چکیده فارسی :

در این مقاله، روش مدلسازی بار احتمالی جدیدی ارائه می‌شود. روش پیشنهادی از طریق گروهبندی 24 نقطه داده بار گذاری ساعتی روزانه  در بخش داده‌ها نمایش داده میشود. 365 داده حاصل پروفایل بارگذاری كل سال را نشان می‌دهند كه برای تشابهات ارزیابی می‌شود و از تحلیل مولفه اصل استفاده می‌كند، سپس بخش‌هایی با مولفه‌های اصلی  مشابه به همدیگر در یك خوشه و با استفاده از الگوریتم‌های خوشه بندی، گروهبندی می‌شود. برای هر خوشه، بخش نمونه ای انتخاب می‌شود و احتمال وقوع آن محاسبه می‌شود. نتایج الگوریتم پیشنهادی در تحقیقات متفاوت جهت مدلسازی رفتار بلند مدت بار‌های الكتریكی استفاده می شود تا تغییرات زمانی آنها را مورد توجه قرار دهد. این مشخصه، زمانی امكان پذیر است كه بخش‌های نمونه انتخاب شده، كل سال را پوشش دهند. بخش نمونه طراحی شده به شاخص‌های احتمالی اختصاص داده می‌شوند كه متناظر با فركانس وقوع است، بنابراین  ماهیت اتفاقی بارالكتریكی را حفظ می‌كند.

كلمات كلید – الگورتیم های خوشه بندی، تحلیل مولفه‌اصلی ، مدلسازی بار احتمالی، شاخص های ارزیابی

چکیده انگلیسی :

In this paper, a novel probabilistic load modeling approach is presented. The proposed approach starts by grouping the 24 data points representing the hourly loading of each day in one data segment. The resulting 365 data segments representing the whole year loading profile are evaluated for similarities using principle component analysis; then segments with similar principal components are grouped together into one cluster using clustering algorithms. For each cluster a representative segment is selected and its probability of occurrence is computed. The results of the proposed algorithm can be used in different studies to model the long term behavior of electrical loads taking into account their temporal variations. This feature is possible as the selected representative segments cover the whole year. The designated representative segments are assigned probabilistic indices that correspond to their frequency of occurrence, thus preserving the stochastic nature of electrical loads.
Index Terms—Clustering algorithms, principal component analysis, probabilistic load modeling, validity indices.