การพยากรณ์ความเร็วลมด้วยการเรียนรู้ของเครื่อง การเรียนรู้เชิงลึก และปัญญาประดิษฐ์แบบอธิบายได้: กรณีศึกษา จังหวัดภูเก็ต ประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์ความเร็วลมรายชั่วโมงในจังหวัดภูเก็ตเพื่อสนับสนุนการวางแผนการผลิตไฟฟ้าจากพลังงานลม โดยประยุกต์ใช้และเปรียบเทียบแบบจำลองการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกควบคู่กับเทคนิคปัญญาประดิษฐ์แบบอธิบายได้ ข้อมูลที่ใช้เป็นข้อมูลสภาพอากาศรายชั่วโมงย้อนหลังของเดือนมกราคม-ธันวาคม 2567 จำนวน 12 เดือน แบ่งเป็นชุดฝึกสอน 8 เดือน และชุดทดสอบ 4 เดือน ผลการทดลองพบว่าแบบจำลองการเรียนรู้ของเครื่อง (การถดถอยเชิงเส้น) มีค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์เท่ากับ 1.5679 ค่ารากที่สองของค่าคลาดเคลื่อนกำลังสองเฉลี่ยเท่ากับ 2.0739 และค่าสัมประสิทธิ์การตัดสินใจเท่ากับ 0.8113 ขณะที่แบบจำลองการเรียนรู้เชิงลึกให้ค่าสัมประสิทธิ์การตัดสินใจอยู่ในช่วง 0.2581–0.5760 ในส่วนของการวิเคราะห์ด้วยเทคนิคปัญญาประดิษฐ์แบบอธิบายได้ชี้ให้เห็นว่าความเร็วลมย้อนหลังระยะสั้นและตัวแปรด้านเวลาเป็นปัจจัยสำคัญที่สุดที่ส่งผลต่อความเร็วลม ซึ่งสะท้อนรูปแบบลมรายวันของพื้นที่ชายฝั่ง ผลการวิจัยยืนยันว่าแบบจำลองการเรียนรู้ของเครื่อง (การถดถอยเชิงเส้น)มีความเหมาะสมในการใช้พยากรณ์ความเร็วลมทั้งด้านความแม่นยำและความสามารถในการอธิบายผลลัพธ์ ผลการพยากรณ์ความเร็วลมที่ได้จากแบบจำลองนี้สามารถนำไปประยุกต์ใช้ในการวางแผนบริหารจัดการพลังงานลมและเสถียรภาพของระบบการผลิตไฟฟ้าจากพลังงานลมได้อย่างมีประสิทธิภาพ
Article Details
เอกสารอ้างอิง
Ackermann, T. (2012). Wind power in power systems. Wiley.
Ahmad, T., Zhang, D., and Huang, C. (2021). Wind speed prediction using machine learning techniques. Energy Reports, 7, 576–586.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Dawan, P., Sriprapha, K., Kittisontirak, S., Boonraksa, T., Junhuathon, N., Titiroongruang, W., and Niemcharoen, S. (2020). Comparison of power output forecasting on the photovoltaic system using adaptive neuro-fuzzy inference systems and particle swarm optimization–artificial neural network model. Energies, 13(2), 1-18.
Department of Alternative Energy Development and Efficiency. (2024). Thailand renewable energy outlook 2024. Department of Alternative Energy Development and Efficiency.
Electricity Generating Authority of Thailand. (2024). Power development plan 2567–2580 (PDP 2024). Electricity Generating Authority of Thailand.
Friedman, J. H. (2001). Greedy function approximation: A gradient boosting machine. The Annals of Statistics, 29(5), 1189–1232.
Global Wind Energy Council. (2024). Global wind report 2024. GWEC.
Hochreiter, S., and Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780.
Hong, Y., Zhou, Z., andamp; Zhao, J. (2023). Can we trust explainable AI in wind power
forecasting? Energy and AI, 12, 100241.
Hyndman, R. J., and Athanasopoulos, G. (2021). Forecasting: Principles and practice. 3rd ed. OTexts.
International Energy Agency. (2023). Net zero by 2050: A roadmap for the global energy sector. International Energy Agency.
Khortsriwong, N., Boonraksa, P., Boonraksa, T., Fangsuwannarak, T., Boonsrirat, A., Pinthurat, W., and Marungsri, B. (2023). Performance of deep learning techniques for forecasting PV power generation: A case study on a 1.5 MWp floating PV power plant. Energies, https://doi.org/10.3390/en16052119
Khortsriwong, N., Boonraksa, P., Boonraksa, T., Fangsuwannarak, T., Boonsrirat, A., Pinthurat, W., and Marungsri, B. (2023). Performance of deep learning techniques for forecasting PV power generation: A case study on a 1.5 MWp floating PV power plant. Energies, 16(5), 2119. https://doi.org/10.3390/en16052119
Li, G., and Shi, J. (2010). Application of forecasting methods in wind power integration. Renewable Energy, 35(12), 2850–2859.
Li, X., Chen, Y., and Sun, W. (2023). Short-term wind speed forecasting using optimized BiLSTM networks. Applied Energy, 334, 120653.
Lundberg, S. M., and Lee, S. I. (2017). A unified approach to interpreting model predictions. In Advances in neural information processing systems, pp. 4765–4774.
Sankari, S., Paramasivan, S. K., Arockiasamy, K., andamp; Senthivel, S. (2023). Deep learning for wind speed forecasting using Bi-LSTM with selected features. Intelligent Automation andamp; Soft Computing, 35(3), 3829–3844. https://doi.org/10.32604/iasc.2023.030480
Shapley, L. S. (1953). A value for n-person games. In H. W. Kuhn and A. W. Tucker (Eds.), Contributions to the theory of games. Princeton University Press.
United Nations. (2015). Paris agreement. United Nations Treaty Series, 3156, 79.
Wang, Q., Li, K., and Liu, S. (2022). Short-term wind speed prediction using PCA and LSTM. Energy Conversion and Management, 254, 115256.
Zhang, Y., Liu, H., and Wang, J. (2024). Interpretable short-term wind speed forecasting using LSTM and SHAP. Energy, 286, 128640.
