การพยากรณ์การใช้พลังงานภายในอาคาร SGtech อย่างชาญฉลาดด้วยการเรียนรู้เชิงลึก

Abstract

Nowadays the increasing demand for electrical energy directly contributes to the release of carbon dioxide emissions which is a major source of greenhouse effect. The efficient management of electricity usage becomes a crucial factor that can help reduce carbon dioxide emissions. Accurate forecasting of future electricity demand is essential for optimizing usage behaviors across different time periods. As a result, this thesis aims to create a deep learning model to accurately forecast electricity demand using historical electricity consumption data within the school of Renewable Energy and Smart Grid Technology (SGtech). The model involves tuning hyperparameter and training the forecasting model using various influencing factors, including temperature, dew point, weather condition, wind direction, SGtech's working days, and time of day. The result of this model is the utilization of past electricity demand data coupled with the SGtech's working days and time of day, resulting in a highly accurate prediction model with minimal error values.

ปัจจุบันความต้องการใช้พลังงานไฟฟ้าเพิ่มขึ้นอย่างต่อเนื่อง ส่งผลโดยตรงต่อปริมาณการปล่อยก๊าซคาร์บอนไดออกไซด์อันเนื่องมาจากกระบวนการผลิตไฟฟ้า ซึ่งถือเป็นก๊าซเรือนกระจกที่ส่งผลต่อการเกิดปรากฏการณ์เรือนกระจก ดังนั้นการบริหารจัดการการใช้พลังงานไฟฟ้าให้มีประสิทธิภาพจึงถือเป็นปัจจัยที่สำคัญที่สามารถช่วยลดการปล่อยก๊าซคาร์บอนไดออกไซด์ได้ การพยากรณ์หาปริมาณความต้องการของการใช้ไฟฟ้าล่วงหน้าได้อย่างแม่นยำนั้นถือเป็นสิ่งสำคัญที่จะทำให้สามารถปรับเปลี่ยนพฤติกรรมการใช้ไฟฟ้าให้เหมาะสมกับช่วงเวลาต่าง ๆ ได้ ดังนั้นวิทยานิพนธ์นี้จึงมีวัตถุประสงค์ที่จะสร้างแบบจำลองการเรียนรู้เชิงลึกสำหรับการพยากรณ์หาค่าความต้องการใช้ไฟฟ้าที่มีความแม่นยำ โดยใช้ข้อมูลการใช้พลังงานไฟฟ้าในอดีตภายในวิทยาลัยพลังงานทดแทนและสมาร์ตกริดเทคโนโลยี มาทำการปรับค่าไฮเปอร์พารามิเตอร์และฝึกสอนแบบจำลอง รวมถึงใช้ปัจจัยอื่น ๆ ส่งผลต่อการพยากรณ์ประกอบไปด้วย อุณหภูมิ อุณหภูมิจุดน้ำค้าง สภาพอากาศ ทิศทางลม วันทำการของวิทยาลัย ฯ และช่วงเวลาของวัน จากการทดลอง พบว่าแบบจำลองที่สามารถพยากรณ์หาค่าความต้องการการใช้ไฟฟ้าที่มีผลลัพธ์ค่าความผิดพลาดน้อยที่สุด คือการใช้ข้อมูลความต้องการใช้พลังงานไฟฟ้าในอดีตร่วมกับปัจจัยวันทำการของวิทยาลัย ฯ และช่วงเวลาของวัน