Abstract: Demand planning for elect

Abstract: Demand planning for electricity consumption is a key success factor for the
development of any countries. However, this can only be achieved if the demand is
forecasted accurately. In this research, different forecasting methods—autoregressive
integrated moving average (ARIMA), artificial neural network (ANN) and multiple linear
regression (MLR)—were utilized to formulate prediction models of the electricity demand
in Thailand. The objective was to compare the performance of these three approaches and
the empirical data used in this study was the historical data regarding the electricity
demand (population, gross domestic product: GDP, stock index, revenue from exporting
industrial products and electricity consumption) in Thailand from 1986 to 2010. The
results showed that the ANN model reduced the mean absolute percentage error (MAPE)
to 0.996%, while those of ARIMA and MLR were 2.80981 and 3.2604527%, respectively.
Based on these error measures, the results indicated that the ANN approach outperformed
the ARIMA and MLR methods in this scenario. However, the paired test indicated that
there was no significant difference among these methods at α = 0.05. According to the
principle of parsimony, the ARIMA and MLR models might be preferable to the ANN one
because of their simple structure and competitive performance

ผลลัพธ์ (ไทย) 1:

บทคัดย่อ: ความต้องการการวางแผนสำหรับปริมาณการใช้ไฟฟ้าเป็นปัจจัยสำคัญสำหรับการการพัฒนาของประเทศใด ๆ อย่างไรก็ตาม นี้สามารถเฉพาะได้ถ้ามีความต้องการคาดการณ์ได้อย่างถูกต้อง ในงานวิจัยนี้ วิธีการคาดการณ์อื่น — autoregressiveค่าเฉลี่ยเคลื่อนที่แบบบูรณาการ (อา), โครงข่ายประสาทเทียม (แอน) และหลายเชิงถดถอย (MLR) ซึ่งถูกใช้เพื่อกำหนดแบบจำลองพยากรณ์ความต้องการไฟฟ้าในประเทศไทย มีวัตถุประสงค์เพื่อ เปรียบเทียบประสิทธิภาพของวิธีเหล่านี้สาม และข้อมูลรวมที่ใช้ในการศึกษานี้มีข้อมูลทางประวัติศาสตร์เกี่ยวกับไฟฟ้าความต้องการ (ประชากร ผลิตภัณฑ์มวลรวมภายในประเทศ: GDP ดัชนีหุ้น รายได้จากการส่งออกปริมาณการใช้ไฟฟ้าและสินค้าอุตสาหกรรม) ในประเทศไทยจากปี 1986 ที่ 2010 ที่ผลลัพธ์ที่แสดงให้เห็นว่า แบบแอนลดเปอร์เซ็นต์แน่นอนหมายถึงข้อผิดพลาด (MAPE)0.996% ขณะนั้นอาและ MLR เป็น 2.80981 และ 3.2604527% ตามลำดับตามมาตรการเหล่านี้ข้อผิดพลาด ผลลัพธ์บ่งชี้ว่า วิธีแอน outperformedวิธีอาและ MLR ในสถานการณ์นี้ อย่างไรก็ตาม ระบุการทดสอบจัดเป็นคู่ที่ไม่แตกต่างอย่างมีนัยสำคัญระหว่างวิธีการเหล่านี้ด้วยกองทัพที่มี = 0.05 ตามหลักของ parsimony รุ่นอาและ MLR อาจจะดีกว่าให้แอนน์หนึ่งโครงสร้างง่ายและประสิทธิภาพการแข่งขันของพวกเขา

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ:
การวางแผนความต้องการการใช้ไฟฟ้าเป็นปัจจัยความสำเร็จที่สำคัญสำหรับการพัฒนาของประเทศใดๆ
แต่นี้สามารถทำได้หากมีความต้องการที่มีการคาดการณ์ได้อย่างถูกต้อง ในงานวิจัยนี้การคาดการณ์ที่แตกต่างกันวิธีการ-อัตรวมค่าเฉลี่ยเคลื่อนที่ (ARIMA) เครือข่ายประสาทเทียม (ANN) และหลายเชิงเส้นถดถอย(MLR) -were ใช้ในการกำหนดรูปแบบของการคาดการณ์ความต้องการใช้ไฟฟ้าในประเทศไทย โดยมีวัตถุประสงค์เพื่อเปรียบเทียบผลการดำเนินงานของทั้งสามวิธีการและข้อมูลเชิงประจักษ์ที่ใช้ในการศึกษาครั้งนี้เป็นข้อมูลทางประวัติศาสตร์เกี่ยวกับการผลิตไฟฟ้าความต้องการ(ประชากรผลิตภัณฑ์มวลรวมภายในประเทศ: จีดีพีดัชนีหุ้นมีรายได้จากการส่งออกสินค้าอุตสาหกรรมและการใช้ไฟฟ้า) ในประเทศไทย 1986 ปี 2010 ผลการศึกษาพบว่าแบบจำลอง ANN ลดลงเฉลี่ยร้อยละข้อผิดพลาดแน่นอน (MAPE) เพื่อ 0.996% ขณะที่อัตราดอกเบี้ย MLR ARIMA และเป็น 2.80981 และ 3.2604527% ตามลำดับ. จากมาตรการเหล่านี้ข้อผิดพลาดผลที่ชี้ให้เห็นว่า วิธี ANN เฮงวิธีARIMA และ MLR ในสถานการณ์นี้ อย่างไรก็ตามการทดสอบจับคู่แสดงให้เห็นว่าไม่มีความแตกต่างอย่างมีนัยสำคัญในวิธีการเหล่านี้ในα = 0.05 ตามที่หลักการของการประหยัดที่และรูปแบบ ARIMA MLR อาจจะเป็นที่นิยมในการ ANN หนึ่งเพราะโครงสร้างที่เรียบง่ายและประสิทธิภาพการแข่งขันของพวกเขา

ผลลัพธ์ (ไทย) 3:

บทคัดย่อ : การวางแผนความต้องการการใช้ไฟฟ้าเป็นปัจจัยความสำเร็จที่สำคัญสำหรับการพัฒนาของประเทศใด ๆ อย่างไรก็ตาม , นี้สามารถเกิดขึ้นได้หากมีความต้องการ
พยากรณ์ได้อย่างแม่นยำ ในการวิจัยนี้ ต่างวิธีการพยากรณ์แบบค่าเฉลี่ยเคลื่อนที่ตัว
( ARIMA ) , โครงข่ายประสาทเทียม ( ANN ) และ
เชิงเส้นหลายการถดถอย ( MLR ) ถูกใช้เพื่อสร้างแบบจำลองการคาดการณ์ของความต้องการใช้ไฟฟ้า
ในประเทศไทย การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของทั้งสามแนวทางและ
ข้อมูลเชิงประจักษ์ที่ใช้ในการศึกษานี้เป็นข้อมูลทางประวัติศาสตร์เกี่ยวกับความต้องการกระแสไฟฟ้า
( ประชากร ผลิตภัณฑ์มวลรวมภายในประเทศ : GDP ดัชนีรายได้จากการส่งออก
หุ้นผลิตภัณฑ์อุตสาหกรรม และปริมาณการใช้ไฟฟ้าของประเทศไทยจาก 2529 ถึง 2553
ผลการศึกษาพบว่าแบบจำลอง ANN ทำให้ค่าเฉลี่ยเปอร์เซ็นต์ความคลาดเคลื่อน ( MAPE )
% โดยให้ ในขณะที่ผู้พยากรณ์เบื้องต้นและมี 2.80981 และ 3.2604527 ตามลำดับ
ตามมาตรการ ข้อผิดพลาดเหล่านี้ พบว่าวิธีการพยากรณ์เดือน
แอนและวิธีการเบื้องต้นในสถานการณ์นี้ อย่างไรก็ตามจับคู่
test พบว่าแตกต่างกันอย่างไม่มีนัยสำคัญทางสถิติเหล่านี้วิธีที่α = 0.05 ตาม
หลักการแห่งความตระหนี่ แบบจำลองพยากรณ์เบื้องต้นอาจจะดีกว่าและให้แอนหนึ่ง
เพราะโครงสร้างที่เรียบง่ายของพวกเขาและการแข่งขันประสิทธิภาพ