แบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง
คำสำคัญ:
การพยากรณ์, พลังงานแสงอาทิตย์บนทุ่นลอยน้ำ, หน่วยความจำระยะสั้นแบบยาว, เอ็กซ์ตรีมเกรเดียนต์บูสติ้ง, วิธีการพยากรณ์แบบผสมบทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ (1) ศึกษาวิธีการและสร้างแบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง และ (2) ประเมินประสิทธิภาพของแบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง วิธีการวิจัยดำเนินตามกระบวนการเรียนรู้เชิงลึก (Deep Learning) ซึ่งประกอบด้วย 3 ขั้นตอนหลัก ดังนี้ ขั้นตอนแรก เก็บรวบรวมข้อมูลการผลิตพลังงานไฟฟ้าและข้อมูลจากเซนเซอร์ของโรงไฟฟ้าพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ ขนาดกำลังการผลิต 45 เมกะวัตต์ ในช่วงเดือนกุมภาพันธ์ ถึง ตุลาคม พ.ศ. 2566 จำนวน 6,511 ระเบียน และ 11 คุณลักษณะ ขั้นตอนที่สอง การคัดเลือกคุณลักษณะและการจำแนกประเภท โดยประยุกต์ใช้วิธีการแบบผสมผสานด้วยอัลกอริทึมการเรียนรู้เชิงลึก 2 อัลกอริทึม ได้แก่ 1) หน่วยความจำระยะสั้นแบบยาว (LSTM) สำหรับการจดจำข้อมูลในระยะยาวตามอนุกรมเวลา และ 2) เอ็กซ์ตรีมเกรเดียนต์บูสติ้ง (XGBoost) สำหรับการเรียนรู้จากชุดข้อมูลที่ไม่แน่นอนและการพยากรณ์ที่มีประสิทธิภาพสูง และขั้นตอนที่สาม การประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด ได้แก่ การวัดค่าเฉลี่ยของผลต่างสัมบูรณ์ (MAE) ค่าเฉลี่ยความผิดพลาดกำลังสอง (MSE) และรากที่สองของค่าเฉลี่ยความผิดพลาดกําลังสอง (RMSE) สำหรับค่าผลลัพธ์ที่ได้จากแบบจำลองการพยากรณ์ ได้ค่า MAE เฉลี่ย 0.0577, MSE เฉลี่ย 0.0143 และ RMSE เฉลี่ย 0.1196 ซึ่งแสดงถึงค่าที่เหมาะสมในสถานการณ์จริง
เอกสารอ้างอิง
กรมพัฒนาพลังงานทดแทนและอนุรักษ์พลังงาน กระทรวงพลังงาน. (ม.ป.ป.). การจัดการก๊าซเรือนกระจก. เข้าถึงได้จากhttps://www.dede.go.th/articles?id=191
เกศินี ซ่อนกลิ่น. (2566). แบบจำลองการพยากรณ์ราคาอนุพันธ์โดยใช้เทคนิคโครงข่ายประสาทเทียมแบบสังวัตนาการ 1 มิติ หน่วยความจำระยะสั้นแบบยาวและซัพพอร์ตเวกตอร์รีเกรสชัน. (วิทยานิพนธ์วิทยาศาสตร์มหาบัณฑิต). กรุงเทพฯ: สถาบันเทคโนโลยีไทย-ญี่ปุ่น.
ภาณุพงศ์ น้ำแก้ว. (2563). การพยากรณ์กำลังไฟฟ้าของระบบเซลล์แสงอาทิตย์แบบติดตั้งอุปกรณ์วัด ด้วยโครงข่าย
ประสาทเทียม. (วิทยานิพนธ์วิศวกรรมศาสตรมหาบัณฑิต). กรุงเทพฯ: จุฬาลงกรณ์มหาวิทยาลัย
วฤษาย์ ร่มสายหยุด. (2566). การเรียนรู้ของเครื่องสำหรับการวิเคราะห์ข้อมูลเชิงทำนายและการประยุกต์. นนทบุรี: มหาวิทยาลัยสุโขทัยธรรมาธิราช
ศรีรักษ์ ศรีทองชัย. (2565). แบบจำลองการพยากรณ์ค่า PM2.5 โดยใช้โครงข่ายประสาทเทียมแบบ LSTM ในพื้นที่กรุงเทพมหานคร. Journal of Engineering and Digital Technology (JEDT), 10(1), 1-9.
สรวุฒิ จิตตานนท์ และจักรกฤษ เติมฤทธิกุล. (2566). การพยากรณ์การใช้พลังงานภายในอาคาร SGtech อย่างชาญฉลาดด้วยการเรียนรู้เชิงลึก. (วิทยานิพนธ์วิทยาศาสตรมหาบัณฑิต). พิษณุโลก: มหาวิทยาลัยนเรศวร.
สำนักนโยบายและแผนพลังงาน กระทรวงพลังงาน. (2561). แผนพัฒนากำลังผลิตไฟฟ้าของประเทศ (Power Development Plan : PDP). เข้าถึงได้จาก https://www.eppo.go.th/index.php/th/electricity/pdp
อุรชา จันทรภา. (2564). การพยากรณ์มูลค่าการส่งออกรถยนต์ อุปกรณ์ และส่วนประกอบของประเทศไทย. (วิทยานิพนธ์วิศวกรรมศาสตรมหาบัณฑิต). กรุงเทพฯ: จุฬาลงกรณ์มหาวิทยาลัย
Berberich, D. (2020). Hybrid Methods for Time Series Forecasting. Retrieved from https://www.inovex.de/de/blog/hybrid-time-series-forecasting/
Cazzaniga, R., & Rosa-Clot, M. (2021). The booming of floating PV. Solar Energy, 219, 3–10.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
Foster, J., Liu, X., & McLoone, S. (2017). Adaptive sliding window load forecasting. 2017 28th Irish Signals and Systems Conference (ISSC), 1–6.
Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735–1780.
Jebli, I., Belouadha, F.-Z., Kabbaj, M. I., & Tilioua, A. (2021). Deep Learning based Models for Solar Energy Prediction. Advances in Science, Technology and Engineering Systems Journal, 6(1), 349–355.
Li, C., Chen, Z., Liu, J., Li, D., Gao, X., Di, F., Li, L., & Ji, X. (2019). Power Load Forecasting Based on the Combined Model of LSTM and XGBoost. Proceedings of the 2019 the International Conference on Pattern Recognition and Artificial Intelligence, 46–51.
Lim, S.-C., Huh, J.-H., Hong, S.-H., Park, C.-Y., & Kim, J.-C. (2022). Solar Power Forecasting Using CNN-LSTM Hybrid Model. Energies, 15(21), 8233.
Liu, C.-H., Gu, J.-C., & Yang, M.-T. (2021). A Simplified LSTM Neural Networks for One Day-Ahead Solar Power Forecasting. IEEE Access, 9, 17174–17195.
Obiora, C. N., Ali, A., & Hasan, A. N. (2021). Implementing Extreme Gradient Boosting (XGBoost) Algorithm in Predicting Solar Irradiance. 2021 IEEE PES/IAS PowerAfrica, 1–5.
Obiora, C. N., Ali, A., & Hasan, A. N. (2022). Efficient Method of Finding the Best Time Interval for Predicting Short Term Solar Radiation Using CNN-LSTM Model. 2022 11th International Conference on Power Science and Engineering (ICPSE), 159–163.
Saxena, S. (2021, March 16). What is LSTM? Introduction to Long Short-Term Memory. Retrieved from https://www.analyticsvidhya.com/blog/2021/03/introduction-to-long-short-term-memory-lstm/
World Bank Group. (2018, OCTOBER 30). Where Sun Meets Water: Floating Solar Market Report. Retrieved from https://www.worldbank.org/en/topic/energy/publication/where-sun-meets-water
Ye, H., Yang, B., Han, Y., & Chen, N. (2022). State-Of-The-Art Solar Energy Forecasting Approaches: Critical Potentials and Challenges. Frontiers in Energy Research, 10, 875790.
