Professional Documents
Culture Documents
5 - การเปรียบเทียบวิธี การพยากรณ์ปริมาณการใชhไฟฟ้า
5 - การเปรียบเทียบวิธี การพยากรณ์ปริมาณการใชhไฟฟ้า
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
Thanakon Sutthison
Faculty of Science, Ubon Ratchathani Rajabhat University
E-mail: Thanakon.sutthison@gmail.com
Abstract
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]
Zt ( 0 1t ) St t (1)
Zn
ˆ0 ( n ) (1 )( ˆ0 ( n 1) ˆ1 ( n 1)) (3)
Ŝ n ( n s )
Zn (5)
Sˆ n ( n ) (1 ) Sˆ n ( n s ))
ˆ
(n)
0
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]
p ( B ) P ( B s )(1 B ) d (1 B s ) D Z t q ( B ) Q ( B s ) t (6)
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)
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)
n e
MAPE 100 t (14)
n t 1 Z t
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
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
โดยที่
Zn
ˆ0 (n) 0.314 (1 0.314) (ˆ0 (n 1) ˆ1 (n 1)) (16)
Ŝn ( n s)
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)
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 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
จากการแทนค่ า ประมาณพารามิ เ ตอร์ ที่ ไ ด้ จ ากการวิ เ คราะห์ โ ดยใช้ โ ปรแกรม R จะได้ ตั ว แบบการ
พยากรณ์ดังนี้
3.2.3 ผลการพยากรณ์โดยวิธีการพยากรณ์รวมโดยใช้วิธีการวิเคราะห์การถดถอย
จากผลการพยากรณ์รวมสามารถสร้างสมการพยากรณ์ ได้ดังนี้
3.3 ผลการเปรียบเทียบความถูกต้องของค่าพยากรณ์
ผลการเปรียบเทียบวิธีการพยากรณ์ พบว่า ตัวแบบ SARIMA มีความเหมาะสมที่สุด ดังตารางที่ 5 และ
รูปที่ 3 ผู้วิจัยได้นําตัวแบบการพยากรณ์ที่จากจากตัวแบบ SARIMA ไปพยากรณ์ล่วงหน้า 7 ค่า ดังตารางที่ 6
ปี พ.ศ. 2560
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
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)