维持稳定的电网需要在潜在问题扰乱运行之前对其进行预测。降压对于向消费者提供可用电压水平至关重要，但很容易受到电压下降的影响，从而影响设备性能。
　　图片由Grainger提供
　　挑战：识别断电情况
　　实验室练习的重点是初级绕组电压为 120 Vac 的。初级电压系统地分阶段降低：最初降低 5 伏，然后在达到 100 Vac 后降低 10 伏。次级输出电压根据变压器的 5:1 匝数比进行调整。开发一个模型来预测变压器在经历停电之前可以正常运行的最低电压，这将有助于主动维护并防止设备损坏或服务中断。与理想变压器的短路绕组相比，该人工智能/机器学习 (AI/ML) 模型的另一个结果是部分短路。
　　创建实验降压变压器模型　　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的变压器。选择这样的组件可确保寄生效应不会影响变压器的输出次级电压，从而降低输出电压或产生谐波行为。图 1 说明了变压器电路模型。对模型执行瞬态分析仿真事件，以获得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来构建数据表。在仿真模型上执行的扫描电压范围为 120 Vac (169.71 Vp) 至 10 Vac (3.03 Vp)。表 1 显示了从变压器电路模型收集的数据。该模型生成一个双周期正弦波，显示变压器电路模型产生的初级和次级电压。

　　表格1。从理想变压器电路模型收集和记录初级和次级电压　　图 2 显示了交流电磁组件产生的两周期正弦波。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 . 将正弦波电压施加到理想变压器初级绕组。图片由 Don Wilcher 提供
　　机器学习提供了用于分析复杂数据和识别模式的强大工具。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。使用大型语言模型 (LLM) 创建Python 代码来建立决策树分类器。在即时工程会议期间，包括了部分短路、短路和掉电行为的规范。Google Colaboratory 用于执行人工智能生成的Python 代码，以减少图书馆资源和对标准笔记本的依赖。接下来提供决策树的描述。
　　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室练习的特征。该算法通过根据这些特征分割数据来逐步“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“正常操作”或“掉电”。决策树分类器模型观察到部分短路或短路绕组。这种情况可能是由于降压变压器的正常运行或掉电行为造成的。
　　包含各种输入电压电平的电压测量值和运行状态（正常或断电）的数据集训练了决策树。该模型分析了这些关系，识别了区分正常运行和断电条件的模式。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进行学习。
　　训练完成后，将使用测试集中未见过的数据来测试模型。这评估了其概括学习模式并准确预测训练期间未遇到的新电压输入的掉电阈值的能力。准确性和精确度等指标用于评估模型的性能。准确度衡量正确预测断电情况的总体成功率。精度表示预测的限电为真阳性（实际限电）的频率。该模型能够识别由于变压器绕组部分短路或短路而导致的实际掉电情况，这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收到的掉电条件。分类器模型提供了一次电压 <= 107.5 V 的欠压条件的相关条件。请注意，120 Vac 电源电压 10% 时的欠压条件为 108。基于样本大小和使用“DecisionTreeClassifier”ML模型和监督学习，理想的变压器局部短路绕组是分类器最具预测性的结果。根据此结果，可能会出现断电情况。该实验室练习与 AI/ML 结合使用进行预测性维护，展示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。在本实验室练习中，部分短路条件是理想变压器电路模型的多数决定条件。