การวิเคราะห์อนุกรมเวลาของข้อมูลหน่วยจำหน่ายไฟฟ้า เพื่อค้นหาตัวแบบการพยากรณ์ที่เหมาะสม ด้วยภาษาอาร์ Time Series Analysis of Electrical Distribution Units to Find a Suitable Forecasting Model with R Language
Article Sidebar
Main Article Content
Abstract
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์อนุกรมเวลาของข้อมูลหน่วยจำหน่ายไฟฟ้า และค้นหาตัวแบบ
การพยากรณท์ ี่เหมาะสม โดยใชก้ ารเขียนโปรแกรมดว้ ยภาษาอาร ์ เปน็ เครื่องมือดำเนินการวิจัย ซึ่งอนุกรมเวลา
ที่นำมาวิเคราะห์ เป็นข้อมูลหน่วยจำหน่ายไฟฟ้าของการไฟฟ้านครหลวง (กฟน.) เก็บรวบรวมข้อมูลจาก
รายงานสถานการณ์การจำหน่ายไฟฟ้าของการไฟฟ้านครหลวง ตั้งแต่เดือนมกราคม ปี พ.ศ. 2553 ถึง
เดือนพฤษภาคม ป ี พ.ศ. 2558 ซึ่งขอ้ มูลที่สนใจมีขอบเขตเฉพาะจำนวนหนว่ ยจำหนา่ ยไฟฟา้ ใหกั้บผูบ้ ริโภค
ประเภทบ้านอยู่อาศัย โดยนำข้อมูลตั้งแต่เดือนมกราคม ปี พ.ศ. 2553 ถึงเดือนธันวาคม ปี พ.ศ. 2557
ไปสร้างตัวแบบการพยากรณ์ที่แตกต่างกันทั้งสิ้น 3 ตัวแบบ ด้วยภาษาอาร์ ได้แก่ ตัวแบบ glm,
HoltWinters และ ARIMA จากนั้นเปรียบเทียบตัวแบบทั้ง 3 ด้วยการวัดค่าคลาดเคลื่อน ได้แก่
คา่ RMSE และคา่ MAPE จากขอ้ มูลที่แตล่ ะตัวแบบพยากรณข์ อ้ มูลหนว่ ยจำหนา่ ยไฟฟา้ ของเดือนมกราคม
ถึงเดือนพฤษภาคม ป ี พ.ศ. 2558 เปรียบเทียบกับขอ้ มูลจริงที่ไดจ้ ากรายงานสถานการณก์ ารจำหนา่ ยไฟฟา้
ของการไฟฟ้านครหลวง ในเดือนมกราคมถึงเดือนพฤษภาคม ปี พ.ศ. 2558 ซึ่งผลการทดลอง สรุปได้ว่า
ตัวแบบ ARIMA เปน็ ตัวแบบที่ใหค้ า่ RMSE และคา่ MAPE ต่ำที่สุด ดังนั้น ตัวแบบ ARIMA เปน็ ตัวแบบ
ที่เหมาะสมที่สุดสำหรับนำไปสร้างเป็นตัวแบบการพยากรณ์ในรูปของสมการคณิตศาสตร์ เพื่อพยากรณ์
ข้อมูลหน่วยจำหน่ายไฟฟ้าของการไฟฟ้านครหลวงในส่วนของผู้บริโภคประเภทบ้านอยู่อาศัย
Abstract
This research aimed to analyze time series of electrical distribution unit data and to find
a suitable forecasting model by using R language programming as a tool to carry out
this research. The analyzed time series were the electrical distribution unit data of
Metropolitan Electricity Authority (MEA) which had been collected from report of
electrical distribution since January 2010 to May 2015. Residential consumers were the
interested specific data. The electrical distribution units as the training data set were
the data from January 2010 to December 2014. This data set were modeled by 3 different
forecasting models with R language programming, i.e. glm model, HoltWinters model
and ARIMA model. Then the comparison among the 3 models was done by comparing
the model forecasting against the actual data of MEA during January - May, 2015.
From the comparative results, it was concluded that the ARIMA model is the most
suitable one for creating a forecasting model in term of mathematic equation to predict
the electrical distribution units of MEA for the section of residential consumers.
Article Details
References
[2] Bunn, D.W., and Farmer, E.D. (1985). Comparative Models for Electrical Load Forecasting. New York: John Wiley and Sons
[3] Ma .aira, P.M., Souza, R.C. and Oliveira, F.L.C. (2015). Modelling and Forecasting the Residential Electricity Consumption in Brazil with Pegels Exponential Smoothing Techniques. Procedia Computer Science. Vol. 55. p. 328-335
[4] Pereira, C.M., Almeida de, N.N. and Velloso, M.L.F. (2015). Fuzzy Modeling to Forecast an Electric Load Times Series. Procedia Computer Science. Vol. 55. pp. 395-404
[5] Keka, I., and Hamiti, M. (2013). Load profile analyses using R language. Proceedings of the ITI 2013 35th International Conference on Information Technology Interfaces (ITI). Croatia : Cavtat. pp. 245-250
[6] Chujai, P., Kerdprasop, N. and Kerdprasop, K. (2013). Time Series Analysis of Household Electric Consumption with ARIMA and ARMA Models. Proceedings of the International MultiConference of Engineers and Computer Scientists.
China : Hong Kong. pp. 295-300
[7] Wang, Y., Wang, J., Zhao, G. and Dong, Y. (2012). Application of Residual Modification Approach in Seasonal ARIMA for Electricity Demand Forecasting: A Case Study of China. Energy Policy. Vol. 48. pp. 284-294
[8] Boldina, I., and Beninger, P.G. (2016). Strengthening Statistical Usage in Marine Ecology: Linear Regression. Journal of Experimental Marine Biology and Ecology. Vol. 474. pp. 81-91
[9] Prema, V. and Rao, K.U. (2015). Development of Statistical Time Series Models for Solar Power Prediction. Renewable Energy. Vol. 83. pp. 100-109
[10] Bergmeir, C., and Ben.tez, J.M. (2012). On the Use of Cross-Validation for Time Series Predictor Evaluation. Information Sciences. Vol. 191. pp. 192-213