开发了一个电路仿真模型来捕获降压理想变压器的初级和次级数据。所选的电磁元件是理想变压器。选择这样的元件可确保寄生效应不会影响变压器的输出次级电压，从而导致变压器性能下降或产生谐波行为。图 1 显示了变压器电路模型。在模型上执行了瞬态分析仿真事件，以获取降压变压器的初级和次级电压数据。

　　图 1.基本理想变压器电路模型。图片由 Don Wilcher 提供
　　通过改变变压器的初级电压并测量 10 KΩ 电阻负载上的次级输出电压，建立了一个数据表。对仿真模型进行了 120 Vac（169.71 Vp）至 10 Vac（3.03 Vp）的扫描电压范围。表 1 显示了从变压器电路模型收集的数据。该模型生成了一个双周期正弦波，显示了变压器电路模型产生的初级和次级电压。
　
　

　　图 2 显示了交流电磁元件产生的双周期正弦波。蓝色正弦波是施加到理想变压器初级绕组的 169.71 峰值电压 (Vp)，而次级绕组的 33.94 Vp 以红色标识。

　　图 2.正弦波电压施加到理想变压器初级绕组。图片由 Don Wilcher 提供
　　进入机器学习：决策树的力量
　　机器学习提供了强大的工具来分析复杂数据和识别模式。该项目使用了决策树分类器，这是一种流行的监督学习算法。大型语言模型 (LLM) 用于创建Python 代码以建立决策树分类器。在提示工程会议期间包括了部分短路、短路和电压下降行为的规范。Google Colaboratory 用于执行 AI 生成的Python 代码，以减少库资源和对标准笔记本电脑的依赖。接下来提供了决策树的描述。
　　决策树的工作原理如下：想象一个分支树结构，其中每个分支代表基于特定数据特征的决策。初级输入电压和次级输出电压是本实验中的特征。算法通过基于这些特征拆分数据来逐步“学习”，在每个分支的末端创建代表特定结果的叶子 - 在本例中为“正常运行”或“电压降低”。决策树分类器模型观察到部分短路或短路绕组。这种情况可以归因于降压变压器的正常运行或电压降低行为。
　　包含各种输入电压水平的电压测量值和运行状态（正常或电压下降）的数据集训练了决策树。该模型分析了这些关系，识别出区分正常运行和电压下降情况的模式。训练过程涉及将数据分成两组。训练集用于构建模型；测试集用于评估其性能。该模型通过根据训练数据迭代调整其决策规则来学习。
　　训练完成后，使用测试集中未见过的数据对模型进行测试。这将评估其概括学习模式的能力，以及准确预测训练期间未遇到的新电压输入的电压下降阈值的能力。准确度和度等指标用于评估模型的性能。准确度衡量正确预测电压下降条件的总体成功率。度表示预测的电压下降为真阳性（实际电压下降）的频率。该模型识别由于部分短路或短路变压器绕组导致的实际电压下降事件的能力进一步符合精度定义。

　　分类器的决策树结果考虑了变压器初级绕组接收到的电压降低情况。分类器模型提供了此电压降低情况的关系条件，其中初级电压 <= 107.5 V。请注意，120 Vac 电源电压的 10% 时的电压降低情况为 108。基于使用“DecisionTreeClassifier”ML 模型和监督学习完成的样本量和多数投票，理想的变压器部分短路绕组是分类器预测性的结果。基于此结果，可能出现电压降低情况。此实验室练习与 AI/ML 一起用于预测性维护，说明了分析在工业和制造应用中的潜在优势。模型结果如图 3 所示。决策树分类器中使用多数投票规则来预测故障检测元件的结果。在此实验室练习中，部分短路条件是理想变压器电路模型的多数裁决条件。

　　图 3。决策树分类器模型的结果。图片由 Don Wilcher 提供
　　，这项实验室练习展示了 AI/ML 在电网预测性维护方面的潜力，通过预测降压变压器的电压下降阈值，有助于打造更具弹性和效率的电力基础设施 。