fa مدلسازی و پیش‌بینی بهینه نرخ خرابی تجهیزات شبکه توزیع برق صنایع و مدیریت كاربردي Applicable <span dir="RTL">به منظور کسب درک عمیق در زمینه برنامه‌ریزی تعمیر و نگهداری، بررسی نقاط ضعف شبکه توزیع و کشف رخدادهای غیرعادی، باید خاموشی‌های رخ داده در شبکه را ردگیری کرد. از سویی دیگر مهمترین وظیفه شرکت</span>‌<span dir="RTL">های توزیع برق، تأمین برق مطمئن و پایدار است که بایستی با حداقل خاموشی و با ولتاژ استاندارد همراه باشد</span><span dir="RTL">. این پژوهش قصد دارد با بهره‌گیری از رویکردهای سری زمانی فصلی و شبکه عصبی مصنوعی، مدل‌هایی را به منظور پیش‌بینی نرخ خرابی یکی از تجهیزات به کار رفته در دو منطقه از مناطق تحت پوشش شرکت توزیع نیروی برق تهران بزرگ ارائه دهد. این داده‌ها بصورت هفتگی در بازه&nbsp; فروردین 1391 الی اسفند 1394 از نرم‌افزار ثبت حوادث </span>ENOX<span dir="RTL"> استخراج شده‌است. بدین منظور پس از پیش پردازش داده‌ها، مدل نهایی مناسب به کمک نرم‌افزارهای </span>Minitab<span dir="RTL"> و </span>MATLAB<span dir="RTL"> ارائه شد. همچنین، میزان متوسط دمای هوا، میزان متوسط بارش باران و میزان متوسط سرعت باد بعنوان متغیرهای ورودی به شبکه عصبی انتخاب شدند. &nbsp;برای ارزیابی میزان خطای مدل‌های پیشنهادی، از میانگین مربعات خطا استفاده شده‌است. نتایج نشان می‌دهند مدل‌های سری زمانی نسبت به شبکه عصبی پرسپترون چند لایه‌ای عملکرد بهتری در پیش‌بینی نرخ خرابی تجهیز مورد نظر داشتند و می‌توان برای پیش‌بینی دوره‌های آتی از آنها استفاده کرد.</span> In order to gain a deep understanding of planned maintenance, check the weaknesses of distribution network and detect unusual events, the network outage should be traced and monitored. On the other hand, the most important task of electric power distribution companies is to supply reliable and stable electricity with the minimum outage and standard voltage. This research intends to use time series and artificial neural network and propose some models to forecast the failure rate of equipment in the two regions controlled by Tehran Power Distribution Company. The data have been extracted weekly from the ENOX software from March 2012 to March 2016. To this end, after data pre-processing, the appropriate models have been provided using Minitab and MATLAB software. Moreover, the average air temperature, the average rainfall and the average wind speed were selected as inputs to the neural network. The mean square error (MSE) was used as a criterion to evaluate the error corresponding to the proposed models. The results revealed that time series models perform better than MLP neural network in forecasting equipment failure rates and thus they can be used for future periods.<br> &nbsp; پیش‌بینی نرخ خرابی, مدل‌های سری زمانی فصلی, شبکه عصبی مصنوعی, شرکت توزیع نیروی برق Failure Rate Forecasting, Seasonal Time Series Models (SARIMA), Artificial Neural Network, Electricity Distribution Company 53 61 http://ieijqp.ir/browse.php?a_code=A-10-777-1&slc_lang=fa&sid=1 Shervin Asadzadeh شروین اسدزاده sh_asadzadeh@iau-tnb.ac.ir 0067398022 10031947532846003255 Yes Department of Industrial Engineering, North Tehran Branch, Islamic Azad University دانشگاه آزاد اسلامی واحد تهران شمال