ตัวแบบผสมสำหรับพยากรณ์ข้อมูลอนุกรมเวลาปริมาณหน่วยจำหน่ายไฟฟ้าบ้านอยู่อาศัยรายเดือนของประเทศไทย
Hybrid Model for Forecasting Time Series Data of Monthly Household Electrical Distribution Units in Thailand
Abstract
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาตัวแบบที่เหมาะสมในการพยากรณ์ข้อมูลอนุกรมเวลาปริมาณหน่วยจำหน่ายไฟฟ้าบ้านอยู่อาศัยรายเดือนของประเทศไทย เก็บรวบรวมข้อมูลจากการไฟฟ้าส่วนภูมิภาค ตั้งแต่เดือนมกราคม 2553 ถึงเดือนกุมภาพันธ์ 2565 จำนวน 146 ค่า จำนวน 4 ชุด ได้แก่ ภาคเหนือ ภาคตะวันออกเฉียงเหนือ ภาคกลาง และภาคใต้ การสร้างตัวแบบการพยากรณ์มีทั้งหมด 5 ตัวแบบ ได้แก่ ตัวแบบ SARIMA ตัวแบบ ANN ตัวแบบ SARIMA – ANN ตัวแบบ SARIMA – ANN – REG และตัวแบบ Propose ซึ่งเป็นตัวแบบที่ผู้วิจัยนำเสนอ การสร้างตัวแบบได้ประยุกต์ใช้วิธีการวิเคราะห์องค์ประกอบของข้อมูลอนุกรมเวลาเชิงประจักษ์ (Empirical Mode Decomposition; EMD) เพื่อลดสัญญาณแกว่งไวของข้อมูลก่อนนำไปสร้างตัวแบบผสม SARIMA – ANN – REG การดำเนินการวิจัยทำการแบ่งข้อมูลออกเป็น 2 ชุด คือ ชุดที่ 1 ข้อมูลฝึกฝน (Training Data Set) ตั้งแต่ เดือนมกราคม 2553 ถึงเดือนธันวาคม 2562 จำนวน 120 ค่า สำหรับสร้างตัวแบบการพยากรณ์ และชุดที่ 2 ข้อมูลทดสอบ (Testing Data Set) ตั้งแต่ เดือนมกราคม 2563 ถึงเดือนกุมภาพันธ์ 2565 จำนวน 26 ค่า สำหรับเปรียบเทียบความแม่นยำของตัวแบบการพยากรณ์ ด้วยเกณฑ์การวัดประสิทธิภาพ 3 เกณฑ์ ได้แก่ ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย รากของค่าคลาดเคลื่อนกำลังสองเฉลี่ย ร้อยละของความคลาดเคลื่อนสัมบูรณ์เฉลี่ย ผลการวิจัยพบว่า ตัวแบบผสมที่พัฒนาขึ้นมีประสิทธิภาพและมีความแม่นยำดีกว่าตัวแบบ SARIMA ตัวแบบ ANN ตัวแบบ SARIMA – ANN และตัวแบบ SARIMA – ANN – REG ในทุกเกณฑ์วัดประสิทธิภาพการพยากรณ์ สรุปได้ว่า ตัวแบบผสมที่พัฒนาขึ้นเป็นตัวแบบที่เหมาะสมสำหรับการพยากรณ์ข้อมูลอนุกรมเวลาปริมาณหน่วยจำหน่ายไฟฟ้าบ้านอยู่อาศัยรายเดือนของประเทศไทย
The purpose of this research was to develop a model suitable for forecasting the time series data of monthly household electrical distribution units in Thailand. Data were collected from the Provincial Electricity Authority from January 2010 to February 2022. There were a total of 146 values, consisting of 4 data sets, namely Northern, Northeastern, Central, and Southern Thailand. Five forecasting models were constructed: SARIMA, ANN, SARIMA–ANN, SARIMA–ANN–REG, and Propose, which was the model presented by the researcher. An empirical mode decomposition was used to reduce the fast oscillation of the data before being used to create a SARIMA–ANN–REG hybrid model. The data were divided into two sets. The first set contained 120 values of the training data set from January 2010 to December 2019, which were used for constructing the forecasting models. The second set consisted of 26 values of the testing data set from January 2020 to February 2022. The forecasting accuracy was compared by three performance measurement criteria: Mean Absolute Error (MAE), Root Mean Square error (RMSE), and Mean Absolute Percent Error (MAPE). The results showed that the developed hybrid model had better forecasting performance and accuracy than SARIMA, ANN, SARIMA–ANN, and SARIMA–ANN–REG in all forecasting performance measurement criteria. It can be concluded that the developed model is suitable for forecasting the time series data of monthly household electrical distribution units in Thailand.
Keywords
[1] P. Suksawang, S. Suphachan, and K. Kaewnuch, “Electricity consumption forecasting in thailand using hybrid model sarima and gaussian process with combine kernel function technique,” International Journal of Energy Economics and Policy, vol. 8, no. 4, pp. 98–109, 2018.
[2] Y. Yaslan and B. Bican, “Empirical mode decomposition based denoising method with support vector regression for time series prediction: A case study for electricity load forecasting,” Measurement, vol. 103, pp. 52–61, 2017.
[3] G.-F. Fan, X. Wei, Y.-T. Li, and W.-C. Hong, “Forecasting electricity consumption using a novel hybrid model,” Sustainable Cities and Society, vol. 61, pp. 1–16, 2020.
[4] P. Du, J. Wang, W. Yang, and T. Niu, “Multi-step ahead forecasting in electrical power system using a hybrid forecasting system,” Renewable Energy, vol. 122, pp. 533–550, 2018.
[5] Z. Liu, X. Wang, Q. Zhang, and C. Huang, “Empirical mode decomposition-based hybrid ensemble model for electrical energy consumption forecasting of the cement grinding process,” Measurement, no. 138, pp. 314–324, 2019.
[6] T. Sutthison and S. Haruay, “The development of a hybrid model for forecasting time series data of monthly household electrical distribution units of people in the Northeast, Thailand,” The Journal of KMUTNB, vol. 30, no.4, pp. 630– 644, 2020 (in Thai).
[7] M.-R. Kazemzadeh, A. Amjadian, and T. Amraee, “A hybrid data mining driven algorithm for long term electric peak load and energy demand forecasting,” Energy, vol. 204, pp. 1–19, 2020.
[8] P. Jiang, R. Li, N. Liu, and Y. Gao, “A novel composite electricity demand forecasting framework by data processing and optimized support vector machine,” Applied Energy, vol. 260, pp. 1–15, 2020.
[9] P. G. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, pp. 159–175, 2003.
[10] Ü. Ç. Büyükşahin and S. Ertekin, “Improving forecasting accuracy of time series data using a new ARIMA-ANN hybrid method and empirical mode decomposition,” Neurocomputing, vol. 361, pp. 151–163, 2019.
[11] M. Khairalla, X. Ning and N. T. AL-Jallad, “Hybrid forecasting scheme for financial time-series data using neural network and statistical methods,” International Journal of Advanced Computer Science and Applications, vol. 8, no. 9, pp. 310–327, 2017.
[12] Provincial Electricity Authority. (2022, March). Electricity distribution units Situation. Electricity Economy Division. Bangkok, Thailand [Online]. (in Thai). Available: http://peaoc.pea.co.th/ped/
[13] A. Gholamy, V. Kreinovich, and O. Kosheleva, “Why 70/30 or 80/20 relation between training and testing sets: A pedagogical explanation,” Departmental Technical Reports (CS), no. 1209, 2018.
[14] N. Huang, Z. Shen, S. Long, M. Wu, H. Shih, Q. Zheng, N. Yen, C. Tung, H. Liu, “The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,” Proceedings of The Royal Society a Mathematical, Physical and Engineering Sciences, 1998, pp. 903–995.
[15] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G.M. Ljung, Time Series Analysis: Forecasting and Control, 4th ed. John Wiley and Sons, Inc., New Jersey, 2008.
[16] N. Kulvanich, “Improving prediction accuracy of time series data using ARIMA-ANN hybrid model and regression analysis,” Thai Science and Technology Journal (TSTJ), vol. 28, no. 12, pp. 2101 – 2112, 2020 (in Thai).
[17] W. Liu, W. D. Liu, and J. Gu, “Forecasting oil production using ensemble empirical mode decomposition based Long Short-Term Memory neural network,” Journal of Petroleum Science and Engineering, vol. 189, pp. 1–14, 2020.
[18] T. Sujjaviriyasup, “Artificial neural network model for forecasting monthly price of maize in Thailand,” Srinakharinwirot Science Journal, vol. 34, no. 1, pp. 91–107, 2018 (in Thai).
DOI: 10.14416/j.kmutnb.2024.02.003
ISSN: 2985-2145
Email this article 
Hide
Show all