Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/14371
| Title: | การประยุกต์ใช้โครงข่ายประสาทเทียมเพื่อพัฒนารูปแบบการพยากรณ์ความต้องการพลังงานของภาคอุตสาหกรรมในประเทศไทย |
| Other Titles: | Application of neural network for developing the energy consumption forecasting model of manufacturing sector |
| Authors: | นพรัตน์ ศิริโชติ |
| Advisors: | ศิริจันทร์ ทองประเสริฐ |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | Sirichan.T@Chula.ac.th |
| Subjects: | นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์) การใช้พลังงาน -- พยากรณ์ |
| Issue Date: | 2549 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | วิทยานิพนธ์ฉบับนี้มีวัตถุประสงค์สำคัญอยู่ที่การศึกษา และหารูปแบบของการพยากรณ์ปริมาณการใช้พลังงานของภาคอุตสาหกรรมในประเทศไทย โดยพิจารณาในส่วนของอุตสาหกรรมโลหะขั้นมูลฐาน และอุตสาหกรรมสิ่งทอ โดยใช้ข้อมูลปัจจัยทางเศรษฐกิจทั้ง 8 ปัจจัย อันได้แก่ผลิตภัณฑ์มวลรวมภายในประเทศ (Gross Domestic Product: GDP) อัตราแลกเปลี่ยนเงินตราต่างประเทศ (Exchange rate) ราคาทองคำ (Go9ld Price) อัตราการว่างงาน (Rate of unemployment) จำนวนแรงงานในภาคอุตสาหกรรม (Employment) และดัชนีผลผลิตอุตสาหกรรม (Manufacturing production Index) ดัชนีราคาผู้ผลิต (producer price index หรือ PPI) และอัตราเงินเฟ้อ (Inflation Rate) ของประเทศไทยตั้งแต่ปี พ.ศ. 2542- พ.ศ. 2543 ในการสร้างรูปแบบของการพยากรณ์ และใช้ข้อมูลสำหรับการทดสอบ ตั้งแต่ปี พ.ศ. 2544 – พ.ศ. 2548 ในการวิจัยนี้ได้นำโครงข่ายประสาทเทียมมาประยุกต์ใช้ในการหารูปแบบของการพยากรณ์โดยโครงข่ายประสาทเทียมที่ใช้มีลักษณะโครงสร้างแบบมัลติเลเยอร์เพอร์เซพตรอน (Multilayer Perceptron) ที่มีการเรียนรู้แบบแบ็คพรอพาเกชั้นอัลกอริทึม (Back propagation Algorithm) ในการสร้างโครงข่ายประสาทเทียมได้ใช้โปรแกรม Pythia Version 1.02 ซึ่งเป็นโปรแกรมสำหรับพัฒนาและออกแบบโครงข่ายประสาทเทียม ผลการพยากรณ์ที่ได้ถูกนำมาเปรียบเทียบกับการพยากรณ์โดยใช้การพยากรณ์แบบ ARIMA (Box – Jenkins) และข้อมูลปริมาณการใช้พลังงานจริงในสาขาอุตสาหกรรมโลหะขั้นมูลฐานและอุตสาหกรรมสิ่งทอ ผลจากการเปรียบเทียบสามารถสรุปได้ว่า โครงข่ายประสาทเทียมสามารถพยากรณ์ได้แม่นยำกว่าการพยากรณ์แบบ ARIMA โดยมีร้อยละของค่าความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ (Mean Absolute Percentage Square Error: MAPE) ต่ำกว่า 10 |
| Other Abstract: | The main purpose of this thesis is to study and formulate the energy consumption forecasting model of basic metal industry and textile industry. This research study utilizes neural networks theory in forecasting the energy consumption of Thai basic industry and textile industry. Data used in training and testing neural networks are economic factors. They are gross domestic product (GDP), Exchange Rate, gold price, rate of unemployment, number of employment persons in manufacturing, manufacturing production index, producer price index, inflation rate. Data in 1981 to 2000 were used for training where as data in 2001 to 2005 were used for testing. Neural networks implemented are Multilayer Perceptron type which improvises Back Propagation Algorithm. Mean absolute percentage error (MAPE) values of less than 10% were obtained. A software package known as Pythia Version 1.02 was selected as the tool for implementing the neural networks. Phythia is a program for the development and design of Neural Networks, Results from the neural networks were compared with results obtained from ARIMA on the same set of data. The comparison revealed that forecasting by the neural networks yielded a better accuracy than forecasting by ARIMA. |
| Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2549 |
| Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิศวกรรมอุตสาหการ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/14371 |
| URI: | http://doi.org/10.14457/CU.the.2006.1056 |
| metadata.dc.identifier.DOI: | 10.14457/CU.the.2006.1056 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| nopparat.pdf | 3.53 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.