เฟเดอเรเต็ดเลิร์นนิงแบบเรียลไทม์สำหรับการจัดการพลังงานอัจฉริยะในอาคารเรียน มทร.ศรีวิชัย
Article Sidebar
Main Article Content
บทคัดย่อ
การจัดการพลังงานไฟฟ้าอย่างมีประสิทธิภาพในอาคารเรียนช่างอุตสาหกรรม มทร.ศรีวิชัย มีความสำคัญจากลักษณะโหลดไฟฟ้าที่ซับซ้อนและเปลี่ยนแปลงตลอดเวลา งานวิจัยนี้นำเสนอกรอบการทำงานแบบเรียลไทม์โดยใช้การเรียนรู้แบบรวมศูนย์แบบกระจาย (Federated Learning: FL) สำหรับการพยากรณ์โหลดหลายเฟส (Phase A, B และ C) และการตรวจจับความผิดปกติแบบปรับตัว ด้วยเทคนิคการเรียนรู้เชิงลึก ได้แก่ โครงข่ายหน่วยความจำระยะยาว (Long Short-Term Memory: LSTM), โครงข่ายแบบเกตซ้ำ (Gated Recurrent Unit: GRU) และโครงข่ายถอดรหัสอัตโนมัติ (Autoencoder) การทดลองด้วยข้อมูลอนุกรมเวลาจริงเป็นเวลา 4 เดือน (ธันวาคม พ.ศ. 2567 – มีนาคม พ.ศ. 2568) พบว่าโมเดล FL ให้ค่าความคลาดเคลื่อนเฉลี่ยแบบสัมบูรณ์ (Mean Absolute Error: MAE) เท่ากับ 1.24A ใกล้เคียงกับโมเดลรวมศูนย์ที่มีค่า MAE 1.15A โดยเฟส B มีความผันผวนสูงสุดและตรวจพบความผิดปกติ 41 ครั้ง (54.7%) อีกทั้งพบค่าสหสัมพันธ์ระหว่างโหลดและอุณหภูมิ (r = +0.68) กราฟค่าการสูญเสียรวมลดลงภายใน 50 รอบการฝึก แสดงศักยภาพการเรียนรู้ของระบบ หลังใช้งานจริงพบว่าโหลดช่วงพีคลดลงเฉลี่ยร้อยละ 6.3 และเหตุการณ์ผิดปกติลดลงอย่างชัดเจน เพิ่มเสถียรภาพและลดการสูญเสียในระบบจ่ายไฟ งานวิจัยนี้ชี้ให้เห็นว่า FL เป็นแนวทางที่มีประสิทธิภาพ ปลอดภัย และส่งเสริมการประยุกต์ใช้ปัญญาประดิษฐ์ (Artificial Intelligence: AI) อย่างยั่งยืนในระบบสมาร์ทกริด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์เป็นของวารสารวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
เอกสารอ้างอิง
C. Briggs, Z. Fan and P. Andras, “Federated learning for short-term residential load forecasting,” arXiv preprint arXiv:2105.13325, May 2022.
A. Taïk and S. Cherkaoui, “Electrical load forecasting using edge computing and federated learning,” arXiv preprint arXiv:2201.11248, Jan. 2022.
J. Sievers and T. Blank, “Secure short-term load forecasting for smart grids with transformer-based federated learning,” arXiv preprint arXiv:2310.17477, Oct. 2023.
S. Bose and K. Kim, “Federated short-term load forecasting with personalization layers for heterogeneous clients (PL-FL),” arXiv preprint arXiv:2309.13194, Sep. 2023.
R. Rahman, N. Kumar and D. C. Nguyen, “Electrical load forecasting in smart grid: A personalized federated learning approach,” in Proc. IEEE Consumer Communications & Networking Conf. (CCNC), Las Vegas, NV, USA, Jan. 2025, pp. 1–6.
R. Rahman, P. Moriano, S. U. Khan and D. C. Nguyen, “Electrical load forecasting over multihop smart metering networks with federated learning,” arXiv preprint arXiv:2502.17226, Feb. 2025.
Z. Zhang, S. Rath, J. Xu and T. Xiao, “Federated learning for smart grid: A survey on applications and potential vulnerabilities,” arXiv preprint arXiv:2409.10764, May 2025.
A. Wallis, S. Hauke, H. Jörg and K. Ziegler, “Federated learning for distributed load forecasting: Addressing data imbalance in smart grids,” in Proc. ENERGY 2025 Conf., 2025, pp. 13–18.
M. Zhang, Y. Li, H. Wang, X. Chen and J. Wu, “Enhancing smart grid load forecasting: An attention-based deep learning approach,” Energy Reports, vol. 12, pp. 567–578, Mar. 2024.
Y. Liu, Z. Dong, B. Liu, Y. Xu and Z. Ding, “FedForecast: A federated learning framework for short-term individual load forecasting,” International Journal of Electrical Power & Energy Systems, vol. 148, p. 108964, Oct. 2023.
American National Standards Institute, ANSI C12.20-2010: American National Standard for Electricity Meters—0.1, 0.2, and 0.5 Accuracy Classes. Washington, DC, USA: ANSI, 2010.
Z. Tang, Y. Yan, D. Wu, T. Yang, R. Dong, S. Hao, W. Wang, Y. Chen and Y. Tian, “A survey of integrating federated learning with smart grids: Application prospect, privacy preserving and challenges analysis,” in Proc. Int. Conf. Big Data and Security (ICBDS), Singapore, Dec. 2022, pp. 227–240.
H. Chen, Y. Zhang, Z. Wang, J. Zhao, and X. Guan, “Federated online learning for adaptive load forecasting across dynamic smart grid environments,” International Journal of Electrical Power & Energy Systems, vol. 170, p. 109482, Feb. 2025.
