روشی جدید بهمنظور خوشهبندی دادههای سرعت باد در نیروگاههای بادی با استفاده از الگوریتمهای FCM و PSO
محورهای موضوعی : مهندسی برق و کامپیوترحسین افراخته 1 * , یاسر بستانی املشی 2
1 - دانشگاه گیلان
2 - دانشگاه گیلان
کلید واژه: خوشهبندی نیروگاه بادی FCM K-means PSO,
چکیده مقاله :
یکی از روشهای رایج در خوشهبندی دادهها، استفاده از الگوریتم خوشهبندی فازی FCM است. اما معمولاً استفاده از این روش هنگامی که حجم دادهها زیاد باشد، منجر به توزیع ناهمگون دادهها میگردد. در این مقاله روشی جدید برای خوشهبندی دادههای سرعت باد در نیروگاههای بادی ارائه شده است. در این روش، دادههای سرعت باد با استفاده از الگوریتم PSO خوشهبندی شده و نتایج بهدست آمده با پاسخهای روشهای خوشهبندی FCM و K-means مقایسه گردیده است. نتایج شبیهسازی نشان میدهد که روش ارائهشده همگرایی بهتری نسبت به روشهای FCM و K-means داشته و این وضعیت بهویژه در شرایطی که حجم بالاتری از دادهها در اختیار باشد، محسوستر خواهد بود.
Fuzzy clustering Method (FCM) is a commonly used method of data clustering. But, when too much data are available, the use of this method usually may lead to non-homogeneous distribution of data. In this paper a new method for clustering of wind speed data in wind farms is presented. In this method, using the PSO algorithm, wind speed data is clustered and the obtained results are compared with those of FCM and K-means clustering methods. Simulation results indicate the proposed method has better convergence than K-means and FCM methods, especially in conditions which too much data are not available.
[1] B. Boukhezzar and H. Siguerdidjane, "Comparison between linear and nonlinear control strategies for variable speed wind turbine power capture optimization," Control Engineering Practice, vol. 18, no. 12, pp. 1357-1368, Dec. 2010.
[2] L. X. Wang, A Course in Fuzzy System and Control, Hall Co., 1996.
[3] R. J. Hathaway and J. C. Bezdek, "Recent convergence result for fuzzy c-means clustering algorithms," J. of Classification, vol. 5, no. 2, pp. 237-247, Sep. 1988.
[4] J. G. Klir and B. Yuan, Fuzzy Sets and Fuzzy Logic, Theory and Applications, Prentice - Hall Co., 2003.
[5] T. Gu and B. Ddubuissonb, "Similarity of classes and fuzzy clustering," Fuzzy Sets and Systems, vol. 340, no. 1, pp. 213-221, Jan. 2002.
[6] D. W. van der Merwe and A. P. Engelbrecht, "Data clustering using particle swarm optimization," in Proc. of the IEEE Congeress on Evaluation Computations, vol. 1, pp. 215-220, Canbera, Australia, 2007.
[7] J. Li, C. -H. Chu, Y. Wang, and W. Yan, "An improved fuzzy clustering methode for cellular manufacturing," Int. J. of Prod. Research, vol. 45, no. 5, pp. 1049-1062, Mar. 2007.
[8] E. Mehdizadeh and S. Sadi-Nezhad, "Optimization of fuzzy clustering criteria by a hybrid PSO and FCM clustering algorithm," Iranian J. of Fuzzy Systems, vol. 5, no. 3, pp. 1-14, Jan. 2008.
[9] H. J. Zhang, M. Limoun, and A. Essaid, "A new cluster-validity for fuzzy clustering," Pattern Recognition, vol. 32, no. 7, pp. 1089-1097, Jul. 1999.
[10] J. Kenedy and R. C. Eberhart, "Particle swarm optimization," in Proc. of the IEEE Int. Joint Conf. on Neural Networks, vol. 4, pp. 1942-1948, 1995.
[11] C. Y. Chen and F. Ye, "Particle swarm optimization and its application to clustering algorithm," in Proc. Int. Conf. on Networking, Sensing and Control, pp. 789-794, Taipei, Taiwan, 2004.
[12] سازمان انرژی های نو ایران، http://www.suna.org.ir