การพยากรณ์ความต้องการโซ่อุปทานของเศษวัสดุทางการเกษตรสำหรับโรงไฟฟ้าชีวมวลด้วยการใช้การเรียนรู้ของเครื่อง
คำสำคัญ:
พลังงานชีวมวล, เศษวัสดุทางการเกษตร, การพยากรณ์, การเรียนรู้ของเครื่องบทคัดย่อ
งานวิจัยนี้ได้ศึกษาและวิเคราะห์โซ่อุปทานของชีวมวลที่เกิดจากเศษวัสดุทางการเกษตรของพืชเศรษฐกิจจำนวน 5 ชนิด ในพื้นที่ภาคเหนือจำนวน 17 จังหวัด เพื่อคำนึงถึงปริมาณการเกิดของเศษวัสดุทางการเกษตรการเก็บเกี่ยวพืชผลที่สามารถนำไปสู่ความต้องการนำไปใช้ในการผลิตไฟฟ้าในรูปแบบชีวมวลได้ จึงนำข้อมูลในอดีตมาประยุกต์ใช้กับแบบจำลองการเรียนรู้ของเครื่อง 5 แบบจำลอง เพื่อหาแบบจำลองที่เหมาะสมที่สุดสำหรับชุดข้อมูลที่มีปัจจัย 11 ปัจจัย โดยแบ่งข้อมูลออกเป็นชุดฝึก 80 เปอร์เซ็นต์ และชุดทดสอบ 20 เปอร์เซ็นต์ แบบจำลองที่ดีที่สุดสำหรับชุดข้อมูลนี้เพื่อการพยากรณ์ผลผลิตทางการเกษตรคือ Random Forest Regression โดยใช้ค่า n_neighbors = 1 โดยมีค่า MAPE = 27.511 เปอร์เซ็นต์ ที่ได้จากการประเมินผลความแม่นยำของแบบจำลอง จึงสรุปได้ว่า สำหรับชุดข้อมูลและปัจจัยที่กำหนด สามารถใช้การเรียนรู้ของเครื่องในการพยากรณ์ผลผลิตทางการเกษตรได้ ซึ่งเป็นแนวทางในการนำค่าพยากรณ์ที่ได้จากแบบจำลองมาใช้เพื่อคำนวณหาเศษวัสดุทางการเกษตรที่เกิดจากการเพาะปลูกพืชต่าง ๆ และนำข้อมูลเหล่านี้ไปใช้ในการคำนวณค่าพลังงานชีวมวลที่ได้จากเศษวัสดุทางการเกษตรสำหรับโรงไฟฟ้าชีวมวลได้
เอกสารอ้างอิง
กรมพัฒนาพลังงานทดแทนและอนุรักษ์พลังงาน, คู่มือการพัฒนาและการลงทุนพลังงานชีวมวล, พิมพ์ครั้งที่ 1., กรุงเทพมหานคร: เอเบิล คอนซัลแดนท์, 2554.
กองนโยบายและแผนพัฒนาการเกษตร, ภาวะเศรษฐกิจทางการเกษตร ปี 2563 และแนวโน้มปี 2564, กรุงเทพมหานคร: สำนักงานเศรษฐกิจการเกษตร, 2563.
พุฒิชาติ คิดหาทอง, วีรินทร์ หวังจิรนิรันดร และ อัจฉริยา สุริยะวงค์, “การศึกษาศักยภาพเชิงพื้นที่ของชีวมวลสำหรับผลิตไฟฟ้าของประเทศไทย,” วารสารวิจัยพลังงาน., ปีที่ 11, ฉบับที่ 1, น. 63-76, 2557.
A. Kantasa-Ard, M. Nouiri, A. Bekrar, A. Ait el Cadi and Y. Sallez, “Machine learning for demand forecasting in the physical internet: a case study of agricultural products in Thailand,” International Journal of Production Research., vol. 59, no. 24, pp. 7491-7515, 2020.
กรมพัฒนาพลังงานทดแทนและอนุรักษ์พลังงาน, คู่มือการพัฒนาและการลงทุนพลังงานชีวมวล, พิมพ์ครั้งที่ 1., กรุงเทพมหานคร: เอเบิล คอนซัลแดนท์, 2554.
B. Dangprok, K. Y. Tippayawong and N. Tippayawong, “Development of a cost optimization model for power generation from agricultural residual biomass in Thailand,” Energy Reports., vol. 9, pp. 55-62, 2023.
A. Welfle, P. Gilbert and P. Thornley, “Increasing biomass resource availability through supply chain analysis,” Biomass and Bioenergy., vol. 70, pp. 249-266, 2014.
E. Iakovou, A. Karagiannidis, D. Vlachos, A. Toka and A. Malamakis, “Waste biomass-to-energy supply chain management: a critical synthesis,” Waste Management., vol. 30, no. 10, pp. 1860-1870, 2010.
K. Y. Tippayawong, N. Chaidi, T. Ngamlertsappakit and N. Tippayawong, “Demand and Cost Analysis of Agricultural Residues Utilized as Biorenewable Fuels for Power Generation,” in International Conference on Power and Energy Systems Engineering, Japan, 2020.
A. O. Avcıoğlu, M. A. Dayıoğlu and U. Türker, “Assessment of the energy potential of agricultural biomass residues in Turkey,” Renewable Energy., vol. 138, pp. 610-619, 2019.
B. Sajjakulnukit, R. Yingyuad, V. Maneekhao, V. Pongnarintasut, S. C. Bhattacharya and P. A. Salam, “Assessment of sustainable energy potential of non-plantation biomass resources in Thailand,” Biomass and Bioenergy., vol. 29, no. 3, pp. 214-224, 2005.
กอบเกียรติ สระอุบล, เรียนรู้ Data Science และ AI: Machine Learning ด้วย Python, พิมพ์ครั้งที่ 1., กรุงเทพมหานคร: ด่านสุทธาการพิมพ์, 2563.
T. V. Klompenburga, A. Kassahuna and C. Catal, “Crop yield prediction using machine learning: a systematic literature review,” Computers and Electronics in Agriculture., vol. 177, pp. 1-18, 2020.
S. Makkar, G. N. R. Devi and V. K. Solanki, “Applications of machine learning techniques in supply chain optimization,” in ICICCT 2019–System Reliability, Quality Control, Safety, Maintenance and Management: Applications to Electrical, Electronics and Computer Science and Engineering, Singapore, Springer, 2020, pp. 861-869.
A. Nigam, S. Garg, A. Agrawal and P. Agrawal, “Crop Yield Prediction Using Machine Learning Algorithms,” in Fifth International Conference on Image Information Processing (ICIIP), India, 2019.
L. S. Cedric, W. Y. H. Adoni, R. Aworka, J. T. Zoueu, F. K. Mutombo, M. Krichen and C. L. M. Kimpolo, “Crops yield prediction based on machine learning models: case of west african countries,” Smart Agricultural Technology., vol. 2, 2022.
M. Shahhosseini, G. Hu and S. V. Archontoulis, “Forecasting corn yield with machine learning ensembles,” Frontiers in Plant Science., vol . 11, no. 1120, pp. 1–16, 2020.
T. Onsree and N. Tippayawong, “Machine learning application to predict yields of solid products from biomass torrefaction,” Renewable Energy., vol. 167, no. 2, pp. 425-432, 2021.
B. Panigrahi, K. C. R. Kathala and M. Sujatha, “A machine learning-based comparative approach to predict the crop yield using supervised learning with regression models,” Procedia Computer Science., vol. 218, pp. 2684-2693, 2023.
A. Chris, Machine Learning with Python Cookbook: Practical Solutions from Preprocessing to Deep Learning, Sebastopol: O’Reilly Media, 2018.
T. Katongtung, T. Onsree, K. Y. Tippayawong and N. Tippayawong, “Prediction of biocrude oil yields from hydrothermal liquefaction using a gradient tree boosting machine approach with principal component analysis,” Energy Reports., vol. 9, pp. 215-222, 2023.
M. Laurence, AI and Machine Learning for Coders: A Programmer's Guide to Artificial Intelligence, Sebastopol: O’Reilly Media, 2021.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
