سپس پارامترهای مجهول مدل بر اساس نمونه های شبیه سازی شده تخمین زده می شوند که به صورت بردار زیر خواهند بود:

(‏۵-۲۲)

تعداد S المان بردار به صورت یکنواخت از فضای و به شکل تصادفی انتخاب می شوند. سپس آزمون RCM با محاسبه شاخص بر اساس داده های شبیه سازی شده انجام می شود که نتیجه با نشان داده خواهد شد.
مراحل ۱-۳ به تعداد مورد نظر تکرار می شود و نتیجه هرآزمون با نمایش داده خواهد شد.
در نهایت حدود و از روی نتایج آزمون و به صورت تجربی با توجه به سطوح خطای و که پیشتر مشخص شده اند برآورد می شوند. حال اگر نتیجه آزمون برای داده های تجربی به صورت نامعادله های زیر باشد، مدل ایجاد شده برای داده ها ناکافی خواهد بود ]۵۴[.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

(‏۵-۲۳)

تخمین پارامترهای مجهول در مدل
پارامترهای مجهول در این مدل شامل ضرایب مدل سری زمانی و توزیع احتمالی دامنه متغیرهای تصادفی می شود. اما در این قسمت احتمال هر کدام از گروه ها به صورت جداگانه و از روی داده های تجربی به دست می آید و مسئله تخمین پارامترها تنها متوجه ضرایب مدل می شود. سپس از روش پروفیل برآورد درستنمایی بیشینه^[۷۴] برای یافتن ضرایب مجهول مدل استفاده خواهد شد. در اینجا از مینیمم کردن تابع زیر و استفاده از روش های کمینه سازی توابع غیرخطی با یک حدس اولیه مناسب در نرم افزار متلب استفاده شده است ]۵۴[:

(‏۵-۲۴)

نتایج شبیه سازی
با توجه به تناسب مسئله با شبیه سازی پارامترهای گسسته در سیستم قدرت، می توان از مدل DAR معرفی شده جهت مدلسازی پارامترهایی چون تپ ترانس، وضعیت بانک های خازنی و یا واحدهای تولید پراکنده همچون CHP استفاده کرد. با مدلسازی تپ ترانس و واحدهای تولید پراکنده CHP می توان از روش مونت کارلو ترتیبی و یا روش مونت کارلو با نمونه برداری ترتیب زمانی^[۷۵] برای حل مسائل پخش بار احتمالی استفاده کرد.
ترانسی که دارای ۱۹ پله در تنظیم تپ می باشد را می توان با در نظر گرفتن هر کدام از این تپ ها در یک گروه از مدل سری های زمانی گسسته شبیه سازی کرد. برای واحدهای تولید پراکنده CHP نیز که در هر مرحله، می تواند واحدهای مختلف را وارد مدار کند، می توان از این مدلسازی استفاده کرد. مثلا یک واحد CHP که شامل پله های تولیدی ۰، ۳، ۶ و ۹ مگاوات است را می توان با ۴ گروه در مدلسازی سری زمانی DAR شبیه سازی کرد.
اگر فرض کنیم شکل ‏۵‑۱ داده های مربوط به توان خروجی واحدهای تولیدی CHP برای ۱۲۵ بازه زمانی و در ۶ وضعیت تولیدی مختلف باشد و هر کدام از این حالت ها با یک گروه متناظر شود، می توان از سری زمانی DAR(p) شامل ۶ گروه برای مدلسازی استفاده کرد.

شکل ‏۵‑۱: نمایش وضعیت تولید واحدهای CHP در ۶ گروه به صورت ساعتی ]۴۶[
برای یافتن احتمال وقوع تولید در هر کدام از گروه ها از داده های شکل ‏۵‑۱ استفاده می شود و نتایج به صورت جدول ‏۵‑۱