Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/70352
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | พีรพล เวทีกูล | - |
| dc.contributor.author | ชูขวัญ สิริทิพากุล | - |
| dc.contributor.other | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ | - |
| dc.date.accessioned | 2020-11-11T13:54:49Z | - |
| dc.date.available | 2020-11-11T13:54:49Z | - |
| dc.date.issued | 2562 | - |
| dc.identifier.uri | http://cuir.car.chula.ac.th/handle/123456789/70352 | - |
| dc.description | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562 | - |
| dc.description.abstract | ในระบบไฟฟ้านั้นความมั่นคงของระบบไฟฟ้าเป็นสิ่งที่สำคัญที่สุดและไม่ควรจะเกิดไฟฟ้าดับ เพื่อเป็นการเพิ่มความมั่นคงให้ระบบไฟฟ้าจึงจำเป็นต้องพยากรณ์ความต้องการไฟฟ้าล่วงหน้าอย่างน้อย 1 วัน โดยงานวิจัยนี้จะทำการพยากรณ์ความต้องการไฟฟ้าของวันถัดไปรายครึ่งชั่วโมงรวมทั้งหมด 48 ช่วงเวลา ซึ่งในปัจจุบันมีงานวิจัยที่นำเทคนิคการเรียนรู้เชิงลึก (Deep Learning) มาใช้งานในการพยากรณ์ความต้องการไฟฟ้ามากขึ้น แต่แบบจำลองในอดีตไม่เหมาะสมกับสถานการณ์จริงที่เกิดขึ้น โดยในงานวิจัยนี้นำเสนอแบบจำลองสำหรับพยากรณ์ความต้องการไฟฟ้าหลายช่วงเวลาล่วงหน้าที่มีการใช้งานกลไกจุดสนใจ 2 ชั้น (Dual-Stage Attention Mechanism) ซึ่งจะพิจารณาทั้งผลกระทบจากช่วงเวลาในอดีตและผลกระทบจากคุณลักษณะที่ส่งผลถึงข้อมูลในอนาคต รวมถึงในแบบจำลองนี้จะมีการพิจารณาคุณลักษณะอื่น ๆ ที่มีผลกระทบต่อความต้องการไฟฟ้าด้วย นอกจากนั้นงานวิจัยนี้จะมีการออกแบบฟังก์ชันต้นทุนแบบไม่สมมาตร (Asymmetric Loss Function) สำหรับการพยากรณ์ความต้องการไฟฟ้าเพื่อให้สอดคล้องกับสถานการณ์จริงมากยิ่งขึ้น โดยที่ฟังก์ชันต้นทุนนี้จะให้ค่าต้นทุนที่มากกว่ากับการพยากรณ์ที่ต่ำกว่าผลเฉลย เพื่อให้แบบจำลองพยากรณ์ความต้องการไฟฟ้าได้สูงขึ้นทำให้ลดโอกาสในการเกิดไฟฟ้าดับได้ | - |
| dc.description.abstractalternative | In the power system, stability is the most important and there should be no power outage. To increase the stability of power systems, it is crucial to forecast a power consumption demand at least one day in advance. In this research, we will forecast the next day’s power consumption in the half-hour interval for a total of 48 intervals. There were many prior attempts, including the ones based on deep learning networks but the prior works are not appropriate with the real-world situation. In this research, we propose the model to do multi-step forecasting for power consumption which uses attention mechanism which considers both varying impacts from different time features. Moreover, we also consider exogenous that affect to the power consumption in our model and we propose a new loss function tailor made for the power consumption forecasting task base on real-world situation. It is asymmetric by giving more weight on the undersupplying loss in our deep learning networks. The model will be forecast higher so it can reduce the risk of power outages. | - |
| dc.language.iso | th | - |
| dc.publisher | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.relation.uri | http://doi.org/10.58837/CHULA.THE.2019.1132 | - |
| dc.rights | จุฬาลงกรณ์มหาวิทยาลัย | - |
| dc.subject | การใช้พลังงานไฟฟ้า -- ไทย -- พยากรณ์ | - |
| dc.subject | การเรียนรู้ของเครื่อง | - |
| dc.subject | Electric power consumption -- Thailand -- Forecasting | - |
| dc.subject | Machine learning | - |
| dc.subject.classification | Computer Science | - |
| dc.title | การพยากรณ์ความต้องการไฟฟ้าของประเทศไทยด้วยวิธีการเรียนรู้เชิงลึก | - |
| dc.title.alternative | Power consumption forecasting in Thailand using deep learning model | - |
| dc.type | Thesis | - |
| dc.degree.name | วิทยาศาสตรมหาบัณฑิต | - |
| dc.degree.level | ปริญญาโท | - |
| dc.degree.discipline | วิทยาศาสตร์คอมพิวเตอร์ | - |
| dc.degree.grantor | ฬาลงกรณ์มหาวิทยาลัย | - |
| dc.email.advisor | Peerapon.V@Chula.ac.th | - |
| dc.identifier.DOI | 10.58837/CHULA.THE.2019.1132 | - |
| Appears in Collections: | Eng - Theses | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 6170921221.pdf | 2.23 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.