مدلسازي و پيش بيني بهينه نرخ خرابي تجهيزات شبكه توزيع برق

Optimal Modeling and Forecasting of Equipment Failure Rate for the Electricity Distribution Network

به منظور كسب درك عميق در زمينه برنامه ريزي تعمير و نگهداري، بررسي نقاط ضعف شبكه توزيع و كشف رخدادهاي غيرعادي، بايد خاموشي هاي رخ داده در شبكه را ردگيري كرد. از سويي ديگر مهمترين وظيفه شركتهاي توزيع برق، تأمين برق مطمئن و پايدار است كه بايستي با حداقل خاموشي و با ولتاژ استاندارد همراه باشد. اين پژوهش قصد دارد با بهره گيري از رويكردهاي سري زماني فصلي و شبكه عصبي مصنوعي، مدل هايي را به منظور پيش بيني نرخ خرابي يكي از تجهيزات به كار رفته در دو منطقه از مناطق تحت پوشش شركت توزيع نيروي برق تهران بزرگ ارائه دهد. اين داده ها بصورت هفتگي در بازه فروردين 1391 الي اسفند 1394 از نرم افزار ثبت حوادث ENOX استخراج شده است. بدين منظور پس از پيش پردازش داده ها، مدل نهايي مناسب به كمك نرم افزارهاي Minitab و MATLAB ارائه شد. همچنين، ميزان متوسط دماي هوا، ميزان متوسط بارش باران و ميزان متوسط سرعت باد بعنوان متغيرهاي ورودي به شبكه عصبي انتخاب شدند. براي ارزيابي ميزان خطاي مدل هاي پيشنهادي، از ميانگين مربعات خطا استفاده شده است. نتايج نشان مي دهند مدل هاي سري زماني نسبت به شبكه عصبي پرسپترون چند لايه اي عملكرد بهتري در پيش بيني نرخ خرابي تجهيز مورد نظر داشتند و مي توان براي پيش بيني دوره هاي آتي از آنها استفاده كرد.

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.