การวิเคราะห์ปัจจัยและทำนายการใช้พลังงานไฟฟ้าในอาคารประเภทต่าง ๆ

Factor analysis and prediction of electricity consumption in buildings from different categories

Name: ณัฐธีรา ไทยานันท์

Organization : มหาวิทยาลัยเกษตรศาสตร์. คณะวิศวกรรมศาสตร์

Email : natteera.t@ku.th

Name: สุภาพร เอื้อจงมานี

Organization : มหาวิทยาลัยเกษตรศาสตร์. คณะวิศวกรรมศาสตร์

Email : fengspe@ku.ac.th

keyword: การทำนายการใช้พลังงานไฟฟ้า

ThaSH: การวิเคราะห์ตัวแปรพหุ

; การวิเคราะห์ป่าแบบสุ่ม

ThaSH: การวิเคราะห์การถดถอย

ThaSH: นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

Abstract: การใช้พลังงานไฟฟ้าบนโลกรวมทั้งประเทศไทยมีแนวโน้มที่เพิ่มขึ้นเรื่อย ๆ งานวิจัยที่ศึกษาปัจจัยที่ส่งผลต่อการใช้พลังงานไฟฟ้าและการทำนายพลังงานไฟฟ้าจึงเป็นเรื่องที่จำเป็น งานวิจัยนี้ศึกษาข้อมูลการใช้พลังงานไฟฟ้าจากมหาวิทยาลัยเกษตรศาสตร์ บางเขน และจุฬาลงกรณ์มหาวิทยาลัย ระหว่างปี พ.ศ. 2556-2561 โดยแบ่งประเภทอาคารออกเป็น 6 ประเภท ได้แก่ อาคารเรียนรวม อาคารสำนักงาน อาคารอเนกประสงค์ อาคารวิจัย หอพัก และอาคารจอดรถ งานวิจัยนี้ศึกษาปัจจัยที่ส่งผลต่อการใช้พลังงานด้วยวิธีคัดเลือกตัวแปร และใช้วิธีการเรียนรู้แบบเครื่องมาสร้างตัวแบบทำนายการใช้พลังงานแบ่งตามช่วงปริมาณการใช้ไฟฟ้า ด้วยวิธีถดถอยพหุคูณ วิธีโครงข่ายประสาทเทียม และวิธีป่าแบบสุ่ม ผลลัพธ์ของงานพบว่า ปัจจัยที่ส่งผลต่อการใช้พลังงานไฟฟ้าโดยรวมได้แก่ พื้นที่ใช้สอยและจำนวนชั้น อาคารประเภทต่าง ๆ มีปัจจัยที่ส่งผลแตกต่างกันออกไป นอกจากนี้พบว่าวิธีป่าแบบสุ่มสามารถทำนายการใช้พลังงานไฟฟ้าที่แม่นยำกว่าอีกสองวิธี งานวิจัยนี้สามารถนำไปใช้กับข้อมูลอาคารอื่น ๆ เพื่อศึกษาการใช้พลังงานไฟฟ้าได้เช่นกัน

Abstract: Electricity consumption has progressively increased all over the world, including Thailand. Thus, the research that studies the affected factors and the predictions on electricity consumption is mandatory. This research collects electricity consumption data from Kasetsart and Chulalongkorn universities between 2013-2018. The university buildings are classified into 6 categories: lecture halls, administrations, multi-purpose buildings, research laboratories, dormitories and parkings. This research analyzes affected factors using feature selection. Furthermore, machine learning is applied to create a predictive model based on interval data for electricity consumption, using multiple regression, neural network and random forest. The result shows the overall affected factors are area and number of stories. Different categories have different affected factors. Moreover, random forest provides more accurate consumption prediction, compared to the other two methods. The results can also be applied with other buildings to analyze electricity consumption prediction.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2563

Modified: 2564-01-04

Issued: 2564-01-04

บทความ/Article

application/pdf

BibliograpyCitation : ใน King Mongkut's University of Technology North Bangkok Faculty of Information Technology and Digital Innovation. The 16th National Conference on Computing and Information Technology (NCCIT 2020) (p.584-589). กรุงเทพฯ : คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2020pp.584-589.pdf	384.72 KB	11	2025-04-09 10:04:39

ใช้เวลา

0.035032 วินาที