پایان نامه با موضوع قابلیت اطمینان و درون داده

دانلود پایان نامه

در رابطه فوق λ+ نرخ گذر به ظرفیتهای بالاتر و λ- نرخ گذر به ظرفیتهای کوچکتر میباشد.
(3-6)
در رابطه فوق Pi احتمال مربوط به حالت iام و T کل زمان مورد مطالعه است. فرکانس حالت iام از رابطه زیر به دست میآید:
(3-7)


3-2-1-3-مدل کامل قابلیت اطمینان مزرعه بادی
اگر یک مزرعه بادی با N توربین مشابه در نظر گرفته شود و اینگونه فرض شود که دادههای سرعت باد و منحنی توربین به گونهای باشد که با اعمال خوشهبندی تعداد M حالت مختلف برای هر کدام از توربینهای بادی حاصل شود، مدل قابلیت اطمینان این مزرعه بادی به صورت نشان داده شده در شکل 3-18 خواهد بود. مقادیر ظرفیت مربوط به هر کدام از حالتها، احتمال آنها و نرخ گذر بین حالتهای مختلف به راحتی بر اساس روابط قابلیت اطمینان به دست میآید. همانگونه که مشخص است این مدل دارای حالت میباشد. در این مدل حالتهای با ظرفیت یکسان میتوانند با هم ترکیب شده و بر این اساس یک مدل با تعداد حالتهای کمتر و غیرتکراری برای واحد بادی به دست میآید. احتمال، فرکانس و نرخ گذر مربوط به حالتهای با ظرفیت یکسان از روابط زیر تعیین میشود:
(3-8)

شکل 3-18- مدل کامل قابلیت اطمینان مزرعه بادی
فصل چهارم
تکنیکهای مختلف خوشهبندی
در این فصل روشهای مختلف خوشهبندی، ویژگی این روشها و موارد کاربرد آنها بیان میگردد. مسلما هر کدام از روشهای معرفی شده ممکن است در یک کاربرد بهترین و در کاربرد دیگر نامناسب باشند. بر همین اساس ابتدا انواع مختلف این روشها معرفی شده و در فصل بعد مشخص میگردد به منظور کاهش تعداد حالات مدل قابلیت اطمینان مزارع بادی کدام روش مناسبترین است.
4-1- اساس خوشهبندی
خوشه‌بندی را می‌توان به عنوان مهمترین مسئله در یادگیری بدون نظارت در نظر گرفت. خوشه‌بندی در واقع یافتن یک ساختار درون یک مجموعه از داده‌های بدون برچسب میباشد. خوشه‌ به مجموعه‌ای از داده‌ها گفته می‌شود که به هم شباهت داشته باشند. در خوشه‌بندی سعی می‌شود تا دادهها به خوشه‌هایی تقسیم شوند که شباهت بین داده‌های درون هر خوشه حداکثر و شباهت بین داده‌های درون خوشه‌های متفاوت حداقل شود. در شکل 4-1 این اصل نشان داده شده است. در این شکل نمونه‌ای از اعمال خوشه‌بندی روی یک مجموعه از داده‌ها مشخص شده است که از معیار فاصله به عنوان عدم شباهت بین داده‌ها استفاده شده است. همچنین در این شکل هر یک از نمونههای ورودی به یکی از خوشهها تعلق دارد و نمونهای وجود ندارد که متعلق به بیش از یک خوشه باشد.

مطلب مرتبط :   دانلود پایان نامه ارشد با موضوع شاخصهای ارزیابی عملکرد و نرخ بازده مورد انتظار

شکل 4-1- اساس خوشهبندی
بنابراین خوشه مجموعهای از اشیاء میباشد که با یکدیگر مشابه بوده و با اشیاء موجود در خوشههای دیگر غیر مشابه میباشند. برای مشابه بودن میتوان معیارهای مختلفی را در نظر گرفت؛ مثلا میتوان معیار فاصله را برای خوشهبندی مورد استفاده قرار داد و اشیائی را که به یکدیگر نزدیکتر هستند بعنوان یک خوشه در نظر گرفت که به این نوع خوشه بندی، خوشه بندی مبتنی بر فاصله نیز گفته میشود.
در طبقه‌بندی هر داده به یک طبقه (کلاس) از قبل مشخص شده تخصیص می‌یابد ولی در خوشه‌بندی هیچ اطلاعی از کلاسهای موجود درون داده‌ها وجود ندارد و به عبارتی خود خوشه‌ها نیز از داده‌ها استخراج می‌شوند. از آنجا که خوشه‌بندی یک روش یادگیری بدون نظارت محسوب می‌گردد، در موارد بسیاری به مانند بازاریابی، زیست‌‌‌شناسی، کتابداری، نقشه‌برداری شهری، مطالعات زلزله‌نگاری، داده کاوی ، تشخیص گفتار و تقسیم‌بندی تصاویر می‌تواند کاربرد داشته‌ باشد.
4-2- انواع روشهای خوشهبندی
الگوریتمهای خوشهبندی را میتوان از نقطه نظرهای متفاوت تقسیمبندی نمود. در یک تقسیمبندی بر اساس اینکه هر کدام از دادهها در یک و یا چند خوشه قرار بگیرند دو نوع خوشهبندی وجود دارد:
خوشهبندی سخت (hard- crisp): در این نوع خوشهبندی که خوشهبندی کلاسیک نیز نامیده میشود هر کدام از دادهها تنها متعلق به یک خوشه میباشند.