Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/84488
| Title: | การทำนายการผลิตพลังงานไฟฟ้าจากเซลล์แสงอาทิตย์ด้วยการเรียนรู้ของเครื่อง |
| Other Titles: | Prediction of solar cell energy production using machine learning |
| Authors: | ภูมิพัฒน์ หงส์ธนากรหิรัญ |
| Advisors: | ลัญฉกร วุฒิสิทธิกุลกิจ วาทิต เบญจพลกุล |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Issue Date: | 2566 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | ในวิทยานิพนธ์ฉบับนี้ ผู้เขียนได้เสนอโมเดลการเรียนรู้ของเครื่องที่เกิดจากการผสานการทำนายร่วมกันระหว่างโมเดลที่ต่างชนิดกัน เพื่อปรับปรุงประสิทธิภาพการทำนายค่าพลังงานไฟฟ้าที่ผลิตได้จากเซลล์แสงอาทิตย์ให้มีความแม่นยำยิ่งขึ้น ในการศึกษาครั้งนี้ได้นำข้อมูลจากระบบฐานข้อมูลของโรงไฟฟ้าพลังงานแสงอาทิตย์ขนาด 5 เมกะวัตต์ ของการไฟฟ้าฝ่ายผลิตแห่งประเทศไทย (กฟผ.) ตั้งอยู่ที่ อ.ทับสะแก จ.ประจวบคีรีขันธ์ และข้อมูลสภาพอากาศย้อนหลังจากเว็บไซต์ Solcast และ OpenWeatherMap มาวิเคราะห์ความสัมพันธ์ เมื่อได้ตัวแปรที่ส่งผลกระทบต่อปริมาณการผลิตจึงนำข้อมูลย้อนหลังไปเรียนรู้ผ่านโมเดลการเรียนรู้ของเครื่องชนิดต่างๆ เพื่อนำผลการทำนายที่ได้มาเปรียบเทียบประสิทธิภาพการทำนายร่วมกับโมเดลที่เสนอโดยงานวิทยานิพนธ์ฉบับนี้ได้เสนอการทำนายร่วมกันโดยใช้โมเดลการวิเคราะห์การถดถอยเชิงเส้นและโมเดลแรนดอมฟอเรสต์ เพื่อเป็นการปรับปรุงประสิทธิภาพการทำนาย ผู้วิจัยได้เสนอการปรับจูนค่าไฮเปอร์พารามิเตอร์และเพิ่มโมเดลบูสท์ชนิดต่างๆ เพื่อเพิ่มประสิทธิภาพโมเดล เมื่อกระบวนการเรียนรู้เสร็จสิ้นนำโมเดลการเรียนรู้ที่ได้ไปทำนายข้อมูลชุดตรวจสอบและชุดทดสอบ จากนั้นจึงนำผลการทำนายที่ได้ไปประเมินประสิทธิภาพการทำนายโดยหาค่า MAE, RMSE และ R^2 ระหว่างค่าพลังงานไฟฟ้าที่ผลิตได้จริงกับผลที่ได้จากการทำนาย จากผลการทำนายพบว่าโมเดลการเรียนรู้ของเครื่องที่เสนอในการทดลองนี้ให้ประสิทธิภาพสูงที่สุดโดยมีค่า R^2 มากกว่า 94% ซึ่งแสดงถึงความสามารถในการทำนายที่ดี ซึ่งส่งผลให้การนำข้อมูลผลการทำนายที่ได้ไปวิเคราะห์แนวโน้มการผลิตเพื่อเพิ่มประสิทธิภาพในการจัดการพลังงานดียื่งขึ้น |
| Other Abstract: | In this thesis, the author proposed combining different machine-learning models to improve prediction performance. The author obtained solar power from the Electrical Generating Authority of Thailand 5 MW Solar Power Plant in Thap Sakae, Prachuap Khiri Khan. Weather information in this research was obtained from the Solcast and the OpenWeatherMap websites, which can get the data using latitude and longitude. First, check the data's correctness and cleanliness then find the correlation between input and target features. Next, creating and splitting the datasets of training, validating, and testing by 60, 20, and 20 percent, respectively. After that, we train the data with our proposed model, an ensemble of linear regression and random forest regressor models, and other machine-learning models. During training, tuning hyperparameters and boosting algorithms help reach higher performances. Next, try to train with the validation and test datasets. After finishing, evaluate the model by using evaluation metrics such as MAE, RMSE, and R^2. As a result, our proposed method can reach an R^2 score of over 94% which can help electricity managers manage electricity outflows to the main electrical infrastructure with the best performances. |
| Description: | วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2566 |
| Degree Name: | วิศวกรรมศาสตรมหาบัณฑิต |
| Degree Level: | ปริญญาโท |
| Degree Discipline: | วิศวกรรมไฟฟ้า |
| URI: | https://cuir.car.chula.ac.th/handle/123456789/84488 |
| Type: | Thesis |
| Appears in Collections: | FACULTY OF ENGINEERING - THESIS |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 6470045321.pdf | 5.62 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.