โมเดลทำนายโหลดไฟฟ้าแบบ Quantum-Inspired ที่ผสาน STL Decomposition และเทคนิค Clustering สำหรับการจัดการพลังงานอัจฉริยะ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอกรอบการวิเคราะห์และพยากรณ์โหลดไฟฟ้าแบบสามเฟส โดยใช้เทคนิค Quantum-Inspired Machine Learning ร่วมกับ STL Decomposition, K-Means Clustering และ Anomaly Detection ข้อมูลจริงเก็บจากอาคารเรียน ช่างอุตสาหกรรม มทร.ศรีวิชัย 151 วัน (ธันวาคม พ.ศ. 2567 – เมษายน พ.ศ. 2568) ผลการวิเคราะห์พบว่า Phase B มีค่าเฉลี่ยสูงสุด 13.40A ขณะที่ Phase A = 6.02A และ Phase C = 7.62A สะท้อนปัญหา Phase unbalance โดย A-B มีความต่างเฉลี่ย 7.38A และ Max Differential 17.9A STL Decomposition ชี้แนวโน้ม Phase B เพิ่มจาก 7.0A (ธันวาคม พ.ศ. 2567) 21.5A (มีนาคม พ.ศ. 2568) และมี Residual เกิน ±5A หลายครั้งสะท้อนถึงสภาวะโหลดชั่วขณะ Anomaly Detection (Z-Score + Isolation Forest) พบ 17 จุดผิดปกติ โดยวันที่ 12 มีนาคม พ.ศ. 2568 สูงสุด 36.0A K-Means (k=3) จัดกลุ่มโหลดเป็น ต่ำ ~7.1A, ปานกลาง ~13.7A และ สูง ~19.3A ซึ่งเป็นข้อมูลสำคัญต่อการวางแผนจัดการพลังงานในอาคารอย่างมีประสิทธิภาพ
Article Details
เอกสารอ้างอิง
Ji X, Huang H, Chen D, Yin K, Zuo Y, Chen Z, Bai R. A hybrid residential short-term load forecasting method using attention mechanism and deep learning. Buildings. 2023;13(1):72. doi: 10.3390/buildings13010072
El Khantach A, Hamlich M, Belbounaguia N. Short-term load forecasting using machine learning and periodicity decomposition. AIMS Energy. 2019;7(3):382–394. doi: 10.3934/energy.2019.3.382
Farsi B, Amayri M, Bouguila N, Eicker U. On short-term load forecasting using machine learning techniques and a novel parallel deep LSTM-CNN approach. IEEE Access. 2021;9:31191–31202. doi: 10.1109/ACCESS.2021.3060705
Jiang Y, Liu Q, Li X. A data decomposition and attention mechanism-based hybrid approach for load forecasting. Complex & Intelligent Systems. 2024;10:1379–1394. doi: 10.1007/s40747-023-01995-1
Ahmed A, Awan A, Shah S, Hussain S. Load forecasting with machine learning and deep learning methods. Applied Sciences. 2023;13(13):7933. doi: 10.3390/app13137933
Lin Y, Zhang Z, Wang P. Forecasting very short-term power load with hybrid interpretable models. Engineering Applications of Artificial Intelligence. 2025;135:106746. doi: 10.1016/j.engappai.2025.106746
Patel H, Mehta P, Kumar V. Application of machine learning with gradient descent method for FF-DNN-based short-term load forecasting. J Electr Syst Inf Technol. 2025;12(1):46. doi: 10.1186/s43067-025-00246-5
Zhang J, Wang J, Li X. ES-dRNN: A hybrid exponential smoothing and dilated recurrent neural network model for short-term load forecasting. arXiv preprint arXiv:2112.02663. 2021. Available from: https://arxiv.org/abs/2112.02663.
Zhou H, Li T, Peng H. Non-intrusive load decomposition based on CNN-LSTM hybrid deep learning model. Energy Reports. 2021;7:5762–5771. doi: 10.1016/j.egyr.2021.09.044
Xiong T, Li C, Bao Y. Forecasting model combining STL decomposition and extreme learning machine for time series prediction. Neurocomputing. 2018;277:483–494. doi:10.1016/j.neucom.2017.11.053
