การพัฒนาแบบจำลองของโรงไฟฟ้าพลังน้ำเขื่อนแม่สะงาเพื่อประยุกต์ใช้การควบคุมเชิงทำนายแบบจำลองไม่เชิงเส้นกับระบบจัดการพลังงานในเมืองแม่ฮ่องสอน
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้มีวัตถุประสงค์เพื่อปรับปรุงแบบจำลองของโรงไฟฟ้าพลังน้ำ สำหรับการควบคุมของระบบจัดการพลังงานร่วมกับการวิเคราะห์การไหลกำลังไฟฟ้าแบบเหมาะที่สุด รวมถึงประยุกต์ใช้การควบคุมเชิงทำนายแบบจำลองไม่เชิงเส้นกับระบบจัดการพลังงานของเมืองแม่ฮ่องสอน การปรับปรุงแบบจำลองของโรงไฟฟ้าพลังน้ำอาศัยการทำนายระดับน้ำในเขื่อนแม่สะงาโดยใช้แบบจำลองอนุกรมเวลาและแบบจำลองหน่วยความจำระยะสั้นยาว เราเปรียบเทียบแบบจำลองด้วยชุดข้อมูลระดับน้ำในเขื่อนแม่สะงาเพื่อทำนายระดับน้ำล่วงหน้า 1 วัน และ 30 วัน เพื่อปรับปรุงแบบจำลองให้ถูกต้องและเหมาะสมกับชุดข้อมูลระดับน้ำ เมื่อประยุกต์ใช้แบบจำลองของโรงไฟฟ้าพลังงานน้ำที่ปรับปรุงกับระบบจัดการพลังงานในเมืองแม่ฮ่องสอน พบว่า การผลิตไฟฟ้าด้วยโรงไฟฟ้าพลังน้ำในฤดูฝนและฤดูหนาวมีกำลังมากขึ้น ส่งผลให้ลดค่าใช้จ่ายดำเนินการรวมและลดการปล่อยแก๊สคาร์บอนไดออกไซด์รวม อีกทั้งไม่ต้องพึ่งพาการผลิตไฟฟ้าโดยเครื่องกำเนิดไฟฟ้าดีเซล อย่างไรก็ตาม ในฤดูร้อน พบว่า การผลิตไฟฟ้าด้วนพลังน้ำมีกำลังลดลง ทำให้ค่าใช้จ่ายดำเนินการรวมและการปล่อยแก๊สคาร์บอนไดออกไซด์รวมเพิ่มขึ้นเนื่องจากการพึ่งพาแหล่งผลิตไฟฟ้าดีเซลรวมถึงการนำเข้าไฟฟ้าจากโครงข่ายไฟฟ้ากำลัง
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
T. Panapongpakorn and D. Banjerdpongchai, “Model Predictive Control of Energy Management System for Economic Dispatch with Application to MHS Microgrid in Normal Operation”. ICCAS. 15-18 October. Jeju KOREA : 1281-1286, 2019.
J. Maneeratpongsuk, J. Boonpeng and D. Banjerdpongchai, “Model Predictive Control of Microgrid Energy Management System with Optimal Power Flow Constraints Using Second Order Cone Programming”. ECTI-CON 2021. 19-22 May. Empress Hotel Chiang Mai : 1096-1099, 2021.
A. Srivichai I. Sriskul and D. Banjerdpongchai, “Multi-Objective Design of Model Predictive Control with Improved Optimal Power Flow Constraints for Microgrid Energy Management System in Mae Hong Son”. SICE Annual Conf. 6-9 September. Kumamoto JAPAN : 301-306, 2022.
กรมพัฒนาพลังงานทดแทนและอนุรักษ์พลังงาน กระทรวงพลังงาน. โครงการไฟฟ้าพลังน้ำแม่สะงา ระดับน้ำในเขื่อนแม่สะงาย้อนหลัง และพลังงานไฟฟ้าที่ผลิตได้ย้อนหลัง. 2565.
C. Olah, (2015) Understanding LSTM networks. [Online] Available: colah.github.io/posts/2015-08-Understanding-LSTMs
Z. Yuan. Convex Optimal Power Flow Based on Second-Order Cone Programming: Models, Algorithms and Applications. Doctoral Dissertation. Delft University of Technology, The Netherlands, 2018.
J. B. Rawlings, D. Q. Mayne, and M. M. Diehl. Model Predictive Control: Theory, Computation, and Design. 2nd Edition. Nob Hill Publishing, 2017.
S. Boyd and L. Vandenberghe, Convex Optimization. Cambridge University Press, 2004.
Ralf C. Staudemeyer and Eric Rothstein Morris. Understanding LSTM- a tutorial into Long Short-Term Memory Recurrent Neural Networks. Faculty of Computer Science, Schmalkalden University of Applied Sciences, Germany, 2019.
S. Techapakapong. A Case Study on Using Battery Energy Storage System with Mini-Hydro Power Plant to Minimize the Impacts of Solar PV Generation on Electrical Network of Amphoe Mueng Mae Hong Son. Master Electrical Engineering. Chulalongkorn University, 2017.