ระบบแนะนำแบบอัจฉริยะสำหรับการจัดการพลังงานของโรงผลิตนํ้าเย็น

Main Article Content

มนฤทัย ระดีรมย์

บทคัดย่อ

- ในช่วงเกือบทศวรรษที่ผ่านมา ระบบอัจฉริยะต่างๆ ได้ถูกนำมาใช้งานอย่างกว้างขวางในด้านระบบควบคุมที่ไม่เป็นเชิงเส้น บทความนี้แสดงให้เห็นถึงการนำระบบนิวโรฟัซซี มาใช้ในการแนะนำผู้ควบคุมระบบปรับอากาศแบบน้ำเย็น(Water Chillers Plant) ของอาคาร 11 มหาวิทยาลัยรังสิต พฤติกรรมแบบไม่เป็นเชิงเส้นระบบ เกิดจากหลายสาเหตุได้แก่ เงื่อนไขของสภาพอากาศที่เปลี่ยนแปลงไปแต่ละวัน, อุปกรณ์ต่างในระบบ อาทิเช่น ปั๊ม วาล์วแบบปรับได้ เป็นต้น เป้าหมายของการวิจัยคือ เพื่อลดปริมาณการใช้ไฟฟ้าให้ต่ำสุดในขณะที่ยังรักษาประสิทธิภาพการทำงานไว้สูงสุด ในส่วนของการทำนายพฤติกรรมของระบบ เลือกใช้ระบบนิวโรฟัซซี โดยเริ่มจากการนำข้อมูลต่างๆ ในอดีตของระบบ มาทำการสอนข่ายงานระบบ และประยุกต์ใช้ระบบนิวโรฟัซซี ในการทำนายสภาวะอากาศ และภาระความร้อนของตึก แล้วนำไปคำนวณหาจุดปฏิบัติงานที่ดีที่สุด ระบบผู้แนะนำนี้ถูกพัฒนาขึ้นด้วยโปรแกรม Visual studio โปรแกรมนี้ใช้ข้อมูลในอดีตและปัจจุบัน ในการสอนระบบนิวโรฟัซซี เมื่อเปรียบเทียบค่าพลังงานไฟฟ้าก่อนการควบคุมตามคำแนะนำ ประจำเดือน พฤษภาคม 2557 ถึง เดือน กรกฎาคม 2557 และใช้ในเดือนสิงหาคม 2557 ถึง เดือน ตุลาคม 2557 สรุปได้ว่าค่ามีอัตราลดลงถึง 5% โดยที่สมรรถนะของระบบปรับอากาศยังมีประสิทธิภาพดีเช่นเดิม

Article Details

รูปแบบการอ้างอิง
[1]
ระดีรมย์ ม., “ระบบแนะนำแบบอัจฉริยะสำหรับการจัดการพลังงานของโรงผลิตนํ้าเย็น”, JIST, ปี 5, ฉบับที่ 1, น. 23–34, มิ.ย. 2015.
ประเภทบทความ
บทความวิจัย Soft Computing:

เอกสารอ้างอิง

1. ผศ. สุรพล พฤกษพานิช, 2529, การปรับอากาศ : หลักการและระบบ, หจก. ฟิสิกส์เซนเตอร์.

2. สมศักดิ์ สุโมตยกุล, 2542. หลักการทำงานและเทคนิคการตรวจซ่อมเครื่องทำความเย็นและเครื่องปรับอากาศ. ซีเอ็ดยูเคชั่น. กรุงเทพฯ. 444 หน้า.

3. อัครเดช สินธุภัค, 2543. การปรับอากาศ. สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. พิมพ์ครั้งที่ 4. กรุงเทพฯ. 570หน้า.

4. เฮนส์, โรเจอร์ ดับเบิลยู, 2540. ระบบควบคุมสำหรับการทำความร้อน การระบายอากาศ และการปรับอากาศ. กรุงเทพฯ. 336 หน้า.

5. กรมพัฒนาพลังงานทดแทนและอนุรักษ์พลังงาน, 2552, รายงานไฟฟ้าของประเทศไทยปี 2551.

6. W. F. Stoecker and J. W. Jones,1993, Refrigeration & Air Conditioning , McGraw-Hill International Edition, 2 nd Ed.

7. Technology Fact Sheet, 2002, Whole-House Ventilation System : Improved control of Air Quality, Building Technology Program, Office of Energy Efficiency and Renewable Energy, U.S. Department of Energy, USA.

8. Chua, K. J., Ho, J. C. and Chou, S. K., 2007, A comparative study of different control strategies for indoor air humidity, ENERGY AND BUILDINGS, 39 (5), pp. 537-545.

9. Hirunlabh, J., Charoenwat, R., Khedari, J. and Teekasap, Sombat, 2007, Feasibility study of desiccant air-conditioning system in Thailand, BUILDING AND ENVIRONMENT, 42 (2), pp. 572-577.

10. Nagengast, Bernard and Groff, Gerald, 2007, Keeping cool - Timeline of refrigeration & air conditioning, ASHRAE JOURNAL, 49 (3), pp. 64.

11. Guo CY, Song Q and Cai WJ, 2007, A neural network assisted cascade control system for air handling unit, IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS 54 (1), pp 620-628.

12. Chang YC, 2007, Sequencing of chillers by estimating chiller power consumption using artificial neural networks, BUILDING AND ENVIRONMENT 42 (1), pp. 180-188.

13. Singh J, Singh N and Sharma JK, 2006, Fuzzy modeling and control of HVAC systems - A review, JOURNAL OF SCIENTIFIC & INDUSTRIAL RESEARCH 65 (6), pp. 470-476.

14. Aprea C, Mastrullo R, and Renno C, 2006, Experimental analysis of the scroll compressor performances varying its speed, APPLIED THERMAL ENGINEERING 26 (10), pp. 983-992.

15. Thompson R and Dexter A, 2005, A fuzzy decision-making approach to temperature control in air-conditioning systems, CONTROL ENGINEERING PRACTICE 13 (6), pp. 689-698

16. Chu CM, Jong TL and Huang YW, 2005, Thermal comfort control on multi-room fan coil unit system using LEE-based fuzzy logic, ENERGY CONVERSION AND MANAGEMENT 46 (9-10), pp. 1579-1593.

14. Lee, W. Y. and M.; Kelly, G. E., Fault Diagnosis of an Air – Handling Unit Using Artificial Neural Networks, ASHRAE Transactions., Vol. 102, Pt 1., PP. 540-549, 1996.

18. Teeter, J. and Chow, M. Y., Application of Function Link Neural Network to HVAC Thermal Dynamics System Identification, Technical Report, Department of Electrical and Computer Engineering, North Carolina State University. [19] Chung-Tai Wu and Brian A. Rock, Performance of Fixed, Air-Side Economizer, and Neural Network Demand-Controlled Ventilation in CAV Systems, ASHRAE Transactions. , 1998

19. Babuska, A. R. 2002. Neuro-fuzzy methods for modeling and identification. Recent Advances in intelligent Paradigms and Application, Springer-Verlag : 161–186..

20. Monruthai Radeerom, Chonawat Srisa-an, M. L. Kulthon Kasemsan, Stock Price Prediction Based on Neurofuzzy System for Thai Stock Index. IMECS 2007, Hong Kong, pp. 833-838.