確度等指標(biāo)用于評(píng)估模型的性能。準(zhǔn)確度衡量正確預(yù)測(cè)電壓下降條件的總體成功率。精確度表示預(yù)測(cè)的電壓下降為真陽(yáng)性（實(shí)際電壓下降）的頻率。該模型識(shí)別由于部分短路或短路變壓器繞組導(dǎo)致的實(shí)際電壓下降事件的能力進(jìn)一步符合精度定義?！　》诸?lèi)器的決策樹(shù)結(jié)果考慮了變壓器初級(jí)繞組接收到的電壓降低情況。分類(lèi)器模型提供了此電壓降低情況的關(guān)系條件，其中初級(jí)電壓 <= 107.5 V。請(qǐng)注意，120 Vac 電源電壓的 10% 時(shí)的電壓降低情況為 108?；谑褂谩癉ecisionTreeClassifier”ML 模型和監(jiān)督學(xué)習(xí)完成的樣本量和多數(shù)投票，理想的變壓器部分短路繞組是分類(lèi)器最具預(yù)測(cè)性的結(jié)果?；诖私Y(jié)果，可能出現(xiàn)電壓降低情況。此實(shí)驗(yàn)室練習(xí)與 AI/ML 一起用于預(yù)測(cè)性維護(hù)，說(shuō)明了分析在工業(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(shù)分類(lèi)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。在此實(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)裁決條件。

　　圖 3。決策樹(shù)分類(lèi)器模型的結(jié)果。圖片由 Don Wilcher 提供
　　最后，這項(xiàng)實(shí)驗(yàn)室練習(xí)展示了 AI/ML 在電網(wǎng)預(yù)測(cè)性維護(hù)方面的潛力，通過(guò)預(yù)測(cè)降壓變壓器的電壓下降閾值，有助于打造更具彈性和效率的電力基礎(chǔ)設(shè)施 。