Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/36609
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorปารเมศ ชุติมา-
dc.contributor.authorคงฤทธิ์ โกมาสถิตย์-
dc.contributor.otherจุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์-
dc.date.accessioned2013-11-07T07:03:19Z-
dc.date.available2013-11-07T07:03:19Z-
dc.date.issued2555-
dc.identifier.urihttp://cuir.car.chula.ac.th/handle/123456789/36609-
dc.descriptionวิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2555en_US
dc.description.abstractงานวิจัยนี้ได้ศึกษาวิธีการพยากรณ์อุปสงค์พลังงานไฟฟ้า (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%en_US
dc.description.abstractalternativeThe 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%.en_US
dc.language.isothen_US
dc.publisherจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.relation.urihttp://doi.org/10.14457/CU.the.2012.1526-
dc.rightsจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.subjectนิวรัลเน็ตเวิร์ค (คอมพิวเตอร์)en_US
dc.subjectพลังงานไฟฟ้าen_US
dc.subjectอุปสงค์en_US
dc.subjectNeural networks (Computer science)en_US
dc.subjectElectric poweren_US
dc.subjectDemand (Economic theory)en_US
dc.titleการพยากรณ์อุปสงค์พลังงานไฟฟ้าของประเทศไทยในระยะยาวด้วยวิธีโครงข่ายประสาทเทียมen_US
dc.title.alternativeLong-term Thailand electrical energy consumption forecasting with an artificial neural network approachen_US
dc.typeThesisen_US
dc.degree.nameวิศวกรรมศาสตรมหาบัณฑิตen_US
dc.degree.levelปริญญาโทen_US
dc.degree.disciplineวิศวกรรมอุตสาหการen_US
dc.degree.grantorจุฬาลงกรณ์มหาวิทยาลัยen_US
dc.email.advisorParames.C@chula.ac.th-
dc.identifier.DOI10.14457/CU.the.2012.1526-
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
kongrith_ko.pdf3.56 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.