การพยากรณ์ความต้องการพลังงานไฟฟ้าสำหรับศูนย์จัดการความต้องการพลังงานไฟฟ้าของประเทศไทย

Electricity demand forecast for Thailand demand side management center

Name: พิณสุดา สิงไชย

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะวิศวกรรมศาสตร์

Name: พงษ์ศักดิ์ กีรติวินทกร

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะวิศวกรรมศาสตร์

Email : psp@kmutnb.ac.th

keyword: ความต้องการพลังงานไฟฟ้า

ThaSH: ซัพพอร์ตเวกเตอร์แมชชีน

ThaSH: การใช้พลังงานไฟฟ้า -- การจัดการ

Abstract: ในปัจจุบันความต้องการพลังงานไฟฟ้าในประเทศไทยนั้นมีความต้องการเพิ่มมากขึ้นตามการเติบโตของกลุ่มโรงงานอุตสาหกรรม กลุ่มอาคารพาณิชย์ และกลุ่มบ้านพักอาศัยการพยากรณ์ความต้องการพลังงานไฟฟ้าจึงมีบทบาทสำคัญต่อการจัดการด้านความต้องการกับการผลิตพลังงานไฟฟ้า ให้สอดคล้องกันเพื่อลดค่าใช้จ่ายในส่วนที่มีการผลิตพลังงานไฟฟ้าเกิน การจัดการนี้คือ การจัดการด้านการใช้ไฟฟ้า(Demand Side Management: DSM) ในงานวิจัยนี้ได้เสนอการพยากรณ์ความต้องการพลังงานไฟฟ้าโดยใช้เทคนิคซัพพอร์ตเวกเตอร์แมชชีนแบบรีเกรสชัน (Support Vector Machine-Regression: SVM-R) ร่วมกับฟังก์ชันเรเดียลเบซิส (Radial Basis Function: RBF) ซึ่งใช้ข้อมูลของปริมาณการใช้พลังงานไฟฟ้าราย 1 นาที ในการวิเคราะห์จากกลุ่มผู้ใช้งาน ตัวอย่างของกลุ่มโรงงานอุตสาหกรรม กลุ่มอาคารพาณิชย์และกลุ่มที่พักอาศัย โดยโมเดลของเทคนิคซัพพอร์ตเวกเตอร์แมชชีนแบบรีเกรสชัน จะใช้ในการพยากรณ์โหลดแบบระยะสั้น (Short-Term Load Forecasting) ด้วยข้อมูลย้อนหลังรายสัปดาห์ โดยวัดประสิทธิภาพจากค่าเฉลี่ยกำลังสองของความคลาดเคลื่อน (Mean Squared Error: MSE) และกำลังสองสัมประสิทธิ์สหสัมพันธ์ (Squared Correlation Coefficient: R2) รวมทั้งเวลาที่ใช้ในการประมวลผล อย่างไรก็ตาม โมเดลนี้จะถูกปรับให้มีค่าตัวแปรที่เหมาะสมกับข้อมูลปริมาณการใช้พลังงานไฟฟ้าจริงพร้อมทั้งเพิ่มตัวแปรเวลาของแต่ละวันและชนิดของวัน เช่น วันทำงาน วันเสาร์-อาทิตย์หรือวันหยุดนักขัตฤกษ์ เข้ามาช่วยในการพยากรณ์ความต้องการพลังงานไฟฟ้าด้วย

Abstract: With the increasing electricity demand in Thailand to support the growing industrial, commercial and residential sectors, electricity demand forecast is crucial for electricity suppliers to manage the demand-supply chain to reduce the electricity cost as much as possible. The management is also known as Demand Side Management (DSM). For this paper, we present techniques for demand side forecasting using Support Vector Machine-Regression (SVM-R) with Radial Basis Function by analyzing one-minute intervals of electricity data collected from a sample group of industrials, commercials and residences. In spite of short-term forecast, we propose the SVM-R model that forecasts a short-term load based on a previous week that performance measured by Mean Squared Error (MSE), Squared Correlation (R2) and calculation time for forecast process. In addition, the model was tuned to optimize parameters based on real-life dataset collected from our research project. In the model, we consider variables including the time-of-day and the type-of-day such as workday, weekend or holiday.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2557

Modified: 2024-08-27

Issued: 2558-07-09

บทความ/Article

application/pdf

BibliograpyCitation : วารสารเทคโนโลยีสารสนเทศ. ปีที่ 10, ฉบับที่ 2 (ก.ค.-ธ.ค. 57), หน้า 32-42

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	ch20_05.pdf	3.94 MB	64	2026-05-26 18:16:01

ใช้เวลา

0.027296 วินาที