ORIGINAL_ARTICLE
تعیین بهرهورترین اندازه مقیاس واحد تولیدی با استفاده از فرآیند دومرحلهای بر اساس سطح تقاضا
در دنیای واقعی، واحدهای تصمیمگیری وجود دارند که در آنها فرآیند تولید را میتوان بهصورت یک فرآیند دومرحلهای یا چندمرحلهای در نظر گرفت. برای ارزیابی این نوع واحدها از روش تحلیل پوششی دادههای شبکهای استفاده میشود. در این مقاله، واحدهای دومرحلهای موردبررسی قرارگرفته است که در فرآیند دومرحلهای، خروجیهای مرحله اول، ورودیهای مرحله دوم هستند که اصطلاحا به آنها "اندازههای میانی" میگویند. هدف این تحقیق، تعیین و بررسی بهرهورترین اندازه مقیاس واحدهای تولیدی با استفاده از فرآیند دومرحلهای بر اساس سطح تقاضا است. در این راستا، ضمن تعیین واحدهای MPSS با روشهای DEA کلاسیک، به تعمیم آن در مدلهای دومرحلهای میپردازیم. سپس حداکثر و حداقل مقدار تولید واحدهای تولیدی که در بهرهورترین اندازه مقیاس قرار دارند را در هرکدام از مراحل بهطور جداگانه به دست میآوریم و سپس آن را برای کل فرآیند تعمیم میدهیم؛ همچنین عرضه و تقاضا بهعنوان دو شاخص خروجی در نظر گرفتهشده است. ابتدا سطح تقاضا را برای هرکدام از مراحل بهطور جداگانه تعیین مینماییم، سپس بهکل فرآیند می پردازیم؛ بهطوریکه بتوان حداکثر و حداقل مقدار تقاضا را به دست آورد.
https://www.journal-dmor.ir/article_57317_71ba9707ff45a74b1f148cbeb635d94f.pdf
2018-01-21
107
115
10.22105/dmor.2018.57317
تحلیل پوششی داده های شبکه ای
بهره ورترین اندازه مقیاس
تقاضا
عباسعلی
نورا
maryamkhodadadi@pgs.usb.ac.ir
1
دانشکده ریاضی،گروه ریاضی،دانشگاه سیستان و بلوچستان
AUTHOR
فرانک
حسین زاده سلجوقی
saljooghi@math.usb.ac.ir
2
دانشکده ریاضی،گروه ریاضی،دانشگاه سیستان و بلوچستان
AUTHOR
مریم
خدادادی
maryamkhodadadi344@ymail.com
3
دانشکده ریاضی،گروه ریاضی،دانشگاه سیستان و بلوچستان
LEAD_AUTHOR
Tone, K., & Tsutsui, M. (2009). Network DEA: A slacks-based measure approach. European journal of operational research, 197(1), 243-252.
1
Chen, Y., Zhu, J., 2004. Measuring information technologies indirect impact on firmperformance. Information technology & management journal 5 (1–2), 9–22.
2
Zhu, J. (2000). Setting scale efficient targets in DEA via returns to scale estimation method. Journal of the operational research society, 51(3), 376-378.
3
Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European journal of operational research, 185(1), 418-429.
4
Chen, Y., Cook, W. D., Li, N., & Zhu, J. (2009). Additive efficiency decomposition in two-stage DEA. European journal of operational research, 196(3), 1170-1176.
5
Appa, G., & Yue, M. (1999). On setting scale efficient targets in DEA. Journal of the operational research society, 50(1), 60-69.
6
Lee, C. Y. (2016). Most productive scale size versus demand fulfillment: A solution to the capacity dilemma. European journal of operational research, 248(3), 954-962.
7
Chen, Y., Cook, W. D., Kao, C., & Zhu, J. (2014). Network DEA pitfalls: Divisional efficiency and frontier projection. Data envelopment analysis (pp. 31-54). DOI 10.1007/978-1-4899-8068-7_2.
8
Lee, C. Y., & Johnson, A. L. (2012). Two-dimensional efficiency decomposition to measure the demand effect in productivity analysis. European journal of operational research, 216(3), 584-593.
9
Cook, W. D., Liang, L., & Zhu, J. (2010). Measuring performance of two-stage network structures by DEA: a review and future perspective. Omega, 38(6), 423-430.
10
Khodakarami, M., Shabani, A., & Saen, R. F. (2014). A new look at measuring sustainability of industrial parks: a two-stage data envelopment analysis approach. Clean technologies and environmental policy, 16(8), 1577-1596.
11
ORIGINAL_ARTICLE
ارزیابی کارایی و رتبهبندی شعب یک بانک خصوصی با استفاده از رویکرد تحلیل پوششی دومرحلهای و تکنیک رتبهبندی بردا
بانکها ازجمله مراکز اقتصادی کشور بهحساب میآیند که عملکرد آنها درزمینه افزایش بهرهوری و کارایی، موجب توسعه اقتصادی کشور میشود. بر این اساس، بررسی وضعیت عملکردی و کارا بودن یک بانک متاثر از عملکرد و کارایی شعب آن خواهد بود. هدف از این مقاله، بررسی کارایی و رتبهبندی 121 شعبه بانک شهر در استان تهران میباشد. برای این منظور ابتدا از تحلیل پوششی دومرحلهای بهمنظور به دست آوردن کارایی دقیق شعب با در نظر گرفتن 7 شاخص بهعنوان متغیر ورودی، 4 شاخص بهعنوان متغیر میانی و 1 شاخص بهعنوان متغیر خروجی استفاده گردید که در مرحله اول 51 شعبه کارا شدند که این تعداد در مرحله دوم به 18 شعبه تقلیل یافتند. با مشخص شدن کارایی دقیق هر شعبه بعد از دو مرحله، جهت رتبهبندی شعبهای که دارای کارایی یک بودند از روش کارایی متقاطع اندرسون-پیترسون و چارنز-کوپر استفاده شد. در مرحله آخر، با استفاده از تکنیک بردا نتایج حاصل از مدلهای قبلی ترکیبشده و رتبهبندی نهایی شعب بانک انجامگرفته است.
https://www.journal-dmor.ir/article_55774_2320f9e7c3ba099e4a1c97fae7d67a30.pdf
2018-01-21
116
129
10.22105/dmor.2018.55774
تحلیل پوششی دادههای دو مرحله ای
کارائی متقاطع
شعب بانک خصوصی
تکنیک رتبه بندی بردا
احسان
واعظی
ehsan.vaezi@srbiau.ac.ir
1
دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
LEAD_AUTHOR
مهدی
معمارپور
mehdi.memarpour@srbiau.ac.ir
2
دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی واحد علوم و تحقیقات تهران
AUTHOR
Seiford, L. M., & Zhu, J. (1999). Profitability and marketability of the top 55 US commercial banks. Management science, 45(9), 1270-1288.
1
Kao, C., & Hwang, S. N. (2014). Multi-period efficiency and Malmquist productivity index in two-stage production systems. European journal of operational research, 232(3), 512-521.
2
Chen, Y., Cook, W. D., Li, N., & Zhu, J. (2009). Additive efficiency decomposition in two-stage DEA. European journal of operational research, 196(3), 1170-1176.
3
Wang, Y. M., & Chin, K. S. (2010). Some alternative DEA models for two-stage process. Expert systems with applications, 37(12), 8799-8808.
4
Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European journal of operational research, 185(1), 418-429.
5
Kao, C., & Hwang, S. N. (2011). Decomposition of technical and scale efficiencies in two-stage production systems. European journal of operational research, 211(3), 515-519.
6
Azadeh, A., Saberi, M., & Anvari, M. (2010). An integrated artificial neural network algorithm for performance assessment and optimization of decision making units. Expert systems with applications, 37(8), 5688-5697.
7
Azadeh, A., Saberi, M., Moghaddam, R. T., & Javanmardi, L. (2011). An integrated data envelopment analysis–artificial neural network–rough set algorithm for assessment of personnel efficiency. Expert systems with applications, 38(3), 1364-1373.
8
Sreekumar, S., & Mahapatra, S. S. (2011). Performance modeling of Indian business schools: a DEA-neural network approach. Benchmarking: An international journal, 18(2), 221-239.
9
[Ülengin, F., Kabak, Ö., Önsel, S., Aktas, E., & Parker, B. R. (2011). The competitiveness of nations and implications for human development. Socio-Economic planning sciences, 45(1), 16-27.
10
Wu, J., Liang, L., Yang, F., & Yan, H. (2009). Bargaining game model in the evaluation of decision making units. Expert systems with applications, 36(3), 4357-4362.
11
Vaninsky, A. (2004). Combining data envelopment analysis with neural networks: Application to analysis of stock prices. Journal of information and optimization sciences, 25(3), 589-611.
12
Mostafa, M. M. (2009). A probabilistic neural network approach for modelling and classifying efficiency of GCC banks. International journal of business performance management, 11(3), 236-258.
13
Wu, D. D., Yang, Z., & Liang, L. (2006). Using DEA-neural network approach to evaluate branch efficiency of a large Canadian bank. Expert systems with applications, 31(1), 108-115.
14
Liao, H., & Li, Z. (2008). Multiobjective design of equivalent accelerated life testing plans. International journal of reliability, quality and safety engineering, 15(06), 515-538.
15
Samoilenko, S., & Osei-Bryson, K. M. (2010). Determining sources of relative inefficiency in heterogeneous samples: Methodology using Cluster Analysis, DEA and Neural Networks. European journal of operational research, 206(2), 479-487.
16
Çelebi, D., & Bayraktar, D. (2008). An integrated neural network and data envelopment analysis for supplier evaluation under incomplete information. Expert systems with applications, 35(4), 1698-1710.
17
Emrouznejad, A., & Shale, E. (2009). A combined neural network and DEA for measuring efficiency of large scale datasets. Computers & industrial engineering, 56(1), 249-254.
18
ORIGINAL_ARTICLE
مدل جدید تحلیل پوششی دادهها دومرحلهای فازی با بازده به مقیاس متغیر
یکی از بهترین ابزارها برای بررسی عملکرد واحدها، تکنیک تحلیل پوششی دادهها است. تکنیک تحلیل پوششی دادهها، ابزاری برای رتبهبندی و شناسایی واحدهای کارا و ناکارا است. ازآنجاییکه در بسیاری از موارد واحدهای تصمیمگیرنده در یک سازمان دارای مقادیر میانی هستند و همچنین در برخی مواقع مقادیر موجود در دنیای واقعی برای ورودیها و خروجیها مبهم و غیرقطعی هستند، استفاده از مدل تحلیل پوششی دادههای کلاسیک، ما را به نتیجه قطعی نمیرساند. در این مقاله، ما یک مدل جدید برای تحلیل پوششی دادهها دومرحلهای فازی ارائه میدهیم و برای ارزیابی عملکرد آن به مطالعه کارایی کارگاههای صنعتی بین 10 تا 49 نفر کارکن میپردازیم. کارایی کارگاههای صنعتی برحسب استان مورد ارزیابی قرار میگیرند. نتایج بهدستآمده، اهمیت مدل پیشنهادی را مشخص میکنند.
https://www.journal-dmor.ir/article_54145_8d1be1d45e27566d85fdb0cbf77aa159.pdf
2018-01-21
130
146
10.22105/dmor.2018.54145
کارایی
تحلیل پوششی داده ها دومرحله ای فازی
کارگاه های صنعتی
محمد جواد
گلیج
m.javadgoleij93@gmail.com
1
دانشکده مهندسی صنایع، موسسه آموزش عالی آیندگان ، تنکابن، مازندران.
LEAD_AUTHOR
احمدی، غلامرضا و نورا ،عباسعلی. (1390). بررسی کارایی فرآیندهای چند مرحله ای با ساختار سری به روش تحلیل پوششی داده ها. سومین همایش تحلیل پوششی داده ها، دانشگاه آزاد اسلامی واحد فیروزکوه، 8-1.
1
نجفی، سید اسماعیل و عاشور، ندا. (1390). اندازهگیری عملکرد هتل های ایران با کمک تحلیل پوششی داده های دومرحله ای. سومین همایش تحلیل پوششی داده ها، دانشگاه آزاد اسلامی واحد فیروزکوه.
2
رستمی مال خلیفه، محسن و آقابابازاده، زینب. (1390). مدل هایی جهت ارزیابی کارایی کل یک شبکه بازهای دو مرحله ای. سومین همایش ملی تحلیل پوششی دادهها، دانشگاه آزاد اسلامی واحد فیروزکوه.
3
عمرانی، هاشم، قاری زاده بیرق، رامین و سلیمانپور، مقصود. (1392). طراحی سیستم ارزیابی عملکرد و رتبه بندی شرکت های برق منطقه ای ایران با استفاده از روش تحلیل پوششی داده های شبکه ای. بیست و هشتمین کنفرانس بین المللی برق تهران-ایران.
4
سالاری، مصطفی، زندیه، مصطفی. (1395). ارزیابی کارایی فروشگاههای اینترنتی با استفاده از مدل دو مرحلهای تحلیل پوششی دادهها. پژوهشهای مدیریت در ایران 20(3)، 127-152.
5
رضایی، صادق، رستمی مال خلیفه، محسن، پایان، علی و اویسی، صالح. (1391). محاسبه کارایی واحدهای تصمیمگیرنده دومرحلهای با داده های فازی. چهارمین کنفرانس ملی تحلیل پوششی داده ها، دانشگاه مازندران.
6
فرحناک رودسری, منا، حاله، حسن و حسین زاده لطفی، فرهاد. (۱۳۹۴). رتبه بندی شعب بانک با استفاده از تحلیل پوششی داده های شبکه ای با ورودی و خروجی فازی (مطالعه موردی: شعب بانک ملت تهران). کنفرانس بین المللی مدیریت، اقتصاد و مهندسی صنایع، تهران، موسسه مدیران ایده پرداز پایتخت ویرا.
7
حسین زاده لطفی، فرهاد و رضوی، مریم. (1390). ارزیابی عملکرد شرکتهای برق منطقه ای کشور با استفاده از DEA فازی، سومین همایش تحلیل پوششی دادههادانشگاه آزاد اسلامی واحد فیروزکوه.
8
Tone, K., & Tsutsui, M. (2009). Network DEA: A slacks-based measure approach. European journal of operational research, 197(1), 243-252.
9
Charnes, A., Cooper, W. W., Golany, B., Seiford, L., & Stutz, J. (1985). Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions. Journal of econometrics, 30(1-2), 91-107.
10
Kao, C., & Hwang, S. N. (2008). Efficiency decomposition in two-stage data envelopment analysis: An application to non-life insurance companies in Taiwan. European journal of operational research, 185(1), 418-429.
11
Chen, Y., Cook, W. D., Li, N., & Zhu, J. (2009). Additive efficiency decomposition in two-stage DEA. European journal of operational research, 196(3), 1170-1176.
12
Wang, Y. M., & Chin, K. S. (2010). Some alternative DEA models for two-stage process. Expert systems with applications, 37(12), 8799-8808.
13
Forghani, A., & Najafi, E. (2015). Sensitivity Analysis in Two-Stage DEA. Iranian journal of optimization, 7(2), 857-864.
14
Khalili-Damghani, K., Taghavi-Fard, M., & Abtahi, A. R. (2012). A fuzzy two-stage DEA approach for performance measurement: real case of agility performance in dairy supply chains. International journal of applied decision sciences, 5(4), 293-317.
15
Beigi, Z. G., & Gholami, K. (2014). Allocating the fuzzy resources to two-stage systems. Journal of soft computing and applications, 2014(unknown), 1-11.
16
Tavana, M., & Khalili-Damghani, K. (2014). A new two-stage Stackelberg fuzzy data envelopment analysis model. Measurement, 53, 277-296.
17
Nabahat., M. (2014). Two-stage DEA with Fuzzy Data. International journal of applied operational research, 5(1), 51-61.Retrieved from http://ijorlu.liau.ac.ir/.
18
Zhou, X., Luo, R., Lev, B., & Tu, Y. (2017, July). Two-Stage Fuzzy DEA Models with Undesirable Outputs for Banking System. Proceedings of eleventh international conference on management science and engineering management, 1604-1615. https://doi.org/10.1007/978-3-319-59280-0_135.
19
Najafi, H. S., & Edalatpanah, S. A. (2013). An improved model for iterative algorithms in fuzzy linear systems. Computational mathematics and modeling, 24(3), 443-451.
20
Najafi, H. S., & Edalatpanah, S. A. (2013). A note on “A new method for solving fully fuzzy linear programming problems.” Applied mathematical modelling, 37(14-15), 7865-7867.
21
ORIGINAL_ARTICLE
ارائه مدل دو هدفه مدیریت موجودی با تقاضای فازی برای فروشندههای متعدد
مدیریت موجودی فروشنده، یکی از استراتژیهای محبوب برای مدیریت سیستم کنترل موجودی میباشد که در این استراتژی، فروشنده، مسئولیت کنترل و تکمیل موجودی خردهفروشان را بر عهده میگیرد. در این مقاله، یک مدل دوهدفه مدیریت موجودی فروشنده با تقاضای فازی برای یک مسئله زنجیره تأمین با فروشندگان و خردهفروشان متعدد، موردبررسی قرارگرفته است که تابهحال در بررسیهای انجامگرفته در زمینه مدیریت موجودی فروشنده، حالت چند فروشنده در نظر گرفتهشده است. تقاضای فازی بهصورت یک عدد فازی ذوزنقهای فرموله شده است و روش غیرفازیسازی مرکزی برای غیرفازی کردن توابع خروجی فازی در تمام محاسبات به کار گرفتهشده است. هر فروشنده، با دو محدودیت تعداد سفارشها و بودجه در دسترس مواجه است و کمینه کردن کل هزینه موجودی و بهینهسازی فضای انبار، دو هدف مدل هستند. ازآنجاییکه مدل پیشنهادی بهصورت یک مسئله دوهدفه برنامهریزی غیرخطی عدد صحیح فرمولهشده است، الگوریتم ژنتیک مرتبسازی نا مغلوب با توجه به تطابق آن با مدل برای یافتن جوابهای جبهه پارتو توسعه دادهشده است. بهمنظور بهبود عملکرد الگوریتم ژنتیک، از روش تاگوچی برای تنظیم پارامتر استفادهشده است و مقادیر پارامترهای اندازه جمعیت، تعداد تکرارها، احتمال تقاطع و احتمال جهش تعیین میشوند.
https://www.journal-dmor.ir/article_57316_3eb40e82bc6cfc79a1b86b2ad87cc049.pdf
2018-01-21
147
168
10.22105/dmor.2018.57316
مدیریت موجودی فروشنده
مقدار سفارش اقتصادی
الگوریتم ژنتیک مرتبسازی نامغلوب
تنظیم پارامتر
روش تاگوچی
ویدا
کرباسی بناب
vidakarbasi@gmail.com
1
گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد بناب، بناب، ایران
AUTHOR
مهدی
یوسفی نژاد عطاری
mahdi_108108@yahoo.com
2
گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد بناب، بناب، ایران
LEAD_AUTHOR
انسیه
نیشابوری
en_jami@yahoo.com
3
گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد بناب، بناب، ایران
AUTHOR
Cárdenas-Barrón, L. E., Treviño-Garza, G., & Wee, H. M. (2012). A simple and better algorithm to solve the vendor managed inventory control system of multi-product multi-constraint economic order quantity model. Expert systems with applications, 39(3), 3888-3895.
1
Cordeau, J. F., Laganà, D., Musmanno, R., & Vocaturo, F. (2015). A decomposition-based heuristic for the multiple-product inventory-routing problem. Computers & operations research, 55, 153-166.
2
Darwish, M. A., & Odah, O. M. (2010). Vendor managed inventory model for single-vendor multi-retailer supply chains. European journal of operational research, 204(3), 473-484.
3
Gupta, R. K., Bhunia, A. K., & Goyal, S. K. (2009). An application of Genetic Algorithm in solving an inventory model with advance payment and interval valued inventory costs. Mathematical and computer modelling, 49(5-6), 893-905.
4
Magee, J. F. (1958). Production planning and inventory control. McGraw-Hill Book Company.
5
Mateen, A., Chatterjee, A. K., and Mitra, S. (2015). VMI for single-vendor multi-retailer supply chains under stochastic demand. Computers & industrial engineering, 79, 95–102. http://doi.org/10.1016/j.cie.2014.10.028
6
Mirzaei, S., & Seifi, A. (2015). Considering lost sale in inventory routing problems for perishable goods. Computers & industrial engineering, 87, 213-227.
7
Nachiappan, S. P., & Jawahar, N. (2007). A genetic algorithm for optimal operating parameters of VMI system in a two-echelon supply chain. European journal of operational research, 182(3), 1433-1452.
8
Niakan, F., & Rahimi, M. (2015). A multi-objective healthcare inventory routing problem; a fuzzy possibilistic approach. Transportation research part E: Logistics and transportation review, 80, 74-94.
9
Park, Y. B., Yoo, J. S., & Park, H. S. (2016). A genetic algorithm for the vendor-managed inventory routing problem with lost sales. Expert systems with applications, 53, 149-159.
10
Pasandideh, S. H. R., Niaki, S. T. A., & Nia, A. R. (2011). A genetic algorithm for vendor managed inventory control system of multi-product multi-constraint economic order quantity model. Expert systems with applications, 38(3), 2708-2716.
11
Rabbani, M., Rezaei, H., Lashgari, M., & Farrokhi-Asl, H. (2018). Vendor managed inventory control system for deteriorating items using metaheuristic algorithms. Decision science letters, 7(1), 25-38.
12
Rad, R. H., Razmi, J., Sangari, M. S., & Ebrahimi, Z. F. (2014). Optimizing an integrated vendor-managed inventory system for a single-vendor two-buyer supply chain with determining weighting factor for vendor׳ s ordering cost. International journal of production economics, 153, 295-308.
13
Sadeghi, J., & Niaki, S. T. A. (2015). Two parameter tuned multi-objective evolutionary algorithms for a bi-objective vendor managed inventory model with trapezoidal fuzzy demand. Applied soft computing, 30, 567-576.
14
Sadeghi, J., and Niaki, S. T. A. (2015b). Two parameter tuned multi-objective evolutionary algorithms for a bi-objective vendor managed inventory model with trapezoidal fuzzy demand. Applied soft computing journal, 30, 567–576. http://doi.org/10.1016/j.asoc.2015.02.013
15
Sadeghi, J., Sadeghi, A., and Saidi mehrabad, M. (2011). A parameter-tuned genetic algorithm for vendor managed inventory model for a case single-vendor single-retailer with multi-product and multi-constraint. Journal of optimization in industrial engineering, 4(9), 57–67. Retrieved from http://www.sid.ir/En/Journal/index.aspx
16
Sadeghi, J., Sadeghi, S., & Niaki, S. T. A. (2014). Optimizing a hybrid vendor-managed inventory and transportation problem with fuzzy demand: an improved particle swarm optimization algorithm. Information sciences, 272, 126-144.
17
T Tersine, R. J. (1994). Principles of inventory and materials management. Prentice Hall.
18
Verma, N. K., & Chatterjee, A. K. (2017). A multiple-retailer replenishment model under VMI: Accounting for the retailer heterogeneity. Computers & industrial engineering, 104, 175-187.
19
Waller, M., Johnson, M. E., & Davis, T. (1999). Vendor-managed inventory in the retail supply chain. Journal of business logistics, 20(1), 183.
20
Yang, W., Chan, F. T., & Kumar, V. (2012). Optimizing replenishment polices using Genetic Algorithm for single-warehouse multi-retailer system. Expert systems with applications, 39(3), 3081-3086.
21
Yao, Y., Evers, P. T., & Dresner, M. E. (2007). Supply chain integration in vendor-managed inventory. Decision support systems, 43(2), 663-674.
22
Yu, Y., Wang, Z., & Liang, L. (2012). A vendor managed inventory supply chain with deteriorating raw materials and products. International journal of production economics, 136(2), 266-274.
23
ORIGINAL_ARTICLE
برنامهریزی توسعه شبکه انتقال چندهدفه در شبکههای هوشمند با در نظرگیری منابع پاسخگوی بار و امنیت سیستم
هدف از برنامهریزی توسعه شبکه انتقال (TEP)، یافتن خطوط موردنیاز شبکه با کمترین هزینه سرمایهگذاری است؛ بطوریکه با رعایت شاخصهایی امنیتی سیستم، بار آینده به شکلی اقتصادی تامین گردد. با توجه به عدم قطعیت بار، تولیدات پراکنده بادی، منابع پاسخگو به بار و رقابتی شدن بازار برنامهریزی توسعه شبکه انتقال با چالشهایی مواجه شده است که ازاینرو نیاز به ارائه مدلهای جدید، بیش از پیش احساس میگردد. در این مقاله یک مدل TEP چندهدفه با در نظرگیری هزینههای سرمایهگذاری، عملکرد و منابع پاسخگو به بار به همراه یک شاخص جهت تعیین امنیت سیستم ارائه میشود. این توابع هدف، برای به دست آوردن یک مجموعه راهحلهای غیر غالب، بر اساس اولویتهای اپراتور(هزینه یا ریسک)، با استفاده از الگوریتم تکاملی قدرت پارتو مبتنی بر روش بهینهسازی چندهدفه اجتماع ذرات (SPEA2-MOPSO) بهینه میگردند. نتایج این تحقیق بر روی شبکه 24 باسه IEEE-RTS آزمایش گردیده است و روش پیشنهاد با روشهای MOPSO و MOEA/D مقایسه میشود.
https://www.journal-dmor.ir/article_57753_bcbe9bc5dca77a6f1b43479d7961f03a.pdf
2018-01-21
169
178
10.22105/dmor.2018.57753
برنامه ریزی توسعه شبکه انتقال
منابع پاسخگو به بار
الگوریتم بهینه سازی چند هدفه اجتماع ذرات
مزارع بادی
محمد
صابری
mp_saberi@yahoo.com
1
گروه مهندسی برق، موسسه آموزش عالی آیندگان، تنکابن، ایران
LEAD_AUTHOR
مهدی
هاتف
hatef_mehdi@yahoo.com
2
مرکز آموزش عالی سما سیاهکل ، دانشگاه آزاداسلامی واحد لاهیجان
AUTHOR
Garver, L. L. (1970). Transmission network estimation using linear programming. IEEE transactions on power apparatus and systems, (7), 1688-1697.
1
Li, C., Dong, Z., Chen, G., Luo, F., & Liu, J. (2015). Flexible transmission expansion planning associated with large-scale wind farms integration considering demand response. IET generation, transmission & distribution, 9(15), 2276-2283.
2
Roscoe, A. J., & Ault, G. (2010). Supporting high penetrations of renewable generation via implementation of real-time electricity pricing and demand response. IET renewable power generation, 4(4), 369-382.
3
Aalami, H. A., Moghaddam, M. P., & Yousefi, G. R. (2010). Modeling and prioritizing demand response programs in power markets. Electric power systems research, 80(4), 426-435.
4
Xu, Y., Dong, Z. Y., Zhang, R., Wong, K. P., & Lai, M. (2014). Solving preventive-corrective SCOPF by a hybrid computational strategy. IEEE transactions on power systems, 29(3), 1345-1355.
5
Silva, I. D. J., Rider, M. J., Romero, R., & Murari, C. A. (2006). Transmission network expansion planning considering uncertainty in demand. IEEE transactions on power systems, 21(4), 1565-1573.
6
Alizadeh, B., Dehghan, S., Amjady, N., Jadid, S., & Kazemi, A. (2013). Robust transmission system expansion considering planning uncertainties. IET generation, transmission & distribution, 7(11), 1318-1331.
7
Luo, F., Zhao, J., Qiu, J., Foster, J., Peng, Y., & Dong, Z. (2014). Assessing the transmission expansion cost with distributed generation: An Australian case study. IEEE transactions on smart grid, 5(4), 1892-1904.
8
Orfanos, G. A., Georgilakis, P. S., & Hatziargyriou, N. D. (2013). Transmission expansion planning of systems with increasing wind power integration. IEEE transactions on power systems, 28(2), 1355-1362.
9
Khodaei, A., Shahidehpour, M., Wu, L., & Li, Z. (2012). Coordination of short-term operation constraints in multi-area expansion planning. IEEE transactions on power systems, 27(4), 2242-2250.
10
Arabali, A., Ghofrani, M., Etezadi-Amoli, M., Fadali, M. S., & Moeini-Aghtaie, M. (2014). A multi-objective transmission expansion planning framework in deregulated power systems with wind generation. IEEE transactions on power systems, 29(6), 3003-3011.
11
Cabrera, N. G., & Jimenez, J. T. (2017). Transmission expansion planning systems using algorithm genetic with multi-objective criterion. IEEE latin america transactions, 15(3), 563-568.
12
Hajebrahimi, A., Abdollahi, A., & Rashidinejad, M. (2017). Probabilistic multiobjective transmission expansion planning incorporating demand response resources and large-scale distant wind farms. IEEE systems journal, 11(2), 1170-1181.
13
Li, C., Dong, Z., Chen, G., Luo, F., & Liu, J. (2015). Flexible transmission expansion planning associated with large-scale wind farms integration considering demand response. IET generation, transmission & distribution, 9(15), 2276-2283.
14
Qiu, J., Dong, Z. Y., Meng, K., Xu, Y., Zhao, J., & Zheng, Y. (2016). Multi-objective transmission expansion planning in a smart grid using a decomposition-based evolutionary algorithm. IET generation, transmission & distribution, 10(16), 4024-4031.
15
Mishra, S. K., Panda, G., & Majhi, R. (2014). A comparative performance assessment of a set of multiobjective algorithms for constrained portfolio assets selection. Swarm and evolutionary computation, 16, 38-51.
16
Sahoo, N. C., Ganguly, S., & Das, D. (2011). Simple heuristics-based selection of guides for multi-objective PSO with an application to electrical distribution system planning. Engineering applications of artificial intelligence, 24(4), 567-585.
17
Zitzler, E., Laumanns, M., & Thiele, L. (2001). SPEA2: Improving the strength Pareto evolutionary algorithm. TIK-report, 103.
18
Sahoo, N. C., Ganguly, S., & Das, D. (2012). Multi-objective planning of electrical distribution systems incorporating sectionalizing switches and tie-lines using particle swarm optimization. Swarm and evolutionary computation, 3, 15-32.
19