Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/36609
| Title: | การพยากรณ์อุปสงค์พลังงานไฟฟ้าของประเทศไทยในระยะยาวด้วยวิธีโครงข่ายประสาทเทียม |
| Other Titles: | Long-term Thailand electrical energy consumption forecasting with an artificial neural network approach |
| Authors: | คงฤทธิ์ โกมาสถิตย์ |
| Advisors: | ปารเมศ ชุติมา |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | Parames.C@chula.ac.th |
| Subjects: | นิวรัลเน็ตเวิร์ค (คอมพิวเตอร์) พลังงานไฟฟ้า อุปสงค์ Neural networks (Computer science) Electric power Demand (Economic theory) |
| Issue Date: | 2555 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | งานวิจัยนี้ได้ศึกษาวิธีการพยากรณ์อุปสงค์พลังงานไฟฟ้า (Electrical Energy Consumption) ของประเทศไทยในระยะยาวด้วยวิธีโครงข่ายประสาทเทียม (Artificial Neural Network) โดยได้นำโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับ (Back-Propagation Neural Network: BPNN) มาใช้ในการพยากรณ์พลังงานไฟฟ้าของประเทศไทยช่วง พ.ศ. 2555-2573 โดยมีช่วงฝึกสอนตั้งแต่ พ.ศ.2537-2549 และช่วงทดสอบตั้งแต่ พ.ศ.2550-2554 โดยตัวแปรป้อนเข้าในแบบจำลองจะพิจารณาจากตัวแปรด้านเศรษฐศาสตร์ ดินฟ้าอากาศ สังคมศาสตร์ และอุตสาหกรรม โดยพิจารณาตัวแปรที่มีความสัมพันธ์กับค่าพลังงานไฟฟ้าที่ดี (Strong parameter) ไปออกแบบโครงข่ายประสาทเทียม ส่วนตัวแปรที่มีความสัมพันธ์ไม่ดี (Weak parameter) จะถูกคัดออก การศึกษาและออกแบบทำให้ได้โครงข่ายประสาทเทียม 1 ชั้นซ่อน ที่มี 4 นิวรอนเป็นฟังก์ชันเส้นตรงและมีตัวแปรป้อนเข้าแบบจำลอง 4 ตัวแปร คือ ผลผลิตมวลรวมในประเทศ (GDP) จำนวนลูกค้าการไฟฟ้า (Customer) ดรรชนีอุตสาหกรรม (Industrial Index) และจำนวนนักท่องเที่ยวต่างชาติ (Foreign Tourist) ส่วนตัวแปรผลลัพธ์มี 1 ตัวแปรคือ อุปสงค์พลังงานไฟฟ้า ผลการศึกษาสามารถสรุปได้ว่าวิธีโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับสามารถพยากรณ์ได้แม่นยำกว่าวิธีของคณะอนุกรรมการพยากรณ์แห่งประเทศไทย (Thailand Load Forecast Sub-Committee : TLFS) ที่ถูกใช้ในแผนพัฒนาแหล่งผลิตไฟฟ้า ฉบับ พ.ศ. 2553-2573 (ทบทวนครั้งที่ 2) โดยวิธีโครงข่ายประสาทเทียมมีค่าร้อยละความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ (Mean Percentage Absolute Error: MAPE) เท่ากับ 2.5% ส่วนวิธีของคณะอนุกรรมการฯ ฉบับ เม.ย. 2553 มีค่าเท่ากับ 4.54% |
| Other Abstract: | The main purpose of this research is to study and formulate a long-term Thailand electrical energy consumption forecasting model with an artificial neural network approach. Back-Propagation Neural Network (BPNN) is applied to forecast on 2012-2030 time period. Training and testing period are 1994-2006 and 2007-2011 , respectively. Input assumptions consider parameters in field of Economics , Meteorology , Social science and Industrial parameter. Strong parameters be modeled , weak parameter be sorted out. The candidate forecasting model construct by 4 neurons in 1 hidden layer with pure-linear activate function. Finally, Input parameters are GDP (Gross Domestic Product) , Customer, Industrial Index, Foreign tourist. The only one output is electrical energy consumption. The results show that BPNN obtains a better forecast value than TLFS (Thailand Load Forecast Sub-Committee) approach which applied in PDP2010 revision2 (Power Development Plan 2010-2030). The MAPE (Mean Percentage Absolute Error) results show that BPNN is 2.5% and TLFS is 4.54%. |
| Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2555 |
| Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิศวกรรมอุตสาหการ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/36609 |
| URI: | http://doi.org/10.14457/CU.the.2012.1526 |
| metadata.dc.identifier.DOI: | 10.14457/CU.the.2012.1526 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| kongrith_ko.pdf | 3.56 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.