使用 AI/ML 预测降压变压器中的断电情况

　　维持稳固的电网需要在潜伏题目侵扰运转以前对其举行展望。降压变压器关于向消费者供应可用电压程度相当首要，但很轻易遭到电压降低的影响，从而影响设置装备摆设功能。
　　图片由Grainger供应
　　挑衅：辨认断电情形
　　实验室操演的重点是低级绕组电源电压为 120 Vac 的降压变压器。低级电压体系地分阶段下降：最后下降 5 伏，而后在达到 100 Vac 后下降 10 伏。次级输入电压依据变压器的 5:1 匝数比举行调解。开辟一个模子来展望变压器在履历停电以前能够失常运转的最低电压，这将有助于自动保护并避免设置装备摆设毁坏或办事中缀。与现实变压器的短路绕组相比，该野生智能/机械进修 (AI/ML) 模子的另一个结果是部份短路。
　　建立试验降压变压器模子

　　开发了一个电路仿真模子来捕捉降压现实变压器的低级和次级数据。所选的电磁元件是现实的变压器。抉择如许的组件可确保寄生效应不会影响变压器的输入次级电压，从而下降输入电压或发生谐波行动。图 1 说了然变压器电路模子。对模子施行瞬态阐发仿真事情，以取得降压变压器的低级和次级电压数据。

　　图1。基础现实变压器电路模子。图片由 Don Wilcher 供应

　　经由过程转变变压器的低级电压并丈量 10 KΩ 电阻负载上的次级输入电压来构建数据表。在仿真模子上施行的扫描电压局限为 120 Vac (169.71 Vp) 至 10 Vac (3.03 Vp)。表 1 表现了从变压器电路模子采集的数据。该模子天生一个双周期正弦波，表现变压器电路模子发生的低级和次级电压。

　　表格1。从现实变压器电路模子采集和记载低级和次级电压

　　图 2 表现了交换电磁组件发生的两周期正弦波。蓝色正弦波是施加到现实变压器低级绕组的 169.71 峰值电压 (Vp)，而次级绕组的 33.94 Vp 以赤色标识。

　　图2 . 将正弦波电压施加到现实变压器低级绕组。图片由 Don Wilcher 供应
　　机械进修供应了用于阐发庞杂数据和辨认模式的壮大对象。该项目使用了决策树分类器，这是一种风行的监视进修算法。应用大型言语模子 (LLM) 建立Python 代码来创建决策树分类器。在立即工程集会时期，包孕了部份短路、短路和掉电行动的标准。谷歌 Colaboratory 用于施行野生智能天生的Python 代码，以缩小藏书楼资本和对规范笔记本电脑的依附。接下来供应决策树的描绘。
　　决策树的事情道理以下：设想一个分支树结构，此中每一个分支代表基于特定数据特性的决议。低级输出电压和次级输入电压是本实验室操演的特性。该算法经由过程依据这些特性宰割数据来慢慢“进修”，在每一个分支的结尾建立代表特定效果的叶子——在本例中为“失常操纵”或“掉电”。决策树分类器模子观察到部份短路或短路绕组。这类情形多是因为降压变压器的失常运转或掉电行动造成的。
　　包括种种输出电压电平的电压测量值和运转状况（失常或断电）的数据集训练了决策树。该模子阐发了这些瓜葛，识别了区别失常运转和断电前提的模式。锻炼进程触及将数据分红两组。锻炼集用于构建模子；测试集评价其功能。该模子经由过程依据锻炼数据迭代调解其决议划定规矩来举行进修。
　　锻炼完成后，将应用测试集合未见过的数据来测试模子。这评价了其归纳综合进修模式并正确展望锻炼时期未遇到的新电压输出的掉电阈值的才能。准确性和精确度等目标用于评价模子的功能。准确度权衡精确展望断电情形的整体成功率。精度暗示展望的限电为真阴性（实践限电）的频次。该模子可以或许辨认因为变压器绕组部份短路或短路而致使的实践掉电情形，这进一步吻合精度界说。
　　分类器的决策树效果思量了变压器低级绕组收到的掉电前提。分类器模子供应了一次电压 <= 107.5 V 的欠压前提的相干前提。请注意，120 Vac 电源电压 10% 时的欠压前提为 108。基于样本巨细和应用“DecisionTreeClassifier”ML模子和监视进修，现实的变压器部分短路绕组是分类器最具展望性的效果。根据此效果，可能会涌现断电情形。该实验室操演与 AI/ML 连系应用举行展望性保护，展示了阐发在工业和创造使用中的潜伏上风。模子效果如图3所示。决策树分类器中应用多半投票划定规矩来展望毛病检测元件的效果。在本实验室操演中，部份短路前提是现实变压器电路模子的多半抉择前提。