ประเมินการพยากรณ์การผลิตไฟฟ้าด้วยพลังงานทดแทนระยะปานกลางของการไฟฟ้าฝ่ายผลิตแห่งประเทศไทยด้วยโครงข่ายประสาทและอริมา
คำสำคัญ:
โครงข่ายประสาทเทียม, อริมา, การพยากรณ์การผลิตไฟฟ้าจากพลังงานทดแทน, การไฟฟ้าฝ่ายผลิตแห่งประเทศไทยบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองโครงข่ายประสาทเทียม (Neural Network) และแบบจำลอง ARIMA ในการพยากรณ์การผลิตไฟฟ้าจากพลังงานทดแทน โดยใช้ข้อมูลประวัติการผลิตไฟฟ้าด้วยพลังงานทดแทนของการไฟฟ้าฝ่ายผลิตแห่งประเทศไทย (กฟผ.) ข้อมูลที่นำมาใช้ประกอบด้วย 2 รูปแบบ ได้แก่ รูปแบบที่ 1 ประกอบด้วยข้อมูลย้อนหลัง 3 เดือน 2 เดือน 1 เดือน และรหัสเดือน และรูปแบบที่ 2 ประกอบด้วยข้อมูลย้อนหลัง 4 เดือน 3 เดือน 2 เดือน 1 เดือน และรหัสเดือน ผลการวิจัยแสดงให้เห็นว่า โครงข่ายประสาทเทียมมีประสิทธิภาพสูงกว่า โดยมี ค่าเปอร์เซ็นต์ความคลาดเคลื่อนเฉลี่ยสัมบูรณ์ ( MAPE ) เท่ากับ ร้อยละ 3.3151 ขณะที่แบบจำลอง ARIMA มีค่า MAPE เท่ากับร้อยละ 7.4184 จากผลการศึกษานี้ โครงข่ายประสาทเทียมได้รับการพิสูจน์ว่าสามารถรองรับความซับซ้อนของข้อมูลด้านการผลิตไฟฟ้าด้วยพลังงานทดแทนได้อย่างมีประสิทธิภาพ และเหมาะสมต่อการนำไปใช้พยากรณ์การผลิตไฟฟ้าด้วยพลังงานทดแทนในเชิงปฏิบัติ ซึ่งจะช่วยให้การไฟฟ้าฝ่ายผลิตแห่งประเทศไทยสามารถวางแผนจัดการพลังงานได้แม่นยำขึ้น ลดความสูญเสีย และเพิ่มประสิทธิภาพในการใช้ทรัพยากรพลังงาน ทั้งนี้สามารถนำไปประยุกต์เพื่อส่งเสริมศักยภาพของการไฟฟ้าฝ่ายผลิตด้านพลังงานทดแทนได้ต่อไปในอนาคต
เอกสารอ้างอิง
Abisoye, B. O., Sun, Y., & Zenghui, W. (2024). A survey of artificial intelligence methods for renewable energy forecasting: Methodologies and insights. Renewable Energy Focus, 48, 100529. https://doi.org/10.1016/j.ref.2023.100529
AlShafeey, M., & Csaki, C. (2024). Adaptive machine learning for forecasting in wind energy: A dynamic, multi-algorithmic approach for short and long-term predictions. Heliyon, 10, e34807. https://doi.org/10.1016/j.heliyon.2024.e34807
Banda, E., & Folly, K. A. (2007). Short Term Load Forecasting Using Artificial Neural Network. 2007 IEEE Lausanne Power Tech (pp. 108-112). Lausanne: IEEE
Dindem, P., Jirivibhakorn, S., & Keturksa, S. (2019). Long-term electricity demand forecasting for the EGAT system using neural networks. In Proceedings of the 42nd Electrical Engineering Conference (pp. 41-44). Bangkok: Mahidol University. (in Thai)
Energy Policy and Planning Office. (2024). Capacity, generation, peak, consumption, import, export and fuel used. Retrieved from https://www.eppo.go.th/index.php/th/energy-information/static-energy/static-electricity (in Thai)
Electricity Generating Authority of Thailand. (2024). Renewable energy: Background and development. Retrieved from https://www.egat.co.th/home/renewables (in Thai)
IBM Corp. (2024). IBM SPSS statistics (computer software). Retrieved from https://www.ibm.com/products/spss-statistics. (in Thai)
Jiriwibhakorn, S. (2011). Applications of neural networks in power system. Bangkok: Faculty of Engineering King Mongkut’s Institute of Technology Ladkrabang. (in Thai)
Jiriwibhakorn, S. (2022). Forecasting machines in power systems. Bangkok: Faculty of Engineering King Mongkut’s Institute of Technology Ladkrabang. (in Thai)
Katruksa, S. (2013). Facility energy sage modeling and medium term load forecasting with artificial Neural Networks And Adaptive Neuro-Fuzzy Inference Systems: An exploratory Study (Master’s thesis). King Mongkut’s Institute of Technology Ladkrabang. (in Thai)
Katruksa, S. (2020). Mid-term load forecasting based on artificial neural networks and adaptive Neuro-Fuzzy Inference Systems: An exploratory study (Doctoral dissertation). KingMongkut’s Institute of Technology Ladkrabang. (in Thai)
Katruksa, S., & Jiriwibhakorn, S. (2015). Facility energy usage modeling and medium term load forecasting with Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems. Kasetsart Engineering Journal, 28(91), 61-69. https://ph01.tci-thaijo.org/index.php/kuengj/article/view/79349/63422 (in Thai)
Katruksa, S., & Jiriwibhakorn, S. (2019). Application data for electricity load forecasting models. The 5th International Conference on Engineering, Applied Sciences and Technology (pp. 450-453). Luang Prabang: PDR.
Katruksa, S., & Jiriwibhakorn, S. (2020). Evaluation of mid-term load forecasting case study based on Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Networks (ANNs). International Review of Electrical Engineering (I.R.E.E.), 15(4), 283-293. https://doi.org/10.15866/iree.v15i4.17766
Katruksa, S., & Kullimratchai, P. (2024). Application of Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems in The Electrical Power System. EAU Heritage Journal Science and Technology, 18(1), 1–19. https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/266469 (in Thai)
MathWorks. (2024). Matlab R2024a (Computer software). Retrieved from https://www.mathworks.com/products/matlab.html (in Thai)
Meesut, P. (2009). Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems. Management Information Systems. Bangkok: King Mongkut’s University of Technology North Bangkok. (in Thai)
Singh, S., Parmar, K. S., & Kumar, J. (2024). Development of multi-forecasting model using Monte Carlo simulation coupled with wavelet denoising-ARIMA model. Mathematics and Computers in Simulation, 2024, Related articles. https://doi.org/10.1016/j.matcom.2024.10.040.
Tarmanini, C., Sarma, N., Gezegin, C., & Ozgonenel, O. (2023). Short term load forecasting based on ARIMA and ANN approaches. Energy Reports, 9, 550–557. https://doi.org/10.1016/j.egyr.2023.01.060
Tripathi, P. K., Sen, R., & Upadhyay, S. K. (2021). A Bayes algorithm for model compatibility and comparison of ARMA (p, q) models. Statistics in Transition New Series, 22(2), 95–123. https://www.econstor.eu/bitstream/10419/236830/1/10.21307_stattrans-2021-018.pdf
Wang, G., Su, H., Mo, L., Yi, X., & Wu, P. (2024). Forecasting of soil respiration time series via clustered ARIMA. Computers and Electronics in Agriculture, 225, 109315. https://doi.org/10.1016/j.compag.2024.109315
Zhong, W., Zhai, D., Xu, W., Gong, W., Yan, C., Zhang, Y., & Qi, L. (2024). Accurate and efficient daily carbon emission forecasting based on improved ARIMA. Applied Energy, 376, 124232. https://doi.org/10.1016/j.apenergy.2024.124232
