• Home
  • Designing a Stable Integrated Planning Model for Multifaceted Energy Production and Equipment Repairs in the Storage Pump Power Plant in Line with Green Policie

Share To

Article Url


Manuscript ID : 140303121121431 Visit : 112 Page: 25 - 51

Article Type: Original Research

Designing a Stable Integrated Planning Model for Multifaceted Energy Production and Equipment Repairs in the Storage Pump Power Plant in Line with Green Policie

Subject Areas : Economy and sustainable development

Farid Asgari 1 , Fariborz Jolai 2 , Farzad Movahedi Sobhani 3

1 - 1. Ph.D. Candidate, Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
2 - 2. Prof., Department of Industrial Engineering, Science and Research Unit, Islamic Azad University, Tehran, Iran.
3 - Assistant Professor, Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

Received: 2024-06-01 Accepted : 2024-10-16 Published : 2024-12-19

Keywords: Production Planning, Maintenance and Repairs, Storage Pump Power Plant, Meta-heuristic Algorithm GA and ICA. ,

Abstract :

Energy production in pumped power plants, reserve strategy, and continuous exploitation of these power plants are some of the successful policies of governments. Therefore, in this research, the minimization of the cost of energy production and maintenance and repairs in one of the large storage pump power plants in Iran in line with green policies has been discussed based on the simulation-optimization strategy. In the introduced MINLP model, optimization of the cost of maintenance and repairs based on the amount of production, operating hours of the power plant, and the deficit level of energy production, taking into account the uncertainty in the demand level of the network, is presented using the feasibility planning method. To solve the mathematical model in small dimensions, the CPLEX exact solution algorithm was solved in GAMS software, and in large sizes, two meta-heuristic algorithms GA and ICA were used with binary coding in MATLAB software. The results of this research have shown that the solution of the meta-heuristic algorithm has been implemented in a suitable period despite the approximation of optimal solutions with a confidence factor of 95%, and the results of the research indicate the applicability of the presented model in the studied power plant.

References:

Aguirre, A. M., & Papageorgiou, L. G. (2018). Medium-term optimization-based approach for the integration of production planning, scheduling and maintenance. Computers & Chemical Engineering, 116, 191-211.
Akkaş, Ö. P., & Çam, E. (2019). Optimal Operation of Virtual Power Plant in a Day Ahead Market In 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 1-4.
Badam Firouz, J., & Shariat Modari, A. (2019). Green energy management and solutions The 14th National Conference on Quality and Productivity, Iran. 297-306. https://nqpc.ir/article-1-280-fa.pdf [In Persian]
Berthaut, F., Gharbi, A., & Dhouib, K. (2011). Joint modified block replacement and production/inventory control policy for a failure-prone manufacturing cell. Omega, 39(6), 642-654.
Boudjelida, A. (2019). On the robustness of joint production and maintenance scheduling in presence of uncertainties. Journal of Intelligent Manufacturing, 30(4), 1515-1530.
Elgamal, A. H., Kocher-Oberlehner, G., Robu, V., & Andoni, M. (2019). Optimization of a multiple-scale renewable energy-based virtual power plant in the UK. Applied energy, 256, 113973.
Glawar, R., Karner, M., Nemeth, T., Matyas, K., & Sihn, W. (2018). An approach for the integration of anticipative maintenance strategies within a production planning and control model. Procedia CIRP, 67, 46-51.
Hadayeghparast, S., Farsangi, A. S., & Shayanfar, H. (2019). Day-ahead stochastic multi-objective economic/emission operational scheduling of a large scale virtual power plant. Energy, 172, 630-646.
Hamrol, A. (2018). A new look at some aspects of maintenance and improvement of production processes. Management and Production Engineering Review, 9.
Kang, K., & Subramaniam, V. (2018). Joint control of dynamic maintenance and production in a failure-prone manufacturing system subjected to deterioration. Computers & Industrial Engineering, 119, 309-320.
Khodaparast, M., & Ghezelbash, A. (2016). Applied Economic Studies of Iran. 5(17), 217-242. https://profdoc.um.ac.ir/paper-abstract-1057310.html [In Persian]
Liu, Q., Dong, M., & Chen, F. F. (2018). Single-machine-based joint optimization of predictive maintenance planning and production scheduling. Robotics and Computer-Integrated Manufacturing, 51, 238-247.
Martínez-Lucas, G., Pérez-Díaz, J. I., Chazarra, M., Sarasúa, J. I., Cavazzini, G., Pavesi, G., & Ardizzon, G. (2019). Risk of penstock fatigue in pumped-storage power plants operating with variable speed in pumping mode. Renewable Energy, 133, 636-646.
Mennemann, J. F., Marko, L., Schmidt, J., Kemmetmüller, W., & Kugi, A. (2019). Nonlinear Model Predictive Control of a Variable-Speed Pumped-Storage Power Plant. IEEE Transactions on Control Systems Technology.
Özyön, S. (2020). Optimal short-term operation of pumped-storage power plants with differential evolution algorithm. Energy, 194, 116866.
Sana, S. S. (2012). Preventive maintenance and optimal buffer inventory for products sold with warranty in an imperfect production system. International Journal of Production Research, 50(23), 6763-6774.
Schreiber, M., Klöber-Koch, J., Richter, C., & Reinhart, G. (2018). Integrated Production and Maintenance Planning for Cyber-physical Production Systems. Procedia CIRP, 72, 934-939.
Shafiee, M., Ghazi, R., & Moeini-Aghtaie, M. (2019). Day-ahead Resource Scheduling in Distribution Networks with Presence of Electric Vehicles and Distributed Generation Units. Electric Power Components and Systems, 1-14.
Sheikhalishahi, M., Eskandari, N., Mashayekhi, A., & Azadeh, A. (2019). Multi-objective open shop scheduling by considering human error and preventive maintenance. Applied Mathematical Modelling, 67, 573-587.
Tan, D., Chen, W., & Wang, H. (2017). On the Use of Monte-Carlo Simulation and Deep Fourier Neural Network in Lane Departure Warning. in IEEE Intelligent Transportation Systems Magazine, 9(4), 76-90. https://doi.org/10.1109/MITS.2017.2743204
Vasconcelos, M. H., Beires, P., Moreira, C. L., & Lopes, J. A. P. (2019). Dynamic security of islanded power systems with pumped storage power plants for high renewable integration–A study case. The Journal of Engineering, 18, 4955-4960.
Wu, Y., Zhang, T., Xu, C., Zhang, B., Li, L., Ke, Y., & Xu, R. (2019). Optimal location selection for offshore wind-PV-seawater pumped storage power plant using a hybrid MCDM approach: A two-stage framework. Energy Conversion and Management, 199, 112066.
Xiao, S., Chen, Z., & Sarker, B. R. (2019). Integrated maintenance and production decision for k-out-of-n system equipment with attenuation of product quality. International Journal of Quality & Reliability Management, 36(5), 735-751.
Yao, W., Deng, C., Li, D., Chen, M., Peng, P., & Zhang, H. (2019). Optimal Sizing of Seawater Pumped Storage Plant with Variable-Speed Units Considering Offshore Wind Power Accommodation. Sustainability, 11(7), 1939.
Yin, S., Ai, Q., Li, Z., Zhang, Y., & Lu, T. (2020). Energy management for aggregate prosumers in a virtual power plant: A robust Stackelberg game approach. International Journal of Electrical Power & Energy Systems, 117, 105605.

Full-Text:
MSDS_Volume 4_Issue 1_Pages 1-23

 

 

 

Designing a Stable Integrated Planning Model for Multifaceted Energy Production and Equipment Repairs in the Storage Pump Power Plant in Line with Green Policie 

 

Farid Asgari 1img0, Fariborz Jolai 2*img0, Farzad Movahedisobhani 3img0

 

1.       Ph.D. Candidate, Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

OPEN ACCESS

Article type: Research Article

*Correspondence: Fariborz Jolai

 fjolai@ut.ac.ir

Received: June 1, 2024

Accepted: October 16, 2024

Published: Autumn 2024

Citation: Asgari, F., Jolai, F., Movahedisobhani, F. (2024).  Designing a Stable Integrated Planning Model for Multifaceted Energy Production and Equipment Repairs in the Storage Pump Power Plant in Line with Green Policie. Journal of Management and Sustainable Development Studies, 4(3), 25-51.

Publisher’s Note: MSDS stays neutral with regard to jurisdictional claims in published material and institutional affiliations.

img0 

Copyright: © 2024 by the authors. Submitted for possible open access publication under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).

2.       Prof., Department of Industrial Engineering, Science and Research Unit, Islamic Azad University, Tehran, Iran.

3.       Assistant Prof., Department of Industrial Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.

 

 

Abstract: Energy production in pumped power plants, reserve strategy, and continuous exploitation of these power plants are some of the successful policies of governments. Therefore, in this research, the minimization of the cost of energy production and maintenance and repairs in one of the large storage pump power plants in Iran in line with green policies has been discussed based on the simulation-optimization strategy. In the introduced MINLP model, optimization of the cost of maintenance and repairs based on the amount of production, operating hours of the power plant, and the deficit level of energy production, taking into account the uncertainty in the demand level of the network, is presented using the feasibility planning method. To solve the mathematical model in small dimensions, the CPLEX exact solution algorithm was solved in GAMS software, and in large sizes, two meta-heuristic algorithms GA and ICA were used with binary coding in MATLAB software. The results of this research have shown that the solution of the meta-heuristic algorithm has been implemented in a suitable period despite the approximation of optimal solutions with a confidence factor of 95%, and the results of the research indicate the applicability of the presented model in the studied power plant.

Keywords: Production Planning, Maintenance and Repairs, Storage Pump Power Plant, Meta-heuristic Algorithm GA and ICA.

 

Extended Abstract

Introduction

Storage-pumped power plants, in addition to producing energy for the national power grid, consume the energy needed to transfer the energy-producing fluid from the lower reservoir to the upper reservoir during peak load reduction hours (Elgamal et al., 2019). Due to their high production capacity, these power plants have the possibility of producing energy in emergency mode and non-operating defense (Shafiee et al., 2019). Pumped storage power plants gather electrical output from several scattered energy sources and provide this source to the national electricity distribution network. On-demand, pumped storage plants control the immediate dispatch of connected plants, thereby helping to increase energy production and grid reliability (Hadayeghparast et al., 2019). The problem of quick response to the required energy level of the network and demand response programs (DRP) to provide reserve capacity is a suitable solution to compensate for the unforeseen fluctuations in the energy consumption network, one of the characteristics of pumped power plants (Akkaş & Çam, 2019).

Having proper production planning during the planning horizon is a factor that will lead to the optimal use of the organization's resources, including human resources, equipment, financial resources, etc. According to the evaluation done in the research literature, so far, the issue of scheduling of production, maintenance, and repairs in the pumped power plant process has not been evaluated and analyzed, and in the implementation strategy, nominal capacity and equipment overload and breakdown timing have not been analyzed. On the other hand, the problem of production scheduling is a problem with many uncertainties, which have been analyzed based on the simulation model and possible planning. Therefore, in this research, a new policy is presented in the field of optimizing energy production in the pump power plant based on demand generation policies and the implementation of the maintenance and repairs program. The innovations considered in this research can be used for the topics related to the use of several energy sources for refilling tanks at rated load and overload, as well as a planning model for demand response and maintenance and repairs in the uncertain environment, taking into account The objective function of minimizing the cost of production and maintenance in the pumped storage power plant will be introduced.           

Theoretical framework

Renewable energy is a type of energy that, unlike non-renewable (fossil) energy, can be regenerated by nature in a short period or easily replaced after consumption. Green energy is also referred to as a source of energy that is in harmony with the environment and their production process does not cause environmental pollution. Currently, energy from wind, sun, internal heat of the earth, and running water are known as the most famous sources of green energy. Also, according to some experts, nuclear energy can be considered by taking into account considerations such as green energy. Using the word green next to the above energy sources is because these sources do not produce carbon dioxide like plants (Badam Firouz & Shariat Modari, 2019).

Today, in the electricity industry, optimal and effective economic design and operation are always considered, and in the development and operation of the electricity industry, the economic distribution of the load between fossil fuel power plants and minimizing the cost of operation are the main goals. One of the important issues in economic load distribution is coordination between power plants. Pumped-storage power plants are types of hydroelectric power plants that transfer energy from low-use hours to high-use hours with the help of a motor, as a result of which the excess electricity produced and not consumed in non-peak hours is converted into potential energy (Khodaparast & Ghezelbash, 2016).

 

 

Methodology

In this research, according to the discrete and quasi-scenario nature of the data, Mulvey's stable formulation has been used for the stable approach. This is because Mulvey's model has a better analysis compared to other stability methods for the mathematical formulation of evaluation noises. Mulvey's approach is presented in two areas: model stability and solution stability.

To formulate the problem based on the robust optimization method, model symbols are introduced. The X-axis represents the design parameters while the Y-axis represents the proof parameters. A, B, and C are parameter coefficients, b and e are parameter vectors (values ​​on the right). A and B are certain values, while B, C, and e have an indeterminate nature. A specific understanding of uncertainty parameters is called a scenario, which is assigned the symbol s and its probability is denoted by Ps. 

Discussion and Results

Based on the results obtained from the correlation coefficients of the factors for the SN ratios, it was observed that at the 95% confidence level, the factors Pc=0.6, Pm=0.10, Pmu=0.12, Gmax=300 and had a significant effect on the responses. have Also, for the tested factors, an analysis of variance was performed with respect to the SN coefficient and the average of the responses. According to the analysis of variance, as expected, the factors P (m), Pc, and Gmax with P value less than 0.05 have a significant effect on the answers. Based on the results of the correlation coefficients of the factors for SN ratios, it was observed that at the 95% confidence level, the factors PopICA=400, decade=300, PICA=1 have a significant effect on the answers. Also, for the tested factors, an analysis of variance was done concerning the SN coefficient and the average of the responses. According to the analysis of variance, as expected, the decade, PICA, and PopICA factors with a P value of less than 0.05 have an effect. They are meaningful in the answers. The results show that the PopICA factor has the highest rank, followed by the PICA factor. The ranking of the decade factor is also the same for the average responses and SN coefficients.   

Conclusion

Today, in order to face the fierce competition of the ruler, many production organizations have invested in fully automatic production system with modern equipment. In order to be sustainable from the economic point of view, these expensive equipments should be used until the last moment of their generator life. When an unwanted breakdown, caused by a failure, happens; It causes a decrease in productivity of the system and violates the current production plan. Revision of the production plan in emergency conditions is usually very expensive and often causes changes in the organizational and executive structures of companies. On the other hand, the use of storage pump power plants as one of the ways to adjust the amount of loss in the supply and demand of electric energy, long-term energy storage, etc. is one of the advantages of this system. The operation of these power plants improves the state of energy production at the national level in advanced and developing countries. Therefore, dealing with the issues of production, maintenance and repairs together will increase the efficiency of pumped power plants, and in this research, the mathematical model of planning in this area was presented. According to the results of the research, it was shown that a stable planning is considered the most important functional area of ​​energy plants.  

Contribution of authors

All authors have participated in this research in equal proportion.

Ethical approval

There are no human subjects in this article and informed consent is not applicable.

Conflict of interest

No conflicts of interest are declared by the authors.

مطالعـات مدیریـت و توسعـه پایـدار

سال چهارم، شماره سوم، پاییز ۱۴۰۳ – صفحه ۵۱-۲۵

Homepage: https://sanad.iau.ir/journal/msds - eISSN: 2783-4395

طراحی مدل برنامه‌ریزی استوار یکپارچه تولید انرژی چند وجهی و تعمیرات تجهیزات در نیروگاه تلمبه ذخیره‌ای در راستای سیاست‌گذاری‌های سبز

فرید عسگری ۱ img0، فریبرز جولای ۲*img0، فرزاد موحدی سبحانی ۳ img0

1. دانشجوی دکتری گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

۲. استاد گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

۳. استادیار گروه مهندسی صنایع، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

 

دسترسی آزاد

نوع مقاله: مقاله پژوهشی

*نویسنده مسئول: فریبرز جولای

 fjolai@ut.ac.ir 

تاریخ دریافت: ۱۲/۰۳/۱۴۰۳

تاریخ پذیرش: ۲۵/۰۷/۱۴۰۳

تاریخ انتشار:  پاییز  ۱۴۰۳

استناد: عسگری، فرید، جولای، فریبرز، موحدی سبحانی، فرزاد. (140۳).  طراحی مدل برنامه‌ریزی استوار یکپارچه تولید انرژی چند وجهی و تعمیرات تجهیزات در نیروگاه تلمبه ذخیره‌ای در راستای سیاست‌گذاری‌های سبز. فصلنامه مطالعات مدیریت و توسعه پایدار، ۴(۳)، ۲۵-۵۱.

یادداشت ناشر: MSDS درخصوص ادعاهای قضایی در مطالب منتشر شده و وابستگی‌های سازمانی بی‌طرف می‌ماند.

img0 

کپی‌رایت: © 2024 by the authors. Submitted for possible open access publication under the terms and conditions of the Creative Commons Attribution (CC BY) license (https://creativecommons.org/licenses/by/4.0/).

چکیده: تولید انرژی در بخش نیروگاه‌های تلمبه‌ای، استراتژی ذخیره و بهره‌برداری دائم از این نیروگاه‌ها یکی از سیاست‌های موفق دولت‌ها است. از این رو در این پژوهش حداقل‌سازی میزان هزینه‌های تولید انرژی و نگهداری و تعمیرات در یکی از نیروگاه‌های بزرگ تلمبه ذخیره‌ای در ایران در راستای سیاست‌گذاری‌های سبز بر اساس راهبرد شبیه‌سازی- بهینه‌سازی پرداخته شده است. در مدل MINLP معرفی شده بدنبال بهینه‌سازی هزینه نگهداری و تعمیرات بر اساس میزان تولید، ساعت کارکرد نیروگاه، سطح کسری تولید انرژی با در نظر گرفتن عدم قطعیت در سطح تقاضای شبکه با استفاده از روش برنامه‌ریزی امکانی ارائه شده است. جهت حل مدل ریاضی در ابعاد کوچک از الگوریتم حل دقیق CPLEX در نرم افزار GAMS حل شده است و در ابعاد بزرگ از دو الگوریتم فرا ابتکاری GA و ICA با کدنویسی دودویی در نرم‌افزار مت‌لب بهره‌گیری شد. نتایج این پژوهش نشان داده است که حل الگوریتم فرا ابتکاری با وجود تقریب جواب‌های بهینه با ضریب اطمینان 95 درصد در مدت زمان مناسبی اجرا شده است و نتایج پژوهش به کاربردی بودن مدل ارائه شده در نیروگاه مورد مطالعه اشاره دارد.

 

واژگان كلیدی: برنامه‌ریزی تولید، نگهداری و تعمیرات، نیروگاه تلمبه ذخیره‌ای، الگوریتم فرا ابتکاری GA و ICA.

 

 

مقدمه 

نیروگاه‌های تولید انرژی تلمبه ذخیره‌ای، برنامه‌ریزی فرایند تولید و کنترل بار را از طریق دپارتمان کنترل مرکزی دریافت می‌کنند. نیروگاه‌های تلمبه ذخیره‌ای، علاوه بر اینکه برای تولید انرژی مورد نیاز شبکه برق سراسری تولید انرژی انجام می‌دهند، در ساعات کاهش اوج مصرف بار شبکه، انرژی مورد نیاز برای انتقال سیال تولید کننده انرژی از مخزن پایین به مخزن بالا مصرف می‌کنند (volume>256</volume><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Elgamal et al., 2019). این نیروگاه‌ها به‌دلیل ظرفیت تولید بالا، امکان تولید انرژی در حالت اضطراری و پدافندی غیر عامل را دارا هستند (Shafiee et al., 2019). نیروگاه‌های تلمبه ذخیره‌ای، خروجی الکتریکی را از چند منبع انرژی پراکنده جمع می‌کند و این منبع را در اختیار شبکه توزیع برق سراسری قرار می‌دهد. در صورت درخواست، نیروگاه‌های تلمبه ذخیره‌ای دیسپاچ فوری نیروگاه‌های متصل را کنترل می‌کند و در نتیجه به افزایش تولید انرژی و قابلیت اطمینان شبکه کمک می‌کند (srzev" timestamp="1733482036">7187</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Hadayeghparast, S.</author><author>Farsangi, A. S.</author><author>Shayanfar, H.</author></authors></contributors><titles><title>Day-ahead stochastic multi-objective economic/emission operational scheduling of a large scale virtual power plant</title><secondary-title>Energy</secondary-title></titles><periodical><full-title>Energy</full-title></periodical><pages>630-646</pages><volume>172</volume><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Hadayeghparast et al., 2019). مسأله پاسخ سریع به سطح انرژی مورد نیاز شبکه و برنامه‌های پاسخگویی به تقاضاها (DRP) با هدف فراهم کردن ظرفیت رزرو، راه حل مناسبی برای جبران نوسانات پیش‌بینی نشده در شبکه مصرف انرژی یکی از ویژگی‌های نیروگاه‌های تلمبه‌ای است (on Multidisciplinary Studies and Innovative Technologies (ISMSIT)</secondary-title></titles><pages>1-4</pages><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Akkaş & Çam, 2019).

از سوی دیگر، با توجه به اهمیت زمانبندی تولید انرژی در نیروگاه‌ها، مقالات متعددی نیروگاه‌های تلمبه ذخیره‌ای و چالش‌ها و فرصت‌های آنها را در مسائل زمان‌بندی بهینه یا استراتژی تعیین قیمت در بازارها بحث و بررسی کرده‌اند (Elgamal et al., 2019; Martínez-Lucas et al., 2019; Özyön, 2020; Vasconcelos et al., 2019; Wu et al., 2019; Yin et al., 2020). از این رو ﯾﮑﯽ از ﻣﻬﻤ‌‌ﺘﺮﯾﻦ ﻣﺴﺎﺋﻠﯽ ﮐﻪ در ﺑﻬﺮهﺑﺮداري ﺳﯿﺴﺘﻢ ﻗﺪرت ﺑﺎﯾﺪ ﻣﻮرد ﺗﻮﺟﻪ ﻗﺮار ﺑﮕﯿﺮد، تعادل میان برنامه‌ریزی ﺗﻮﻟﯿﺪ و ﻣﺼﺮف ﻣﯽﺑﺎﺷﺪ. ﺑﻪ اﯾﻦ ﻣﻌﻨﺎ ﮐﻪ در ﻫﺮ ﻟﺤﻈﻪ از زﻣﺎن ﻣﯿﺰان ﺗﻮﻟﯿﺪ ﻧﯿﺮوﮔﺎهﻫﺎ ﺑﺎﯾﺪ ﺑﺎ ﻣﺠﻤﻮع ﺑﺎر ﻣﺼﺮﻓﯽ و ﺗﻠﻔﺎت ﺷﺒﮑﻪ ﻗﺪرت ﺑﺮاﺑﺮ ﺑﺎﺷﺪ. در ﻏﯿﺮ اﯾﻦ ﺻﻮرت ﺣﺘﯽ اﮔﺮ ﻣﯿﺰان ﻋﺪم ﺗﻌﺎدل ﮐﻢ ﺑﺎﺷﺪ، ﻓﺮﮐﺎﻧﺲ ﺗﻐﯿﯿﺮ ﻧﻤﻮده و ﺑﺎﻋﺚ ﺑﺮوز ﻣﺸﮑﻼت ﻣﺘﻌﺪد در ﺷﺒﮑﻪ ﻗﺪرت ﻣﯽﮔﺮدد (Transactions on Control Systems Technology</full-title></periodical><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Mennemann et al., 2019). ﺑﺮ اﺳﺎس ﺑﺎر ﭘﯿﺶﺑﯿﻨﯽ ﺷﺪه در ﯾﮏ ﺑﺮﻧﺎﻣﻪ ﺑﻬﯿﻨﻪﺳﺎزي ﺳﻌﯽ ﻣﯽﺷﻮد ﺳﻬﻢ ﻫﺮ ﮐﺪام از ﻧﯿﺮوﮔﺎهﻫﺎ در ﺗﺄﻣﯿﻦ ﺑﺎر ﻣﺸﺨﺺ ﺷﻮد. ﺑﺎ ﻋﻨﺎﯾﺖ ﺑﻪ اﯾﻨﮑﻪ اﻣﺮوزه ﻗﺎﺑﻠﯿﺖ اﻃﻤﯿﻨﺎن در ﺳﯿﺴﺘﻢ ﻗﺪرت از اﻫﻤﯿﺖ ﺑﺎﻻﯾﯽ ﺑﺮﺧﻮردار ﺷﺪه و ﻫﯿﭻ ﻣﺸﺘﺮﮐﯽ ﻧﻤﯽﭘﺬﯾﺮد ﮐﻪ ﺑﺮق ﺣﺘﯽ ﺑﺮاي ﻣﺪت ﺑﺴﯿﺎر ﮐﻮﺗﺎﻫﯽ ﻗﻄﻊ ﮔﺮدد، ﺑﺎﯾﺪ ﺗﻤﻬﯿﺪاﺗﯽ در ﺑﻬﺮهﺑﺮداري ﺳﯿﺴﺘﻢ ﻗﺪرت ﺑﻪ ﻣﻨﻈﻮر ﺟﻠﻮﮔﯿﺮي از ﻗﻄﻌﯽ ﺑﺮق ﺻﻮرت ﭘﺬﯾﺮد (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Yao, W.</author><author>Deng, C.</author><author>Li, D.</author><author>Chen, M.</author><author>Peng, P.</author><author>Zhang, H. </author></authors></contributors><titles><title>Optimal Sizing of Seawater Pumped Storage Plant with Variable-Speed Units Considering Offshore Wind Power Accommodation</title><secondary-title>Sustainability</secondary-title></titles><periodical><full-title>Sustainability</full-title></periodical><pages>1939</pages><volume>11</volume><number>7</number><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Yao et al., 2019). 

پیشرفت­های اخیر در یکپارچه­سازی برنامه تولید و نگهداری و تعمیرات پیشگیرانه موجب اتصال مباحث مقدار تولید اقتصادی1 و سیاست‌های نگهداری و تعمیرات پیشگیرانه (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Sana, S. S. </author></authors></contributors><titles><title>Preventive maintenance and optimal buffer inventory for products sold with warranty in an imperfect production system</title><secondary-title>International Journal of Production Research</secondary-title></titles><periodical><full-title>International Journal of Production Research</full-title></periodical><pages>6763-6774</pages><volume>50</volume><number>23</number><dates><year>2012</year></dates><urls></urls></record></Cite></EndNote>Sana, 2012)،کنترل همزمان نرخ تولید، نگهداری و تعمیرات پیشگیرانه شده است2 (number><dates><year>2011</year></dates><urls></urls></record></Cite></EndNote>Berthaut et al., 2011). داشتن برنامه‌ریزی تولید مناسب در طول افق برنامه‌ریزی، عاملی است که استفاده بهینه از منابع سازمان اعم از منابع انسانی، تجهیزات، منابع مالی و ... را به دنبال خواهد داشت. با توجه به ارزیابی صورت پذیرفته در ادبیات پژوهشی، تاکنون مسأله زمانبندی توامان تولید و نگهداری و تعمیرات در فرآیند نیروگاه تلمبه‌ای مورد ارزیابی و تحلیل قرار نگرفته است و در راهبرد اجرایی، ظرفیت نامی و اوور لود تجهیزات و زمان‌بندی خرابی مورد تحلیل قرار نگرفته است. از سوی دیگر، مسأله زمان‌بندی تولید یک مسأله با عدم قطعیت‌های فراوانی است که بر اساس مدل شبیه‌سازی و برنامه‌ریزی امکانی به تحلیل آن پرداخته شده است. از این رو در این پژوهش سیاست جدیدی در حوزه بهینه‌سازی تولید انرژی در نیروگاه تلمبه‌ای بر اساس سیاست‌های تولید تقاضا و اجرای برنامه نگهداری و تعمیرات ارائه می‌شود. از نوآوری‌های در نظر گرفته شده در این پژوهش می‌توان به مباحث مربوط به استفاده از چندین منبع انرژی برای بازپرسازی مخازن در بار نامی و اوور لود استفاده شود و همچنین یک مدل برنامه‌ریزی پاسخ به تقاضا و نگهداری و تعمیرات در فضای عدم قطعیت با در نظر گرفتن تابع هدف کمینه‌سازی هزینه تولید و تعمیرات در نیروگاه تلمبه مخزنی معرفی خواهد شد.

مبانی نظری و پیشینه پژوهش

انرژی تجدیدپذیر به انواعی از انرژی می‌گویند که منبع تولید آن نوع انرژی، بر خلاف انرژی‌های تجدیدناپذیر (فسیلی)، قابلیت آن را دارد که توسط طبیعت در یک بازه زمانی کوتاه مجدداً به‌وجود آمده یا پس از مصرف به راحتی جایگزین می‌شوند. انرژی سبز نیز به منابعی از انرژی گفته می‌شود که در هماهنگی با محیط خود باشند و فرآیند تولید آنها آلودگی‌های زیست‌محیطی به‌بار نیاورد. در حال حاضر انرژی حاصل از باد، خورشید، گرمای درونی زمین و آب‌های روان به‌عنوان معروف‌ترین منابع انرژی سبز شناخته می‌شوند. همچنین، به اعتقاد برخی کارشناسان انرژی هسته‌ای را نیز می‌توان با در نظر گرفتن ملاحظاتی از جمله انرژی‌های سبز به حساب آورد. به کار بردن کلمه سبز در کنار منابع انرژی فوق از آن جهت است که این منابع همچون گیاهان دی‌اکسید کربن تولید نمی‌کنند (energy management and solutions</title><secondary-title>The 14th National Conference on Quality and Productivity</secondary-title></titles><pages>297-306</pages><dates><year>2019</year></dates><pub-location>Iran</pub-location><urls><related-urls><url>https://nqpc.ir/article-1-280-fa.pdf</url></related-urls></urls></record></Cite></EndNote>Badam Firouz & Shariat Modari, 2019).

امروزه در صنعت برق طراحی و بهره برداری بهینه و مؤثر اقتصادی همواره مد نظر بوده و در توسعه و بهره‌برداری از صنعت برق، توزیع اقتصادی بار بین نیروگاه‌های سوخت فسیلی و حداقل کردن هزینه بهره‌برداری از اهداف اصلی به شمار می‌آیند. یکی از مسائل مورد توجه در توزیع اقتصادی بار، هماهنگی بین نیروگاه‌ها است. نیروگاه‌های تلمبه‌ای ـ ذخیره‌ای از انواع نیروگاه‌های برق آبی هستند که با عملکرد موتوری، انتقال انرژی را از ساعت‌های کم مصرف به ساعت‌های پرمصرف انجام می‌دهند که در نتیجه آن مازاد برق تولیدی و غیر قابل مصرف در ساعات غیر پیک به انرژی پتانسیل تیدیل می‌گردد (Studies of Iran</title></titles><pages>217-242</pages><volume>5</volume><number>17</number><dates><year>2016</year></dates><urls><related-urls><url>https://profdoc.um.ac.ir/paper-abstract-1057310.html</url></related-urls></urls></record></Cite></EndNote>Khodaparast & Ghezelbash, 2016).

نتایج پژوهش همرول3(2018) نشان داده است که تمام رویکردهای نگهداری و بهبود فرایندهای تولید با عنوان «استراتژی‌های اقدام مؤثر» و تمامی روش‌های حمایت از آن به عنوان «روش‌های عمل کارآمد» اشاره دارد (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Hamrol, A. </author></authors></contributors><titles><title>A new look at some aspects of maintenance and improvement of production processes</title><secondary-title>Management and Production Engineering Review</secondary-title></titles><periodical><full-title>Management and Production Engineering Review</full-title></periodical><volume>9</volume><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>Hamrol, 2018). نتایج پژوهش چریبر4(2018) نشان داده که افزایش هزینه‌های تولید و الزامات بازدهی به طور مداوم برای شرکت‌های تولیدی مواجه است. یکی از راه‌های غلبه بر این چالش‌ها، ارتقاء بهره‌وری و اثربخشی تعمیر و نگهداری با توسعه و یکپارچه‌سازی ابزارهای پیش بینی کننده نگهداری و استفاده از این اطلاعات برای برنامه‌ریزی هدفمند اقدامات تعمیر و نگهداری است (volume>72</volume><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>Schreiber et al., 2018). از نظر لیو5 و همکاران (2018) برنامه‌ریزی تعمیر و نگهداری و برنامه‌ریزی تولید دو فعالیت است که وابسته به یکدیگر هستند، اما اغلب به طور مستقل در تولید انجام می‌شود. برنامه‌ریزی تعمیر و نگهداری بر زمان تولید در دسترس و احتمال شکست تأثیر می‌گذارد (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Liu, Q.</author><author>Dong, M.</author><author>Chen, F. F. </author></authors></contributors><titles><title>Single-machine-based joint optimization of predictive maintenance planning and production scheduling</title><secondary-title>Robotics and Computer-Integrated Manufacturing</secondary-title></titles><periodical><full-title>Robotics and Computer-Integrated Manufacturing</full-title></periodical><pages>238-247</pages><volume>51</volume><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>Liu et al., 2018). نتایج پژوهش ژیائو6 (2019) نشان می‌دهد که قابلیت اطمینان تجهیزات به طور قابل توجهی بر بهره‌وری تأثیر می‌گذارد، و برای به دست آوردن قابلیت اطمینان تجهیزات و بهره‌وری بالا، تصمیم‌گیری در مورد نگهداری و تولید باید بطور هم‌زمان گرفته شود تا سیستم تولید سالم بماند. هزینه نگهداری، هزینه تنظیم، هزینه نگهداری موجودی، هزینه کمبود، هزینه تولید و هزینه کیفیت با تقاضای نامشخص و تضمین کیفیت محصول ناشی از خراب شدن تجهیزات تجزیه و تحلیل می‌شود (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Xiao, S.</author><author>Chen, Z.</author><author>Sarker, B. R. </author></authors></contributors><titles><title>Integrated maintenance and production decision for k-out-of-n system equipment with attenuation of product quality</title><secondary-title>International Journal of Quality &amp; Reliability Management</secondary-title></titles><periodical><full-title>International Journal of Quality &amp; Reliability Management</full-title></periodical><pages>735-751</pages><volume>36</volume><number>5</number><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Xiao et al., 2019). به اعتقاد گلوور7(2018) سیستم های تولید و برنامه‌ریزی تولید فعلی شرکت‌های تولید شامل راهبردهای نگهداری آینده‌ای نیستند که امکان پیش بینی دقیق وظایف تعمیر و نگهداری را فراهم می‌کنند. بر اساس یک استراتژی نگهداری پیشگویی، این مدل اقداماتی را برای به حداقل رساندن هزینه‌های تولید عمومی و همچنین هزینه‌های تعمیر و نگهداری طی یک افق برنامه‌ریزی محدود می‌کند (contributors><titles><title>An approach for the integration of anticipative maintenance strategies within a production planning and control model</title><secondary-title>Procedia CIRP</secondary-title></titles><periodical><full-title>Procedia CIRP</full-title></periodical><pages>46-51</pages><volume>67</volume><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>Glawar et al., 2018).

نتایج تحقیق تن8 و همکاران (2017) نشان می‌دهد که عملکرد سیستم‌های تولید مدرن همچنان تحت تأثیر آسیب‌ها و خرابی‌های دستگاه قرار می‌گیرد. برنامه‌های تعمیر و نگهداری کافی باید به منظور رفع نیازهای در طول توقف تولید به علت شکست‌های غیرمنتظره یا اقدامات پیشگیرانه (PM) انجام شود. از این رو الگوریتم شبیه‌سازی شده بر روی آن لاینی همراه با یک ماژول شبیه‌سازی مونت کارلو به عنوان یک روش حل و فصل پیشنهاد شده است (key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Tan, D. </author><author>Chen, W.</author><author>Wang, H. </author></authors></contributors><titles><title>On the Use of Monte-Carlo Simulation and Deep Fourier Neural Network in Lane Departure Warning</title><secondary-title>in IEEE Intelligent Transportation Systems Magazine</secondary-title></titles><periodical><full-title>in IEEE Intelligent Transportation Systems Magazine</full-title></periodical><pages>76-90</pages><volume>9</volume><number>4</number><dates><year>2017</year></dates><urls></urls><electronic-resource-num>10.1109/MITS.2017.2743204</electronic-resource-num></record></Cite></EndNote>Tan et al., 2017). کانگ9(2018) در پژوهش خود به کنترل یکپارچه تعمیر و نگهداری پویا و تولید در یک سیستم تولید ناخوشایند اشاره دارد. در مقاله وی یک سیاست حفظ پویا ارائه می‌شود که شامل تعمیرات اصلاحی، پیشگیرانه و فرصت‌های بالقوه است. تعمیر و نگهداری فرصت‌های شغلی از خرابی ماشین‌ها به عنوان فرصت‌های بالقوه برای انجام تعمیر و نگهداری در سایر ماشین‌ها استفاده می‌کند (production in a failure-prone manufacturing system subjected to deterioration</title><secondary-title>Computers &amp; Industrial Engineering</secondary-title></titles><periodical><full-title>Computers &amp; Industrial Engineering</full-title></periodical><pages>309-320</pages><volume>119</volume><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>Kang & Subramaniam, 2018).

در پژوهش اگیر10(2018) رویکرد مبتنی بر بهینه‌سازی متوسط مدت برای ادغام برنامه‌ریزی تولید، برنامه‌ریزی و نگهداری پیشنهاد شده است. مشکل مطرح شده در پژوهش وی یک کارخانه تولید چند مرحله‌ای با واحدهای موازی و منابع محدود است (based approach for the integration of production planning, scheduling and maintenance</title><secondary-title>Computers &amp; Chemical Engineering</secondary-title></titles><periodical><full-title>Computers &amp; Chemical Engineering</full-title></periodical><pages>191-211</pages><volume>116</volume><dates><year>2018</year></dates><urls></urls></record></Cite></EndNote>Aguirre & Papageorgiou, 2018). بودجلیدا11 (2019) در پژوهش خود بیان داشته که تولید و نگهداری پیشگیرانه در صنایع بسیار مهم و استراتژیک عمل می‌کنند. با این حال، در بیشتر کارگاه تولیدی واقعی، برنامه‌ریزی فعالیت‌های مربوطه خود مستقل است و محدودیت تولید را نمی‌توان به خوبی برنامه‌ریزی کرد. بنابراین، با مشکل زمان‌بندی تولید و تعمیر و نگهداری و پیشگیری مواجه هستیم (dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Boudjelida, 2019).

شیخعلی‌شاهی12 (2019) در پژوهش خود مدل برنامه‌ریزی تولید را با در نظر گرفتن خطای انسانی و نگهداری پیشگیرانه ارائه کرده است. مدل پیشنهادی ریاضی شامل تمرکز بر اهداف متضاد شامل خطای کاری، خطای انسانی و قابلیت اطمینان به ماشین است. به منظور دستیابی به برنامه‌ریزی مطلوب، خطاهای انسانی، تعمیر و نگهداری و عوامل تولید به طور همزمان مورد توجه قرار می‌گیرند. خطای انسانی با روش ارزیابی و کاهش خطاهای انسانی (HEART) سنجیده می‌شود (srzev" timestamp="1733483319">7208</key></foreign-keys><ref-type name="Journal Article">17</ref-type><contributors><authors><author>Sheikhalishahi, M.</author><author>Eskandari, N.</author><author>Mashayekhi, A.</author><author>Azadeh, A.</author></authors></contributors><titles><title>Multi-objective open shop scheduling by considering human error and preventive maintenance</title><secondary-title>Applied Mathematical Modelling</secondary-title></titles><periodical><full-title>Applied Mathematical Modelling</full-title></periodical><pages>573-587</pages><volume>67</volume><dates><year>2019</year></dates><urls></urls></record></Cite></EndNote>Sheikhalishahi et al., 2019).

معرفی مورد مطالعه

در تحقیقات میدانی انجام شده در این پژوهش، ﺗﺄﻣﯿﻦ ﺗﻘﺎﺿﺎي اﻧﺮژي اﻟﮑﺘﺮﯾﮑﯽ ﻣﺸﺘﺮﮐﺎن در ﺳـﺎﻋﺖ‌ﻫﺎﯾﯽ ﮐﻪ ﻧﯿﺎز ﻣﺼﺮف ﮐﻨﻨﺪﮔﺎن ﺑﯿﺸﯿﻨﻪ ﻣﯽ‌ﺷﻮد (ﺳﺎﻋﺖ‌ﻫﺎي اوج ﻣﺼﺮف) ﯾﮑﯽ از دﻏﺪﻏﻪ‌ﻫﺎ و ﻣﻮﺿﻮﻋﺎت ﻣﻬﻤﯽ اﺳﺖ ﮐﻪ ﻣـﺪﯾﺮﯾﺖ ﺷـﺒﮑﮥ اﻟﮑﺘﺮﯾﮑﯽ ﻫﻤﻮاره درﮔﯿﺮ آن اﺳﺖ. ﻫﺮ ﺳﺎل ﻣﯿﺰان ﺗﻘﺎﺿﺎي ﺑﺎرﻫﺎي اﻟﮑﺘﺮﯾﮑﯽ در ایران در ﺳﺎﻋﺖ‌ﻫﺎي اوج ﻣﺼﺮف ﺷﺎﻫﺪ رﺷﺪ درﺧﻮر ﺗﻮﺟﻬﯽ ﻧﺴﺒﺖ ﺑﻪ ﺳﺎﻟﯿﺎن ﻗﺒﻞ اﺳﺖ. ﺑﺮاي ﻧﻤﻮﻧﻪ، ﻣﯿﺰان  ﭘﯿﮏ ﺳﺮاﺳﺮي ﺑﺎر ﺳﺎﻻﻧﻪ ﻃـﯽ ﺳـﺎل‌ﻫـﺎي  2015 ﺗـﺎ  2019 ﺑﻪ ﺗﺮﺗﯿﺐ ﺑﺮاﺑﺮ ﺑﺎ 53041 ﻣﮕﺎوات، 55442 ﻣﮕـﺎوات و 57097 ﻣﮕﺎوات اﺳﺖ. ﺑﺮرﺳﯽ ﭘﯿﮏ‌ﻫﺎي ﺳﺮاﺳﺮي ﺳﺎﻻﻧﮥ ده ﺳﺎل اﺧﯿﺮ ﺑﯿـﺎن ﮐﻨﻨﺪة رﺷﺪ ﻣﯿﺎﻧﮕﯿﻦ ﺳﺎﻻﻧﮥ 4/8 درﺻﺪي ﺑﺎر ﭘﯿﮏ ﺳﺮاﺳﺮي در ﻫﺮ ﺳﺎل اﺳـﺖ. از ﺳﻮي دﯾﮕﺮ، ﺳﺎﻋﺖﻫـﺎي اوج ﻣﺼﺮف، درﺻﺪ ﮐﻤﯽ از ﮐﻞ زﻣﺎن‌ﻫﺎي ﺳﺎل را ﺷﺎﻣﻞ ﻣﯽﺷـﻮد ﮐﻪ ﺑﺮاي ﺗﺄﻣﯿﻦ ﺑﺎر آن ﺑﺎﯾﺪ ﻧﯿﺮوﮔﺎه‌ﻫﺎي ﺟﺪﯾﺪي اﺣﺪاث ﺷﻮد ﮐﻪ ﻓﻘﻂ در ﺳﺎﻋﺖ‌ﻫﺎي اوج ﻣﺼﺮف ﺳﺎﻻﻧﻪ ﺑﻬﺮه ﺑﺮداري ﻣﯽ‌ﺷﻮﻧﺪ. از آﻧﺠﺎ  ﮐﻪ اﺧﺘﻼف ﻣﯿﺰان ﺗﻘﺎﺿﺎي ﺑﺎرﻫﺎي اﻟﮑﺘﺮﯾﮑﯽ در ﺳﺎﻋﺖﻫﺎي ﮐﻢ ﺑﺎر و اوج ﺑﺎر در ﺑﺮﺧﯽ از روزﻫﺎ ﺑﻪ ﭼﻨﺪ ﻫـﺰار ﻣﮕﺎوات ﻧﯿﺰ ﻣﯽرﺳﺪ، اﺳﺘﻔﺎده از ﻧﯿﺮوﮔﺎه‌ﻫﺎي ﺑﺮق آﺑﯽ ﺗﻠﻤﺒـﻪ ـ ذﺧﯿﺮه ﺑﺎ ﻇﺮﻓﯿﺖ ﻣﻨﺎﺳﺐ ﺑﺮاي ﺗﺴﻄﯿﺢ ﻣﻨﺤﻨﯽ ﺗﻮﻟﯿﺪ و ﻣﺼﺮف ﺗﻮان اﻟﮑﺘﺮﯾﮑﯽ، ﺑﺴﯿﺎر ﮐﺎرآﻣﺪ و ﻗﺎﺑﻞ ﺗﻮﺟﯿﻪ اﺳﺖ.

ﻧﯿﺮوﮔﺎه‌ﻫﺎي ﺗﻠﻤﺒﻪ ـ ذﺧﯿﺮه ﺑﻪ ﻃﻮر ﮔﺴﺘﺮده ﺑﺮاي ذﺧﯿﺮة اﻧﺮژي اﺳﺘﻔﺎده ﻣﯽ‌ﺷﻮﻧﺪ. در زﻣﺎن‌ﻫﺎﯾﯽ ﮐﻪ ﺗﻘﺎﺿﺎي ﺑﺮق ﮐﻢ اﺳﺖ (ﻣﻌﻤﻮﻻً ﻧﯿﻤﻪ ﺷﺐ)، اﺿﺎﻓﻪ ﺗﻮﻟﯿﺪ ﻧﯿﺮوﮔﺎه‌ﻫﺎي اﻟﮑﺘﺮﯾﮑﯽ ﺗﻮﺳﻂ ﭘﻤﭙﺎژ آب از ﯾﮏ ﻣﺨﺰن ﭘﺎﯾﯿﻦ‌ﺗﺮ ﺑﻪ ﯾـﮏ ﻣﺨـﺰن  ﺑﺎﻻﺗﺮ اﻧﺘﻘﺎل ﻣﯽ‌ﯾﺎﺑﺪ و ﺳﯿﺎل در ﺳﺪ ﺑﺎﻻﺗﺮ ذﺧﯿﺮه ﻣﯽ‌ﺷﻮد. ﻃﯽ روز ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﺗﻘﺎﺿﺎ اﻓﺰاﯾﺶ ﻣﯽ‌ﯾﺎﺑﺪ، اﻧﺮژي ذﺧﯿﺮه ﺷﺪه (در ﻗﺎﻟﺐ اﺧﺘﻼف ﭘﺘﺎﻧﺴﯿﻞ ﺳﯿﺎل) ﺑﻪ ﺑﺮق ﺗﺒﺪﯾﻞ ﻣﯽ‌ﺷﻮد. لذا، ﻃﯽ ﻓﺮاﯾﻨﺪ ذﺧﯿﺮهﺳﺎزي و ﺗﻮﻟﯿﺪ ﺗﻮان، ﺣﺪود 15 ﺗـﺎ 30 درﺻﺪ اﺗﻼف اﻧﺮژي ﻧﯿﺰ وﺟﻮد دارد. ﺑﻪ  ﻃﻮر ﻣﻌﻤﻮل، ﻓﺮاﯾﻨﺪ ﺗﻠﻤﺒﻪ ﮐﺮدن ۶/۱۳ درﺻﺪ ﺗﻠﻔﺎت اﻧﺮژي دارد ﮐـﻪ از اﯾـﻦﻣﻘـﺪار، ۵/۰ درﺻﺪ در ﺗﺮاﻧﺴﻔﻮرﻣﺎﺗﻮرﻫﺎ، 3 درﺻﺪ در ﻣﻮﺗﻮرﻫﺎ، ۶/۹ درﺻﺪ در ﭘﻤﭗ ﻫﺎ و ۵/۰ درﺻﺪ در ﻟﻮﻟﻪ‌ﻫﺎ ﺻﻮرت  ﻣﯽﭘـﺬﯾﺮد. ﻫﻤﭽﻨﯿﻦ، ﺑﻪ ﻃﻮر ﻣﻌﻤﻮل ﻓﺮاﯾﻨﺪ ﺗﻮﻟﯿﺪ ﺗﻮان ۱/۹ درﺻﺪ ﺗﻠﻔﺎت دارد ﮐﻪ از اﯾﻦ ﻣﻘﺪار، ۴/۰ درﺻﺪ در ﺗﺮاﻧﺴﻔﻮرﻣﺎﺗﻮرﻫﺎ، ۴/۱ درﺻﺪ در ژﻧﺮاﺗﻮرﻫﺎ، ۵/۶ درﺻﺪ در ﺗﻮرﺑﯿﻦ‌ﻫﺎ و ۸/۰ درﺻﺪ در ﻟﻮﻟﻪ‌ﻫﺎ اﺗﻼف اﻧﺮژي وﺟﻮد دارد (Studies of Iran</title></titles><pages>217-242</pages><volume>5</volume><number>17</number><dates><year>2016</year></dates><urls><related-urls><url>https://profdoc.um.ac.ir/paper-abstract-1057310.html</url></related-urls></urls></record></Cite></EndNote>Khodaparast & Ghezelbash, 2016). ﻧﯿﺮوﮔﺎه ﻫﺎي ﺗﻠﻤﺒﻪ ـ ذﺧﯿـﺮه در ﮐﺸﻮرﻫﺎي ﻣﺨﺘﻠﻔﯽ ﻫﻤﺎﻧﻨﺪ ﭼﯿﻦ، ﻫﻨﺪ، ژاﭘﻦ، اروﭘﺎ و اﯾﺎﻻت  ﻣﺘﺤﺪة آﻣﺮﯾﮑﺎ اﺳﺘﻔﺎده ﺷﺪه اﺳﺖ. ﺑﻪ  ﻃﻮر ﮐﻠﯽ، ﻧﯿﺮوﮔﺎه ﻫﺎي ﺗﻠﻤﺒﻪ ـ ذﺧﯿﺮه در ﮐﺸﻮرﻫﺎﯾﯽ ﮐﻪ ﺳﻬﻢ ﻋﻤﺪه‌اي از ﺗﻮان اﻟﮑﺘﺮﯾﮑﯽ ﺧﻮد را از ﻧﯿﺮوﮔﺎه ﻫﺎي ﻫﺴﺘﻪ‌اي (ﻣﺎﻧﻨﺪ ﻓﺮاﻧﺴﻪ و ژاﭘﻦ) و ﻧﯿﺮوﮔﺎه‌ﻫﺎﯾﯽ ﺑﺎ  ﺳﻮﺧﺖ زﻏﺎل ﺳﻨﮓ (ﻣﺎﻧﻨﺪ آﻣﺮﯾﮑﺎ) ﺗﺄﻣﯿﻦ ﻣﯽ‌ﮐﻨﻨﺪ، ﻣﺘﻤﺮﮐﺰﻧﺪ. از این رو قابلیت اطمینان سیستم در این فرآیندها بسیار پر اهمیت است. از این رو در این پژوهش یک مدل ریاضی جدید در حوزه برنامه‌ریزی تولید انرژی در نیروگاه و نگهداری و تعمیرات دستگاه‌ها و توربین‌ها ارائه خواهد شد.

روش پژوهش

فرضیات مسئله

·       دو نوع محصول (تولید انرژی) در مدل‌سازی لحاظ می‌شود. تولید انرژی تجدید پذیر برای ارسال سیال به مخزن بالادست و انرژی تجدید ناپذیر ارسال سیال از مخزن بالا به پایین برای تولید انرژی.

·       دوره زمانی محدود می باشد.

·       ایستگاه پمپاژ بصورت موازی مشغول به کار هستند.

·       ژنراتورهای تولید انرژی در بخش تجدید پذیر فعال نیستند و فقط در بخش تجدید ناپذیر فعال هستند.

·       ایستگاه پمپاژ در بخش تجدید ناپذیر فعال نیستند و فقط در بخش تجدید پذیر فعال هستند.

·       عملیات نگهداری و تعمیرات تنها بخشی از ظرفیت تولید ژنراتورها و ایستگاه پمپاژ را مسدود می‌سازد و کل سیستم از دسترس خارج نمی‌گردد.

·       در هر دوره تعداد ژنراتورها و پمپاژ وابسته به تقاضا می‌توانند کم و یا زیاد شوند.

·       تقاضای شبکه دارای عدم قطعیت برنامه ریزی امکانی است.

مدل سازی مساله

·        اندیس نوع انرژی تولیدی (تجدید پذیر و تجدید ناپذیر)

·        اندیس دوره زمانی

·        اندیس کلیه تجهیزات نیروگاه

·        اندیس کلیه تجهیزات پمپاژ سیال از پایین به بالا

·        اندیس کلیه ژنراتورها

·       پارامترهای مدل

·        تقاضا برای انرژی i در دوره t

·        هزینه تولید انرژی i در دوره t توسط تجهیزات پمپاژ j1 در لود نامی

·        هزینه تولید انرژی i در دوره t توسط ژنراتور j2 در اوور لود

·        هزینه ثابت بکارگیری هر پمپ در دوره t توسط ایستگاه پمپاژ j1  در لود نامی

·        هزینه ثابت بکارگیری هر پمپ در دوره t توسط ایستگاه پمپاژ j1  در اوور13 لود

·        هزینه ثابت (سربار تولید) تولید انرژی i در دوره t 

·        هزینه ثابت راه اندازی ایستگاه پمپاژ و ژنراتور j در تولید انرژی i در دوره t 

·        هزینه نگهداری پیشگیرانه ایستگاه پمپاژ و ژنراتور j در دوره t 

·        هزینه انتقال انرژی ایستگاه پمپاژ و ژنراتور j در دوره t 

·        هزینه عدم پاسخ به تقاضای انرژی i در دوره t 

·        هزینه از کار افتادگی پمپاژ j1  در دوره t 

·        هزینه بکارگیری پمپاژ j1  جدید در دوره t 

·        هزینه نگهداری اصلاحی ایستگاه پمپاژ و ژنراتور j در دوره t 

·        حداکثر ظرفیت تولید انرژی i در دوره t 

·        حداکثر سقف کسری تولید انرژی i در دوره t 

·        حداکثر سقف تولید انرژی i در دوره t در اوور لود

·        حداکثر تعداد تولید کننده انرژی در دسترس دوره t

·        تعداد ساعت کارکرد تجهیزات نیروگاه j  در تولید انرژی دوره t

·        درصد کارکرد تجهیزات نیروگاه j در دوره t در اوور لود

·        تعداد تجهیزات نیروگاه j  برای تولید انرژی در دوره t در لود نامی

·        تعداد تجهیزات نیروگاه j  برای تولید انرژی در دوره t در اوور لود

·        زمان مورد نیاز تجهیز نیروگاهی j برای تولید انرژی i

·        ظرفیت در دسترس تجهیز j برای تولید انرژی در دوره t

·        درصدی از حداکثر سقف کسری تولید انرژی i در دوره t 

·        درصدی از ظرفیت تولید تجهیزات نیروگاه j  برای تولید انرژی در دوره t که در اثر نت پیشگیرانه از دست می رود.

·        درصدی از ظرفیت تولید تجهیزات نیروگاه j  برای تولید انرژی در دوره t که در اثر نت اصلاحی از دست می رود.

·        درصدی از ظرفیت تولید تجهیزات نیروگاه j  برای تولید انرژی در دوره t می تواند اوور لود شود.

متغیر تصمیم

·          اگر تجهیز j توانایی تولید انرژی i در دوره t داشته باشد 1 در غیر این صورت 0

·          میزان تولید انرژی i توسط تجهیز j در دوره t در لود نامی انتقال داده شده

·          میزان تولید انرژی i توسط تجهیز j در دوره t در اوور لود انتقال داده شده

·          تعداد تجهیز j مورد نیاز در دوره t

·          تعداد تجهیز j اضافه شده در دوره t

·          تعداد تجهیز j از سرویس خارج شده در دوره t

·          ساعت کارکرد اوور لود تجهیز j در دوره t

·          سطح تولید انرژی i در دوره t

·          سطح کسری تولید انرژی i در دوره t

·          اگر نت پیشگیرانه برای تجهیز j  در دوره t اجرا شود 1 در غیر این صورت 0

·          اگر نت اصلاحی برای تجهیز j  در دوره t اجرا شود 1 در غیر این صورت 0

رویکرد استوار

در این تحقیق، با توجه به ماهیّت گسسته و شبه سناریوی داده­ها، از فرمول­سازی استوار ملوی14 برای رویکرد استوار استفاده شده است. به این دلیل که مدل ملوی برای فرمول­سازی ریاضیاتی نویزهای ارزیابی آنالیز بهتری در مقایسه با دیگر روش­های پایداری دارد. رویکرد مالوی در دو حوزه استواری مدل و استواری راه­حل ارائه شده است.

به منظور فرمول­سازی مسأله بر اساس روش بهنیه­سازی استوار ملوی نمادهای مدل معرفی می­شوند. محور X نشان دهنده پارامترهای طراحی است در حالی که محور Y نشان دهنده پارامترهای گواه است. A، B و C ضرایب پارامترها، b و e بردارهای پارامتر (مقادیر در طرف راست) هستند. A و B مقادیر معیّن بوده در حالی­که B، C و e ماهیّتی غیرقطعی دارند. یک درک مشخص از پارامترهای عدم قطعیّـت یک سناریو نامیده می­شود که نماد s به آن تخصیص داده شده است و احتمال آن با Ps نشان داده می­شود.

برای نشان دادن مجموعه­ای از سناریو­ها، از نماد  استفاده می­شود. ضرایب عدم قطعیّت با Bs، Cs، es نشان داده می­شوند و برای هر سناریو  تخصیص داده شده است. به علاوه، از آنجایی که متغیّر گواه Y بعد از درک سناریو تعدیل می­شود، نماد Ys را می­توان به سناریو S تخصیص داد. به خاطر عدم قطعیّت پارامترها، مدل می­تواند برای تعدادی از سناریوها غیرممکن شود، بنابراین،  غیرعملی بودن مدل در هر سناریو S را نشان می­دهد. اگر مدل عملی باشد  برابر با 0 است در غیر این صورت، برابر با یک مقدار مثبت از معادله خواهد بود.

یافته‌های پژوهش

در این بخش به بررسی یافته‌های پژوهش پرداخته خواهد شد. از این رو در بخش اول ابتدا به ارائه پارامترهای پژوهش پرداخته شده سپس تابع چگالی‌های احتمال بحث می‌شود و سپس دفازی سازی مقادیر پارامترهای معرفی شده و در تحلیل متغیرهای پژوهش بررسی و ارزیابی خواهد شد. از این رو با توجه به اینکه مسأله مورد مطالعه یک مسأله NP-HARD می‌باشد، از این رو جهت ارزیابی و حل مدل مسأله از الگوریتم فرا ابتکاری ژنتیک استفاده شده است که پس از معرفی پارامترهای مسأله شرح آن ارائه می‌شود. 

معرفی پارامتر های مدل ریاضی

جهت ارزیابی مدل ریاضی ابتدا اندیس‌های مسأله معرفی می‌شود. در مسأله مورد مطالعه نوع انرژی تولید را به چهار طبقه‌بندی معرفی می‌نمائیم (i=4) که به شرح انرژی بادی، انرژی خورشیدی، انرژی الکتریکی و انرژی فسیلی طبقه‌بندی می‌شود. تجهیزات نیروگاه را در سه بخش جدا از هم طبقه‌بندی می‌نمائیم (j=3) نیروگاه بخش 1 و نیروگاه بخش 2 و نیروگاه بخش 3. همچنین مسأله مورد مطالعه را برای 4 دوره زمانی (t=4) طرح‌ریزی می‌نمائیم. از این رو تقاضای انرژی مورد نیاز برق منطقه‌ای که نیاز است تا نیروگاه تولید نماید در جدول شماره 1 معرفی شده است.

جدول 1. تقاضای برق منطقه ای اعلام شده جهت تولید در هر دوره (Source:By author)

 

همانطور که در بیان مسأله معرفی شد، هزینه‌های استفاده از تجهیزات از تابع فازی مثلثی بهره گیری می‌کند که این توابع احتمال مثلثی به شرح جدول شماره ۲ است.

 

جدول 2. هزینه های فازی بکارگیری تجهیزات نیروگاهی (Source:By author)

 

T=1

T=2

T=3

T=4

I=1

652000

654000

666000

668000

I=2

652000

667000

667000

668000

I=3

653000

668000

673000

688000

I=4

635000

640000

640000

645000

 

همچنین، پارامترهای حداکثر ظرفیت تولید و حداکثر سقف تولید انرژی و حداکثر سقف کسری تولید انرژی و درصد حداکثر سقف کسری تولید انرژی در دوره های مختلف به شرح نمودار شماره 1 می‌باشد.

نمودار 1. پارامتر های تولید انرژی و کسری انرژی تولید شده از بخش های مختلف نیروگاه (Source:By author)

توسعه الگوریتم فرا ابتکاری در حل مسأله

تنظیم پارامترهای الگوریتم فرا ابتکاری

کالیبراسیون الگوریتم یکی از مهم‌ترین مراحل طراحی الگوریتم­های فراابتکاری در دستیابی به جواب­های بهینه مناسب می­باشد. از آنجایی که مقادیر مختلف پارامترهای کنترل­کننده این الگوریتم­ها ممکن است شاخص­های محاسباتی شامل کیفیت جواب­ها و زمان محاسباتی را تحت تأثیر قرار دهند، غالباً مجموعه­ای از آزمایشات کالیبراسیون به منظور یافتن ترکیب بهینه مقادیر متفاوت پارامترهای کنترل کننده الگوریتم صورت می‌پذیرد. الگوریتم­های پیشنهادی این تحقیق الگوریتم­های ژنتیک و رقابت استعماری می­باشد. پارامترهای کنترل کننده الگوریتم ژنتیک عبارتند از: اندازه جامعه اولیه ()، نرخ تقاطع ()، نرخ جهش ()، حداکثر تعداد نسل­ها ().

پارامتر­های کنترل­کننده الگوریتم رقابت استعماری عبارتند از: تعداد همسایگی­های تولید شده ()، تعداد تکرار الگوریتم رقابت استعماری (Decade) و درصد تأثیر قدرت کل مستعمرات هر امپراطوری روی قدرت آن (PICA). هر یک از این پارامترها در بازه خاصی از مقادیر خود بر روی شاخص­های محاسباتی اثرگذار هستند و در خارج از این بازه تأثیر ناچیز و قابل چشم پوشی دارند. شاخص­های محاسباتی به کار رفته در انجام آزمایشات این بخش و بخش­های آتی، میانگین مقادیر تابع هدف برای جواب­های بهینه و میانگین زمان­های محاسباتی آن­ها در هر ده تکرار از الگوریتم می­باشند. به منظور بررسی اثرات متقابل پارامترهای کنترل­کننده الگوریتم­های پیشنهادی و دستیابی به ترکیب بهینه آن­ها مجموعه­ای از آزمایشات با توجه به روش تاگوچی طراحی می­گردد. هر یک از پارامترهای ذکر شده در بخش قبل برای هریک از الگوریتم­های پیشنهادی در سه سطح مورد آزمون قرار می­گیرند. سطوح پاسخ نیز میانگین جواب­های حاصل شده و میانگین زمان­های محاسباتی می­باشد. به منظور در نظر گرفتن همزمان کیفیت جواب­ها و زمان محاسباتی، مقادیر این دو، نرمالایز شده و با هم جمع می شود. در ابتدا پارامتر­های الگوریتم ژنتیک و سپس پارامتر­های الگوریتم رقابت استعماری را مورد آزمون قرار می­دهیم. فاکتورهای مورد نظر و سطوح آن­ها در جدول شماره 2 برای الگوریتم ژنتیک نمایش داده شده ­است.

جدول 2. فاکتورها و سطوح آن­ها (Source:By author)

img0 

 هزینه تولید انرژی i در دوره t توسط ژنراتور j2 در اوور لود

img0 

 هزینه تولید انرژی i در دوره t توسط تجهیزات پمپاژ j1 در لود نامی

img0 

 هزینه ثابت (سربار تولید) تولید انرژی i در دوره t

img0 

 هزینه ثابت بکارگیری هر پمپ در دوره t توسط ایستگاه پمپاژ j1  در لود نامی

img0 

 هزینه نگهداری پیشگیرانه ایستگاه پمپاژ و ژنراتور j در دوره t

img0 

 هزینه ثابت راه اندازی ایستگاه پمپاژ و ژنراتور j در تولید انرژی i در دوره t

img0 

 هزینه عدم پاسخ به تقاضای انرژی i در دوره t

img0 

 هزینه انتقال انرژی ایستگاه پمپاژ و ژنراتور j در دوره t

img0 

 هزینه نگهداری اصلاحی ایستگاه پمپاژ و ژنراتور j در دوره t

img0 

 هزینه از کار افتادگی پمپاژ j1  در دوره t

 

آزمایش‌های موردنیاز برای بررسی ترکیبات مختلف فاکتور­ها و پاسخ­های مرتبط با آن­ها در جدول شماره 3 مشخص شده است. داده­های تولید شده توسط نرم­افزار MINITAB 14 آنالیز شده و نتایج بدست آمده از آن در جداول ارائه شده است.

جدول 3. ترکیبات فاکتورها و سطوح پاسخ مربوطه در آزمایشات چندعاملی (Source:By author)

فاکتور

سطوح

 

200, 300, 400

 

0.8 0.7,، 0.6

 

0.15، 0.12 ، 0.10

 

200,300,400

 

0.10,0.15,0.2

 

برای بررسی همزمان تأثیر فاکتورها بر کیفیت جواب و زمان محاسباتی، مقادیر جواب­ها و زمان­های محاسباتی، نرمالایز شده، با هم جمع شده و به صورت یک متغیر پاسخ در آمده است. در نهایت، معکوس این عدد محاسبه شده و به عنوان متغیر پاسخ در نظر گرفته شده است. هرچه این عدد بزرگتر باشد، مطلوب­تر خواهد بود. این موضوع در جدول شماره 4 به نمایش درآمده است.

جدول 4. ترکیبات فاکتورها و سطوح پاسخ نرمالایز شده در آزمایشات چندعاملی (Source:By author)

 

 

 

 

 

 

(s)

200

0.6

0.10

0.10

200

164.00

6.56

200

0.6

0.10

0.10

300

42.00

11.80

200

0.6

0.10

0.10

400

46.70

13.73

200

0.7

0.12

0.15

200

40.00

8.50

200

0.7

0.12

0.15

300

13.67

12.60

200

0.7

0.12

0.15

400

32.33

13.75

200

0.8

0.15

0.20

200

66.33

12.45

200

0.8

0.15

0.20

300

26.33

16.58

200

0.8

0.15

0.20

400

27.00

20.70

300

0.6

0.12

0.20

200

20.67

14.17

300

0.6

0.12

0.20

300

14.33

23.07

300

0.6

0.12

0.20

400

48.33

12.80

300

0.7

0.15

0.10

200

20.33

16.21

300

0.7

0.15

0.10

300

21.67

22.89

300

0.7

0.15

0.10

400

44.67

13.21

300

0.8

0.10

0.15

200

18.67

22.58

300

0.8

0.10

0.15

300

22.33

23.54

300

0.8

0.10

0.15

400

49.10

12.51

400

0.6

0.15

0.15

200

15.00

28.12

400

0.6

0.15

0.15

300

45.20

14.30

400

0.6

0.15

0.15

400

26.57

20.01

400

0.7

0.10

0.20

200

14.87

27.95

400

0.7

0.10

0.20

300

14.65

27.80

400

0.7

0.10

0.20

400

13.00

29.14

400

0.8

0.12

0.10

200

8.60

34.00

400

0.8

0.12

0.10

300

9.20

31.23

400

0.8

0.12

0.10

400

7.60

31.46

بر اساس نتایج به دست آمده از ضرایب همبستگی فاکتورها برای نسبت­های SN، مشاهده گردید که در سطح اطمینان 95% فاکتورهای  ،، ،  و تأثیر معنی­داری بر روی پاسخ­ها دارند. همچنین برای فاکتورهای مورد آزمایش، آنالیز واریانس نسبت به ضریب  SNو میانگین پاسخ­ها صورت گرفت. با توجه به آنالیز واریانس صورت گرفته، همانطورکه انتظار می­رفت فاکتور های   و با ارزش P کمتر از 05/0 دارای اثر معنی­داری بر روی پاسخ­ها می­باشند.

به منظور تعیین اولویت یا درجه اهمیت هر کدام از فاکتورها، سطوح پاسخ­ با توجه به شاخص­های میانگین پاسخ­ها و نسبت­های SN بررسی شده و فاکتورها رتبه­بندی می­شوند. جدول پاسخ­ها نشان­­دهنده متوسط هر شاخص پاسخ برای هر سطح از هر فاکتور می­باشد. جدول­های 5 و 6 رتبه­بندی فاکتورها را با توجه به تحلیل پاسخ نسبت به ضرایبSN  و میانگین­ها نمایش می­دهند.

جدول 5. جدول پاسخ نسبت­های SN (Source:By author)

 

 

 

 

 

 

 

200

0.6

0.10

0.10

200

0.200401

4.99

200

0.6

0.10

0.10

300

0.070722

14.14

200

0.6

0.10

0.10

400

0.079804

12.53

200

0.7

0.12

0.15

200

0.062105

16.10

200

0.7

0.12

0.15

300

0.039810

25.12

200

0.7

0.12

0.15

400

0.063385

15.78

200

0.8

0.15

0.20

200

0.099832

10.02

200

0.8

0.15

0.20

300

0.061938

16.15

200

0.8

0.15

0.20

400

0.070604

14.16

300

0.6

0.12

0.20

200

0.050836

19.67

300

0.6

0.12

0.20

300

0.060636

16.49

300

0.6

0.12

0.20

400

0.079888

12.52

300

0.7

0.15

0.10

200

0.054357

18.40

300

0.7

0.15

0.10

300

0.068697

14.56

300

0.7

0.15

0.10

400

0.076483

13.07

300

0.8

0.10

0.15

200

0.064667

15.46

300

0.8

0.10

0.15

300

0.070699

14.14

300

0.8

0.10

0.15

400

0.080214

12.47

400

0.6

0.15

0.15

200

0.071084

14.07

400

0.6

0.15

0.15

300

0.079179

12.63

400

0.6

0.15

0.15

400

0.068788

14.54

400

0.7

0.10

0.20

200

0.070609

14.16

400

0.7

0.10

0.20

300

0.070070

14.27

400

0.7

0.10

0.20

400

0.070749

14.13

400

0.8

0.12

0.10

200

0.075026

13.33

400

0.8

0.12

0.10

300

0.070403

14.20

400

0.8

0.12

0.10

400

0.069012

14.49

 

همانطور که مشاهده می­گردد، فاکتور  در هر دو جدول دارای بالاترین رتبه بوده و پس از آن فاکتور  در رتبه دوم قرار دارد. رتبه­بندی سایر فاکتورها نیز برای شاخص­های میانگین پاسخ­ها و ضرایب SN یکسان است.

جدول 6. جدول پاسخ میانگین­ها (Source:By author)

 

 

 

 

 

 

1

22.47

22.15

21.86

22.06

22.40

2

23.53

24.01

24.12

23.67

23.77

3

22.90

22.74

22.93

23.17

22.73

Delta

1.06

1.86

2.25

1.61

1.38

Rank

5

2

1

3

4

 

بدین ترتیب، مقادیر پارامترهای کنترل کننده الگوریتم ترکیبی ژنتیک پیشنهادی و نیز فاکتورهای مورد نظر و سطوح آن­ها برای الگوریتم رقابت استعماری نمایش مطابق جدول شماره ۷ تنظیم می­شوند.

جدول 7. مقادیر بهینه­ی پارامترهای کنترل کننده (Source:By author)

 

 

 

 

 

 

1

14.33

13.51

12.92

13.30

14.02

2

15.20

16.18

16.41

15.59

15.74

3

13.98

13.82

14.18

14.62

13.74

Delta

1.22

2.67

3.49

2.29

2.00

Rank

5

2

1

3

4

 

آزمایش‌های مورد نیاز برای بررسی ترکیبات مختلف فاکتور­ها و پاسخ­های مرتبط با آن­ها در جدول شماره 8 مشخص شده است.

جدول 8.ترکیبات مربوطه فاکتورها و سطوح پاسخ در آزمایشات چندعاملی (Source:By author)

فاکتور

سطوح

 

300

 

0.7

 

0.12

 

0.15

 

300

فاکتورها و سطوح آن­ها

فاکتور

سطوح

 

300, 400, 500

decade

400 ، 300، 200

 

0.12 ، 0.10 ، 0.08

 

برای بررسی همزمان تأثیر فاکتورها بر کیفیت جواب و زمان محاسباتی، مقادیر جواب­ها و زمان­های محاسباتی، نرمالایز شده، با هم جمع شده و به صورت یک متغیر پاسخ در آمده است. در نهایت، معکوس این عدد محاسبه شده و به عنوان متغیر پاسخ در نظر گرفته شده است. هرچه این عدد بزرگتر باشد، مطلوب­تر خواهد بود. این موضوع در جدول شماره 9 به نمایش درآمده است.

جدول 9. ترکیبات فاکتورها و سطوح پاسخ نرمالایز شده در آزمایشات چندعاملی (Source:By author)

 

decade

 

 

(s)

300

200

0.08

85.2

0.66

300

200

0.08

40.6

0.82

300

200

0.08

40.2

1.13

300

300

0.10

36.0

0.65

300

300

0.10

23.0

0.83

300

300

0.10

27.8

1.14

300

400

0.12

46.2

0.65

300

400

0.12

31.4

0.80

300

400

0.12

30.8

1.15

400

200

0.10

19.0

1.29

400

200

0.10

19.0

1.86

400

200

0.10

25.6

0.98

400

300

0.12

30.6

1.27

400

300

0.12

37.8

1.87

400

300

0.12

36.2

0.99

400

400

0.08

19.0

1.28

400

400

0.08

21.8

1.92

400

400

0.08

23.0

0.98

500

200

0.12

21.4

2.55

500

200

0.12

24.6

1.25

500

200

0.12

19.0

1.77

500

300

0.08

22.6

2.59

500

300

0.08

26.0

1.24

500

300

0.08

23.4

1.66

500

400

0.10

32.2

2.60

500

400

0.10

28.2

1.30

500

400

0.10

22.6

1.74

 

بر اساس نتایج ضرایب همبستگی فاکتورها برای نسبت­هایSN ، مشاهده شد که در سطح اطمینان 95% فاکتورهای ، ،  ، تأثیر معنی­داری بر روی پاسخ­ها دارند. همچنین برای فاکتورهای مورد آزمایش، آنالیز واریانس نسبت به ضریب  SNو میانگین پاسخ­ها صورت گرفت.

با توجه به آنالیز واریانس صورت گرفته، همانطورکه انتظار می­رفت، فاکتورهایdecade   و با ارزش P کمتر از 05/0دارای اثر معنی­داری بر روی پاسخ­ها می­باشند. به منظور تعیین اولویت یا درجه اهمیت هر کدام از فاکتورها، سطوح پاسخ­ با توجه به شاخص­های میانگین پاسخ‌ها و نسبت­های SN بررسی شده و فاکتورها رتبه­بندی می­شوند. جدول پاسخ­ها نشان­­دهنده متوسط هر شاخص پاسخ برای هر سطح از هر فاکتور می­باشد. جدول‌های شماره 10 و 11 رتبه­بندی فاکتورها را با توجه به تحلیل پاسخ نسبت به ضرایبSN  و میانگین­ها نمایش می­دهند.

جدول 10. جدول پاسخ نسبت­های SN (Source:By author)

 

decade

 

 

 

300

200

0.08

0.122624

8.16

300

200

0.08

0.072106

13.87

300

200

0.08

0.080000

12.50

300

300

0.10

0.061851

16.17

300

300

0.10

0.050734

19.71

300

300

0.10

0.065022

15.38

300

400

0.12

0.074394

13.44

300

400

0.12

0.060252

16.60

300

400

0.12

0.068981

14.50

400

200

0.10

0.058258

17.17

400

200

0.10

0.073676

13.57

400

200

0.10

0.057989

17.24

400

300

0.12

0.071981

13.89

400

300

0.12

0.097065

10.30

400

300

0.12

0.071294

14.03

400

400

0.08

0.057987

17.25

400

400

0.08

0.078742

12.70

400

400

0.08

0.054791

18.25

500

200

0.12

0.095291

10.49

500

200

0.12

0.064062

15.61

500

200

0.12

0.071241

14.04

500

300

0.08

0.097848

10.22

500

300

0.08

0.065513

15.26

500

300

0.08

0.073676

13.57

500

400

0.10

0.109924

9.10

500

400

0.10

0.069841

14.32

500

400

0.10

0.074857

13.36

 

همانطور که مشاهده می­گردد، فاکتور در هر دو جدول دارای بالاترین رتبه بوده و پس از آن فاکتوردر رتبه دوم قرار دارد. رتبه فاکتور decade نیز برای شاخص­های میانگین پاسخ­ها و ضرایب SN به یکسان است.

جدول 11. جدول پاسخ میانگین­ها  (Source:By author)

 

 

 

 

1

22.79

22.20

22.07

2

23.17

22.75

23.17

3

21.77

22.78

21.77

Delta

1.40

0.59

1.15

Rank

1

3

2

 

بدین ترتیب، مقادیر پارامترهای کنترل کننده الگوریتم رقابت استعماری پیشنهادی مطابق جدول شماره ۱۲ تنظیم می‌شوند.

جدول 12. مقادیر بهینه­ی پارامترهای کنترل کننده (Source:By author)

 

 

 

 

1

14.48

13.63

13.53

2

14.93

14.28

15.11

3

12.89

14.39

13.66

Delta

2.05

0.76

1.58

Rank

1

3

2

 

ارزیابی الگوریتم­ها

از یک انحراف نسبی(RPD) بعنوان معیاری برای مقایسه دو الگوریتم GA، ICA استفاده می‌شود، رابطه (۱). در حقیقت برای سنجش کارایی این الگوریتم­ها از دو دسته مسائل کوچک، متوسط و بزرگ استفاده می‌شود. نتایج آزمایشات، بهترین جواب، بدترین جواب، میانگین جواب­ها و میانگین زمان­های اجرا و همچنین، مقدار RPD و متوسط زمان­های اجرا در جدول شماره 13 ارائه شده­اند.

رابطه1)

 

 

شرط توقف الگوریتم­ها نیز 100 ثانیه در نظر گرفته شده، آزمایشات اولیه نشان دادند که این الگوریتم­ها معمولاً ظرف قبل از این زمان به بهترین جواب خود می­رسند و اولین زمانی که به بهترین مقدار تابع هدف رسیدند، ثبت شده است.

جدول 13. مقادیر به دست آمده از اجراهای متفاوت برای گمز هر دو الگوریتم پیشنهادی (Source:By author)

فاکتور

سطوح

 

400

decade

300

 

190

j

i

GAMS

GA

ICA

 

 

Global Optimal Time

Best Worst Mean Time

Best Worst Mean Time

 

 

4

 

3

1

0:00:06

1

1

1

0:00:16

1

1

1

0:00:14

5

4

0:00:09

4

4

4

0:00:17

4

4

4

0:00:17

7

9

0:00:11

9

9

9

0:00:20

9

9

9

0:00:19

 

 

6

3

6

0:00:10

6

6

6

0:00:30

6

6

6

0:00:30

5

12

0:05:42

12

12

12

0:00:37

11

12

11.33

0:00:33

7

11

0:19:11

11

11

11

0:00:43

11

11

11

0:00:43

 

10

3

15

0:56:01

15

15

15

0:01:21

15

15

15

0:01:47

5

-

-

20

26

21.2

0:02:33

21

26

22.2

0:02:29

7

-

-

18

22

19.4

0:03:00

14

17

15.6

0:03:21

 

 

20

3

-

-

47

51

47.66

0:21:36

48

51

49.8

0:23: 04

5

-

-

46

48

46.2

0:29:58

49

50

49.5

0:27:53

7

-

-

19

25

22

0:28:46

19

24

23.33

0:28:49

 

40

3

-

-

35

40

36.2

0:32:16

35

39

37.8

0:30:10

5

-

-

34

37

35.6

0:38:36

36

40

39.6

0:39:23

7

-

-

16

18

17.2

0:36:34

15

17

16.8

0:37:12

 

 

60

3

-

-

70

86

72.2

0:37:45

69

73

71.2

0:36:19

5

-

-

55

61

56.6

0:38:44

58

64

63.6

0:40:55

7

-

-

68

73

70

0:40:08

68

74

70.2

0:41:17

 

نتایج جدول شماره 14 نشان دهنده عملکرد بالای GA نسبت به الگوریتم­ ICA می­باشد. نتایج آماری نشان دهنده برتری الگوریتم GA از ICA می­باشد. با توجه به جدول­های بالا و شکل پایین دو الگوریتم GA  و ICA، مقدار تابع هدف و زمان اجرا نزدیک به هم می­باشند. الگوریتم GA هم از نظر مقدار تابع هدف و هم زمان اجرا از الگوریتم ICA بهتر می­باشد.

جدول 14. مقادیر RPD و متوسط زمان­های اجرای محاسبه شده (Source:By author)

AP

runway

GA

ICA

Average computation

RPD time (sec)

Average

computation

RPD time (sec)

4

3

0.00

0:00:16

0.00

0:00:14

5

0.00

0:00:17

0.00

0:00:17

7

0.00

0:00:20

0.00

0:00:19

6

3

0.00

0:00:30

0.00

0:00:30

5

0.00

0:00:37

0.00

0:00:33

7

0.00

0:00:43

0.00

0:00:43

10

3

0.00

0:01:21

0.00

0:01:47

5

0.06

0:02:33

0.06

0:02:29

7

0.08

0:03:00

0.11

0:03:21

20

3

0.01

0:21:36

0.04

0:23:04

5

0.004

0:29:58

0.01

0:27:53

7

0.16

0:28:46

0.23

0:28:49

40

3

0.03

0:32:16

0.03

0:30:10

5

0.05

0:38:36

0.10

0:39:23

7

0.08

0:36:34

0.12

0:37:12

60

3

0.03

0:37:45

0.03

0:36:19

5

0.07

0:38:44

0.10

0:40:55

7

0.03

0:40:08

0.03

0:41:17

بحث و نتیجه گیری

اﻣﺮوزه ﺟﻬﺖ ﻣﻘﺎﺑﻠﻪ ﺑﺎ رﻗﺎﺑﺖ ﺳﺨﺖ ﺣﺎﮐﻢ، ﺑﺴﯿﺎري از سازمان‌های ﺗﻮﻟﯿﺪي در ﺳﯿﺴﺘﻢ ﺗﻮﻟﯿﺪ تمام اتوماتیک ﺑﺎ ﺗﺠﻬﯿﺰات ﻣﺪرن ﺳﺮﻣﺎﯾﻪﮔﺬاري ﮐﺮده‌اﻧﺪ. ﺑﺮاي اﯾﻨﮑﻪ از ﻟﺤﺎظ اﻗﺘﺼﺎدي ﭘﺎﯾﺪار ﺑﺎﺷﻨﺪ، اﯾﻦ ﺗﺠﻬﯿﺰات ﻫﺰﯾﻨﻪﺑﺮ ﺑﺎﯾﺪ ﺗﺎ آﺧﺮﯾﻦ ﻟﺤﻈﻪ ﻋﻤﺮ ﻣﻮﻟﺪﺷﺎن ﻣﻮرد اﺳﺘﻔﺎده ﺑﺎﺷﻨﺪ. ﻫﻨﮕﺎﻣﯽ ﮐﻪ ﯾﮏ ﺧﺮاﺑﯽ ﻧﺎﺧﻮاﺳﺘﻪ، ﻧﺎﺷﯽ از ﺷﮑﺴﺖ، اﺗﻔﺎق ﻣﯽاﻓﺘﺪ؛ ﻣﻮﺟﺐ ﮐﺎﻫﺶ ﺑﻬﺮه‌وري ﺳﯿﺴﺘﻢ ﺷﺪه و ﺑﺮﻧﺎﻣﻪ ﺗﻮﻟﯿﺪ ﻓﻌﻠﯽ را ﻧﻘﺾ ﻣﯽﮐﻨﺪ. ﺑﺎزﺑﯿﻨﯽ ﺑﺮﻧﺎﻣﻪ ﺗﻮﻟﯿﺪ در ﺷﺮاﯾﻂ اﺿﻄﺮاري ﻣﻌﻤﻮﻻً ﺑﺴﯿﺎر ﭘﺮ ﻫﺰﯾﻨﻪ اﺳﺖ و اﻏﻠﺐ ﺑﺎﻋﺚ اﻓﺰاﯾﺶ ﺗﻐﯿﯿﺮات در ساختارهای سازمانی و اجرایی شرکت‌ها می‌شود. از سوی دیگر، استفاده از نیروگاه‌های تلمبه‌ ذخیره‌ای یه عنوان یکی از راه های تعدیل میزان اتلاف در عرضه و تقاضا انرژی برق، ذخیره طولانی مدت انرژی و غیره از مزایای این سیستم است. عملیاتی بودن این نیروگاه‌ها سبب بهبود وضعیت تولید انرژی در سطح ملی در کشورهای پیشرفته و در حال ترقی می‌شود. از این رو پرداخته به مباحث تولید و نگهداری و تعمیرات توامان سبب افزایش کارایی نیروگاه های تلمبه‌ای می‌شود که در این پژوهش مدل ریاضی برنامه‌ریزی این حوزه ارائه شد. با توجه به نتایج پژوهش، نشان داده شد که یک برنامه‌ریزی استوار مهم‌ترین حوزه عملکردی نیروگاه‌های انرژی محسوب می‌شود. پشنهادات آتی پژوهش در این حوزه استفاده از رویکرد الگوریتم‌های ابتکاری بر پایه محاسبات دقیق مانند الگوریتم آزادسازی لاگرانژ و یا رویکرد الگوریتم ابتکاری بندرز جهت محاسبات دقیق میزان هزینه‌های سیستم می‌باشد.

مشارکت نویسندگان

تمام نویسندگان به نسبت سهم برابر در این پژوهش مشارکت داشته‌اند.

تأیید اخلاقی

هیچ موضوع انسانی در این مقاله وجود ندارد و رضایت آگاهانه قابل اعمال نیست.

تعارض منافع

هیچ‌گونه تعارض منافع توسط نویسندگان بیان نشده است.

 

 

 

References

Aguirre, A. M., & Papageorgiou, L. G. (2018). Medium-term optimization-based approach for the integration of production planning, scheduling and maintenance. Computers & Chemical Engineering, 116, 191-211.

Akkaş, Ö. P., & Çam, E. (2019). Optimal Operation of Virtual Power Plant in a Day Ahead Market In 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), 1-4.

Badam Firouz, J., & Shariat Modari, A. (2019). Green energy management and solutions The 14th National Conference on Quality and Productivity, Iran. 297-306. https://nqpc.ir/article-1-280-fa.pdf [In Persian]

Berthaut, F., Gharbi, A., & Dhouib, K. (2011). Joint modified block replacement and production/inventory control policy for a failure-prone manufacturing cell. Omega, 39(6), 642-654.

Boudjelida, A. (2019). On the robustness of joint production and maintenance scheduling in presence of uncertainties. Journal of Intelligent Manufacturing, 30(4), 1515-1530.

Elgamal, A. H., Kocher-Oberlehner, G., Robu, V., & Andoni, M. (2019). Optimization of a multiple-scale renewable energy-based virtual power plant in the UK. Applied energy, 256, 113973.

Glawar, R., Karner, M., Nemeth, T., Matyas, K., & Sihn, W. (2018). An approach for the integration of anticipative maintenance strategies within a production planning and control model. Procedia CIRP, 67, 46-51.

Hadayeghparast, S., Farsangi, A. S., & Shayanfar, H. (2019). Day-ahead stochastic multi-objective economic/emission operational scheduling of a large scale virtual power plant. Energy, 172, 630-646.

Hamrol, A. (2018). A new look at some aspects of maintenance and improvement of production processes. Management and Production Engineering Review, 9.

Kang, K., & Subramaniam, V. (2018). Joint control of dynamic maintenance and production in a failure-prone manufacturing system subjected to deterioration. Computers & Industrial Engineering, 119, 309-320.

Khodaparast, M., & Ghezelbash, A. (2016). Applied Economic Studies of Iran. 5(17), 217-242. https://profdoc.um.ac.ir/paper-abstract-1057310.html [In Persian]

Liu, Q., Dong, M., & Chen, F. F. (2018). Single-machine-based joint optimization of predictive maintenance planning and production scheduling. Robotics and Computer-Integrated Manufacturing, 51, 238-247.

Martínez-Lucas, G., Pérez-Díaz, J. I., Chazarra, M., Sarasúa, J. I., Cavazzini, G., Pavesi, G., & Ardizzon, G. (2019). Risk of penstock fatigue in pumped-storage power plants operating with variable speed in pumping mode. Renewable Energy, 133, 636-646.

Mennemann, J. F., Marko, L., Schmidt, J., Kemmetmüller, W., & Kugi, A. (2019). Nonlinear Model Predictive Control of a Variable-Speed Pumped-Storage Power Plant. IEEE Transactions on Control Systems Technology.

Özyön, S. (2020). Optimal short-term operation of pumped-storage power plants with differential evolution algorithm. Energy, 194, 116866.

Sana, S. S. (2012). Preventive maintenance and optimal buffer inventory for products sold with warranty in an imperfect production system. International Journal of Production Research, 50(23), 6763-6774.

Schreiber, M., Klöber-Koch, J., Richter, C., & Reinhart, G. (2018). Integrated Production and Maintenance Planning for Cyber-physical Production Systems. Procedia CIRP, 72, 934-939.

Shafiee, M., Ghazi, R., & Moeini-Aghtaie, M. (2019). Day-ahead Resource Scheduling in Distribution Networks with Presence of Electric Vehicles and Distributed Generation Units. Electric Power Components and Systems, 1-14.

Sheikhalishahi, M., Eskandari, N., Mashayekhi, A., & Azadeh, A. (2019). Multi-objective open shop scheduling by considering human error and preventive maintenance. Applied Mathematical Modelling, 67, 573-587.

Tan, D., Chen, W., & Wang, H. (2017). On the Use of Monte-Carlo Simulation and Deep Fourier Neural Network in Lane Departure Warning. in IEEE Intelligent Transportation Systems Magazine, 9(4), 76-90. https://doi.org/10.1109/MITS.2017.2743204 

Vasconcelos, M. H., Beires, P., Moreira, C. L., & Lopes, J. A. P. (2019). Dynamic security of islanded power systems with pumped storage power plants for high renewable integration–A study case. The Journal of Engineering, 18, 4955-4960.

Wu, Y., Zhang, T., Xu, C., Zhang, B., Li, L., Ke, Y., & Xu, R. (2019). Optimal location selection for offshore wind-PV-seawater pumped storage power plant using a hybrid MCDM approach: A two-stage framework. Energy Conversion and Management, 199, 112066.

Xiao, S., Chen, Z., & Sarker, B. R. (2019). Integrated maintenance and production decision for k-out-of-n system equipment with attenuation of product quality. International Journal of Quality & Reliability Management, 36(5), 735-751.

Yao, W., Deng, C., Li, D., Chen, M., Peng, P., & Zhang, H. (2019). Optimal Sizing of Seawater Pumped Storage Plant with Variable-Speed Units Considering Offshore Wind Power Accommodation. Sustainability, 11(7), 1939.

Yin, S., Ai, Q., Li, Z., Zhang, Y., & Lu, T. (2020). Energy management for aggregate prosumers in a virtual power plant: A robust Stackelberg game approach. International Journal of Electrical Power & Energy Systems, 117, 105605.

 

[1]  Economic Production Quantity (EPQ)

[2]  Preventive Maintenance (PM)

[3]  Hamrol

[4]  Schreiber

[5]  Liu

[6]  Xiao

[7]  Glawar

[8]  Tan

[9]  Kang

[10]  Aguirre

[11]  Boudjelida

[12]  Sheikhalishahi

[13]   over

[14]  Mulvey


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2024

Home| Login| About Us| Contact Us|
[فارسی] [العربية] [fa] [ar]