การวิเคราะห์ความผิดปกติของโหลดไฟฟ้าในอาคารเรียน โดยใช้ Isolation Forest และการลดมิติด้วย PCA
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้ใช้ Principal Component Analysis (PCA) และ Isolation Forest เพื่อวิเคราะห์ข้อมูลพลังงาน
จากอาคารเรียนรวมช่างอุตสาหกรรม วิทยาลัยเทคโนโลยีอุตสาหกรรมและการจัดการ มหาวิทยาลัยเทคโนโลยี
ราชมงคลศรีวิชัย (Phase A, Phase B, Phase C) โดยเริ่มจากการปรับมาตรฐานข้อมูลและทำ PCA เพื่อลดมิติ
ข้อมูลลงเหลือ 2 มิติ ซึ่งช่วยให้เข้าใจโครงสร้างและความแปรผันของข้อมูลได้ดีขึ้น ผลการวิเคราะห์พบว่า Principal Component 1 (PC1) และ Principal Component 2 (PC2) สามารถอธิบายความแปรผันของข้อมูลได้อย่างมี
นัยสำคัญ โดย PC1 มีอิทธิพลมากที่สุดในการอธิบายข้อมูลพลังงาน นอกจากนี้ยังใช้ Isolation Forest เพื่อตรวจจับ
ค่า outliers โดยการคำนวณ Anomaly Score พบว่า ในข้อมูลพลังงานมีการกระจายของคะแนน anomaly ที่ช่วยแสดงถึงช่วงเวลาที่อาจมีความผิดปกติในระบบไฟฟ้า การตรวจจับ outliers นี้ช่วยให้สามารถระบุปัญหาที่อาจเกิดขึ้นในระบบได้เร็วขึ้น ผลการศึกษาแสดงให้เห็นว่า Isolation Forest สามารถตรวจจับค่า outliers ได้อย่างมีประสิทธิภาพซึ่งเป็นเครื่องมือที่สำคัญในการตรวจหาความผิดปกติและลดความเสี่ยงจากการขัดข้องในระบบไฟฟ้า การใช้ PCA และ Isolation Forest ร่วมกันสามารถเพิ่มประสิทธิภาพในการวิเคราะห์และจัดการพลังงานในระบบไฟฟ้า โดยช่วยให้สามารถตรวจจับและจัดการกับปัญหาที่อาจเกิดขึ้นในช่วงเวลาเฉพาะได้อย่างรวดเร็วและมีประสิทธิภาพ ซึ่งมีความสำคัญในการบำรุงรักษาและเพิ่มความมั่นคงให้กับระบบไฟฟ้า
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อความภายในบทความที่ตีพิมพ์ในวารสารทั้งหมด รวมถึงรูปภาพประกอบ ตาราง เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ การนำเนื้อหา ข้อความหรือข้อคิดเห็น รูปภาพ ตาราง ของบทความไปจัดพิมพ์เผยแพร่ในรูปแบบต่าง ๆ เพื่อใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากกองบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษร
มหาวิทยาลัยฯ อนุญาตให้สามารถนำไฟล์บทความไปใช้ประโยชน์และเผยแพร่ต่อได้ โดยต้องแสดงที่มาจากวารสารและไม่ใช้เพื่อการค้า
ข้อความที่ปรากฏในบทความในวารสารเป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับราชวิทยาลัยจุฬาภรณ์ และบุคลากร คณาจารย์ท่านอื่น ๆ ในมหาวิทยาลัยฯแต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเอง ตลอดจนความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความเป็นของผู้เขียน ไม่เกี่ยวข้องกับกองบรรณาธิการ
เอกสารอ้างอิง
Lam, J. C., Wan, K. K. W., Cheung, K. L., & Yang, L. (2008). Principal component analysis of electricity use in office buildings. Energy and Buildings, 40(5), 828–836. https://doi.org/10.1016/j.enbuild.2007.06.001
Pang, G., Shen, C., Cao, L., & van den Hengel, A. (2021). Deep learning for anomaly detection: A review. ACM Computing Surveys, 54(2), 1–38. https://doi.org/10.1145/3439950
Fan, S., & Hyndman, R. J. (2012). Short-term load forecasting based on a semi-parametric additive model. IEEE Transactions on Power Systems. 27(1), 134–141. https://doi.org/10.1109/TPWRS.2011.2162082
Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. Proceedings of the 2008 Eighth IEEE International Conference on Data Mining (ICDM), 413–422. https://doi.org/10.1109/ICDM.2008.17
Koch, C., & Hirth, L. (2019). Short-term electricity trading for system balancing: An empirical analysis of the role of intraday trading in balancing Germany's electricity system, Renewable and Sustainable Energy Reviews, 113, 109275. https://doi.org/10.1016/j.rser.2019.109275
Cook, A. A., Mısırlı, G., & Fan, Z. (2020). Anomaly detection for IoT time-series data: A survey. IEEE Internet of Things Journal, 7(7), https://doi.org/10.1109/JIOT.2019.2958185.
Amigo, P., Cea-Echenique, S., & Feijoo, F. (2021). A two stage cap-and-trade model with allowance re-trading and capacity investment: The case of the Chilean NDC targets. Energy, 224,120129. https://doi.org/10.1016/j.energy.2021.120129
Zhu, L., & Chen, J. (2019). Development of energy efficiency principal component analysis model for factor extraction and efficiency evaluation in large-scale chemical processes. International Journal of Energy Research, 43(2), 814–828. https://doi.org/10.1002/er.4312
Zhang, L., Ge, R., & Chai, J. (2019). Prediction of China’s energy consumption based on robust principal component analysis and PSO-LSSVM optimized by the Tabu search algorithm. Energies, 12(1), 196. https://doi.org/10.3390/en12010196
Beretta, D., Grillo, S., Pigoli, D., Bionda, E., Bossi, C., & Tornelli, C. (2019). Functional principal component analysis as a versatile technique to understand and predict the electric consumption patterns. arXiv preprint arXiv:1909.05237, 1-8. https://arxiv.org/abs/1909.05237
