แบบจำลองการใช้พลังงานไฟฟ้าของสิ่งอำนวย ความสะดวกและการทำนายโหลดระยะปานกลาง ด้วยโครงข่ายประสาทเทียมและระบบอนุมาน ฟัซซี่โครงข่ายปรับตัวได้

Abstract

บทความนี้นำเสนอการสร้างแบบจำลองการใช้พลังงานของสิ่งอำนวยความสะดวกและการทำนายโหลดระยะปานกลางของอาคารคิวเฮ้าส์ลุมพินี เพื่อปรับปรุงประสิทธิภาพการใช้พลังงานในอาคารซึ่งสามารถประหยัดพลังงาน ลดค่าใช้จ่าย และปกป้องสิ่งแวดล้อม ในงานวิจัยนี้ได้ใช้โครงข่ายประสาทเทียม (Artificial Neural Network, ANN ) และระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ (ANFIS) เป็นระบบจำลองและทำนายการใช้พลังงานของสิ่งอำนวยความสะดวกในอาคารคิวเฮ้าส์ลุมพินี การทำนายขึ้นอยู่กับประวัติการใช้พลังงาน ของอาคาร การครอบครองอาคารของลูกค้า ซึ่งผลการทำนายโครงข่ายประสาทเทียมให้ผลการทำนายที่ดีกว่าระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ โดยผลการทดลองโครงข่ายประสาทเทียมมีค่าความผิดพลาดเฉลี่ยสมบูรณ์ (Mean Absolute Percentage Error : MAPE) ดีที่สุดเท่ากับ 1.2674 % ในส่วนของระบบอนุมาน ฟัซซี่โครงข่ายปรับตัวมีค่า MAPE ดีที่สุดเท่ากับ 3.5157 %

Facility Energy Usage Modeling and Medium Term Load Forecasting With Artificial Neural Networks And Adaptive Neuro-Fuzzy Inference Systems

This paper presents facility energy usage modeling and medium term load forecasting for Qhouse Lumpini Building. Improving the energy efficiency of building can save energy, reduce cost, and protect the environment. In this research, Artificial Neural Network and Adaptive Neuro-Fuzzy Inference Systems are used to model and predict the facility power usage of Qhouse Lumpini building. The prediction is based on the building power usage history and occupancy rate . The results indicate that ANN yields better performance than ANFIS. Artificial Neural Network has the best mean absolute percentage error of 1.2674 % whereas Adaptive Neuro-Fuzzy Inference Systems have the best mean absolute percentage error of 3.5157 %.