การประยุกต์ใช้โครงข่ายประสาทเทียมและระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ ในระบบไฟฟ้ากำลัง
คำสำคัญ:
โครงข่ายประสาทเทียม ระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ ประเมินเสถียรภาพชั่วครู่, ประเมินความน่าเชื่อถือของระบบผลิตไฟฟ้า, การพยากรณ์โหลดระยะปานกลางบทคัดย่อ
บทความนี้นำเสนอการประยุกต์ใช้โครงข่ายประสาทเทียมและระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้สำหรับระบบไฟฟ้ากำลัง ซึ่งมีความสำคัญในการทำงานวิจัยด้านไฟฟ้ากำลัง เพื่อเพิ่มประสิทธิภาพและทดสอบความเที่ยงตรงของโปรแกรมและฮาร์ดแวร์ในระบบไฟฟ้ากำลัง ซึ่งผลที่ได้สามารถนำไปใช้ในการวิเคราะห์ความถูกต้องและใช้ประโยชน์ในทางพาณิชย์ได้ต่อไป โดยในบทความนี้ จะนำเสนอตัวอย่างการประยุกต์ใช้อยู่ 4 ตัวอย่าง โดยที่ตัวอย่างแรก คือ การประเมินเสถียรภาพชั่วครู่ ด้วยระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ ซึ่งพยากรณ์ค่าเวลาตัดกระแสวิกฤติโดยระบบนี้จะคํานึงถึงพารามิเตอร์ที่สําคัญต่าง ๆ ของเครื่องกําเนิดไฟฟ้าซิงโครนัส รวมถึงระบบควบคุมกังหัน เชื้อเพลิงและความถี่ ระบบควบคุมแรงดันอัตโนมัติ และคุณลักษณะเฉพาะของโหลด โดยผลการทดสอบมีค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสองเท่ากับ 0.041 ตัวอย่างที่สอง คือ การคำนวณดัชนีความน่าเชื่อถือของระบบการผลิตไฟฟ้าด้วยโครงข่ายประสาทเทียมและระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้โดยเรียนรู้ความสัมพันธ์ของกำลังการผลิตไฟฟ้าที่ติดตั้ง พยากรณ์ดัชนีการไม่สามารถจ่ายพลังงานตามที่คาดไว้ โดยประสิทธิภาพมีค่าเปอร์เซ็นต์ผิดพลาดเฉลี่ยสัมบูรณ์ของผลทดสอบเท่ากับ 3.5219% และ 4.0133% ตามลำดับ สำหรับตัวอย่างที่สามก็คือ การประเมินคุณภาพระบบไฟฟ้ากำลัง โดยนำความเชื่อถือได้ทางไฟฟ้า และคุณภาพไฟฟ้าของระบบจำหน่ายมาวิเคราะห์ร่วมกัน ด้วยโครงข่ายประสาทเทียมและระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ โดยกำหนดให้ดัชนีความเชื่อถือได้ทางไฟฟ้าเป็นอินพุต และดัชนีคุณภาพไฟฟ้าเป็นเอาท์พุตของระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ ซึ่งดัชนีคุณภาพไฟฟ้าที่เลือกใช้คือ SARFI70 SARFI90 และ SARFI110 ซึ่งเป็นจำนวนครั้งเฉลี่ยที่เกิดแรงดันไฟฟ้าตก และแรงดันไฟฟ้าเกินตามลำดับเพื่อใช้สำหรับประเมินคุณภาพระบบไฟฟ้ากำลัง ผลการทดลองสามารถวัดความแม่นยำด้วยค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสองมีค่าเท่ากับ 0.0202 และ 0.0038 ตามลำดับ และตัวอย่างสุดท้ายก็จะเป็นการพยากรณ์โหลดระยะกลางโดยใช้โครงข่ายประสาทเทียมและ ระบบอนุมานฟัซซี่
โครงข่ายปรับตัวได้ การพยากรณ์ล่วงหน้าหนึ่งเดือนด้วยข้อมูลอินพุตเพียง 6 ชุด ประกอบด้วยประวัติกำลังไฟฟ้าสูงสุด (ค่าเฉลี่ยเคลื่อนที่ 12 เดือน 9 เดือน 6 เดือนและ 3 เดือน) รหัสเดือนและผลิตภัณฑ์มวลรวมในประเทศรายไตรมาส (QGDP) โดยทดสอบด้วยโครงข่ายประสาทเทียม 2 3 และ 4 ชั้นซ่อนและนำผลที่ดีที่สุดเปรียบเทียบกับการพยากรณ์ด้วยระบบอนุมานฟัซซี่โครงข่ายปรับตัวได้ ผลการทดสอบทั้งสองตัวแบบมีค่าเปอร์เซ็นต์ผิดพลาดเฉลี่ยสัมบูรณ์เท่ากับ 1.1527% และ 3.8739% ตามลำดับ จากประเมินการวิจัยดังกล่าวข้างต้นพบว่า ผลการทดลองมีความแม่นยำค่อนข้างสูงและมีความน่าเชื่อถือ ซึ่งสามารถใช้เป็นแนวทางในการพัฒนาและประยุกต์ใช้สำหรับระบบไฟฟ้ากำลังในส่วนอื่น ๆ ต่อไป
References
Jang, J.-S. R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23(3), 665-685. doi: 10.1109/21.256541.
Jiriwibhakorn, S. (2011). Applications of neural networks in power system. Bangkok: Faculty of Engineering King Mongkut’s Institute of Technology Ladkrabang. (in Thai)
Jiriwibhakorn, S. (2022). Forecasting machines in power systems. Bangkok: Faculty of Engineering King Mongkut’s Institute of Technology Ladkrabang. (in Thai)
Kanas, T., & Phechrphakdee, C. (2022). Tunnel ventilator for electricity production for meat chicken broiler house. EAU Heritage Journal Science and Technology, 16(1), 154–161. Retrieved from https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/254087. (in Thai)
Katruksa, S. (2013). Facility energy sage modeling and medium term load forecasting with artificial Neural Networks And Adaptive Neuro-Fuzzy Inference Systems: An exploratory Study (Master’s thesis). King Mongkut’s Institute of Technology Ladkrabang. Thailand. (in Thai)
Katruksa, S. (2020). Mid-Term Load Forecasting based on Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems: An exploratory study (Doctoral dissertation). King Mongkut’s Institute of Technology Ladkrabang. Thailand. (in Thai)
Katruksa, S., & Jiriwibhakorn, S. (2015). Facility energy usage modeling and medium term load forecasting with Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems. Kasetsart Engineering Journal, 28(91), 61-69. (in Thai)
Katruksa, S., & Jiriwibhakorn, S. (2019). Application data for electricity load forecasting models. The 5th International Conference on Engineering, Applied Sciences and Technology (pp. 450-453). Luang Prabang, Laos PDR. doi: 10.1109/ICEAST.2019.8802527
Katruksa, S., & Jiriwibhakorn, S. (2020). Evaluation of mid-term load forecasting case study based on Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Networks (ANNs). International Review of Electrical Engineering (I.R.E.E.), 15(4), 283-293. https://doi.org/10.15866/iree.v15i4.17766
Meesut, P. (2009). Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference Systems. Management Information Systems. Bangkok: King Mongkut’s University of Technology North Bangkok. (in Thai)
Phootrakornchai, W., & Jiriwibhakorn, S. (2015). Online critical clearing time estimation using an adaptive neuro-fuzzy inference system (ANFIS). International Journal of Electrical Power and Energy Systems, 73, 170-181. https://doi.org/10.1016/j.ijepes.2015.03.024
Seangsai, A. (2013). Power system quality evaluation using Adaptive Neuro-Fuzzy Inference Systems: An exploratory Study (Master’s thesis). King Mongkut’s Institute of Technology Ladkrabang. Thailand. (in Thai)
The MathWorks Inc. (2023). Molor C. MATLAB & Simulink Release 2023a. Retrieved from https://www.mathworks.com/products/new_products/latest_features.html
Wannakam, K., & Jiriwibhakorn, S. (2018). Evaluation of generation system reliability using Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Networks (ANNs). International Review of Electrical Engineering (I.R.E.E.), 13(3), 204-212. https://doi.org/10.15866/iree.v13i3.13534
