Artificial neural networks based on Optimization Technique for short-term electricity demand forecasting: Uttaradit Rajabhat University Data Analysis

Abstract

This research aims to develop a short-term electricity demand forecasting model using Artificial Neural Networks (ANN) enhanced with optimization techniques, including Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Bee Algorithm (BA). The study utilizes electricity consumption data from the Phumirajabhat Building, Uttaradit Rajabhat University, collected over 60 months (5 years) from 2020 to 2024. The dataset is divided into 80% for training and 20% for testing, ensuring an optimized ANN model through parameter tuning for each optimization technique.

The experimental results indicate that ANN optimized with PSO delivers the best performance, achieving the lowest Mean Absolute Percentage Error (MAPE) of 2.15%, compared to 3.12% for GA and 3.45% for BA. Furthermore, a comparative analysis between actual and forecasted load demand demonstrates that the optimized ANN model reduces the average forecasting error by up to 30% compared to the non-optimized ANN. These findings highlight the significant role of optimization techniques in improving forecasting accuracy. The research findings suggest that the optimized ANN model can be effectively applied to smart building energy management systems to reduce peak load costs and enhance long-term energy efficiency. Future research should explore extending the model to different building types and integrating environmental and user behavior data to enhance model accuracy further, ultimately contributing to the development of adaptive and intelligent energy management systems.

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์ความต้องการพลังงานไฟฟ้าระยะสั้นโดยใช้โครงข่ายประสาทเทียม (Artificial Neural Networks: ANN) ที่ได้รับการปรับปรุงด้วยเทคนิคการเพิ่มประสิทธิภาพ (Optimization Techniques) ได้แก่ Genetic Algorithm (GA), Particle Swarm Optimization (PSO) และ Bee Algorithm (BA) การศึกษานี้ใช้ข้อมูลการใช้พลังงานไฟฟ้าของอาคารภูมิราชภัฏ มหาวิทยาลัยราชภัฏอุตรดิตถ์ ในช่วงปี พ.ศ. 2563 – 2567 รวม 60 เดือน (5 ปี) โดยแบ่งข้อมูลเป็นชุดฝึกสอน 80% และชุดทดสอบ 20% เพื่อนำมาฝึกแบบจำลอง ANN ที่ได้รับการปรับค่าพารามิเตอร์ให้เหมาะสมด้วยแต่ละเทคนิค

ผลการทดลองพบว่า ANN ที่ใช้ PSO ให้ผลลัพธ์ดีที่สุด โดยมีค่าความผิดพลาดสัมบูรณ์เฉลี่ย (Mean Absolute Percentage Error: MAPE) เท่ากับ 2.15% ซึ่งต่ำกว่าค่าของ GA และ BA ที่มีค่า MAPE เท่ากับ 3.12% และ 3.45% ตามลำดับ นอกจากนี้ การเปรียบเทียบระหว่างค่าภาระงานจริงและค่าภาระงานที่คาดการณ์พบว่า ANN ที่ได้รับการเพิ่มประสิทธิภาพสามารถลดค่าคลาดเคลื่อนเฉลี่ยได้มากถึง 30% เมื่อเทียบกับ ANN ที่ไม่ได้รับการเพิ่มประสิทธิภาพ แสดงให้เห็นว่าเทคนิคการเพิ่มประสิทธิภาพมีบทบาทสำคัญในการปรับปรุงความแม่นยำของการพยากรณ์ จากผลการวิจัยแสดงให้เห็นว่า ANN ที่ผ่านการเพิ่มประสิทธิภาพสามารถนำไปประยุกต์ใช้กับระบบบริหารจัดการพลังงานอาคารอัจฉริยะ (Smart Building) เพื่อช่วยลดค่าใช้จ่ายด้านพลังงานและปรับปรุงประสิทธิภาพการใช้ไฟฟ้าในระยะยาว ข้อเสนอแนะสำหรับการวิจัยในอนาคตคือการขยายขอบเขตไปยังอาคารประเภทอื่น รวมถึงการผสานข้อมูลด้านสภาพอากาศและพฤติกรรมการใช้พลังงานของผู้ใช้งาน เพื่อเพิ่มความแม่นยำของแบบจำลองและนำไปสู่การพัฒนาระบบบริหารจัดการพลังงานที่สามารถคาดการณ์และปรับตัวได้อย่างมีประสิทธิภาพมากยิ่งขึ้น