Professional Documents
Culture Documents
กิตติเชษฐ์+นนทะสุด
กิตติเชษฐ์+นนทะสุด
ท่ าอากาศยานเชี ยงใหม่
A Prediction Model of Electricity Consumption as Applied to Development Planning of
Chiang Mai International Airport
บทคัดย่ อ
งานวิจยั นี้นำ� เสนอการศึกษาเปรี ยบเทียบการสร้างแบบจ�ำลองการพยากรณ์การใช้พลังงานไฟฟ้ าของท่าอากาศยาน
เชียงใหม่ดว้ ยวิธีโครงข่ายประสาทเทียม กับวิธีวเิ คราะห์การถดถอยเชิงเส้นพหุคณ
ู โดยท�ำการเปรี ยบเทียบความคลาดเคลือ่ น
ของการพยากรณ์ดว้ ยค่าร้อยละความคลาดเคลื่อนสัมบูรณ์ เพื่อเลือกแบบจ�ำลองการพยากรณ์ที่มีความเหมาะสมที่สุด
ส�ำหรับการพยากรณ์การใช้พลังงานไฟฟ้ าของท่าอากาศยานเชียงใหม่ในอนาคต งานวิจยั นี้ทำ� การศึกษาตัวแปรทั้งหมด
จ�ำนวน 4 ตัวแปรโดยแบ่งเป็ นตัวแปรอิสระจ�ำนวน 3 ตัวแปร ได้แก่ จ�ำนวนเที่ยวบิน จ�ำนวนผูโ้ ดยสาร จ�ำนวนสิ นค้า
และไปรษณี ย ์ และตัวแปรตามจ�ำนวน 1 ตัวแปร คือ พลังงานไฟฟ้ า ซึ่ งตัวแปรเหล่านี้ เป็ นข้อมูลสถิติยอ้ นหลังระหว่างปี
2551-2559 จากการศึกษาวิจยั พบว่าการพยากรณ์การใช้พลังงานไฟฟ้ าด้วยวิธีโครงข่ายประสาทเทียม และวิธีวิเคราะห์
การถดถอยเชิงเส้นพหุ คูณ มีค่าเฉลี่ยร้อยละความคลาดเคลื่อนสัมบูรณ์เท่ากับ 1.64 และ 2.57 ตามล�ำดับ ซึ่ งสามารถสรุ ป
ได้ว่าการพยากรณ์การใช้พลังงานไฟฟ้ าด้วยวิธีโครงข่ายประสาทเทียมเหมาะส�ำหรับน�ำไปพยากรณ์การใช้พลังงาน
ไฟฟ้ าของท่าอากาศยานในอนาคต
ค�ำส� ำคัญ: แบบจ�ำลองการพยากรณ์, การใช้พลังงานไฟฟ้ า, โครงข่ายประสาทเทียม, วิเคราะห์การถดถอยเชิงเส้นพหุ คูณ,
ท่าอากาศยานเชียงใหม่
Abstract
This research presents a comparative study on the modeling of electricity consumption forecasting of
Chiang Mai international airport by artificial neural network and multiple linear regression analysis methods.
This research compares the accuracy of each method using mean absolute percentage error (MAPE) to select the most
suitable forecasting model for electricity consumption forecasting of Chiang Mai international airport. This study investigated
four variables, which were divided into three independent variables: number of flights, passengers, goods and
postage. The dependent variable used in the research is electricity consumption. The statistical data obtained between
บทน�ำ
แนวโน้มอุตสาหกรรมการบินของประเทศไทย
มีการเติบโตขึ้นอย่างต่อเนื่ อง สร้ างมูลค่าทางเศรษฐกิ จ
ของประเทศอย่า งมหาศาล หนึ่ งในการด�ำ เนิ น ธุ ร กิ จ
ในอุ ต สาหกรรมการบิ น คื อ ท่ า อากาศยาน ปั จ จุ บ ัน
การใช้งานท่าอากาศยานมีความคับคัง่ มากขึ้น จากรายงาน
สถิ ติ ก ารขนส่ ง ทางอากาศในปี 2559 พบว่ า ปริมาณ
การใช้ ง านท่ า อากาศยานที่ ด �ำ เนิ น การ โดย บริ ษัท
ภาพ 1 สถิติจำ� นวนผูโ้ ดยสารและจ�ำนวนเที่ยวบินระหว่าง
ท่าอากาศยานไทย จ�ำกัด (มหาชน) หรื อ ทอท. ทั้งหมด
ปี พ.ศ.2551-2559
6 แห่ ง เพิ่มขึ้นจากเดิมร้อยละ 15.97 และแน่นอนว่า ทอท.
มี แ ผนในการปรั บ ปรุ ง และพัฒ นาท่ า อากาศยานเพื่ อ
รองรับการเติบโตของอุตสาหกรรมการบินในอนาคต ทั้ง จากกราฟจะสังเกตเห็ นว่า ในปี 2559 จ�ำนวน
ในด้านพื้นที่การใช้งานท่าอากาศยาน รวมทั้งบุคลากรที่ ผูโ้ ดยสารและจ�ำนวนเที่ยวบิน เกินความสามารถในการ
เพียงพอแก่การให้บริ การ นอกจากนั้นสิ่ งหนึ่งที่ ทอท. ควร รองรับของท่าอากาศยานเชี ยงใหม่ และเมื่อเปรี ยบเทียบ
วางแผนเตรี ยมการคือ พลังงานไฟฟ้ าทีใ่ ช้สำ� หรับด�ำเนินการ กั บ ปี 2551 พบว่ า จ� ำ นวนผู ้ โ ดยสารและจ� ำ นวน
ท่ า อากาศยาน ซึ่ ง จะต้อ งมี อ ย่า งเพี ย งพอ การวางแผน เที่ยวบินเพิ่มขึ้น 181.06% และ 164.31% ในขณะเดียวกัน
ด้า นพลัง งานไฟฟ้ าของท่ า อากาศยานนั้น จ�ำ เป็ นต้อ งมี เมื่ อ พิ จ ารณารายงานสถิ ติ ก ารใช้พ ลัง งานไฟฟ้ าของ
เครื่ องมื อ ช่ ว ยคาดการณ์ ทิ ศ ทางความต้อ งการไฟฟ้ า ท่ า อากาศยานเชี ย งใหม่ น้ ั น พบว่ า มี แ นวโน้ ม สู ง ขึ้ น
ในอนาคตที่ แม่ นย�ำ เพื่อ จะได้เป็ นข้อ มูลประกอบการ เช่นเดียวกัน ดังจะเห็นได้จากภาพที่ 2
ตัดสิ นใจในการด�ำเนิ นการวางแผนพัฒนาท่าอากาศยาน
ต่อไป (Airports of Thailand Public Company Limited,
2015)
ท่าอากาศยานเชียงใหม่เป็ นหนึ่งในท่าอากาศยาน
ที่ดำ� เนิ นการโดย ทอท. ซึ่ งมีความสามารถในการรองรับ
จ�ำนวนเที่ ยวบิ นได้ 60,000 เที่ ยวบิ นต่ อปี และรองรั บ
จ�ำ นวนผูโ้ ดยสารได้ 8 ล้า นคนต่ อ ปี จากรายงานทาง
สถิติระหว่างปี 2551-2559 พบว่าท่าอากาศยานเชียงใหม่
มี การใช้งานอย่างคับคัง่ และมี แนวโน้มสู งขึ้ นเรื่ อย ๆ ภาพ 2 สถิติการใช้พลังงานไฟฟ้ าระหว่างปี 2551-2559
ดังจะเห็นได้จากภาพที่ 1
วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย
ปีที่ 11 ฉบับที่ 3 ประจ�ำเดือน กันยายน-ธันวาคม 2560 ฉบับวิทยาศาสตร์และเทคโนโลยี 125
จากกราฟจะสังเกตเห็ นว่า ในปี 2559 จ�ำนวน หรื อปริ มาณการใช้พลังงานไฟฟ้ าของประเทศ ผลลัพธ์ที่
การใช้พลังงานไฟฟ้ ารายปี ของท่าอากาศยานเชี ยงใหม่ ได้แสดงให้เห็นว่า การวิเคราะห์โดยใช้โครงข่ายประสาท
เพิม่ ขึ้นจากปี 2551 เท่ากับ 37.23% ซึ่งเมื่อพิจารณารายงาน เที ย มมี ค วามแม่ น ย�ำ มากกว่ า การวิ เ คราะห์ โ ดยวิ ธี ก าร
สถิ ติการใช้พลังงานไฟฟ้ าพบว่า มี แนวโน้มเพิ่มสู งขึ้ น ถดถอยเชิงเส้นพหุคูณ โดยพิจารณาได้จากค่าสัมประสิ ทธิ์
ดังนั้นท่าอากาศยานเชียงใหม่จะต้องวางแผนด้านพลังงาน สหสั ม พัน ธ์ ย กก�ำ ลัง สอง (R2) และเปอร์ เ ซ็ น ต์ ค่ า
ไฟฟ้ าเพื่อรองรับการเติบโตในอนาคต ความผิดพลาดเฉลี่ ย สัมบู ร ณ์ (MAPE) และรากที่ ส อง
จากเหตุ ผ ลข้า งต้น ดัง กล่ า ว ผูว้ ิ จ ัย จึ ง มี แ นวคิ ด ของค่าเฉลี่ยความคลาดเคลื่อนยกก�ำลังสอง (RMAS)
สร้ า งแบบจ�ำ ลองการพยากรณ์ ค วามต้อ งการไฟฟ้ าใน นอกจากนี้ ยงั มีงานวิจยั ของคงฤทธิ์ โกมาสถิตย์
ท่าอากาศยานขึ้น เพื่อเป็ นเครื่ องมือช่วยส�ำหรับวางแผน และปารเมศ ชุ ติ ม า (Komsatid & Chutima, 2012)
เตรี ยมการด้านพลังงานไฟฟ้ าให้เพียงพอต่อการใช้งาน น�ำ เสนอวิ ธี ก ารพยากรณ์ ค วามต้อ งการพลัง งานไฟฟ้ า
ในอนาคต (energy demand) ของประเทศไทยในระยะยาว ด้วยวิธี
โครงข่ายประสาทเทียม แบบแพร่ ยอ้ นกลับ มาใช้ในการ
พยากรณ์พลังงานไฟฟ้ าของประเทศไทย ซึ่ งพิจารณา จาก
วัตถุประสงค์ การวิจัย ตัวแปรที่มีนยั ส�ำคัญต่อค่าพลังงานไฟฟ้ าของประเทศไทย
เพื่อศึกษาความสัมพันธ์ของตัวแปรที่มีอิทธิ พล ผลการเปรี ยบเทียบสามารถสรุ ปได้วา่ วิธีโครงข่ายประสาท
ต่ อ ความต้อ งการไฟฟ้ าของท่ า อากาศยานเชี ย งใหม่ เทียมแบบแพร่ ยอ้ นกลับสามารถพยากรณ์ได้แม่นย�ำกว่า
ในปั จ จุ บ ัน และน�ำ มาสร้ า งแบบจ�ำ ลองการพยากรณ์ วิ ธี ข องคณะอนุ ก รรมการพยากรณ์ แ ห่ ง ประเทศไทย
ความต้องการไฟฟ้ าของท่าอากาศยานเชียงใหม่ในอนาคต (Thailand Load Forecast Sub Committee--TLFS) โดย
การพิจารณาค่าร้ อยละความคลาดเคลื่ อนเฉลี่ ยสัมบูรณ์
เช่นเดียวกัน
แนวคิดทฤษฎีที่เกี่ยวข้ อง
โกวิทย์ แสนพงษ์ (Saenpong, 2012) น�ำเสนอ
การพยากรณ์ พลังงานไฟฟ้า การพยากรณ์ ค วามต้อ งการไฟฟ้ าระยะสั้นของระบบ
การพยากรณ์พลังงานไฟฟ้ าหมายถึงการคาดการณ์ จ�ำหน่ ายแรงดัน 23-115 กิโลโวลต์ สถานี ไฟฟ้ าบ้านไผ่
ค่าความต้องการใช้ไฟฟ้ าในอนาคต เพื่อน�ำผลที่ ได้ไป การไฟฟ้ าส่ วนภูมิภาค เขต 1 (ภาคตะวันออกเฉี ยงเหนื อ)
วางแผนในการจัดเตรี ยมความพร้อมด้านพลังงานไฟฟ้ า จังหวัดขอนแก่น ด้วยเทคนิคโครงข่ายประสาทเทียม แบบ
ให้เพียงพอแก่การใช้งาน หรื อวางแผนการจัดการการใช้ แพร่ ค่าย้อนกลับและการเรี ยนรู ้แบบมีผสู ้ อน โดยใช้ขอ้ มูล
พลังงานไฟฟ้ าให้เกิดประสิ ทธิ ภาพสู งสุ ด ความต้องการพลังงานไฟฟ้ าของผูใ้ ช้ไฟฟ้ า และค่าอุณหภูมิ
ที่ ผ่านมามี ผูว้ ิจยั ได้ศึกษาการพยากรณ์พลังงาน สู งสุ ด-ต�่ำสุ ด จากการเปรี ยบเทียบโครงข่ายประสาทเทียม
ไฟฟ้ าหลากหลายวิ ธี ด้ว ยกัน โดยเฉพาะวิ ธี โ ครงข่ า ย กรณี ไ ม่ น�ำ อุ ณ หภู มิ สู ง สุ ด -ต�่ำ สุ ด ร่ ว มวิ เ คราะห์ พ บว่ า
ประสาทเที ย มเป็ นวิ ธี ที่ ใ ช้ก ัน อย่า งแพร่ ห ลาย ดัง เช่ น ค่าร้ อยละความผิดพลาดเฉลี่ยสัมบูรณ์ ในการพยากรณ์
งานวิจยั ของฐกฤต ปานขลิบ (Panklib, 2013) น�ำเสนอ กรณี ไม่นำ� อุณหภูมิสูงสุ ด-ต�่ำสุ ดร่ วมวิเคราะห์มีค่าน้อย
การคาดการณ์การใช้พลังงานไฟฟ้ าในประเทศไทย โดย ที่สุดเท่ากับ 4.426% และมีค่าน้อยกว่าโครงข่ายประสาท
วิธีการวิเคราะห์แบบถดถอยเชิงเส้นพหุคูณ และโครงข่าย เทียมที่นำ� อุณหภูมิสูงสุ ด-ต�่ำสุ ดร่ วมวิเคราะห์ที่มีค่าน้อย
ประสาทเทียมเพื่อพยากรณ์ปริ มาณการใช้พลังงานไฟฟ้ า ที่สุดเท่ากับ 4.522%
ในระยะยาวของประเทศไทย โดยศึ กษาความสัมพันธ์ โอฬาร ธรรมานนท์, มณฑล ลีลาจินดาไกรฤกษ์
ของตัว แปรอิ ส ระ ประกอบด้ว ย ผลิ ต ภัณ ฑ์ม วลรวม และสมชาติ จิริวิภากร (Thamanon, Leelachindakrairerk
ภายในประเทศ จ�ำนวนประชากร อุณหภูมิสูงสุ ด และ & Jiriwibhakorn, 2004) น�ำ เสนอการประยุ ก ต์ ใ ช้
ความต้องการพลังงานไฟฟ้ า เพื่อพยากรณ์ ตวั แปรตาม
วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย
ปีที่ 11 ฉบับที่ 3 ประจ�ำเดือน กันยายน-ธันวาคม 2560 ฉบับวิทยาศาสตร์และเทคโนโลยี 127
กับการค�ำนวณและการจดจ�ำ เช่นการจ�ำแนกข้อมูล (data n
yjh = j=1
∑ wjih xi + 0 jh
classification) การพยากรณ์ เ หตุ ก ารณ์ (forecasting)
การบีบอัดข้อมูล (data compression) การกรองสัญญาณ เมื่อ i แทนล�ำดับเซลล์ในชั้นข้อมูลขาเข้า
รบกวน (noise filtering) เป็ นต้น เนื่ องจากโครงข่ าย j แทนล�ำดับเซลล์ในชั้นซ่ อน
ประสาทเทียมมีความสามารถในการก�ำหนดความสัมพันธ์
h แทนจ�ำนวนชั้นซ่ อน
ระหว่างรู ปแบบข้อมูลขาเข้า (input) และข้อมูลขาออก
(output) ซึ่ งท�ำ ให้ ส ามารถแก้ปั ญ หาที่ ย ากและสลับ n แทนจ�ำนวนเซลล์ในชั้นข้อมูลขาเข้า
ซับซ้อนได้ (Nontasud, 2008) 0h แทนค่าไบแอสในระดับชั้นซ่ อน
ในปั จจุบนั โครงข่ายประสาทเทียมมีหลากหลาย j
xi แทนค่าข้อมูลขาออกที่ส่งจากชั้นข้อมูลขาเข้า
ชนิ ด ในการศึกษาวิจยั จะเลือกใช้โครงข่ายประสาทเทียม
wh แทนค่าถ่วงน�้ำหนักของการเชื่ อมต่อเซลล์ i
ชนิ ดแพร่ ยอ้ นกลับ (back propagation) แสดงดังภาพ 3
กับเซลล์ j ji
y h แทนค่ า ผลรวมของผลคู ณ ระหว่ า งข้อ มู ล
ขาเข้าและค่j าถ่วงน�้ำหนักของการเชื่อมต่อเซลล์ i กับ j
ในกระบวนท�ำงานของโครงข่ายประสาทเทียม
ชนิ ดแพร่ ยอ้ นกลับ ในระดับชั้นขาออกจะได้ค่าข้อมูล
ขาออกมาค่าหนึ่ง ซึ่งค่าข้อมูลขาออกนี้จะน�ำไปตรวจสอบ
หาค่าความผิดพลาดของโครงข่าย และค่าความผิดพลาด
ของโครงข่ า ยจะมี ก ารแพร่ ค่ า ย้อ นกลับ เพื่ อ น�ำ มาปรั บ
ค่าถ่วงน�้ำหนัก เพื่อให้ค่าถ่วงน�้ำหนักของโครงข่ายได้มี
ภาพ 3 โครงข่ายประสาทเทียมชนิดย้อนกลับ การปรั บเปลี่ ยนให้มีค่าที่ สามารถท�ำให้ขอ้ มูลขาออกที่
ได้จากโครงข่ายเท่ากับหรื อใกล้เคียงกับข้อมูลขาออกที่
ภาพ 3 เป็ นลักษณะของโครงข่ายประสาทเทียม ต้องการ โดยในกระบวนการย้อนกลับเพื่อการปรั บค่า
ชนิ ดแพร่ ยอ้ นกลับ ซึ่ งมีอยูท่ ้ งั หมดเป็นจ�ำนวน 3 ชั้น ดังนี้ น�้ำหนักในแต่ละครั้งของโครงข่ายจะขึ้นอยู่กบั ค่าข้อมูล
คือ ชั้นขาเข้า(input layer) ชั้นซ่อน (hidden layer) และชั้น ขาออกที่ ไ ด้ และในการหยุด ปรั บ ค่ า ถ่ ว งน�้ำ หนัก ของ
ขาออก (output layer) แต่ละชั้นจะมีเซลล์ประสาทเทียมที่ โครงข่าย มีอยูด่ ว้ ยกัน 2 วิธี คือ การก�ำหนดจ�ำนวนรอบ
เรี ยกว่าโหนด (Node) ซึ่ งมีจำ� นวนตามที่กำ� หนดเชื่อมต่อ ของการประมวลผลของโครงข่าย หรื อการก�ำหนดผล
กันด้วยเส้นเชื่อมโครงข่าย และแต่ละเส้นเชื่อมโครงข่าย ของข้อมูลขาออกที่มีค่าความผิดพลาดที่ระบบโครงข่าย
จะมีค่า w คือ ค่าถ่วงน�้ำหนัก (weights) ในกระบวนการ สามารถยอมรับได้
ท�ำงานของโครงข่ายนั้นเมื่อมีขอ้ มูลขาเข้ามายังโครงข่าย การวิเคราะห์ การถดถอยเชิงเส้ นพหุคูณ
ก็นำ� เอาข้อมูลนั้นมาคูณกับค่าถ่วงน�้ำหนัก ผลที่ได้จะเอา
การวิเคราะห์การถดถอยพหุ คูณ (multiple linear
มารวมกันแล้วก็เอามาเทียบกับ เทรสโฮลที่กำ� หนดไว้ ถ้า
regression analysis) เป็นการศึกษาความสัมพันธ์ระหว่าง
ผลรวมมีค่ามากกว่าเทรสโฮลแล้ว เซลล์ประสาทก็จะส่ ง
ตัวแปรอิสระหรื อตัวแปรต้นที่ ทำ� หน้าที่ พยากรณ์ ต้ งั แต่
ข้อมูลออกไป ข้อมูลดังกล่าวนี้ ก็จะถูกส่ งไปเป็ นข้อมูล
2 ตัวขึ้ นไปกับตัวแปรตาม 1 ตัว ในการวิเคราะห์ การ
ขาเข้าของเซลล์ประสาทอื่ น ๆ ที่ เชื่ อมกันในโครงข่าย
ถดถอยพหุ คูณนั้นจะต้องหาค่าสัมประสิ ทธิ์ สหสัมพันธ์
ผลลัพธ์หรื อข้อมูลขาออกของโครงข่ายประสาทเที ยม
พหุ คูณ (multiple correlation coefficient) เพื่อให้ทราบ
แสดงความสัมพันธ์ดงั สมการ
ถึ งความสัมพันธ์ ระหว่างตัวแปรอิ สระหรื อตัวแปรต้น
วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย
ปีที่ 11 ฉบับที่ 3 ประจ�ำเดือน กันยายน-ธันวาคม 2560 ฉบับวิทยาศาสตร์และเทคโนโลยี 129
ผลการวิจัย ที่ มีความแม่นย�ำที่ สุดส�ำหรั บใช้ในการพยากรณ์ การใช้
งานวิจยั นี้มีวตั ถุประสงค์เพือ่ สร้างแบบจ�ำลองการ พลัง งานไฟฟ้ าของท่ า อากาศยานเชี ย งใหม่ ใ นอนาคต
พยากรณ์การใช้พลังงานไฟฟ้ าของท่าอากาศยานเชียงใหม่ ต่อไป ซึ่ งได้ผลดังนี้
โดยใช้วิธีโครงข่ายประสาทเที ยม และวิธีวิเคราะห์การ แบบจ�ำลองการพยากรณ์ การใช้ พลังงานไฟฟ้า
ถดถอยเชิงเส้นพหุ คูณ ตัวแปรที่ทำ� การศึกษามีท้ งั หมด 4 ด้ วยวิธีการวิเคราะห์ ถดถอยเชิงเส้ นพหุคูณ
ตัวแปร แบ่งเป็ น ตัวแปรอิสระจ�ำนวน 3 ตัวแปร ได้แก่ ในการสร้ า งแบบจ�ำ ลองการพยากรณ์ ก ารใช้
(1) จ�ำนวนเที่ยวบินรวมรายเดือน (2) จ�ำนวนผูโ้ ดยสาร พลังงานไฟฟ้ าด้วยวิธีการวิเคราะห์ถดถอยเชิงเส้นพหุ คูณ
รวมรายเดือน (3) จ�ำนวนสิ นค้าและไปรษณี ยร์ วมรายเดือน มีตวั แปรที่ทำ� การศึกษาทั้งหมด 4 ตัวแปร ซึ่งตัวแปรเหล่านี้
และตัวแปรตามจ�ำนวน 1 ตัวแปร คือ ค่าพลังงานไฟฟ้ าที่ เป็ นข้อมูลระดับอัตราส่ วนโดยแบ่งออกเป็ น ตัวแปรอิสระ
ใช้ ซึ่ งตัวแปรทั้งหมดดังกล่าวได้มาจากข้อมูลสถิติที่เก็บ ที่จำ� นวน 3 ตัวแปร ได้แก่ จ�ำนวนเที่ยวบินรวมรายเดือน
รวบรวมไว้โดยท่าอากาศยานเชี ยงใหม่ระหว่างปี 2551- จ�ำนวนผูโ้ ดยสารรวมรายเดื อน และจ�ำนวนสิ นค้าและ
2559 ซึ่ งเป็ นข้อมูลในระดับอัตราส่ วน ทั้งนี้ แบบจ�ำลอง ไปรษณี ยร์ วมรายเดือน และตัวแปรตามจ�ำนวน 1 ตัวแปร
การพยากรณ์ที่ได้จากทั้งสองวิธีจะถูกท�ำการเปรี ยบเทียบ คือ ค่าพลังงานไฟฟ้ ารวมรายเดือน ซึ่ งตัวแปรอิสระทั้ง 3
ความแม่นย�ำในการพยากรณ์โดยพิจารณาค่าเฉลี่ยร้อยละ ตัวแปรนี้ จะถูกท�ำการวิเคราะห์เพื่อหาความสัมพันธ์กบั
ความคลาดเคลื่อนสัมบูรณ์ และจะเลือกวิธีการพยากรณ์ ตัวแปรตาม ผลการวิเคราะห์แสดงดังตาราง 1
ตาราง 1
ผลการวิเคราะห์ การถดถอยเชิ งเส้ นพหุคูณเพื่อหาความสัมพันธ์ ระหว่ างตัวแปรอิสระและตัวแปรตาม
Model R R Square Adjusted R Square Std. Error of the Estimate
1 0.666 0.443 0.427 172178.246
*หมายถึงปฏิเสธสมมติฐานทางสถิติที่ระดับนัยส�ำคัญ 0.05
วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย
ปีที่ 11 ฉบับที่ 3 ประจ�ำเดือน กันยายน-ธันวาคม 2560 ฉบับวิทยาศาสตร์และเทคโนโลยี 131
ภาพ 5 ผลการพยากรณ์วิธีวิเคราะห์การถดถอยเชิ งเส้น
พหุคูณด้วยชุดข้อมูลทดสอบรายเดือน ภาพ 6 โครงข่ายประสารทเทียมที่ใช้ในการวิจยั
ตาราง 3
ผลการเปรี ยบเทียบการพยากรณ์ พลังงานไฟฟ้ า
พลังงานไฟฟ้า (กิโลวัตต์ -ชั่วโมง)
ปี
ค่ าจริง โครงข่ ายประสาทเทียม การถดถอยเชิงเส้ นพหุคูณ
2551 14,678,080 14,904,780 15,134,327
2552 14,194,400 14,275,996 14,986,778
2553 16,405,280 16,678,353 16,206,902
2554 16,404,420 16,311,207 16,470,842
2555 17,480,160 17,919,164 16,962,178
2556 17,404,480 17,267,044 17,421,015
วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย
ปีที่ 11 ฉบับที่ 3 ประจ�ำเดือน กันยายน-ธันวาคม 2560 ฉบับวิทยาศาสตร์และเทคโนโลยี 133
ตาราง 3
ผลการเปรี ยบเที ยบการพยากรณ์ พลังงานไฟฟ้ า (ต่ อ)
พลังงานไฟฟ้า (กิโลวัตต์ -ชั่วโมง)
ปี
ค่ าจริง โครงข่ ายประสาทเทียม การถดถอยเชิงเส้ นพหุคูณ
2557 18,272,800 18,740,392 18,551,779
2558 19,303,080 18,483,468 19,686,021
2559 20,142,400 20,080,781 18,873,743
ค่าเฉลี่ย MAPE (%) 1.64 2.57
2564 - 24,288,778 20,740,060
References
Airports of Thailand Public Company Limited. (2015). Air transport statistic. Retrieved from https://airportthai.
co.th/main/th/1115-air-transport-statistic (in Thai)
Ding, N. (2016). Neural network-based model design for short-term load forecast in distribution systems.
IEEE Transactions on Power Systems, 31(1), 72-81.
Komasatith, K., & Chutima, P. (2012). Long-term Thailand electrical load forecasting with an artificial neural
network approach. IE Network Conference 2012, Bangkok. (in Thai)
Musa, A., & Attia, T. (2016). Modeling of short-term electric load forecasting for Khartoum state using artificial
neural networks. Retrieved from http://khartoumspace.uofk.edu/handle/123456789/19762
Nontasud, S. (2008). Error reduction of GPS receiver due to TEC irregularities by artificial neural network. Master of
Engineering (Telecommunication Engineering) Thesis, King Mongkut’s Institute of Technology Ladkrabang.
(in Thai)
Panklib, T. (2013). Electricity consumption forecasting in Thailand using artificial neural network and multiple linear
regression. The Journal of Applied Science, 12(2), 58-67. (in Thai)
วารสารวิชาการมหาวิทยาลัยอีสเทิร์นเอเชีย
ปีที่ 11 ฉบับที่ 3 ประจ�ำเดือน กันยายน-ธันวาคม 2560 ฉบับวิทยาศาสตร์และเทคโนโลยี 135
Pho-ong, S. (2012). Short term load forecasting in smart grid. Master of Engineering (Electrical Engineering) Thesis,
Kasetsart University. (in Thai)
Saenpong, K. (2012). The short-term load forecasting for Ban-Phai distribution using artificial neural network.
Master of Engineering (Computer and Electrical Engineering) Thesis, Mahasarakham University. (in Thai)
Samuel, I. A., Ojewola, T., Awelewa, A., & Amaize, P. (2016). Short-term load forecasting using the time series and
artificial neural network methods. IOSR Journal of Electrical and Electronics Engineering, 11(1), 72-81.
Thamanon, O., Leelachindakrairerk, M., & Jiriwibhakorn, S. (2004). Long-term peak load forecasting for EGAT
system using artificial neural networks. Ladkrabang Engineering Journal, 21(2), 31-36.