การพยากรณ์ความต้องการพลังงานไฟฟ้าสำหรับศูนย์จัดการความต้องการพลังงานไฟฟ้าของประเทศไทย

Electricity demand forecast for Thailand DSM center

Name: พิณสุดา สิงไชย

keyword: ซัพพอร์ตเวกเตอร์แมชชีน-รีเกรสชัน

ThaSH: การใช้พลังงานไฟฟ้า -- การจัดการ

ThaSH: การใช้พลังงานไฟฟ้า -- พยากรณ์

ThaSH: การวิเคราะห์อนุกรมเวลา

ThaSH: ซัพพอร์ตเวกเตอร์แมชชีน

Abstract: ในปัจจุบันความต้องการพลังงานไฟฟ้าของกลุ่มโรงงานอุตสาหกรรม กลุ่มอาคารพาณิชย์ และกลุ่มบ้านพักอาศัยในประเทศไทยนั้นมีความต้องการมากยิ่งขึ้น จึงทำให้การพยากรณ์ความต้องการพลังงานไฟฟ้านั้นมีบทบาทสำคัญต่อการผลิตพลังงานไฟฟ้าให้เพียงพอกับความต้องการ พร้อมทั้งลดค่าใช้จ่ายในส่วนที่มีการผลิตพลังงานไฟฟ้าเกินความต้องการ ซึ่งระบบการจัดการนี้คือการจัดการด้านการใช้ไฟฟ้า (Demand Side Management: DSM) เราจึงได้เสนอเทคนิคสำหรับการพยากรณ์ความต้องการพลังงานไฟฟ้าโดยใช้ซัพพอร์ตเวกเตอร์แมชชีน-รีเกรสชัน (Support Vector Machine-Regression: SVM-R) โดยใช้ข้อมูลของปริมาณการใช้ไฟฟ้าราย 1 นาทีในการวิเคราะห์จากกลุ่มผู้ใช้งานตัวอย่างของกลุ่มโรงงานอุตสาหกรรม กลุ่มอาคารพาณิชย์ และกลุ่มที่พักอาศัย ทั้งนี้โมเดลของ SVM-R จะเป็นการพยากรณ์โหลดระยะสั้น (Short-Term Load Forecasting) ด้วยข้อมูลย้อนหลังรายสัปดาห์หรือรายเดือน อย่างไรก็ตามโมเดลนี้ได้ถูกปรับให้มีค่าตัวแปรที่เหมาะสมกับข้อมูลปริมาณการใช้ไฟฟ้าจริงเพื่อการพยากรณ์พลังงานไฟฟ้าที่แม่นยำมากขึ้น สำหรับโมเดลที่ถูกสร้างขึ้นได้ได้ใช้อนุกรมเวลาซึ่งประกอบด้วยเวลาของแต่ละวันและชนิดของวัน เช่น วันทำงาน วันเสาร์-อาทิตย์ หรือวันหยุดนักขัตฤกษ์ 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). We present techniques for demand side forecasting using Support Vector Machine-Regression (SVM-R) by analyzing one-minute intervals of electricity data collected from a sample group of industrials, commercials and residences. In spite of long-term forecast, we propose the SVM-R model that forecasts a short-term load based on a previous week or month. 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

Name: พงษ์ศักดิ์ กีรติวินทกร

Role: ที่ปรึกษาวิทยานิพนธ์

Created: 2556

Modified: 2558-01-08

Issued: 2558-01-08

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: วพ MEE พ663ส

tha

DegreeName: วิศวกรรมศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมไฟฟ้า

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15839898.pdf	7.02 MB	95	2024-09-06 09:51:07

ใช้เวลา

0.029631 วินาที