การปรับปรุงประสิทธิภาพการพยากรณ์การผลิตไฟฟ้าพลังงานแสงอาทิตย์ด้วยการ เรียนรู้เชิงลึกและเทคนิคฮิวริสติกส์เพื่อจัดตารางการใช้ไฟฟ้าอย่างเหมาะสม

Abstract

งานวิจัยนี้นำเสนอกรอบการจัดการพลังงานแสงอาทิตย์แบบบูรณาการที่ครอบคลุม กระบวนการต่างๆ ได้แก่ การเติมเต็มข้อมูลสูญหาย การพยากรณ์การผลิตไฟฟ้า และการจัดตาราง การใช้งานอุปกรณ์ไฟฟ้า กรอบการจัดการฯ ที่เสนอนี้ช่วยยกระดับประสิทธิภาพการจัดการพลังงาน อย่างเป็นระบบตั้งแต่ขั้นตอนการเตรียมข้อมูลจนถึงการตัดสินใจเชิงปฏิบัติการ ในกระบวนการเติมเต็ม ข้อมูลสูญหาย ได้ทดสอบความสูญหายที่ระดับต่างๆ ได้แก่ 10%, 30%, 50%, 70% และ 90% ใน 5 วิทยาเขต พร้อมเปรียบเทียบแบบจำลองการเรียนรู้ของเครื่อง ได้แก่ Random Forest Regression (RFR), Support Vector Regression (SVR) และ Multilayer Perceptron (MLP) โดยผลการทดลอง แสดงให้เห็นว่า MLP ให้ค่าความคลาดเคลื่อนต่ำที่สุดอย่างสม่ำเสมอในทุกวิทยาเขต โดยมีค่า RMSE = 0.0481–0.056, R² = 0.9503-0.9725 และ WMAPE = 0.0230–0.0344 ในกรณีข้อมูลสูญหาย 10% และ RMSE = 0.0865–0.1012 R² = 0.8562–0.9111 ในกรณีข้อมูลสูญหาย 30% แสดงให้เห็นถึง ความสามารถในการรักษาความแม่นยำได้ดีกว่าแบบจำลองอื่นภายใต้สภาวะข้อมูลไม่สมบูรณ์ ส่งผล กระทบให้เพิ่มความน่าเชื่อถือของข้อมูลสำหรับการพยากรณ์ในสภาพจริง ในกระบวนการพยากรณ์ การผลิตไฟฟ้าพลังงานแสงอาทิตย์ ผู้วิจัยเสนอการปรับปรุงแบบจำลอง GRU–LSTM TFT และ เปรียบเทียบกับ LSTM TFT และ GRU TFT ผลการทดลองแสดงให้เห็นว่า GRU–LSTM ให้ค่าความ คลาดเคลื่อนต่ำที่สุดเมื่อเทียบกับ LSTM และ GRU ทั้งในระยะสั้นและระยะยาว โดยเฉพาะใน Campus 1 ระยะสั้นที่สามารถลดค่า RMSE ลงเหลือ 3.950 เมื่อเทียบกับ 9.475 ของ LSTM และ 8.076 ของ GRU ขณะที่ใน Campus 2 ระยะยาว ให้ค่า RMSE ต่ำสุดที่ 0.588 แสดงถึงประสิทธิภาพ และความสม่ำเสมอของประสิทธิภาพพยากรณ์ทั้งระยะสั้นและระยะยาวของแบบจำลองที่นำเสนอง ส่งผลกระทบให้เพิ่มความแม่นยำในการวางแผนการผลิตพลังงาน ส่วนกระบวนการจัดตารางการใช้ งานอุปกรณ์ไฟฟ้า ด้วยการประยุกต์ใช้อัลกอริทึมเชิงพันธุกรรมภายใต้ข้อจำกัดเชิงปฏิบัติจริง พบว่า สามารถลดการใช้พลังงานจากโครงข่ายไฟฟ้าลงร้อยละ 10.43 เมื่อเทียบกับพฤติกรรมการใช้ไฟฟ้า จากชุดข้อมูลที่รวบรวมมา ส่งผลกระทบให้เกิดการเพิ่มการใช้พลังงานแสงอาทิตย์และลดต้นทุน พลังงาน แม้ว่ากรอบวิธีการที่นำเสนอจะแสดงผลลัพธ์ที่โดดเด่น แต่การทดลองยังจำกัดอยู่ในบริบท ของพื้นที่ศึกษาเฉพาะ และยังไม่ได้บูรณาการโครงสร้างอัตราค่าไฟฟ้าแบบแปรผันตามช่วงเวลา (Time-of-Use Tariff) รวมถึงการประยุกต์ใช้กับระบบบ้านอัจฉริยะ (Smart Home Systems) เพื่อ รองรับการควบคุมโหลดอัตโนมัติ ซึ่งควรได้รับการศึกษาเพิ่มเติมในอนาคตเพื่อเพิ่มศักยภาพในการ ประยุกต์ใช้ในสถานการณ์จริงที่หลากหลายยิ่งขึ้น