เทคนิคการพยากรณ์แบบผสมของซัพพอร์ตเวกเตอร์แมชชีนและขั้นตอนวิธีเชิงพันธุกรรมสำหรับการพยากรณ์ปริมาณความต้องการพลังงานไฟฟ้าสูงสุดรายปีของประเทศไทย

Abstract

ไฟฟ้าถือเป็นแหล่งพลังงานที่สำคัญในการขับเคลื่อนการเจริญเติบโตทางเศรษฐกิจของประเทศไทยซึ่งถูกใช้เพิ่มสูงขึ้นอย่างต่อเนื่องในช่วงหลายสิบปีที่ผ่านมา เพื่อการบริหารจัดการระบบการจ่ายไฟฟ้าให้มีเสถียรภาพนั้นความต้องการพลังงานไฟฟ้าสูงสุดที่จะเกิดขึ้นในอนาคตซึ่งมีลักษณะไม่แน่นอนมีบทบาทสำคัญในการบริหารจัดการการคาดการณ์ปริมาณความต้องการใช้ในอนาคตจึงต้องอาศัยตัวแบบพยากรณ์ที่เหมาะสมเพื่อให้ค่าพยากรณ์ที่ได้มีความเหมาะสมและเป็นประโยชน์ในการวางแผนและบริหารจัดการได้ ตัวแบบการพยากรณ์แบบผสมของซัพพอร์ตเวกเตอร์แมชชีนและขั้นตอนวิธีเชิงพันธุกรรมถูกพัฒนาขึ้นในงานวิจัยนี้เพื่อพยากรณ์ปริมาณความต้องการพลังงานไฟฟ้าสูงสุด โดยแรงจูงใจของการพัฒนาตัวแบบผสมนี้เกิดจากการใช้ความสามารถในการสร้างตัวแบบที่ซับซ้อนของซัพพอร์ตเวกเตอร์แมชชีนเพื่อทำนายค่าในอนาคต แต่เนื่องจากประสิทธิภาพของซัพพอร์ตเวกเตอร์แมชชีนขึ้นอยู่กับการเลือกค่าพารามิเตอร์ที่เหมาะสม ขั้นตอนวิธีการเชิงพันธุกรรมจึงถูกนำมาใช้ประโยชน์ในการหาค่าที่เหมาะสมของซัพพอร์ตเวกเตอร์แมชชีน นอกจากนี้ตัวแบบผสมที่นำเสนอได้ถูกเปรียบเทียบประสิทธิภาพการพยากรณ์กับตัวแบบดั้งเดิม ได้แก่ ตัวแบบอารีมาและซัพพอร์ตเวกเตอร์แมชชีนโดยปราศจากการหาค่าพารามิเตอร์ที่เหมาะสมที่สุดด้วยการประเมินประสิทธิภาพ 6 วิธี จากผลการวิจัยพบว่า ตัวแบบผสมที่นำเสนอมีประสิทธิภาพในการพยากรณ์ที่ถูกต้องและแม่นยำกว่าตัวแบบดั้งเดิม โดยสามารถลดค่าความคลาดเคลื่อนของตัวแบบอารีมาและซัพพอร์ตเวกเตอร์แมชชีนได้อย่างน้อยร้อยละ 7.78 และ 5.72 ตามลำดับ

One of several energy resources is electricity, which plays a significant role in driving the economic growth of Thailand and has been increasingly used in past decades continuously. In order to gain a reliable and efficient system of power supply handling, the future peak electricity demand, which is inevitably uncertain, will play a crucial role. Therefore, the peak electricity demand has to be predicted by using the most appropriate forecasting models. In this research, a hybrid model of the Support Vector Machine (SVM) and Genetic Algorithm (GA) is proposed in order to forecast future peak demand. The motivation of the proposed model was to develop a complex model that takes advantage of the capability of the SVM model to formulate a predictive complex model. Even though the SVM model is more attractive in terms of forecasting, its performance relies heavily on the appropriate selection of the SVM hyper-parameters. In this regard, the GA was introduced to search for the optimal hyper-parameters of the SVM model. In order to evaluate the performance of the proposed model, it was compared with traditional single forecasting models (i.e., ARIMA and SVM) based on six measures of forecast accuracy. The empirical results indicated that the proposed model outperforms those compared models. Furthermore, the proposed model is able to reduce the errors of the ARIMA model and the SVM model at at least 7.78% and 5.72%, respectively.