เทคนิคการพยากรณ์แบบผสมของซัพพอร์ตเวกเตอร์แมชชีนและขั้นตอนวิธีเชิงพันธุกรรมสำหรับการพยากรณ์ปริมาณความต้องการพลังงานไฟฟ้าสูงสุดรายปีของประเทศไทย
Main Article Content
บทคัดย่อ
ไฟฟ้าถือเป็นแหล่งพลังงานที่สำคัญในการขับเคลื่อนการเจริญเติบโตทางเศรษฐกิจของประเทศไทยซึ่งถูกใช้เพิ่มสูงขึ้นอย่างต่อเนื่องในช่วงหลายสิบปีที่ผ่านมา เพื่อการบริหารจัดการระบบการจ่ายไฟฟ้าให้มีเสถียรภาพนั้นความต้องการพลังงานไฟฟ้าสูงสุดที่จะเกิดขึ้นในอนาคตซึ่งมีลักษณะไม่แน่นอนมีบทบาทสำคัญในการบริหารจัดการการคาดการณ์ปริมาณความต้องการใช้ในอนาคตจึงต้องอาศัยตัวแบบพยากรณ์ที่เหมาะสมเพื่อให้ค่าพยากรณ์ที่ได้มีความเหมาะสมและเป็นประโยชน์ในการวางแผนและบริหารจัดการได้ ตัวแบบการพยากรณ์แบบผสมของซัพพอร์ตเวกเตอร์แมชชีนและขั้นตอนวิธีเชิงพันธุกรรมถูกพัฒนาขึ้นในงานวิจัยนี้เพื่อพยากรณ์ปริมาณความต้องการพลังงานไฟฟ้าสูงสุด โดยแรงจูงใจของการพัฒนาตัวแบบผสมนี้เกิดจากการใช้ความสามารถในการสร้างตัวแบบที่ซับซ้อนของซัพพอร์ตเวกเตอร์แมชชีนเพื่อทำนายค่าในอนาคต แต่เนื่องจากประสิทธิภาพของซัพพอร์ตเวกเตอร์แมชชีนขึ้นอยู่กับการเลือกค่าพารามิเตอร์ที่เหมาะสม ขั้นตอนวิธีการเชิงพันธุกรรมจึงถูกนำมาใช้ประโยชน์ในการหาค่าที่เหมาะสมของซัพพอร์ตเวกเตอร์แมชชีน นอกจากนี้ตัวแบบผสมที่นำเสนอได้ถูกเปรียบเทียบประสิทธิภาพการพยากรณ์กับตัวแบบดั้งเดิม ได้แก่ ตัวแบบอารีมาและซัพพอร์ตเวกเตอร์แมชชีนโดยปราศจากการหาค่าพารามิเตอร์ที่เหมาะสมที่สุดด้วยการประเมินประสิทธิภาพ 6 วิธี จากผลการวิจัยพบว่า ตัวแบบผสมที่นำเสนอมีประสิทธิภาพในการพยากรณ์ที่ถูกต้องและแม่นยำกว่าตัวแบบดั้งเดิม โดยสามารถลดค่าความคลาดเคลื่อนของตัวแบบอารีมาและซัพพอร์ตเวกเตอร์แมชชีนได้อย่างน้อยร้อยละ 7.78 และ 5.72 ตามลำดับ
Article Details
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
[2] H. H. Istepanian, “Iraq’s electricity crisis,” The Electricity Journal, vol. 27, pp. 51–69, May 2014.
[3] R. G. Kavasseri and K. Seetharaman, “Day-ahead wind speed forecasting using f-ARIMA models,” Renewable Energy, vol. 34, pp. 1388–1393, May 2009.
[4] V. S. Ediger and S. Akar, “ARIMA forecasting of primary energy demand by fuel in Turkey,” Energy Policy, vol. 35, pp. 1701–1708, March 2007.
[5] M. Khashei and M. Bijari, “A novel hybridization of artificial neural networks and ARIMA models for time series forecasting,” Applied Soft Computing, vol. 11, pp. 2664–2675, March 2011.
[6] F. Kaytez, M. C. Taplamacioglu, E. Cam, and F. Hardalac, “Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines,” International Journal of Electrical Power & Energy Systems, vol. 67, pp. 431–438, May 2015.
[7] J. Massana, C. Pous, L. Burgas, J. Melendez, and J. Colomer, “Short-term load forecasting in a non-residential building contrasting models and attributes,” Energy and Buildings, vol. 92, pp. 322–330, April 2015.
[8] G. Oğcu, O. F. Demirel, and S. Zaim, “Forecasting electricity consumption with neural networks and support vector regression,” Procedia - Social and Behavioral Sciences, vol. 58, pp. 1576–1585, October 2012.
[9] K. Mohammadi, S. Shamshirband, C. W. Tong, M. Arif, D. Petković, and S. Ch, “A new hybrid support vector machine–wavelet transform approach for estimation of horizontal global solar radiation,” Energy Conversion and Management, vol. 92, pp. 162–171, March 2015.
[10] J. Che and J. Wang, “Short-term electricity prices forecasting based on support vector regression and auto-regressive integrated moving average modeling,” Energy Conversion and Management, vol. 51, pp. 1991–1917, October 2010.
[11] W.-C. Hong, “Electric load forecasting by support vector model,” Applied Mathematical Modelling, vol. 33, pp. 2444–2454, May 2009.
[12] F. Zhang, C. Deb, S. E. Lee, J. Yang, and K. W. Shah, “Time series forecasting for building energy consumption using weighted support vector regression with differential evolution optimization technique,” Energy and Buildings, vol. 126, pp. 94–103, August 2016.
[13] P. J. García Nieto, E. García-Gonzalo, F. Sánchez Lasheras, and F. J. de Cos Juez, “Hybrid PSO–SVM-based method for forecasting of the remaining useful life for aircraft engines and evaluation of its reliability,” Reliability Engineering & System Safety, vol. 138, pp. 219–231, June 2015.
[14] Peak electricity demand: Electricity Generating Authority of Thailand [online]. Available: http://www.egat.co.th/index.php?option=com_content&view=article&layout=edit&id=353&Itemid=200 (in Thai).
[15] K. Kandananond, “Applying 2k factorial design to assess the performance of ann and svm methods for forecasting stationary and non-stationary time series,” Procedia Computer Science, vol. 22, pp. 60–69, 2013.
[16] R. Schaback, “Limit problems for interpolation by analytic radial basis functions,” Journal of Computational and Applied Mathematics, vol. 212, pp. 127–149, March 2008.