Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/45660
Title: | การพยากรณ์ความต้องการไฟฟ้าสูงสุดระยะยาวของประเทศไทยโดยการใช้ฟังก์ชันเคอร์เนล |
Other Titles: | THAILAND’S LONG TERM PEAK LOAD FORECASTING USING KERNEL FUNCTION |
Authors: | ประมุขพงศ์ อัศวทวีโชค |
Advisors: | ประสิทธิ์ ทีฆพุฒิ ทัศนัย พลอยสุวรรณ |
Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
Advisor's Email: | Prasit.T@Chula.ac.th,Prasit.T@chula.ac.th tuchsanai@gmail.com |
Subjects: | การใช้พลังงานไฟฟ้า -- ไทย -- พยากรณ์ กระบวนการเกาส์เซียน ปริมาณการใช้สูงสุด Electric power consumption -- Thailand -- Forecasting Gaussian processes Peak load Kernel functions |
Issue Date: | 2557 |
Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
Abstract: | ในวิทยานิพนธ์นำเสนอเทคนิคการพยากรณ์ความต้องการไฟฟ้าสูงสุด (พีคโหลด) รายเดือนของประเทศไทยตั้งแต่เดือนมกราคมปี 2014 ถึงธันวาคม 2023 ซึ่งมีจำนวนทั้งหมด 132 เดือนข้างหน้า โดยที่ข้อมูลฝึกสอนนำมาจากรายงานประจำปีที่รวบรวมโดยการไฟฟ้าฝ่ายผลิตแห่งประเทศตั้งแต่เดือนมกราคมปี 2000 ถึงเดือนธันวาคมปี 2012 ซึ่งมีจำนวนทั้งหมด 156 เดือน เทคนิคออกแบบเคอร์เนลชนิดใหม่สำหรับการพยากรณ์ถูกนำเสนอในรูปแบบผลรวมของเอ็กซ์โพเนนเชียลเคอร์เนลกำลังสองและผลคูณระหว่างเคอร์เนลเอกซ์โพเนนเชียลกำลังสองกับเคอร์เนลชนิดคาบเวลา ซึ่งถูกใช้เป็นส่วนประกอบในคำตอบของกระบวนการแบบเกาส์ โดยผลการทดลองแสดงให้เห็นว่าเปอร์เซ็นต์ค่าเฉลี่ยความผิดพลาดสัมบูรณ์ในการพยากรณ์ของวิธีที่นำเสนอมีค่าเท่ากับ 3.1086% ซึ่งให้ค่าความผิดพลาดต่ำกว่าโครงข่ายประสาทเทียมที่ใช้กันอย่างแพร่หลายโดยมีเปอร์เซ็นต์เฉลี่ยค่าความผิดพลาดสัมบูรณ์เท่ากับ 19.28% |
Other Abstract: | This thesis presents monthly forecasting technique of long term peak electricity demand (peak load) in Thailand from January 2014 to December 2023 with totally 132 months in the future. The known training data is collected from annual report of the Electricity Generating Authority of Thailand (EGAT) from January 2000 to December 2012 with totally 156 months. The new designed kernel technique is proposed by the combination of square exponential kernel and multiplied version between square exponential kernel and periodic kernel, which are used as components in the answer of Gaussian Process (GP). Finally, the results show the prediction error mean absolute percentage error (MAPE) of proposed method by 3.1086% which is lower than traditional neural network by MAPE 19.28%. |
Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2557 |
Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
Degree Level: | ปริญญาโท |
Degree Discipline: | วิศวกรรมไฟฟ้า |
URI: | http://cuir.car.chula.ac.th/handle/123456789/45660 |
URI: | http://doi.org/10.14457/CU.the.2014.1041 |
metadata.dc.identifier.DOI: | 10.14457/CU.the.2014.1041 |
Type: | Thesis |
Appears in Collections: | Eng - Theses |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
5670273421.pdf | 3.28 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.