Professional Documents
Culture Documents
A Hybrid Model Proposal For Maintenance Scheduling in Hydropower Plants
A Hybrid Model Proposal For Maintenance Scheduling in Hydropower Plants
Conclusion:
As a result of the study, five different preventive maintenance of the critical equipment of the plant have
been scheduled.
Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
Ö N E Ç I K A N L A R
Literatürde ilk kez farklı türde ekipmanlar için bakım çizelgeleme
Bakım çizelgeleme ve üretim tahmini entegrasyonu
Literatürde ilk kez periyodik bakım için beş farklı bakım türünü inceleme
1817
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
sezgisel yöntemleri kıyaslamalarla sunmuşlardır. Elektrik etkinliği düşük olmuştur. Çünkü sürekli üretim tesisi olan
endüstrisindeki bakım çizelgeleme problemine dair en santrallarda hangi ünitenin hangi ekipmanının ne zaman
güncel inceleme ise Froger vd. [28] gerçekleştirmişlerdir. bakıma alınması gerektiği sorununun cevabı da
İncelemelerinde özellikle elektrik piyasasındaki aranmaktadır. Bu bağlamda bir hidroelektrik santraldaki
serbestleşmenin elektrik sektöründeki bakım çizelgeleme kritik ana ekipman grupları için yapılan bu çalışmanın
çalışmaları üzerinde farklılık oluşturduğunu, bu farklılığın, literatüre bu yönden katkı sağlayacağı düşünülmektedir.
bakıma dair çalışmalardan üretim ve iletimden sorumlu Bunun yanı sıra bu çalışma,
sistem birimlerine (ISO) ait olması ile oluştuğunu kapsamlı
bir sınıflandırma ile belirtmişlerdir. Enerji santrallarında birden fazla elektriksel ekipman
grubunun değerlendirilmesi ve her ekipman grubunun
Literatürde bakım çizelgeleme çalışmaları optimal ve spesifik bakım özellikleri dikkate alınarak periyodik
sezgisel bazlı farklı yöntemler içeren, farklı amaçlar ve bakım çizelgelerinin oluşturulması,
kısıtlarla çalıştırılan modellerden oluşmaktadır. Periyodik bakım stratejisinin santral işletme kurallarına
Matematiksel programlama yöntemlerinden dinamik uygun olarak belirlenen haftalık, aylık, üç ayda bir, altı
programlama [29], kısıt programlama [30], doğrusal ayda bir ve yılda bir uygulanan beş ayrı periyodik bakım
programlama [31-33] modellerinin kullanıldığı bu türü ile incelenerek her bir ekipman için bu bakım türlerine
yöntemlerle birlikte ayrıştırma tekniklerinin de [47] ait bakım çizelgelerinin oluşturulması,
kullanıldığı görülmüştür. Sezgisel yöntemlerden öğretme ve Bakım çizelgeleme probleminde 2010-2018 yıllarına ait 9
öğrenme temelli optimizasyon [48], genetik algoritma [49- yıllık gerçek santral verilerinin kullanılarak santral için bir
54], tabu arama [55], tavlama benzetimi [33], karınca yıllık üretim tahmininin gerçekleştirilmesi ve planlama yılı
kolonisi optimizasyonu [56], parçacık sürü optimizasyonu için santral çalışma ve bakım saatlerinin hesaplanması,
[57], yerel arama [58,59], oyun teorisi [45,60] ve bulanık YSA ile elde edilen sürelerin TP modeline dahil edilerek
mantık [61] gibi yöntemler kullanılarak da çalışmalar ele YSA ve TP yöntemlerinin kombine edilmesi ile literatürde
alınmıştır. Ayrıca bu yöntemler haricinde tam sayılı ilk olma özelliği taşımaktadır.
programlama [34-36] ve karışık tam sayılı programlama [40- Türkiye’deki bir hidroelektrik santraldan alınan gerçek
42] kullanıldığı çalışmalar da mevcuttur. Örneğin Dahal vd. veriler ile çalışmanın gerçek hayat uygulaması ise
[37,38] ve Fetanat ve Shafipour [39] çalışmalarında tam literatürdeki çoğu çalışmada gerçekleştirilmeyen bir
sayılı programlamayı kullanırken Wang ve Wang [43], özellik olarak öne çıkmaktadır.
Eygelaar vd. [44], Mazidi vd. [45], Behnia ve Akhbari [46]
ise karışık tam sayılı programlama yöntemini kullanarak Çalışmanın ikinci bölümünde bakım çizelgeleme için
problemlerine çözüm getirmişlerdir. yapılan bu çalışmada kullanılan yöntemlere, üçüncü
bölümünde çalışmanın uygulama detaylarına yer verilmiş ve
Çalışmalarda çeşitli santral türleri için farklı zaman dördüncü bölümünde ise sonuç ve önerilere yer verilmiştir.
aralıklarını kapsayacak modeller önerilmiştir. Bakım
çizelgeleme problemi için bazı çalışmalarda termik 2. YÖNTEMLER (METHODS)
[58,62,63], rüzgar [64-66], nükleer [40,68,69] ve
hidroelektrik [56,70,71] santrallar için modeller önerilmiştir. 2.1. Yapay Sinir Ağı (Artificial Neural Network)
Önerilen modellerde genellikle maliyet minimizasyonu [67-
69] başta olmak üzere maksimum güvenilirlik [52,56,63] ya YSA, insan beyninin düşünme mekanizmasını taklit eden,
da kar [62,72] hedeflenmiştir. Önerilen modellerdeki çizelge probleme ait girdi verilerinden anlamlı çıktılar oluşturmak
zaman aralığı ise bir aydan dört yıla kadar [70,73,74] haftalık için kullanılan bir yöntemdir. Bu yöntemin ortaya çıkışı
veya aylık periyotlar halinde yapılmıştır. Zaman McCulloch ve Pitts [76]’in küçük bir elektrik devresiyle
aralıklarından özellikle 52 hafta için gerçekleştirilen ilgili yaptıkları çalışma ile başlamış ve zaman içerisinde
çalışmaların [45,62,75] çoğunlukta olması da dikkat önemli dönüm noktaları ile gelişim göstermiştir. 1949
çekmektedir. yılında Hebb [77]’in “The Organization of Behavior” isimli
kitabında öğrenme ile ilgili temel teori tanıtılmış ve
Literatürdeki çalışmalarda dikkat çekici bir başka nokta ise, Rosenblatt [78] ’ın 1958 yılında perceptron algılayıcısına
problemin dahil edildiği santral birimi ve kapsamı ile dair çalışması ile YSA için önemli bir gelişme yaşanmıştır.
ilgilidir. Çoğu araştırmacı, problemi ya sadece üniteler için XOR probleminin çözümünde YSA yönteminin bu problem
ya da iletim hatları için ele almışlardır. Bakıma tabi birimler gibi doğrusal problem türlerinin çözümünde
olarak sadece üniteler incelenip hangi santralın hangi kullanılamaması ise YSA yöntemiyle ilgili çalışmaların
ünitesinin ne zaman bakıma alınacağı sorusuna cevap azalması sonucunu doğurmuştur. Sonraki süreçte Rumelhart
aranmıştır [26-28]. Böylelikle santrallar için genel bir vd. [79]’ın 1986 yılındaki çalışmalarıyla çok katmanlı sinir
planlama yapılmıştır. Fakat bu planlamalar sonrasında her ağları için temel oluşturmaları ise YSA yöntemine rağbeti
bir santralın, ünitelerin temel yapısını oluşturan artıran yine önemli dönüm noktalarından biri olmuştur
ekipmanlarının hangi öncelikle ne zaman bakıma alınmaları [80,81]. Basit bir YSA yapısı girdi, ara ve çıktı
gerektiği problemi literatürde incelenen bir konu olmamıştır. katmanlarından oluşmaktadır. Girdiler probleme ait etkili
Bu nedenle önerilen modellerin, gerçek bir santraldaki parametrelerden oluşurken, ara katmanlar problem yapısına
bakım çalışmalarının başlatılması noktasında uyumluluğu ve göre sayısı değişen ve içinde farklı sayıda nöron içerebilen
1818
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
yapıdır. Çıktı katmanı ise problem sonucu bulunmak istenen Max M n 𝑧 𝑔 𝑥 ,x ,…,x
parametrelerden oluşmaktadır. Basit bir YSA ağ yapısına St. (1)
Şekil 1.’de yer verilmiştir.
𝑥 tamsayı 𝑗 ∈ 𝐼 ⊆ 𝑁 (4)
3. UYGULAMA (APPLICATION)
Burada j’nin tüm değerlerinin tam sayı olması durumunda Tablo 1. ve Tablo 2.’de elde edilen sonuçlar doğrultusunda
model saf tam sayılı programlama adını alırken j’lerden bakım planlamasının ikinci aşaması olan bu çalışmaya
bazılarının tam sayı olması durumu ise karışık tam sayılı başlanmıştır. Bu çalışmada belirlenen bu ekipman
programlama olarak adlandırılmaktadır. Tam sayılı gruplarında periyodik bakım yapılabilecek olan ekipman
programlama günümüze kadar ulaşım, ekonomi, sağlık, grupları için bakım çizelgeleme aşaması gerçekleştirilmiştir.
sanayi ve enerji gibi pek çok alanda farklı türdeki problemler Bu çalışmada gerçekleştirilen uygulama adımları ise sonraki
için etkin sonuçlarıyla literatürdeki yerini almıştır. iki bölümde sunulmuştur.
1819
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
1820
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
isteğinin de karşılandığı sonuçlarda gözlemlenmiştir. getirebilmektedir. Bu da üretim tesisleri için ek bir maliyet
Özellikle santral işletmeciliğinde feyezan ayları olarak anlamına gelmektedir. Özellikle ülkeler için önemli gelir
adlandırılan, hidroelektrik santrallarda üretimin yoğun kaynaklarından olan ve büyük alt yapı yatırımları gerektiren
olarak gerçekleştirildiği bu aylarda uzun süreli bakımlar elektrik üretim santralları gibi büyük tesislerde benzer
atanmamıştır. Çizelgede 2019 yılı için 18. ve 35. haftalar problemlerin yaşanması maliyetler dışında büyük
arasına denk gelen bu aylarda uzun süreli olan 6 aylık ve 1 problemleri de beraberinde getirmektedir. Örneğin ülkenin
yıllık bakımlar atanmamış ve bu durum üretim tahmini ile enerji arz güvenliğinin sağlanamaması, ülkedeki enerji alt
matematiksel model kombinasyonunun kullanılması ile yapısından faydalanan diğer işletmelerin de üretimlerinin
sağlanmıştır. Gözlemlenen bu sonuç da bu çalışmada gerçek durmasına, dolayısıyla ülke genelinde daha büyük bir
hayattaki santral işletmeciliğine uygun bir bakım çizelgesi probleme neden olabilmektedir. Bu nedenle santrallarda
elde edildiğini kanıtlar niteliktedir. gerçekleştirilecek olan bakım planlamaları, Türkiye’de
sürdürülebilir enerji arzını sağlama noktasında önemli bir rol
4. SONUÇLAR (CONCLUSIONS) oynamaktadır. Literatürde de farklı santral türleri için birçok
probleme çözüm getirilmiştir.
Bir makine veya ekipmanın ekonomik ömründe tamamen
işlevsel olmasını sağlamak için bir dizi teknik eylem olarak Bu çalışmada ise hidroelektrik santrallarda bakım planlaması
adlandırılan bakım endüstriyel işletmelerde üretim başta için çalışılan iki aşamalı bir çalışmanın bakım çizelgeleme
olmak üzere personel ve malzeme ile eş zamanlı olarak problemini içeren ikinci aşaması gerçekleştirilmiştir. İlk
yönetilmesi gereken önemli bir prosestir. Bu önemli sürecin aşamadaki bakım strateji optimizasyonu için yapılan başka
kritik aşamalarından ilki, bakım planlamasıdır ve ekipmana bir çalışmada [5] santral için kritik elektriksel ana ekipman
dayalı strateji optimizasyonu, uygulanabilir ve etkili bir grupları AHP ve TOPSIS yöntemleri kullanılarak
planlama süreci için vazgeçilmez bir unsurdur. belirlendikten sonra bir TP modeli ile bu kritik ekipman
gruplarında bakım strateji seçimi gerçekleştirilmiştir. İlk
Özellikle sürdürülebilir bir üretim için gerekli olan aşamadaki çalışmadan elde edilen sonuçlar doğrultusunda
ekipmanlarda, uzun süre çalıştırılmalarından dolayı bakım planlamasının ikinci aşamasını oluşturan bu çalışma
yıpranma veya arızalanmaya bağlı olarak beklenen verim gerçekleştirilmiştir. Çalışmada periyodik bakım stratejisinin
elde edilememektedir [84-86,89]. Ekipmanlardan beklenen uygulanabileceği ekipman grupları için haftalık, 1 aylık, 3
verimin elde edilememesi ya da ekipmana bakımın aylık, 6 aylık ve 1 yıllık periyotlarla gerçekleştirilen beş
zamanında uygulanmaması sonucu oluşan arızalar ise farklı periyodik bakım türü dikkate alınarak bir yıllık
üretimin planlanan zamandan daha geç tamamlanması, periyodik bakım çizelgesi oluşturulmuştur. Bunun için
istenilen ürün kalitesinin elde edilememesi ve dahası öncelikle YSA yöntemi ile 2010-2018 yılları arasındaki 9
üretimin durdurulması gibi problemleri de beraberinde yıllık gerçek veri setinden toplamda 2820 veri kullanılarak
1823
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
üretim tahmini gerçekleştirilmiştir. Tahmin sonucunda elde 5. Özcan E.C., Danışan T., Eren T., Hidroelektrik
edilen miktarlar baz alınarak ünite çalışma ve bakım saatleri santralların en kritik elektriksel ekipman gruplarının
hesaplanmıştır. Bu hesaplanan süreler, uygulamanın bakım stratejilerinin optimizasyonu için matematiksel
yapıldığı ve uygulanabilir bir bakım çizelgesinin elde bir model önerisi, Pamukkale Üniversitesi Mühendislik
edildiği hidroelektrik santralın tüm gereksinimlerini ve Bilimleri Dergisi, 25 (4), 498-506, 2019.
gerçeklerini yansıtan önerilen bakım çizelgeleme modeline 6. White H., Learning in artificial neural networks: A
dahil edilmiştir. Kurulan model sonucunda 7 kritik statistical perspective, Neural Comput., 1 (4), 425-464,
elektriksel ana ekipman grubunun beş ayrı periyodik bakım 1989.
türüne dair 52 haftalık zaman dilimi için bakım çizelgeleri 7. Ripley B.D., Statistical aspects of neural networks,
oluşturulmuştur. Bu çalışma, enerji tesislerinde birden fazla Networks and chaos statistical and probabilistic aspects,
ekipman grubunun ele alınması, enerji santralının yıllık 50, 40-123, 1993.
çalışma saatlerinin bakım çizelgeleme problemine gerçek 8. Cheng B., Titterington D.M., Neural networks: A
yaşam ile tutarlı bir şekilde entegre edilmesi ve etkin ve review from a statistical perspective, Statistical Science,
uygulanabilir bir yıllık bakım takvimi sağlanması açısından 2-30, 1994.
literatürdeki ilk çalışmadır. Santralın işletimi ile uyumludur. 9. Liao S.H., Wen C.H., Artificial neural networks
classification and clustering of methodologies and
Ayrıca bu çalışma literatürdeki diğer çalışmalardan farklı
applications–literature analysis from 1995 to 2005,
olarak enerji santrallarında birden fazla elektriksel ekipman
Expert Syst. Appl., 32 (1), 1-11, 2007.
grubunun değerlendirilmesi ve her ekipman grubunun
spesifik özellikleri dikkate alınarak periyodik bakım 10. Al-Shayea Q.K., Artificial neural networks in medical
çizelgelerinin oluşturulması, periyodik bakım stratejisinin diagnosis, International Journal of Computer Science
santral işletme kurallarına uygun olarak belirlenen beş ayrı Issues, 8 (2), 150-154, 2011.
periyodik bakım türü ile incelenerek her bir ekipman için bu 11. Yuce B., Rezgui Y., Mourshed M., ANN–GA smart
bakım türlerine ait bakım çizelgelerinin oluşturulması, appliance scheduling for optimised energy management
bakım çizelgeleme problemlerinde 2010-2018 yıllarına ait 9 in the domestic sector, Energy Build., 111, 311-325,
yıllık gerçek santral verilerinin kullanılarak santral için bir 2016.
yıllık üretim tahmininin gerçekleştirilmesi ve planlama yılı 12. Voyant C., Notton G., Kalogirou S., Nivet M.L., Paoli
için santral çalışma ve bakım saatlerinin hesaplanması, YSA C., Motte F., Fouilloy A., Machine learning methods for
ile elde edilen sürelerin 0-1 TP modeline dahil edilerek YSA solar radiation forecasting: A reviews, Renewable
ve TP yöntemlerinin kombine edilmesi ile literatürde ilk Energy, 105, 569-582, 2017.
olma özelliği taşımaktadır. Ayrıca Türkiye’deki bir 13. Notton G., Voyant C., Fouilloy A., Duchaud J.L., Nivet
hidroelektrik santraldan alınan gerçek veriler ile çalışmanın M.L., Some applications of ANN to solar radiation
gerçek hayat uygulaması ise literatürdeki çoğu çalışmada estimation and forecasting for energy applications,
gerçekleştirilmeyen bir özellik olarak öne çıkmaktadır. Applied Sciences, 9 (1), 209, 2019.
14. Dougherty M., A review of neural networks applied to
TEŞEKKÜR (ACKNOWLEDGEMENT) transport, Transportation Research Part C: Emerging
Technologies, 3 (4), 247-260, 1995.
Bu çalışma Kırıkkale Üniversitesi Bilimsel Araştırma 15. Shankaracharya D.O., Samanta S., Vidyarthi A.S.,
Projeleri Koordinasyon Birimi (BAP) tarafından 2018/008
Computational intelligence in early diabetes diagnosis:
numaralı proje ile desteklenmiştir. Desteklerinden dolayı
a reviews, The review of diabetic studies: RDS, 7 (4),
BAP Birimine teşekkürlerimizi sunarız.
252, 2010.
16. Wong B.K., Selvi Y., Neural network applications in
KAYNAKLAR (REFERENCES)
finance: A review and analysis of literature (1990–
1. TEİAŞ. Kurulu Güç Raporları Haziran 2019. 1996), Information & Management, 34 (3), 129-139,
https://www.teias.gov.tr/sites/default/files/2019- 1998.
07/KURULU%20G%C3%9C%C3%87%20%C4%B0 17. Kalogirou S.A., Artificial neural networks in renewable
NTERNET%20HAZ%C4%B0RAN%20AYI_0.pdf energy systems applications: A reviews, Renewable
Erişim tarihi Ağustos 3, 2019. Sustainable Energy Rev., 5 (4), 373-401, 2001.
2. Özcan E.C., Bakım Yönetim Sistemi: Kurulum ve 18. Amasyali K., El-Gohary N.M., A review of data-driven
İşletme Esasları, Elektrik Üretim A.Ş. Yayınları, building energy consumption prediction studies,
Ankara, Türkiye, 2016. Renewable Sustainable Energy Rev., 81, 1192-1205,
3. Özcan E.C., Yumuşak R., Eren T., Risk based 2018.
maintenance in the hydroelectric power plants, 19. Muralitharan K., Sakthivel R., Vishnuvarthan R., Neural
Energies, 12 (8), 1502, 2019. network based optimization approach for energy
4. Özcan E.C., Ünlüsoy S., Eren T., A combined goal demand prediction in smart grid. Neurocomputing, 273,
programming–AHP approach supported with TOPSIS 199-208, 2018.
for maintenance strategy selection in hydroelectric 20. Suganthi L., Samuel A.A., Energy models for demand
power plants, Renewable Sustainable Energy Rev., 78, forecasting—A reviews, Renewable Sustainable Energy
1410-1423, 2017. Rev., 16 (2), 1223-1240, 2012.
1824
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
21. Weron R., Electricity price forecasting: A review of the 36. Al-Khamis T.M., Vemuri S., Lemonidis L., Yellen J.,
state-of-the-art with a look into the future, International Unit maintenance scheduling with fuel constraints, In
Journal of Forecasting, 30 (4), 1030-1081, 2014. Power Industry Computer Application Conference,
22. Wang Z., Srinivasan R.S., A review of artificial IEEE, Conference Proceedings 113-119, May, 1991.
intelligence based building energy use prediction: 37. Dahal K.P., Aldridge C.J., McDonald J.R., Generator
Contrasting the capabilities of single and ensemble maintenance scheduling using a genetic algorithm with
prediction models, Renewable Sustainable Energy Rev., a fuzzy evaluation function, Fuzzy Sets Syst., 102 (1),
75, 796-808, 2017. 21-29, 1999.
23. Gandelli A., Grimaccia F., Leva S., Mussetta M., 38. Dahal K.P., Chakpitak N., Generator maintenance
Ogliari, E., Hybrid model analysis and validation for PV scheduling in power systems using metaheuristic-based
energy production forecasting, In 2014 International hybrid approaches, Electr. Power Syst. Res., 77 (7), 771-
Joint Conference on Neural Networks (IJCNN), IEEE, 779, 2007.
1957-1962, July, 2014. 39. Fetanat A., Shafipour G., Generation maintenance
24. Li Z., Rahman S.M., Vega R., Dong B., A hierarchical scheduling in power systems using ant colony
approach using machine learning methods in solar optimization for continuous domains based 0–1 integer
photovoltaic energy production forecasting, Energies, 9 programming, Expert Syst. Appl., 38 (8), 9729-9735,
(1), 55, 2016. 2011.
25. Dolara A., Grimaccia F., Leva S., Mussetta M., Ogliari 40. Fourcade F., Johnson E., Bara M., Cortey-Dumont P.,
E., A physical hybrid artificial neural network for short Optimizing nuclear power plant refueling with mixed-
term forecasting of PV plant power output, Energies, 8 integer programming, Eur. J. Oper. Res., 97 (2), 269-
(2), 1138-1153, 2015. 280, 1997.
26. Yamayee Z.A., Maintenance scheduling: description, 41. Canto S.P., Application of Benders’ decomposition to
literature survey, and interface with overall operations power plant preventive maintenance scheduling, Eur. J.
scheduling, IEEE Transactions on Power Apparatus and Oper. Res., 184 (2), 759-777, 2008.
Systems, (8), 2770-2779, 1982. 42. Mollahassani-Pour M., Abdollahi A., Rashidinejad M.,
27. Khalid A., Ioannis K., A survey of generator Application of a novel cost reduction index to
maintenance scheduling techniques, Global Journal of preventive maintenance scheduling, Int. J. Electr. Power
Researches in Engineering, 12 (1), 10-17, 2012. Energy Syst., 56, 235-240, 2014.
28. Froger A., Gendreau M., Mendoza J.E., Pinson É., 43. Wang C., Wang Z., Short-term transmission line
Rousseau L.M., Maintenance scheduling in the maintenance scheduling with wind energy integration,
electricity industry: A reviews. Eur. J. Oper. Res., 251 In Power & Energy Society General Meeting, IEEE, 1-
(3), 695-706, 2016. 5, July, 2017.
29. Huang S.J., Generator maintenance scheduling: a fuzzy 44. Eygelaar J., Lötter D.P., van Vuuren J.H., Generator
system approach with genetic enhancement, Electr. maintenance scheduling based on the risk of power
Power Syst. Res., 41 (3), 233-239, 1997. generating unit failure, Int. J. Electr. Power Energy
30. Frost D., Dechter R., Optimizing with constraints: a Syst., 95, 83-95, 2018.
case study in scheduling maintenance of electric power 45. Mazidi P., Tohidi Y., Ramos A., Sanz-Bobi M.A.,
units, Lect. Notes Comput. Sci., 469-469, 1998. Profit-maximization generation maintenance scheduling
31. Chattopadhyay D., A practical maintenance scheduling through bi-level programming, Eur. J. Oper. Res., 264
program mathematical model and case study, IEEE (3), 1045-1057, 2018.
Trans. Power Syst., 13 (4), 1475-1480, 1998. 46. Behnia H., Akhbari M., Generation and transmission
32. Anghinolfi D., Gambardella L.M., Montemanni R., equipment maintenance scheduling by transmission
Nattero C., Paolucci M., Toklu N.E., A matheuristic switching and phase shifting transformer, International
algorithm for a large-scale energy management Journal of Numerical Modelling: Electronic Networks,
problem, In International Conference on Large-Scale Devices and Fields, 32 (1), 2483, 2019.
Scientific Computing, Springer, Berlin, Heidelberg. 47. Lv C., Wang J., You S., Zhang Z., Short‐term
173-181, June, 2011. transmission maintenance scheduling based on the
33. Lindner B.G., Brits R., Van Vuuren J.H., Bekker J., Benders decomposition, Int. Trans. Electr. Energy Syst.,
Tradeoffs between levelling the reserve margin and 25 (4), 697-712, 2015.
minimising production cost in generator maintenance 48. Abirami M., Ganesan S., Subramanian S.,
scheduling for regulated power systems, Int. J. Electr. Anandhakumar R., Source and transmission line
Power Energy Syst., 101, 458-471, 2018. maintenance outage scheduling in a power system using
34. Dopazo J.F., Merrill H.M., Optimal generator teaching learning based optimization algorithm, Appl.
maintenance scheduling using integer programming, Soft Comput., 21, 72-83, 2014.
IEEE Transactions on Power Apparatus and Systems, 94 49. Baskar S., Subbaraj P., Rao M.V.C., Tamilselvi S.,
(5), 1537-1545, 1975. Genetic algorithms solution to generator maintenance
35. Jost V., Savourey D., A 0–1 integer linear programming scheduling with modified genetic operators, IEE
approach to schedule outages of nuclear power plants, Proceedings-Generation, Transmission and
Journal of Scheduling, 16 (6), 551-566, 2013. Distribution, 150 (1), 56-60, 2003.
1825
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
50. Yare Y., Venayagamoorthy G.K., Optimal maintenance 65. Lei X., Sandborn P.A., Maintenance scheduling based
scheduling of generators using multiple swarms- on remaining useful life predictions for wind farms
MDPSO framework, Eng. Appl. Artif. Intell., 23 (6), managed using power purchase agreements, Renewable
895-910, 2010. Energy, 116, 188-198, 2018.
51. Reihani E., Sarikhani A., Davodi M., Davodi M., 66. Bangalore P., Patriksson M., Analysis of SCADA data
Reliability based generator maintenance scheduling for early fault detection, with application to the
using hybrid evolutionary approach, Int. J. Electr. Power maintenance management of wind turbines, Renewable
Energy Syst., 42 (1), 434-439, 2012. Energy, 115, 521-532, 2018.
52. Zhong S., Pantelous A.A., Beer M., Zhou J., 67. Kovacs A., Erdős G., Viharos Z.J., Monostori L., A
Constrained non-linear multi-objective optimisation of system for the detailed scheduling of wind farm
preventive maintenance scheduling for offshore wind maintenance, CIRP Annals-Manufacturing Technology,
farms, Mech. Syst. Sig. Process., 104, 347-369, 2018. 60 (1), 497-501, 2011.
53. Zhu J., Yan W., Lin Y., Yu P., Xiong X., A new multi- 68. Khemmoudj M.O.I., Porcheron M., Bennaceur H.,
objective immune algorithm for generation and When constraint programming and local search solve
transmission equipment maintenance scheduling. Int. J. the scheduling problem of electricité de france nuclear
Power Energy Syst., 37 (3), 2017. power plant outages, In International Conference on
54. Zhu J., Xuan P., Xie P., Hong C., Yan W., Generation Principles and Practice of Constraint Programming,
and transmission equipment maintenance scheduling Springer, Berlin, Heidelberg, 271-283, September,
with load transfer, In Power & Energy Society General 2006.
Meeting, IEEE, 1-5, July, 2017. 69. Gorge A., Lisser A., Zorgati R., Stochastic nuclear
55. El-Amin I., Duffuaa S., Abbas M., A tabu search outages semidefinite relaxations, Computational
algorithm for maintenance scheduling of generating Management Science, 9 (3), 363-379, 2012.
units, Electr. Power Syst. Res., 54 (2), 91-99, 2000. 70. Helseth A., Fodstad M., Mo B., Optimal hydropower
56. Foong W.K., Simpson A.R., Maier H.R., Stolp S., Ant maintenance scheduling in liberalized markets, IEEE
colony optimization for power plant maintenance Trans. Power Syst., 33 (6), 6989-6998, 2018.
scheduling optimization—a five-station hydropower 71. Rodriguez J.A., Anjos M.F., Côté P., Desaulniers G.,
system, Annals of Operations Research, 159 (1), 433- Milp formulations for generator maintenance
450, 2008. scheduling in hydropower systems, IEEE Trans. Power
57. Suresh K., Kumarappan N., Hybrid improved binary Syst., 33 (6), 6171-6180, 2018.
particle swarm optimization approach for generation 72. Chattopadhyay D., A game theoretic model for strategic
maintenance scheduling problem, Swarm Evol. maintenance and dispatch decisions, IEEE Trans. Power
Comput., 9, 69-89, 2013. Syst., 19 (4), 2014-2021, 2004.
58. Burke E.K., Smith, A.J., Hybrid evolutionary 73. Barot H., Bhattacharya K., Security coordinated
techniques for the maintenance scheduling problem, maintenance scheduling in deregulation based on genco
IEEE Trans. Power Syst., 15 (1), 122-128, 2000. contribution to unserved energy, IEEE Trans. Power
59. Gardi F., Nouioua K., Local search for mixed-integer Syst., 23 (4), 1871-1882, 2008.
nonlinear optimization: a methodology and an 74. Lindner B.G., Brits R., van Vuuren J.H., Bekker J.,
application, In European Conference on Evolutionary Tradeoffs between levelling the reserve margin and
Computation in Combinatorial Optimization, Springer, minimising production cost in generator maintenance
Berlin, Heidelberg, 167-178, April, 2011. scheduling for regulated power systems, Int. J. Electr.
60. Min C.G., Kim M.K., Park J.K., Yoon Y.T., Game- Power Energy Syst., 101, 458-471, 2018.
theory-based generation maintenance scheduling in 75. Naebi Toutounchi A., Seyed Shenava S.J., Taheri S.S.,
electricity markets, Energy, 55, 310-318, 2013. Shayeghi H., MPEC approach for solving preventive
61. El-Sharkh M.Y., El-Keib A.A., Chen H., A fuzzy maintenance scheduling of power units in a market
evolutionary programming-based solution methodology environment, Trans. Inst. Meas. Control, 40 (2), 436-
for security-constrained generation maintenance 445, 2018.
scheduling, Electr. Power Syst. Res., 67 (1), 67-72, 76. McCulloch W.S., Pitts W., A logical calculus of the
2003. ideas immanent in nervous activity, The Bulletin of
62. Bisanovic S., Hajro M., Dlakic M., A profit-based Mathematical Biophysics, 5 (4), 115-133, 1943.
maintenance scheduling of thermal power units in 77. Hebb D.O., The organization of behavior, 1949.
electricity market, International Journal of Electrical and 78. Rosenblatt F., The perceptron: a probabilistic model for
Electronics Engineering, 5 (3), 156-164, 2011. information storage and organization in the brain,
63. Kralj B., Petrovic R., A multiobjective optimization Psychological Review, 65 (6), 386, 1958.
approach to thermal generating units maintenance 79. Rumelhart D.E., Hinton G.E., Williams R.J., Learning
scheduling, Eur. J. Oper. Res., 84 (2), 481-493, 1995. internal representation by backpropagating errors, DE
64. Mazidi P., Tohidi Y., Sanz-Bobi M.A., Strategic Rumelhart, & JL McCleland Parallel Distributed
maintenance scheduling of an offshore wind farm in a Processing: Explorations in the Microstructure of
deregulated power system, Energies, 10 (3), 313, 2017. Cognition, 1, 1986.
1826
Özcan ve ark. / Journal of the Faculty of Engineering and Architecture of Gazi University 35:4 (2020) 1815-1827
80. Haykin S., Neural networks and learning machines, 86. Orhan İ., Kapanoğlu M., Karakoç T.H., Concurrent
Upper Saddle River: Pearson education, 3, 2009. aircraft routing and maintenance scheduling using goal
81. Haykin S., Neural networks: a comprehensive programming, Journal of the Faculty of Engineering and
foundation, Prentice Hall PTR, 1994. Architecture of Gazi University, 27 (1),11-26, 2012.
82. Jünger M., Liebling T.M., Naddef D., Nemhauser G.L., 87. Bulut M., Başoğlu B., Development of a hybrid system
Pulleyblank W.R., Reinelt G., Wolsey L.A., 50 years of based on neural networks and expert systems for
integer programming 1958-2008: from the early years to shortterm electricity demand forecasting, Journal of the
the state-of-the-art, Springer Science & Business Media, Faculty of Engineering and Architecture of Gazi
2009. University, 32 (2), 575-583, 2017.
83. Taha H.A., Integer programming: theory, applications 88. Akpinar M., Yumuşak N., Daily basis mid-term demand
and computations, Academic Press, 2014. forecast of city natural gas using univariate statistical
84. Karaoğlan İ., Altiparmak F., Dengiz B., Analysis of techniques, Journal of the Faculty of Engineering and
maintenance policies in just in time production Architecture of Gazi University, 35 (2), 725-741, 2020.
system, Journal of the Faculty of Engineering and 89. Özcan E.C., Danışan T., Yumuşak R., Eren T., An
Architecture of Gazi University, 22 (1), 181-189, 2007. artificial neural network model supported with multi
85. Ertogral K., Erkoc M., Ülker D., A production criteria decision making approaches for maintenance
scheduling model and analysis for the maintenance planning in hydroelectric power plants, Maintenance
repair and overhaul service providers, Journal of the and Reliability, In Press, 22 (3), 400-418, 2020.
Faculty of Engineering and Architecture of Gazi
University, 30 (3), 513-522, 2015.
1827