การประยุกต์ใช้สมการคณิตศาสตร์เพื่อพยากรณ์ปริมาณการใช้ไฟฟ้า สำหรับการบริหารจัดการพลังงานในมหาวิทยาลัย กรณีศึกษา มหาวิทยาลัยราชภัฏอุตรดิตถ์
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อประยุกต์ใช้และทดสอบสมการทางคณิตศาสตร์สำหรับพยากรณ์ปริมาณการใช้ไฟฟ้ามหาวิทยาลัยราชภัฏอุตรดิตถ์ โดยใช้ปัจจัยทางกายภาพ จำนวน 7 ปัจจัย คือ 1) จำนวนอาคาร 2) พื้นที่ใช้สอยอาคาร (ตารางเมตร) 3) จำนวนเครื่องปรับอากาศ 4) จำนวนหลอดไฟ 5) จำนวนนักศึกษา 6) จำนวนอาจารย์และบุคลากร และ 7) ปริมาณการใช้พลังงาน ย้อนหลัง 6 ปี (พ.ศ. 2561-2566) ประยุกต์ใช้สมการ 4 สมการ 1) สมการคาดคะเนแนวโน้ม (Trend P.) 2) สมการค่าเฉลี่ยเคลื่อนที่แบบง่าย (SMA) 3) สมการเอกซ์โปเนนเชียลหนึ่งชั้นแบบปรับค่า (ARRSES) และ 4) สมการค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนักแบบเอกซ์โปเนนเชียล (EWMA) ผลการวิจัยพบว่า เมื่อทำการทดสอบสมการทางคณิตศาสตร์โดยนำข้อมูลรายเดือนมาเข้าสมการ EWMA มีความผิดพลาดน้อยที่สุดเฉลี่ยร้อยละ 15.20 รองลงมาเป็น สมการ ARRSES มีความผิดพลาดเฉลี่ยร้อยละ 18.15 สมการ Trend P. ความผิดพลาดเฉลี่ยร้อยละ 18.59 และ สมการ SMA ผิดพลาดเฉลี่ยร้อยละ 19.98 และเมื่อนำข้อมูลเฉลี่ยรายปีมาใช้กับสมการ พบว่าสมการ Trend P. จะมีความผิดพลาดน้อยที่สุดร้อยละ 6.40 ส่วนสมการอื่นๆ มีความผิดพลาดมากกว่าร้อยละ 25 จึงสรุปได้ว่าสมการที่เหมาะสมสำหรับการพยากรณ์การใช้ไฟฟ้าควรใช้สมการ Trend P. ร่วมกับข้อมูลรายปี เนื่องจากชุดข้อมูลที่นำมาใช้มีลักษณะเป็นเชิงเส้นทำให้ Trend P. มีความเหมาะสมที่สุด เมื่อนำสมการดังกล่าวมาประยุกต์ใช้สำหรับการพยากรณ์ร่วมกับข้อมูลการใช้ไฟฟ้าของมหาวิทยาลัยราชภัฏอุตรดิตถ์รายปี ในปี พ.ศ. 2566 พบว่า ในปี พ.ศ. 2567 - 2569 จะมีการใช้ปริมาณไฟฟ้าเพิ่มขึ้นร้อยละ 5.57 ร้อยละ 6.37 และ ร้อยละ 12.23 ตามลำดับ ถ้าไม่มีการใช้พลังงานทดแทนหรือนโยบายด้านการจัดการพลังงานจะส่งผลให้ในปี พ.ศ. 2569 มหาวิทยาลัยราชภัฏอุตรดิตถ์จะมีปริมาณการใช้ไฟฟ้า 7,525,959 กิโลวัตต์-ชั่วโมง หรือคิดเป็นค่าไฟฟ้าที่ต้องจ่าย 36,801,939 บาทต่อปี โดยคิดคำนวณค่าไฟฟ้า 4.89 บาทต่อหน่วย จากค่าไฟฟ้าเฉลี่ยรวมจากภาษีมูลค่าเพิ่ม (VAT) รวมกับค่าปรับอัตราค่าไฟฟ้าอัตโนมัติ (Ft) จากปี พ.ศ. 2561 - 2566 ดังนั้นการประยุกต์ใช้สมการคณิตศาสตร์ดังกล่าวจึงสามารถพยากรณ์ปริมาณการใช้ไฟฟ้าของมหาวิทยาลัยราชภัฏอุตรดิตถ์ได้ ส่งผลให้มหาวิทยาลัยสามารถนำข้อมูลไปวางนโยบายสำหรับการบริหารจัดการพลังงานในมหาวิทยาลัยได้อย่างเหมาะสม
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กระทรวงพลังงาน. (2552, 25 กันยายน). ประกาศกระทรวงพลังงาน เรื่อง หลักเกณฑ์และวิธีการดำเนินการจัดการพลังงานในโรงงานควบคุมและอาคารควบคุม พ.ศ. 2552.
มหาวิทยาลัยราชภัฏอุตรดิตถ์ กองนโยบายและแผน. (2566). รายงานประจำปี 2566. กองนโยบายและแผน มหาวิทยาลัยราชภัฏอุตรดิตถ์.
ธัญญพัทธ์ ทิพย์ศุภวงศ์, วัชระ วงค์ปัญโญ, บุญวัฒน์ วิจารณ์พล, เกศนีย์ อิ่นอ้าย, และวราคม วงศ์ชัย. (2565). การจำลองสมรรถนะของระบบผลิตไฟฟ้าเซลล์แสงอาทิตย์บนหลังคาแบบเชื่อมต่อกับระบบสายส่งของเทศบาลตำบลแม่เมาะ จังหวัดลำปาง. วารสารวิชาการ มหาวิทยาลัยราชภัฏอุตรดิตถ์, 17(1), 81-97.
วุฒิพงษ์ นิลจันทร์ และ นิติ เอี่ยมชื่น (2563). การคาดการณ์ปริมาณการใช้ไฟฟ้าภาคเหนือตอนบนของประเทศไทย. วารสารวิทยาศาสตร์บูรพา, 25(1), 76-89.
Adetona, S., Ogundeji, A., Ipinnimo, O., & Salawu, R. (2020). Reducing wastage in electricity usage through the use of advancement in GSM technology. Journal of Engineering and Technology (JET), 11(1), 83-96. https://jet.utem.edu.my/jet/article/view/5546
Adewuyi, A. W. (2016). Modelling stock prices with exponential weighted moving average (EWMA). Journal of Mathematical Finance, 6(1), 99-104. https://doi.org/10.4236/jmf.2016.61011
Aji, B. G., Sondawa, D. C. A., Anindika, F. A., & Januarita, D. (2022). Analisis peramalan obat menggunakan metode simple moving average, weighted moving average, dan exponential smoothing. JURIKOM (Jurnal Riset Komputer), 9(4), 959-965. https://doi.org/10.30865/jurikom.v9i4.4454
Dong, R., & Pedrycz, W. (2008). A granular time series approach to long-term forecasting and trend forecasting. Physica A: Statistical Mechanics and its Applications, 387(13), 3253-3270. https://doi.org/10.1016/j.physa.2008.01.095
Elduque, A., Elduque, D., Clavería, I., & Javierre, C. (2018). Influence of Material and Injection Molding Machine’s selection on the electricity consumption and environmental impact of the injection molding process: An experimental approach. International Journal of Precision Engineering and Manufacturing-Green Technology, 5, 13-28. https://doi.org/10.1007/s40684-018-0002-0
Fahrudin, T. M., Ambariawan, R. P., & Kamisutara, M. (2021). Demand forecasting of the automobile sales using least square, single exponential smoothing and double exponential smoothing. Petra International Journal of Business Studies (IJBS), 4(2), 122-130. https://doi.org/10.9744/ijbs.4.2.122-130
Herdiani, E. T., Fandrilla, G., & Sunusi, N. (2018). Modified exponential weighted moving average (EWMA) control chart on autocorrelation data. Journal of physics: Conference series, 979. https://doi.org/10.1088/1742-6596/979/1/012097
Klyuev, R. V., Morgoev, I. D., Morgoeva, A. D., Gavrina, O. A., Martyushev, N. V., Efremenkov, E. A., & Mengxu, Q. (2022). Methods of forecasting electric energy consumption: A literature review. Energies, 15(23), 8919. https://doi.org/10.3390/en15238919
Nasef, A. F., Khattab, H. A. E.-H., & Awad, F. F. (2021). Evaluating the impact of demand side management techniques on household electricity consumption, a real case. ERJ. Engineering Research Journal, 44(2), 149-157. https://doi.org/10.21608/erjm.2021.62524.1081
Nimoh, P., Duah, D., & Marful, A. (2021). Energy consumption and usage reduction in lecture halls, Kwame Nkrumah University of Science and Technology, Preprints. https://doi.org/10.20944/preprints202106.0694.v1
Onaolapo, A. K., Carpanen, R. P., Dorrell, D. G., & Ojo, E. E. (2021). Forecasting electricity outage in KwaZulu-Natal, south africa using trend projection and artificial neural networks techniques. IEEE PES/IAS PowerAfrica, 1-5. https://doi.org/10.1109/PowerAfrica52236.2021.9543182
Pataropura, A., Sabatino, I. D., & Riki, R. (2020). Inventory management with forecasting method: Single moving average and trend projection. Bit-Tech: Binary Digital-Technology, 2(3), 110-121. https://doi.org/10.32877/bt.v2i3.162
Ramadhan, R. H., Yusman, R., & Pranoto, G. T. (2022). Comparison of holt winters and simple moving average models to identify the best model for predicting flood potential based on the normalized difference water index. JISA (Jurnal Informatika dan Sains), 5(2), 99-105. https://doi.org/10.31326/jisa.v5i2.1316
Shea, R. P., Worsham, M. O., Chiasson, A. D., Kissock, J. K., & McCall, B. J. (2020). A lifecycle cost analysis of transitioning to a fully-electrified, renewably powered, and carbon-neutral campus at the University of Dayton. Sustainable Energy Technologies and Assessments, 37. https://doi.org/10.1016/j.seta.2019.100576