Journal of Industrial Technology Ubon Ratchathani Rajabhat University

การเปรียบเทียบวิธีการพยากรณ์ปริมาณการใช้ไฟฟ้า
ของมหาวิทยาลัยราชภัฏอุบลราชธานี

ธนกร สุทธิสนธ์
คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏอุบลราชธานี
อีเมล : Thanakon.sutthison@gmail.com

บทคัดย่อ

การพยากรณ์การใช้พลังงานไฟฟ้าในมหาวิทยาลัยหากเป็นไปด้วยความแม่นยําจะเป็นสารสนเทศช่วยใน
การตัดสินใจให้กับผู้บริหารหรือผู้ที่มีส่วนเกี่ยวข้องกําหนดนโยบายในการประหยัดพลังงานไฟฟ้าให้กับมหาวิทยาลัย
อันจะมีผลทําให้ค่าใช้จ่ายด้านพลังงานไฟฟ้ามีค่าลดลง ดังนั้นงานวิจัยชิ้นนี้จึงมีวัตถุประสงค์ เพื่อพยากรณ์ปริมาณการ
ใช้พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี โดยการสร้างตัวแบบ 3 วิธี ได้แก่ วิธีการพยากรณ์ด้วยวิธี
ของวินเทอร์ วิธีการพยากรณ์ของบอกซ์-เจนกินส์ แบบมีฤดูกาล และวิธีการพยากรณ์รวม ข้อมูลที่ใช้เป็นข้อมูลอนุกรม
เวลาปริมาณการใช้พลังงานไฟฟ้ารายเดือนของมหาวิทยาลัย ทําการเก็บรวบรวมข้อมูลจากเว็บไซต์ของกระทรวง
พลังงาน ตั้งแต่เดือนมกราคม พ.ศ. 2548 ถึงเดือนพฤษภาคม พ.ศ. 2560 จํานวน 149 ค่า ผู้วิจัยทําการแบ่งข้อมูล
ออกเป็น 2 ชุด ชุดที่ 1 ตั้งแต่เดือนมกราคม พ.ศ. 2548 ถึงเดือนธันวาคม พ.ศ. 2559 จํานวน 144 ค่า และข้อมูลชุดที่
2 ตั้งแต่เดือนมกราคมถึงพฤษภาคม พ.ศ. 2560 จํานวน 5 ค่า โดยนําข้อมูลชุดที่ 1 ไปใช้ในการสร้างตัวแบบการ
พยากรณ์ด้วยภาษาอาร์ จากนั้นใช้ข้อมูลชุดที่ 2 ตรวจสอบเพื่อเปรียบเทียบความแม่นยํา ของตัวแบบทั้ง 3 วิธี
พบว่า ตัวแบบวิธีการพยากรณ์ของบอกซ์-เจนกินส์ แบบมีฤดูกาลเป็นตัวแบบที่มีค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน
สัมบูรณ์ต่ําสุด ดังนั้น ตัวแบบวิธีการพยากรณ์ของบอกซ์-เจนกินส์แบบมีฤดูกาล จึงเป็นตัวแบบที่เหมาะสมที่สุด
สําหรับนํามาใช้ในการพยากรณ์ปริมาณการใช้พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี

คําสําคัญ : การพยากรณ์ ปริมาณการใช้พลังงานไฟฟ้า มหาวิทยาลัยราชภัฏอุบลราชธานี

Vol. 8 No. 1 January - June 2018 151

 วารสาร เทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี

A Comparison of the Forecasting Methods of the Electric Consumption

of Ubon Ratchathani Rajabhat University

Thanakon Sutthison
Faculty of Science, Ubon Ratchathani Rajabhat University
E-mail: Thanakon.sutthison@gmail.com

Abstract

Forecasting electric consumption if accurate can be useful information to the

administrators and those concerned to set the policy for saving the electric consumption. As a
consequence, the cost of electric consumption could be reduced. The research aimed to forecast
the electric consumption of Ubon Ratchathani Rajabhat University. Three methods were employed:
Holt-Winters Method, SARIMA and combined method. Data used in the work were the time series
of a monthly electric consumption. Data were collected from the Ministry of Energy from January
2005 to 2017 totaling 149 value sets. Data were categorized into two sets: one from January 2005
to December 2016 (144 value sets) and the other from January to December, 2017. Data gained in
set one were used as the forecasting model by using R language. Then, data gained in set two were
used to compare the accuracy of the three methods. Based on the experiment, it was found that
SARIMA was the one with the lowest Mean Absolute Percentage Error ( MAPE) . Therefore, SARIMA
was the most suitable model to be used to forecast the electric consumption of Ubon Ratchathani
Rajabhat University.

Keywords: Forecasting, Electric Consumption, Ubon Ratchathani Rajabhat University

152 ปีที่ 8 ฉบับที่ 1 มกราคม - มิถุนายน 2561

 Journal of Industrial Technology Ubon Ratchathani Rajabhat University

1. บทนํา
มหาวิทยาลัยราชภัฏอุบลราชธานีมีสถิติการใช้พลังงานไฟฟ้าในแต่ละเดือนค่อนข้างสูงจากการพิจารณาปริมาณ
การใช้พลังงานไฟฟ้าในไตรมาสที่ 1–4 ของปี 2559 และไตรมาสที่ 1-2 ของปี 2560 มีปริมาณการใช้พลังงานไฟฟ้า
อยู่ระหว่าง 1,087,330.21-1,290,897.41 กิโลวัตต์ต่อชั่วโมง [1] จากตัวเลขดังกล่าวสะท้อนถึงปริมาณการใช้
พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานีค่อนข้างสูง ดังนั้นหากสามารถพยากรณ์ปริมาณการใช้พลังงาน
ไฟฟ้าในอนาคตได้อย่างถูกต้องแม่นยําจะเป็นสารสนเทศที่สําคัญเพื่อช่วยวางแผนตัดสินใจในการกําหนดนโยบายลด
การใช้พลังงานไฟฟ้าในมหาวิทยาลัยได้อย่างมีประสิทธิภาพ การพยากรณ์อนุกรมเวลาเป็นวิธีการหนึ่งที่มีความสําคัญ
และมีการประยุกต์ใช้งานอย่างหลากหลายทั้งในเรื่องการพยากรณ์การใช้พลังงานไฟฟ้าและในงานด้านอื่น ๆ เช่น
Jeong, Koo and Hong [2] ได้ ศึ ก ษารู ป แบบการประมาณสํ า หรั บ การกํ า หนดงบประมาณค่า ใช้ จ่ า ยด้ า น
พลังงานด้านสิ่งอํานวยในสถานศึกษา โดยใช้ตัวแบบ SARIMA และโครงข่ายประสาทเทียมเปรียบเทียบความแม่นยํา
ของตัวแบบโดยใช้ MAPE พบว่า ตัวแบบผสมระหว่างตัวแบบ SARIMA และโครงข่ายประสาทเทียมมีความเหมาะสม
มากกว่าการพยากรณ์แบบเดี่ยวเพียงอย่างเดียว
ส่วน Dong, Li, Rahman and Vega [3] ได้ศึกษาตัวแบบผสมสําหรับการพยากรณ์การใช้พลังงานไฟฟ้าที่อยู่
อาศัยในประเทศสหรัฐอเมริกาทําเปรียบเทียบความแม่นยําของตัวแบบโดยใช้ MAPE และ CV พบว่า ตัวแบบผสมมี
ค่า MAPE และ CV มีค่าน้อยกว่าตัวแบบพยากรณ์แบบเดี่ยว
วรางคณา เรียนสุทธิ์ [4] ใช้ตัวแบบอนุกรมเวลาได้แก่ ตัวแบบ SARIMA ตัวแบบการปรับให้เรียบของวินเทอร์
และตัวแบบการพยากรณ์แบบผสมพยากรณ์มูลค่าการส่งออกไม้ยางพาราแปรรูปและเฟอร์นิเจอร์ของประเทศไทย
ทําการเปรียบเทียบความแม่นยําของการพยากรณ์โดยใช้ MAPE และ RMSE พบว่า ตัวแบบพยากรณ์แบบผสมมี
ความแม่นยํากว่าตัวแบบพยากรณ์แบบเดี่ยว
วราฤทธิ์ พานิชกิจโกศลกุล [5] ได้ประยุกต์ใช้ตัวแบบอนุกรมเวลาแบบเดี่ยว ได้แก่ วิธีของโฮลต์ ตัวแบบ ARIMA
และตัวแบบผสมเพื่อพยากรณ์ราคาทองคํารูปพรรณรายวัน ทําการเปรียบเทียบความแม่นยําของการพยากรณ์โดยใช้
MAPE พบว่า ตัวแบบ ARIMA มีความเหมาะสมมากที่สุด
จากการทบทวนเอกสารข้างต้นจะเห็นว่าการพยากรณ์อนุกรมเวลามีการประยุกต์ใช้กับงานได้อย่างหลากหลาย
และพบว่า วิธีการพยากรณ์แบบผสมมีค วามแม่น ยําในการพยากรณ์มากกว่า วิธีการพยากรณ์แบบเดี่ยว ดังนั้น
ในงานวิจัยนี้ผู้วิจัยจึงเสนอวิธีการพยากรณ์การใช้พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี 3 วิธี ได้แก่
วิ ธี ก ารพยากรณ์ ด้ ว ยวิ ธี ข องวิ น เทอร์ วิ ธี ก ารพยากรณ์ บ อกซ์ – เจนกิ น ส์ แ ละวิ ธี ก ารพยากรณ์ ร วมโดยการใช้
การวิเคราะห์การถดถอยซึ่งเป็นวิธีการรวมวิธีการพยากรณ์เดี่ยวหลายวิธีเข้าด้วยกันโดยการให้น้ําหนัก ซึ่งวิธีการ
พยากรณ์ทั้ง 3 วิธีนี้ เป็นที่ง่ายไม่ซับซ้อนมีความแม่นยําสูง และเหมาะสมกับข้อมูลอนุกรมเวลาการใช้พลังงานไฟฟ้า
ของมหาวิทยาลัยราชภัฏอุบลราชธานี จากนั้นจะวัดความแม่นยําในการพยากรณ์โดยพิจารณาจากค่าเปอร์เซ็นต์
ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) ซึ่งเป็นค่าที่คํานวณง่าย ค่าความคลาดเคลื่อนไม่ติดลบและมีการประยุกต์
ในงานวิจัยอย่างหลากหลาย [2-5]

Vol. 8 No. 1 January - June 2018 153

 วารสาร เทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี
2. วัตถุประสงค์ของการวิจัย
2. วัตถุประสงค์ของการวิจัย
เพื่อพยากรณ์ปริมาณการใช้พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี โดยการสร้างตัวแบบ 3 วิธี
เพื่อพยากรณ์ปริมาณการใช้พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี โดยการสร้างตัวแบบ 3 วิธี
ได้แก่ วิธีการพยากรณ์ด้วยวิธีของวินเทอร์ วิธีการพยากรณ์ของบอกซ์-เจนกินส์ แบบมีฤดูกาลและวิธีการพยากรณ์รวม
ได้แก่ วิธีการพยากรณ์ด้วยวิธีของวินเทอร์ วิธีการพยากรณ์ของบอกซ์-เจนกินส์ แบบมีฤดูกาลและวิธีการพยากรณ์รวม
3. ขอบเขตของการวิจัย
3. ขอบเขตของการวิจัย
ในการศึกษาครั้งนี้ ทําการศึกษาข้อมูล อนุกรมเวลาปริมาณการใช้ พลังงานไฟฟ้าของมหาวิทยาลั ยราชภัฏ
ในการศึกษาครั้งนี้ ทําการศึกษาข้อมูล อนุกรมเวลาปริมาณการใช้ พลังงานไฟฟ้าของมหาวิทยาลั ยราชภัฏ
อุบลราชธานี (หน่วย : กิโลวัตต์ต่อชั่วโมง) ตั้งแต่เดือนมกราคม พ.ศ. 2548 ถึงเดือนพฤษภาคม พ.ศ. 2560 จํานวน
อุบลราชธานี (หน่วย : กิโลวัตต์ต่อชั่วโมง) ตั้งแต่เดือนมกราคม พ.ศ. 2548 ถึงเดือนพฤษภาคม พ.ศ. 2560 จํานวน
149 ค่า เก็บข้อมูลจากเว็บไซต์ของสํานักงานนโยบายและแผนพลังงานกระทรวงพลังงาน [1]
149 ค่า เก็บข้อมูลจากเว็บไซต์ของสํานักงานนโยบายและแผนพลังงานกระทรวงพลังงาน [1]
4. วิธีการดําเนินการวิจัย
4. วิธีการดําเนินการวิจัย
ผู้วิจัยได้ออกแบบวิธีการดําเนินการวิจัยดังนี้
ผู้วิจัยได้ออกแบบวิธีการดําเนินการวิจัยดังนี้

รูปที่ 1 Flow Chart แสดงขั้นตอนการศึกษา

รูปที่ 1 Flow Chart แสดงขั้นตอนการศึกษา
5. ทฤษฎีที่ใช้ในการวิจัย
5. ทฤษฎีที่ใช้ในการวิจัย
5.1 การพยากรณ์อนุกรมเวลาของวิธีของวินเทอร์ (Holt-Winter,,s Method)
5.1 การพยากรณ์อนุกรมเวลาของวิธีของวินเทอร์ (Holt-Winter s Method)
วิธีการพยากรณ์ด้วยวิธีของวินเทอร์ เป็นวิธีการพยากรณ์ข้อมูลอนุกรมเวลาที่มีองค์ประกอบของแนวโน้ม
วิธีการพยากรณ์ด้วยวิธีของวินเทอร์ เป็นวิธีการพยากรณ์ข้อมูลอนุกรมเวลาที่มีองค์ประกอบของแนวโน้ม
และฤดูกาล [6, 7] สามารถแบ่งออกเป็น 2 กรณี คือ ตัวแบบพยากรณ์แบบปรับให้เรียบด้วยวิธีของวินเทอร์แบบบวก
และฤดูกาล [6, 7] สามารถแบ่งออกเป็น 2 กรณี คือ ตัวแบบพยากรณ์แบบปรับให้เรียบด้วยวิธีของวินเทอร์แบบบวก

154 ปีที่ 8 ฉบับที่ 1 มกราคม - มิถุนายน 2561

 Journal of Industrial Technology Ubon Ratchathani Rajabhat University
และแบบคูณในการวิจัยครั้งนี้ใช้ตัวแบบคูณมีตัวแบบแสดงดังสมการที่ (1)–(2) ดังนี้

Zt  (  0  1t ) St   t (1)

Ẑ n (l )  ( ˆ0 (n)  ˆ1 (n)  l ) Sˆnl (n  l  s) (2)

เมื่อ Zt แทน อนุกรมเวลา ณ เวลา t , 0 แทน ระยะตัดแกน,  1 แทน ความชันของแนวโน้ม, St แทน

ความผันแปรตามฤดูกาล,  t แทน การรบกวนสุ่ม (  t ~ NID (0,  2 ) ) และ Ẑ n (l ) แทน ค่าพยากรณ์ ณ เวลา n ,
l แทน จํานวนช่วงเวลาที่ต้องการพยากรณ์ไปข้างหน้า, ˆ0 (n) , ˆ1 (n) และ Sˆn (n) เป็นค่าประมาณ ณ เวลา t
ของพารามิเตอร์ 0 ,  1 และ St ตามลําดับ และ

Zn
ˆ0 ( n )    (1   )( ˆ0 ( n  1)  ˆ1 ( n  1)) (3)
Ŝ n ( n  s )

ˆ1 ( n )   ( ˆ0 ( n  1)  ˆ1 ( n  1))  (1   )( ˆ1 ( n  1)) (4)

Zn (5)
Sˆ n ( n )    (1   ) Sˆ n ( n  s ))
ˆ
 (n)
0

โดยที่  ,  และ  แทน ค่าคงที่ ในการปรับให้เรียบ ซึ่ง 0    1, 0    1 และ 0    1, t แทน

ช่วงเวลา ส่วน s แทน จํานวนคาบของฤดูกาล

ขั้นตอนการกําหนดตัวแบบตามวิธีของวินเทอร์ ดังนี้
1) เลือกตัวแบบวิธีการพยากรณ์แบบปรับให้เรียบด้วยวิธีของวินเทอร์ 2) กําหนดให้ค่าพยากรณ์เริ่มต้นของ
การพยากรณ์ ได้แก่ ˆ0 ( n) , ˆ1 (0) และ S j  s (0) 3) พยากรณ์ปริมาณการใช้ไฟฟ้าล่วงหน้า 4) ตรวจสอบตัวแบบ
คือ 4.1) ค่าความคลาดเคลื่อนมีค่าเฉลี่ยเท่ากับศูนย์ใช้สถิติทดสอบ t–test [9] 4.2) ค่าความคลาดเคลื่อนมีการแจก
แจงแบบปกติตรวจสอบโดยใช้การทดสอบโคลโมโกรอฟ–สเมียร์นอฟ [10] 4.3) มีการเคลื่อนไหวเป็นอิสระกัน
ตรวจสอบโดยใช้การทดสอบของ Durbin–Watson Test และ 4.4) ความแปรปรวนคงที่ทุกช่วงเวลาตรวจสอบโดย
ใช้การทดสอบเอฟ (F-test) ของเลวีนภายใต้การใช้ค่าเฉลี่ย (Levene’s Test Based on Mean)
5.2 SARIMA Model
ตัวแบบ SARIMA เป็นตัวแบบที่ใช้สําหรับพยากรณ์อนุกรมเวลาที่มีการเคลื่อนไหวอันเนื่องมาจากแนวโน้ม
และฤดูกาลมีรูปแบบทั่วไป ดังนี้ [6, 7]

Vol. 8 No. 1 January - June 2018 155

 วารสาร เทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี

 p ( B )  P ( B s )(1  B ) d (1  B s ) D Z t     q ( B )  Q ( B s ) t (6)

เมื่อ Zt แทน อนุกรมเวลา ณ เวลา t และ  t ~ NID(0,  2 ) และ

   p ( B )  P ( B S ) (7)

 p ( B )  1   1 B   2 B 2  ...   p B p (8)

 P ( B s )  1   s B   2 s B 2 s  ...   Ps B Ps (9)

 q ( B )  1   1 B   2 B 2  ...   q B q (10)

 Q ( B s )  1   s B   2 s B 2 s  ...   ps B Qs (11)

และ t แทน ช่วงเวลา ซึ่งมีค่าตั้งแต่ 1 ถึง n , S แทน จํานวนฤดูกาล, d และ D แทนลําดับที่ของการหา

ผลต่ า งและผลต่ า งฤดู ก าล, B แทน ตั ว ดํ า เนิ น การถอยหลั ง (Backward Operator) โดยที่ B s Zt  Zt s และ
BZt  Z t 1 ,  p (B ) แทน ตัวดําเนินการสหสัมพันธ์ในตนเองแบบไม่มีฤดูกาลอันดับที่ p,  P ( B s ) แทน ตัว
ดําเนินการสหสัมพันธ์ในตัวเองแบบมีฤดูกาลอันดับที่ p,  q (B ) แทน ตัวดําเนินการเฉลี่ยเคลื่อนที่แบบไม่มีฤดูกาล
อันดับที่ q,  Q ( B s ) แทน ตัวดําเนินการเฉลี่ยเคลื่อนที่แบบมีฤดูกาลอันดับที่ Q ขั้นตอนการสร้างตัวแบบ คือ
1) พิจารณาอนุกรมเวลาว่าคงที่หรือไม่ 2) กําหนดตัวแบบพยากรณ์ 3) ประมาณค่าพารามิเตอร์และตรวจสอบ
ความเหมาะสมของตัวแบบ 4) พยากรณ์ปริมาณการใช้ไฟฟ้าล่วงหน้า
5.3 การพยากรณ์รวมโดยใช้วิธีการพยากรณ์รวม (Combined Forecasting Method)
การพยากรณ์รวมเป็นวิธีการรวมค่าพยากรณ์จากวิธีการพยากรณ์เดี่ยวตั้งแต่ 2 วิธีขึ้นไป มีตัวแบบใน
การพยากรณ์แสดงสมการที่ (12)–(13) ดังนี้ [7]

Z t   0   1 Zˆ 1, t   2 Zˆ 2 ,t   t (12)

Zˆ t  b0  b1 Zˆ 1,t  b2 Zˆ 2 ,t (13)

เมื่อ Zt แทน ค่าข้อมูลอนุกรมเวลา ณ เวลา t , Zˆ 1,t แทน ค่าพยากรณ์จากวิธีการปรับให้เรียบของ

วินเทอร์

156 ปีที่ 8 ฉบับที่ 1 มกราคม - มิถุนายน 2561

 Journal of Industrial Technology Ubon Ratchathani Rajabhat University

Zˆ 2 ,t แทน ค่าพยากรณ์จากวิธีของบอกซ-เจนกินส์,  0 แทน ระยะตัดแกน Y , 1 ,  2 แทน ค่าสัมประสิทธิ์

การถดถอยของการพยากรณ์ระดับประชากร, b0 แทน ระยะตัดแกน Y , b1 , b2 แทนค่าสัมประสิทธิ์การถดถอยของ
ค่าพยากรณ์ตัวอย่าง  t ~ NID ( 0 ,  2 ) มีขั้นตอนการพยากรณ์ ดังนี้
1) หาค่าพยากรณ์แบบเดี่ยว 2 วิธี ได้แก่ วิธีของวินเทอร์แบบคูณและวิธีของบอกซ์-จินกินส์
2) กําหนดให้ค่าพยากรณ์แบบเดี่ยวทั้ง 2 วิธี เป็นตัวแปรอิสระ และข้อมูลอนุกรมเวลาปริมาณการใช้ไฟฟ้า
เป็นตัวแปรตาม 3) ตรวจสอบความเหมาะสมของตัวแบบ 4) พยากรณ์ปริมาณการใช้ไฟฟ้าล่วงหน้า
5.4 การเปรียบเทียบความถูกต้องของค่าพยากรณ์
การเปรียบเทียบความเหมาะสมของตัวแบบ ผู้วิจัยใช้การคํานวณค่าเปอร์เซ็นต์ความคลาดเคลื่อนสัมบูรณ์เฉลี่ย
( MAPE ) ตัวแบบพยากรณ์ใดที่มีค่า MAPE ต่ําสุด แสดงว่าตัวแบบนั้นมีความเหมาะสมกับอนุกรมเวลาชุดนี้มาก
ที่สุด เช่น วิธีการพยากรณ์ที่ 1 มี MAPE เท่ากับ 0.5 วิธีการพยากรณ์ที่ 2 มีค่า MAPE เท่ากับ 0.8 แสดงว่า
วิธีการพยากรณ์ที่ 1 มีความแม่นยํามากกว่า วิธีการพยากรณ์ที่ 2 ตามลําดับ ซึ่งมีสูตรการคํานวณ ดังสมการที่ 14

n e
MAPE  100  t (14)
n t 1 Z t

เมื่อ et  Z t  Zˆt แทน ความคลาดเคลื่อนจากการพยากรณ์ ณ เวลา t , Zt แทน อนุกรมเวลา ณ เวลา

t , Ẑ t แทน ค่าพยากรณ์ ณ เวลา t , t แทน ช่วงเวลา

6. ผลการวิเคราะห์ข้อมูล
การวิจัยครั้งนี้ผู้วิจัยใช้โปรแกรม R (R-language) ในการวิเคราะห์ทุกขั้นตอนมีรายละเอียดดังนี้
6.1 ผลการศึกษาการเคลื่อนไหวของอนุกรมเวลา
จากข้อมูลปริมาณการใช้ไฟฟ้ารายเดือนของมหาวิทยาลัยราชภัฏอุบลราชธานี ตั้งแต่เดือนมกราคม พ.ศ. 2548
ถึงเดือน ธันวาคม พ.ศ. 2559 จํานวน 144 ค่า ดังรูปที่ 2

Vol. 8 No. 1 January - June 2018 157

 การใช้พลังงานไฟฟ้า (Kwh) วารสาร เทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี

ปี พ.ศ.

รูปที่ 2 ลักษณะการเคลื่อนไหวของอนุกรมเวลาปริมาณการใช้ไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี
ตั้งแต่เดือนมกราคม พ.ศ. 2548 ถึงเดือนธันวาคม พ.ศ. 2559

6.2 ผลการวิเคราะห์ข้อมูล
6.2.1 ผลการพยากรณ์โดยวิธีของวินเทอร์เชิงคูณ
การพยากรณ์ของวินเทอร์เชิงคูณผู้วิจัยได้กําหนดค่า α,  และ  ที่เหมาะสมจากการใช้โปรแกรม R
(R -language) แสดงได้ดังนี้

Ẑ n (l )  ( ˆ0 (n)  ˆ1 (n)  l ) Sˆnl (n  l  s) (15)

โดยที่

Zn
ˆ0 (n)  0.314  (1  0.314) (ˆ0 (n  1)  ˆ1 (n  1)) (16)
Ŝn ( n  s)

ˆ1 ( n )  0.027 ( ˆ 0 ( n  1)  ˆ1 ( n  1))  (1  0.027 )( ˆ1 ( n  1)) (17)

Z
Sˆn ( n)  0.529 n  (1  0.529) Sˆn ( n  s )) (18)
ˆ0 (n)
ˆ (0)  5.337548  10 5 และ ˆ (0)  -1.730647  10 3
0 1 (19)

158 ปีที่ 8 ฉบับที่ 1 มกราคม - มิถุนายน 2561

 Journal of Industrial Technology Ubon Ratchathani Rajabhat University
การตรวจสอบความเหมาะสมของตัว แบบ พบว่า ความคลาดเคลื่อ นมีก ารแจกแจงแบบปกติ
(Komogorov–Smirnov, Z = 1.320, p-value = 0.063) มี ก ารเคลื่ อ นไหวเป็ น อิ ส ระกั น (Durbin–Watson =
1.8144, p-value = 0.1414) มีค่า เฉลี่ย เท่า กับ ศูน ย์ ( t = -1.861, p-value = 0.065) ความแปรปรวนคงที่
ทุกช่วงเวลา (Levene Statistic = 3.734, p-value = 0.055) ค่าพยากรณ์ แสดงดังตารางที่ 2

ตารางที่ 2 ค่าพยากรณ์และค่า MAPE ของตัวแบบการปรับให้เรียบด้วยวิธีของวินเทอร์เชิงคูณ

มกราคม กุมภาพันธ์ มีนาคม เมษายน พฤษภาคม

ค่า MAPE
2560 2560 2560 2560 2560
ค่าจริง 320596.00 326490.60 457340.01 259001.60 437546.40 -
ค่าพยากรณ์ 265404.30 370378.10 413752.80 323120.50 293173.70 19.59

6.2.2 ผลการพยากรณ์โดยวิธีของบอกซ์–เจนกินส์
เนื่องจากข้อมูลอนุกรมเวลาปริมาณการใช้พลังงานไฟฟ้าของมหาวิทยาลัยราชภัฏอุบลราชธานี มี
ความแปรปรวนไม่คงที่ ผู้วิจัยจึงทําการแปลงข้อมูลด้วยลอการิทึมก่อนนําไปสร้างตัวแบบ SARIMA การกําหนด
รูปแบบของตัวแบบ SARIMA ต้องระบุอันดับ (p,d,q) และอันดับ (P,D,Q) s ซึ่งภาษา R มีฟังก์ชัน auto.arima( )
สําหรับกําหนดอันดับ (p,d,q) และอันดับ (P,D,Q)s ที่เหมาะสม พบว่า ตัวแบบ SARIMA(1,1,1)(1,0,1)12 โดยไม่มี
พจน์ค่าคงที่เป็นตัวแบบที่เหมาะสม โดยมีคาบเวลา 1 ฤดูกาลเท่ากับ 12 ( S =12) สามารถประมาณค่าสัมประสิทธิ์
AR1( ˆ1 ) เท่ากับ 0.3225 (Z =2.968**, p=0.00), MA1( ˆ1 ) เท่ากับ –0.8605 (Z=-14.546**, p=0.00) และ
SAR1( ̂1 ) เท่ากับ 0.8875 (Z =7.021**,p=0.00), SMA1( ̂1 ) เท่ากับ -0.743(Z = -4.030**, p=0.00) ตามลําดับ
โดยที่อันดับ d = 1, D = 0 จากตัวแบบ SARIMA(1,1,1)(1,0,1)12 โดยไม่มีพจน์ค่าคงที่นํามาเขียนเป็นตัวแบบได้ดังนี้

1 ( B ) 1 ( B 12 )(1  B ) Z t  1 ( B )1 ( B 12 ) t (20)

(1  1 B )(1   1 B 12 )(1  B ) Z t  (1  1 B )(1  1 B 12 ) t (21)

(1  B  1 B  1 B 2   1 B 12   1 B 13  1 1 B 13  1 1 B 14 )Z t
(22)
 ( 1   1 B   1 B 12   1 1 B 13 ) t

Z t  Z t 1  1 Z t 1  1 Z t 2   1 Z t 12   1 Z t 13  1 1 Z t 13  1 1 Z t 14

(23)
  t  1 t 1  1 t 12  11 t 13

Vol. 8 No. 1 January - June 2018 159

 วารสาร เทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี

Z t  Z t 1  1 Z t 1  1 Z t 2   1 Z t 12   1 Z t 13  1 1 Z t 13  1 1 Z t 14

(24)
  t  1 t 1  1 t 12  11 t 13

จากการแทนค่ า ประมาณพารามิ เ ตอร์ ที่ ไ ด้ จ ากการวิ เ คราะห์ โ ดยใช้ โ ปรแกรม R จะได้ ตั ว แบบการ
พยากรณ์ดังนี้

Yˆt  Yt 1  0.3225Yt 1  0.3225Yt 2  0.8875Yt 12  0.8875Yt 13  0.2862Yt 13 

(25)
0.2862Yt 14  et  0.8605et 1  0.7430 et 12  0.6394 et 13

เมื่อ Yˆt แทน ค่าพยากรณ์ ณ เวลา t ( Yt  ln Zt ), Yt  j แทน ค่าอนุกรมเวลา ณ เวลา t  j

et  j แทน ความคลาดเคลื่อนจากการพยากรณ์ ณ เวลา t  j

การตรวจสอบตัวแบบตามข้อตกลงเบื้องต้นได้ดังนี้ คือ ค่าสถิติ Ljung–Box Q ไม่มีนัยสําคัญทางสถิติที่

ระดับ 0.05 ค่าความคลาดเคลื่อนมีการแจกแจงแบบปกติ (Kolmogorov–Smirnor Z =1.02, p-value = 0.08) มี
การเคลื่อนไหวเป็นอิสระกัน (Durbin–Watson = 2.0139, p-value = 0.53) ค่าเฉลี่ยเท่ากับศูนย์ (t = -0.583 p-
value =0.561) และมีค วามแปรปรวนคงที่ (Levene Statistic = 2.321, p-value = 0.08) แสดงว่าตัว แบบ
SARIMA (1,1,1)(1,0,1)12 มีความเหมาะสมสามารถนําไปพยากรณ์ล่วงหน้าได้ดังตารางที่ 3

ตารางที่ 3 ค่าพยากรณ์และค่า MAPE ของตัวแบบ SARIMA

มกราคม กุมภาพันธ์ มีนาคม เมษายน พฤษภาคม

ค่า MAPE
2560 2560 2560 2560 2560
ค่าจริง 320596.00 326490.60 457340.01 259001.60 437546.40 -
ค่าพยากรณ์ 291429.83 328035.62 381902.94 361378.24 356862.57 16.81

3.2.3 ผลการพยากรณ์โดยวิธีการพยากรณ์รวมโดยใช้วิธีการวิเคราะห์การถดถอย
จากผลการพยากรณ์รวมสามารถสร้างสมการพยากรณ์ ได้ดังนี้

Zˆ t  104,460  0.371 Zˆ 1,t  0.378 Zˆ 2 ,t (26)

เมื่อ Zˆ 1,t , Zˆ 2 ,t แทน ค่าพยากรณ์จากวิธีการปรับให้เรียบของวินเทอร์และบ๊อกซ์ เจนกินส์ ตามลําดับ

160 ปีที่ 8 ฉบับที่ 1 มกราคม - มิถุนายน 2561

 Journal of Industrial Technology Ubon Ratchathani Rajabhat University

ผลการตรวจสอบความเหมาะสมของตัวแบบ พบว่า ความคลาดเคลื่อนจากการพยากรณ์มีการแจกแจง

แบบปกติ (Kolmogorov–Smirnor Z = 0.349, p-value = 1.00) มีการเคลื่อนไหวเป็นอิสระกัน (Durbin–Watson
= 1.9498, p-value = 0.3467) มีค่าเฉลี่ยเท่ากับศูนย์ (t = 0.066 p-value =0.951) และมีความแปรปรวนคงที่
(Levene Statistic =1.673, p-value = 0.056) ค่าพยากรณ์แสดงในตารางที่ 4

ตารางที่ 4 ค่าพยากรณ์และค่า MAPE ของตัวแบบการพยากรณ์รวม

มกราคม กุมภาพันธ์ มีนาคม เมษายน พฤษภาคม

ค่า MAPE
2560 2560 2560 2560 2560
ค่าจริง 320596.00 326490.60 457340.01 259001.60 437546.40 -
ค่าพยากรณ์ 312886.7 366141.4 402519.0 360650.5 347657.0 17.27

3.3 ผลการเปรียบเทียบความถูกต้องของค่าพยากรณ์
ผลการเปรียบเทียบวิธีการพยากรณ์ พบว่า ตัวแบบ SARIMA มีความเหมาะสมที่สุด ดังตารางที่ 5 และ
รูปที่ 3 ผู้วิจัยได้นําตัวแบบการพยากรณ์ที่จากจากตัวแบบ SARIMA ไปพยากรณ์ล่วงหน้า 7 ค่า ดังตารางที่ 6

ตารางที่ 5 ค่าพยากรณ์และค่า MAPE ของ 3 ตัวแบบ

มกราคม กุมภาพันธ์ มีนาคม เมษายน พฤษภาคม

ค่า MAPE
2560 2560 2560 2560 2560
ค่าจริง 320596.00 326490.60 457340.01 259001.60 437546.40 -
Holt-Winters 265404.30 370378.10 413752.80 323120.50 293173.70 19.59
SARIMA 291429.83 328035.62 381902.94 361378.24 356862.57 16.81
Combined 312886.7 366141.4 402519.0 360650.5 347657.0 17.27

Vol. 8 No. 1 January - June 2018 161

 การใช้พลังงานไฟฟ้า (Kwh)
วารสาร เทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏอุบลราชธานี

มกราคม กุมภาพันธ์ มีนาคม เมษายน พฤษภาคม

ปี พ.ศ. 2560

รูปที่ 3 กราฟเปรียบเทียบค่าพยากรณ์ของ 3 ตัวแบบ

ตารางที่ 6 ค่าพยากรณ์ของตัวแบบ SARIMA

มิถุนายน กรกฎาคม สิงหาคม กันยายน ตุลาคม พฤศจิกายน ธันวาคม

ค่า
2560 2560 2560 2560 2560 2560 2560
SARIMA 421141.46 421537.29 432845.59 411670.74 370661.94 388889.31 332110.80

7. สรุปและอภิปรายผลการวิจัย
จากการศึกษาวิธีการพยากรณ์ทั้ง 3 วิธี พบว่า ตัวแบบ SARIMA มีความเหมาะสมในการพยากรณ์ปริ มาณ
การใช้พลังงานไฟฟ้ามากที่สุด เพราะมีค่า MAPE ต่ําสุดสอดคล้องกับการศึกษาของวราฤทธิ์ พานิชกิจโกศลกุล [5]
ทั้งนี้เพราะว่าตัวแบบ SARIMA มีความเหมาะสมกับการพยากรณ์ระยะสั้นมากกว่าตัวแบบการพยากรณ์แบบปรับให้
เรียบของวินเทอร์เชิงคูณและตัวแบบการพยากรณ์รวม ทั้งนี้ขึ้นอยู่กับบางกรณีและข้อมูลอนุกรมเวลาที่นํามาใช้
พยากรณ์ด้วย ข้อควรระวังในการนําเอาค่าพยากรณ์ไปใช้ประโยชน์ จากค่าพยากรณ์ที่ได้จากวิธีการพยากรณ์ 3 วิธี
ข้างต้น พบว่า มีความคลาดเคลื่อนสูงพอสมควร ก่อนนําไปใช้ประโยชน์ควรพิจารณาให้รอบด้าน ค่าพยากรณ์ที่ได้
สามารถช่วยในการตัดสินใจได้ในระดับหนึ่งเท่านั้น ทั้งนี้อาจเป็นเพราะว่าปริมาณการใช้พลังงานไฟฟ้าไม่ได้ขึ้นอยู่กับ
ปัจจัยเวลาเพียงอย่างเดียว แต่อาจขึ้นอยู่กับปัจจัยหลายอย่าง เช่น อุณหภูมิ จํานวนนักศึกษา จํานวนบุคลากรที่ใช้

162 ปีที่ 8 ฉบับที่ 1 มกราคม - มิถุนายน 2561

 Journal of Industrial Technology Ubon Ratchathani Rajabhat University

พลังงานไฟฟ้าเป็นต้น ดังนั้นการศึกษาครั้งต่อไปหากพิจารณาปัจจัยดังกล่าวมาสร้างตัวแบบการพยากรณ์ด้วยจะช่วย
เพิ่มความแม่นยําให้กับค่าการพยากรณ์มากขึ้นหรืออาจจะมีการกรองข้อมูลก่อนนําไปพยากรณ์

8. เอกสารอ้างอิง
[1] Ministry of Energy. Government energy reduction program [Internet]. 2017 [cited 2017 August
20]. Available from: http://www.e-report.energy.go.th/data/index.php (in Thai)
[2] Jeong K, Koo C, Hong T. An estimation model for determining the annual energy cost budget
in educational facilities using SARIMA (seasonal autoregressive integrated moving average) and
ANN (artificial neural network). Energy. 2014; 71: 71–9.
[3] Dong B, Li Z, Rahman S. M, Vega R. A hybrid model approach for forecasting future residential
electricity consumption. Energy and Buildings. 2016; 117: 341–51.
[4] Riansut W. Forecasting model for the export values of rubber wood and furniture of Thailand.
Naresuan University Journal: Science and Technology. 2016; 24(3): 108–22.
[5] Panichkitkosolkul W. Comparison of forecasting method of daily jewellery gold prices: Holt,s
forecast method, Box– Jenkins method and combined forecast method. Naresuan University
Journal: Science and Technology. 2006; 14(2): 9-16.
[ 6] Ungpansattawong S. Statistical forecasting techniques. Khon Kaen: Khon Kaen University Press;
2012. (in Thai)
[7] Abraham B, Ledolter J. Statistical methods for forecasting. New York: John Wiley & Sons; 2005.
[8] Swanson NR, Zeng T. Choosing among competing econometric forecast: Regression– based
forecast combination using model selection. Journal of Forecasting. 2001; 20: 425–40.
[9] Bluman AG. Elementary Statistics (A step by step approach). 7th ed. New York: McGraw–Hill;
2015.
[10] Kongkapet P. Nonparametric statistics. Bangkok: daenext; 2011 (in Thai)

Vol. 8 No. 1 January - June 2018 163