การเปรียบเทียบวิธีการพยากรณ์สำหรับความต้องการใช้พลังงานไฟฟ้าในจังหวัดนครพนมการเปรียบเทียบวิธีการพยากรณ์สำหรับความต้องการใช้พลังงานไฟฟ้าในจังหวัดนครพนม

A Comparison of the Forecasting Method for Electric Energy Demand in Nakhonphanom Province

Abstract

     งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบวิธีการพยากรณ์ สำหรับการพยากรณ์ความต้องการใช้พลังงานไฟฟ้าในจังหวัดนครพนม โดยใช้ข้อมูลจากการไฟฟ้าฝ่ายผลิตจังหวัดนครพนม ตั้งแต่เดือนมกราคม 2554 ถึงเดือนกันยายน 2559 จำนวน 69 ค่า โดยแบ่งข้อมูลออกเป็น 2 ชุด ข้อมูลชุดที่ 1 ตั้งแต่เดือนมกราคม 2554 ถึงเดือนธันวาคม 2558 จำนวน 60 ค่า สำหรับการเปรียบเทียบหาวิธีการพยากรณ์ที่เหมาะสมที่สุด โดยใช้เกณฑ์พิจารณาค่าเฉลี่ยความคลาดเคลื่อนสมบูรณ์ (MAD) และค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสมบูรณ์ (MAPE) ที่ต่ำที่สุด โดยงานวิจัยนี้ใช้วิธีการพยากรณ์ 6 วิธีคือ 1) วิธีค่าเฉลี่ยเคลื่อนที่ 2) วิธีแนวโน้มเชิงเส้น 3)วิธีปรับเรียบเอ็กซ์โพเนนเชียลอย่างง่าย 4) วิธีปรับเรียบเอ็กซ์โพเนนเชียลแบบโฮลท์ 5) วิธีปรับเรียบเอ็กซ์โพเนนเชียลแบบวินเทอร์ 6) วิธีแยกส่วนประกอบ จากนั้นจึงเลือกวิธีการที่พยากรณ์ที่เหมาะสมที่สุด มาคำนวณหาช่วงการพยากรณ์ล่วงหน้ากับข้อมูลชุดที่ 2 คือข้อมูลตั้งแต่เดือนมกราคม 2559 ถึงเดือนกันยายน 2559 จำนวน 9 ค่าโดยใช้เกณฑ์พิจารณาค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อนสมบูรณ์ (MAPE) ที่ต่ำที่สุด ผลการศึกษาพบว่า วิธีการพยากรณ์ที่มีความเหมาะสมที่สุดคือการพยากรณ์โดยวิธีแยกส่วนประกอบ จากรูปแบบดังกล่าว นำมาคำนวณหาช่วงพยากรณ์ล่วงหน้า 3 เดือน 6 เดือน และ 9 เดือน พบว่าวิธีนี้เหมาะสำหรับการพยากรณ์ล่วงหน้า 9 เดือน

     The purpose of this research was to study and compare the forecasting methods for electric energy demand in Nakhonphanom province. The data was gathered from Provincial Electricity Authority of Nakhonphanom during January, 2011 to September, 2016 of 69 values which were used and separated into 2 groups. The first group contained 60 values from January, 2011 to December, 2015 for comparing and finding the most suitable forecasting method via criteria of the lowest Mean Absolute Deviation (MAD) and Mean Absolute Percent Error (MAPE). There were 6 forecasting methods: 1) Moving average, 2) Trend analysis, 3) Single exponential smoothing, 4) Double exponential smoothing (Holt), 5) Triple exponential smoothing (Winter), and 6) Decomposition. Then the selected suitable method was used to determine the most suitable forecasting period by the second group which contained 9 values from January, 2016 to September, 2016. The lowest MAPE was used as the criteria of each period. The result indicated that decomposition method was the best method. From that method, it was implemented for forecasting 3, 6 and 9 months and it showed that the method was suitable for advance 9 months.