基于时序因果网络的电力系统故障诊断

电力系统发生故障后的警报信息具有时序特性,如何适当利用这种时序特性以快速而准确地诊断故障是一个值得研究的重要问题。现有的具备实际应用潜力的故障诊断方法大多没有利用警报信息的时序特性。因果网络可以描述设备故障与保护和断路器动作之间的逻辑关系,且具有推理速度快、维护方便等优点。在此背景下,针对电力系统故障诊断问题的特征,首先对因果网络进行了扩展,引入了警报信息时序特性约束的概念,构建了一种新的时序因果网络;之后,提出了基于时序因果网络的故障诊断方法。所述方法在保留了因果网络原有特点的前提下,在一定程度上克服了其容错性较差和难以合理解释故障演变过程的不足。最后,用实际电力系统发生的故障案例对所提出的方法进行了说明。

基于时序因果关联的网络取证研究

随着网络技术的发展,网络犯罪现象越来越多。网络取证技术是当今一种热门的动态安全技术,它采用主动出击的方法,搜集犯罪证据,查出入侵的来源,有效地防范网络入侵。针对攻击过程复杂化的特点,提出一种基于时序因果关联的取证分析方法,利用系统中收集的取证数据源（Forensics Data Source,FDS）,建立多源时间序列数据集,并分为输入时间序列和输出时间序列两类,利用时序分析技术提取输出变量的攻击事件序列和输入变量的异常点（攻击征兆）序列,建立两者之间的时态关联的传递函数,采用因果关系检验,分析网络入侵证据。

基于改进型因果时序网络的微电网故障诊断方法

目前微电网多采用简单的过电流保护,因所处运行状态不同其故障电流变化范围大且电流衰减快速,致使故障诊断准确度降低。由于信号传递和继保设备误动失灵等原因,故障诊断系统会接收到错误的警报信息,这会降低微电网故障诊断的准确度,因此,提出一种基于改进型因果时序网络的微电网故障诊断方法来解决这一问题。通过微电网线路保护与断路器间的时序逻辑关系,辨别微电网故障警报信息的正误,对微电网进行故障诊断确定故障过程。通过仿真模型和设定案例结果可知,改进型因果时序网络故障诊断方法可以提高微电网的故障诊断准确度,该方法适应微电网孤岛及并网两种状态。

交叉滞后路径分析在变量因果时序关系研究中的应用

目的介绍交叉滞后路径分析原理及其在变量间因果时序关系研究中的应用。方法交叉滞后路径分析模型基于交叉滞后面板设计,估计的路径系数具有明确的时间顺序关系,满足因果推断中“因在前果在后”的时序性要求。利用健康随访数据构建体重指数(BMI)与血尿酸(UA)的交叉滞后路径分析模型,探索BMI和UA的因果时序关系。结果调整混杂因素后,基线BMI到随访时UA的路径系数(ρ2=0.060,P<0.001)明显大于基线UA到随访时BMI的路径系数(ρ1=-0.009,P=0.056),且两系数间的差异具有统计学意义(ρ2>ρ1,P<0.001)。在时间顺序上BMI增加先于UA升高发生。结论BMI增加可能是高尿酸血症的原因,交叉滞后路径分析模型可以有效的识别变量间的因果时序关系。

因果时序的相对性和因果律的不变性

真正的因果律应该是：原因A总作用于其结果B，但结果B绝不会反作用于原因A，因为结果B一旦产生，原因A立即消失，可表达为A←→B(A∩B≡φ)，A·Einstein认为因先果后不变性就是因果律欠妥，因为按照他本人的同时性的相对性，因果时序并非总是不变的。

因果关系学习的思维取向和概念分析

因果和因果关系是人类理解和描述自然与社会现象,构建科学知识体系的核心概念,近年来频频出现在人工智能的教材中,在数据分析、机器学习、人工智能等研究领域以及计量经济学、健康医学、政策制定等应用领域受到越来越多的关注。但是与其他教学内容有所不同的是,学习因果关系会更多地涉及哲学层面一些基本内容,从不同的基本原则和思维定式出发,对于因果关系会有不同的理解和结论,从而形成不同的流派。因此在因果关系的教学中,必须清晰地阐明所约定的先验性原则和假设。也就是说,需要关注其中明确的思维取向。目前在研究生和本科生教学中所采用的相关教材大多包含以图灵奖获得者Pearl为主发展起来因果分析理论和技术。本文主要根据Pearl的两本著作Causal Inference in Statistics,A primer和Model,Reasoning,and Inference(Second Edition)的内容,对于因果关系学习中需要注意的思维形式和基本假设,以及与此相关的一些概念问题,进行较为深入的讨论、解释和评论,澄清其中容易混淆的地方,以此掌握好因果关系分析的理论实质和计算要义。

基于软约束优化求解偏微分方程的物理神经网络及应用

本文使用物理神经网络(Physics-Informed Neural Networks,PINN)对偏微分方程(Partial Differential Equation,PDE)进行了正向求解,该方法将控制方程和边界条件编码为损失函数,并使用自动微分机制和随机梯度下降算法来更新超参数,成功建立软约束优化下的PINN正向求解模型.针对稳态案例求解,文章展示了二维泊肃叶-库埃特,无黏Taylor-Green涡以及Re为100时的二维顶盖驱动方腔流计算结果,并比较了不同采样策略和采样点集大小对预测结果的影响.对于非稳态案例,文章提出了使用时间标签和“门函数”来强化模型表征时序因果的能力,成功在相同参数设置下求解了传统PINN失效的Allen-Cahn方程.本文为偏微分方程的求解提供了一种新思路,具有广泛的应用前景.

基于元件可靠性的电力系统故障诊断

本文改进了基于时序因果网络的电力系统故障诊断的方法,并拓展性的引入元件可靠性。在使用保护和断路器的动作信息进行电网故障诊断时,利用元件告警信息来判断元件的可靠性,进而判断告警信息的可信度。利用告警信息的时序性,通过保护动作时间段,再次过滤信息。之后建立电网故障诊断的时间因果序列模型,采用模糊方式对时间因果关系离散化处理,采用模糊运算来合成多个时间因果关系。通过这种方法在一定程度上克服了其容错性较差和难以合理解释故障演变过程的不足。最后,通过一个复杂故障的诊断算例证明该方法的可行性和效率性。

动态故障诊断中的立体因果建模与不确定性推理方法

为满足复杂系统的动态、实时和高可靠性的故障诊断需求,克服动态不确定因果图（dynamic uncertain causality graph,DUCG）及其他概率图模型的局限,该文在DUCG理论的基础上扩展其时序因果表达与推理方法,建立了立体DUCG（Cubic DUCG）理论模型。采用动态的手段处理动态问题,以＂逐步生长＂的立体因果建模取消了时序模型中常见的Markov假设限制,以穿越式因果连接准确地表达动态系统下故障的产生、演变和发展;直观地刻画和处理动态负反馈等复杂故障逻辑因果关系;给出了严谨、高效的动态推理算法。宁德核电站1号机组CPR1000模拟机二回路系统上的故障实验结果表明：Cubic DUCG诊断推理准确、高效,能有效处理负反馈等复杂动态情形。

基于因果分析图的城市交通流短时预测研究

【目的】有效地挖掘区域之间复杂的空间作用关系机制,提高短时交通流预测精度。【方法】提出一种新的图神经网络模型,该模型融合区域功能相似性矩阵与因果关系矩阵,按照“交通时序因果关系挖掘→时空特征提取→未来状态预测”的逻辑进行预测建模,训练图神经网络捕获区域内流量的时空依赖性特征,从而实现交通流量预测。【结果】在成都市滴滴出行数据集上进行实验分析,结果表明所提模型较其他8种基线模型效果均有一定的提升,相较于最优基线模型,在RMSE及MAE值上分别降低了3.098%和4.783%。【结论】交通时序因果图可以同时融合传统方法中通常需要考虑的空间距离关系特征、道路连通性特征、功能相似性特征等,且因果关系的引入能在一定程度上提升区域交通流的预测性能。

基于大自然时间轴的测量时序分类法

因果推断中,时序(或方向性)的概念尚未完全明确。本文从因果思维出发,以真实因和真实果的发生时间将大自然时间轴划分为3个时域和2个时点,从而锚定了因果推断只能实现于第3时域。测量时序可分为5种类型:跨第1和3时域纵向时序(实验性时序)、跨第2和3时域纵向时序、同时域纵向时序、同时域逆纵向时序和同时域横向时序(观察性时序)。这种分类法适用于首次或多次测量、及时和延后测量等所有测量策略。除了实验中真实因的测量(或干预措施)在其发生之前(第1时域)或观察和实验中真实因的测量在真实果发生之前(第2时域)的情形外,所有其他测量策略类似于历史重建或"考古",测量时序的重要性次于测量的准确性。从研究设计应整合偏倚设计的观点来看,本文提出基于大自然时间轴的测量时序五分类法,概念清楚并将有助于判断研究过程中可能出现的偏倚,为正确进行因果推断研究奠定基础。