การปรับปรุงโมเดลออนไลน์ซีเควนเชียลเอกซ์ทรีมเลิร์นนิงแมชชีนสำหรับพยากรณ์โหลดไฟฟ้าในระยะสั้น

Abstract

ในปัจจุบันรูปแบบการใช้พลังงานไฟฟ้าแตกต่างจากอดีตอย่างมากเนื่องมาจากการใช้งานระบบ เซลล์แสงอาทิตย์และสถานีอัดประจุยานยนต์ไฟฟ้าที่มีจำนวนเพิ่มขึ้นอย่างรวดเร็ว จนส่งผลให้การ พยากรณ์โหลดด้วยวิธีการเดิมมีความผิดพลาดสูงขึ้น เพื่อแก้ปัญหาดังกล่าวจึงได้นำเสนอโมเดลที่สามารถเรียนรู้เพิ่มขึ้นจากข้อมูลที่ได้รับระหว่างที่ทำงาน คือออนไลน์ซีเควนเชียลเอกซ์ทรีมเลิร์นนิงแมชชีน(OS-ELM) โดยจุดเด่นของโมเดลนี้คือสามารถทำงานโดยใช้ทรัพยากรต่ำแต่มีความเร็วสูง แต่โมเดล OS-ELM ก็ยังมีจุดที่ต้องปรับปรุงอยู่ คือความแม่นยำในการพยากรณ์ และความต้องการชุดข้อมูลที่มีจำนวนมากพอสำหรับฝึกสอนเริ่มต้นก่อนการใช้งาน ดังนั้นดุษฎีนิพนธ์นี้จึงได้นำเสนอวิธีการปรับปรุง โมเดลOS-ELM ให้สามารถใช้งานได้สะดวกและมีความแม่นยำในการพยากรณ์โหลดมากขึ้น ดุษฎีนิพนธ์นี้ได้นำเสนอวิธีการปรับปรุงโมเดลOS-ELMไว้ 4 วิธีคือ 1) การใช้โมเดลชุด 2)การสังเคราะห์ข้อมูลเพื่อฝึกสอนเริ่มต้น3) การจัดกลุ่มข้อมูลให้โมเดลทำการพยากรณ์ และ4)การให้โมเดล ได้เรียนรู้ซ้ำ โดยทำการทดลองด้วยชุดข้อมูลการใช้ไฟฟ้าในรัฐทางชายฝั่งตะวนออกสหรัฐอเมริกาเพื่อให้โมเดลทำการพยากรณ์โหลดไฟฟ้ารายชั่วโมงและเปรียบเทียบค่าความผิดพลาดในการพยากรณ์ของวิธีการที่นำเสนอกับวิธีการทำเป็นเส้นฐานของแต่ละการทดลอง ผลการศึกษาพบว่า1) การใช้โมเดลชุดช่วยความผิดพลาดในการพยากรณ์ลดลงได้ 5-8% 2) การสังเคราะห์ข้อมูลช่วยให้การใช้งานโมเดลOS-ELM มีความสะดวกมากยิ่งขึ้นและช่วยลดค่าความผิดพลาดในการพยากรณ์ลงได้มากกว่า10% 3) การจัดกลุ่มข้อมลให้โมเดลทำการพยากรณ์ให้ค่าความผิดพลาดในการพยากรณ์ไม่แตกต่างจากการใช้โมเดลชุดและ 4)การเรียนรู้ซ้ำช่วยลดความผิดพลาดในการพยากรณ์ได้ 3-9%

Nowadays, electricity consumption patterns are totally different from the past due to the rapid increase of PV systems and EV charging stations. As this result, the load forecasting using the traditional method tends to have higher errors. To solve this problem, the Online Sequential Extreme Learning Machine (OS-ELM) was proposed in order to incrementally learn from received data while working. The feature of this model is that it can work with low resources but at a high speed. However, the OS-ELM model has some points that need to be improved such as forecasting accuracy and requiring datasets for initial training. Therefore, this dissertation proposed methods for improving the OS-ELM model to be more convenient to use and more accurate in load forecasting. This dissertation proposed 4 methods for improving the OS-ELM model: 1) using an ensemble model, 2) synthesizing data for initial training, 3) clustering data for forecasting, and 4) using re-learning. The experiment was conducted with a dataset of electricity usage on east coast of the United States to forecast hourly electricity loads. The forecasting error was compared with the proposed method and the baseline method of each experiment. The study results revealed that: 1) the ensemble model could reduce the forecast error by5-8% , 2) the synthesis of data made the use of the OS-ELM model more convenient and the forecasting error could be reduced by more than 10% , 3) clustering the data for each model could not reduce the forecasting error compared to the ensemble model, and 4) the re-learning method could reduce the forecasting errors by 3- 9%.