P-集合(packet sets)是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的一个动态模型;在一定的条件下,P-集合被还原成有限普通集合X。P-集合由内P-集合XF珚(internal packet set XF珚)与外P-集合XF(outerpacket set XF)构成...P-集合(packet sets)是把动态特性引入到有限普通集合X内,改进有限普通集合X得到的一个动态模型;在一定的条件下,P-集合被还原成有限普通集合X。P-集合由内P-集合XF珚(internal packet set XF珚)与外P-集合XF(outerpacket set XF)构成的集合对;或者,(XF珚,XF)是P-集合。P-推理(packet reasoning)由内P-推理(internal packet rea-soning)与外P-推理(outer packet reasoning)共同构成。利用内P-集合与内P-推理,给出了内P-信息恢复概念与内P-信息恢复特征、内P-信息恢复的内P-推理生成与它的属性潜藏、内P-信息恢复的信息元补充定理、内P-信息恢复的依赖性定理,以及内P-推理信息恢复的属性潜藏定理与属性潜藏发现定理。利用这些理论结果,给出内P-推理信息恢复在信息系统中的应用。展开更多
随着电力系统数据采集手段的不断完善,基于数据的分析方法在电力系统运行分析中扮演着日益重要的角色。现有的数据分析方法主要分析数据之间的相关关系。事实上,两个强相关变量间通常呈现出不对称的因果关系。若能揭示电力系统运行变量...随着电力系统数据采集手段的不断完善,基于数据的分析方法在电力系统运行分析中扮演着日益重要的角色。现有的数据分析方法主要分析数据之间的相关关系。事实上,两个强相关变量间通常呈现出不对称的因果关系。若能揭示电力系统运行变量间的因果关系,必将有助于深刻地洞察电力系统运行的内在规律性。近年来,因果推断的研究取得很大进展,使得基于数据的因果分析成为可能。该文从物理机制上揭示电力系统中强相关变量之间因果关系的不对称属性;提出一种逆信息熵因果推理(reciprocal information entropy causal inference,RIECI)方法,所构建的指标不仅可以有效判别相关变量间的因果方向,还能正确反映因果强度。在电力系统算例中的验证表明,RIECI方法能有效揭示电力系统运行数据中的因果关系。对电力系统运行数据中因果关系的分析对于认知电力系统运行机理和正确调控电力系统运行状态有重要意义。展开更多
文摘随着电力系统数据采集手段的不断完善,基于数据的分析方法在电力系统运行分析中扮演着日益重要的角色。现有的数据分析方法主要分析数据之间的相关关系。事实上,两个强相关变量间通常呈现出不对称的因果关系。若能揭示电力系统运行变量间的因果关系,必将有助于深刻地洞察电力系统运行的内在规律性。近年来,因果推断的研究取得很大进展,使得基于数据的因果分析成为可能。该文从物理机制上揭示电力系统中强相关变量之间因果关系的不对称属性;提出一种逆信息熵因果推理(reciprocal information entropy causal inference,RIECI)方法,所构建的指标不仅可以有效判别相关变量间的因果方向,还能正确反映因果强度。在电力系统算例中的验证表明,RIECI方法能有效揭示电力系统运行数据中的因果关系。对电力系统运行数据中因果关系的分析对于认知电力系统运行机理和正确调控电力系统运行状态有重要意义。