为了验证所提方法整体有效性，需要测试所提方法。实验样本为真实数据，均来源于图的变压器状态诊断系统中某硅碳棒工业电炉变压器，样本采集周期为2023年和2024年全年。

       为了直观表现样本平衡处理结果，以硅碳棒工业电炉变压器样本训练集中的围屏放电样本和绕组过热样本为例，前者为多数类，后者为少数类，采用SMOTE方法作为对比，检验所提方法的优越性，原始样本分布、SMOTE方法处理后样本分布和所提方法处理后样本分布如图所示。

       由图可以看出，原始样本存在一定程度的不平衡问题，以图5中方框中样本为例，通过SMOTE方法平衡少数类样本时，会在多数类和少数类样本边界处插值扩充，导致边界模糊，可能造成后续评估时无法准确辨别边界样本的问题，而通过所提方法优化处理后少数类样本边界更清晰且簇内分布更均匀，新生成的样本既能够填补少数类在数据空间中的稀疏区域，又不会过度集中于某一局部区域，保持了样本的多样性。

       以样本为例检测所提方法在工业电炉变压器运行状态评估中的性能。由于当日并未发生突变状态，因此评估结果仅包含渐变状态，如表所示。

       分析表可以看出，经过所提出的方法评估后，巡视指标物元、技术性能指标物元、运行指标物元和检修指标物元的关联度最大值均指向良好状态且为正值，表明各项指标运行状态趋于好。同时，硅碳棒工业电炉变压器整体运行状态物元最大值落在良好状态区间且数值较高，进一步验证其当前整体运行状态良好，无异常状况，与实际相符。之所以能够得到此结果，主要原因在于本文方法采用多维物元表征评价指标，引入惩罚一激励型变权函数调整权重。多维物元能够全面、准确地反映变压器的运行状态，而惩罚一激励型变权函数则根据指标的实际表现动态调整权重，使计算出的关联度能准确反映变压器当前状态，更加贴近实际情况。

       采用基于智能神经网络的变压器运行状态评估和基于改进D一S证据理论的变压器运行状态评估作为对照，比较不同方法在硅碳棒工业电炉变压器突变状态评估中的效果，基于不同方法评估结果绘制PR曲线，如图所示。http://www.zbqunqiang.cn/