បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការគ្រប់គ្រងប្រសិទ្ធភាពថាមពល និងសុវត្ថិភាពទិន្នន័យនៅក្នុងបណ្តាញអគ្គិសនីឆ្លាតវៃ (Smart Grids) ដែលបណ្តាលមកពីការកើនឡើងនៃចំនួនឧបករណ៍ IoT និងតម្រូវការក្នុងការត្រួតពិនិត្យតាមពេលវេលាជាក់ស្តែង។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកនិពន្ធបានអនុវត្តការត្រួតពិនិត្យឯកសារស្រាវជ្រាវយ៉ាងទូលំទូលាយ (Comprehensive Literature Review) ដើម្បីវិភាគលើការប្រើប្រាស់បច្ចេកទេស AI និង Machine Learning ក្នុងការដោះស្រាយបញ្ហានៅក្នុង Smart Grids។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Neural Networks (ANNs) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ប្រើសម្រាប់ការដោះស្រាយបញ្ហាមិនលីនេអ៊ែរ និងការព្យាករណ៍) |
មានភាពត្រឹមត្រូវខ្ពស់ និងផ្តល់ភាពងាយស្រួលក្នុងការត្រួតពិនិត្យប៉ារ៉ាម៉ែត្រស្មុគស្មាញ។ | មានភាពស្មុគស្មាញក្នុងការរចនា និងទាមទារទិន្នន័យច្រើនដើម្បីបណ្តុះបណ្តាល (Training)។ | មានប្រសិទ្ធភាពខ្ពស់ក្នុងការប៉ាន់ប្រមាណការប្រើប្រាស់ថាមពល និងការព្យាករណ៍បន្ទុក (Load Forecasting)។ |
| Support Vector Machines (SVMs) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (ប្រើសម្រាប់ការបែងចែកចំណាត់ថ្នាក់ទិន្នន័យ និងសុវត្ថិភាព) |
មានភាពត្រឹមត្រូវខ្ពស់ក្នុងការបែងចែកទិន្នន័យ និងស័ក្តិសមសម្រាប់ប្រព័ន្ធរកឃើញការឈ្លានពាន (Intrusion Detection)។ | ល្បឿនដំណើរការអាចយឺត ហើយមានភាពស្មុគស្មាញនៅពេលធ្វើការជាមួយទិន្នន័យធំ។ | អាចបង្កើនអត្រាភាពត្រឹមត្រូវដល់ 94.44% ក្នុងការរកឃើញការវាយប្រហារលើបណ្តាញ (យោងតាមទិន្នន័យ UNSW-NB15)។ |
| Deep Reinforcement Learning (DRL) ការរៀនពង្រឹងកម្រិតជ្រៅ (ប្រើសម្រាប់ការសម្រេចចិត្តក្នុងស្ថានភាពមិនប្រាកដប្រជា) |
អាចដោះស្រាយភារកិច្ចដែលស្មុគស្មាញខ្លាំង និងធ្វើការសម្រេចចិត្តជាប្រព័ន្ធបានល្អ។ | ទាមទារធនធានកុំព្យូទ័រខ្លាំង និងស្មុគស្មាញខ្លាំងក្នុងការអនុវត្តជាក់ស្តែង។ | ជួយដោះស្រាយបញ្ហាការខ្ជះខ្ជាយថាមពល និងបង្កើនប្រសិទ្ធភាពថាមពលក្នុងរចនាសម្ព័ន្ធឆ្លាតវៃ។ |
| Genetic Algorithms (GA) ក្បួនដោះស្រាយហ្សេនេទិក (ប្រើសម្រាប់បញ្ហា Optimization) |
មានភាពត្រឹមត្រូវខ្ពស់ក្នុងការស្វែងរកដំណោះស្រាយល្អបំផុតសម្រាប់ការគ្រប់គ្រងបន្ទុក (Load Management)។ | មានល្បឿនយឺតក្នុងការដំណើរការបើធៀបនឹងវិធីសាស្ត្រផ្សេងទៀត។ | ប្រើប្រាស់សម្រាប់ការបង្កើនប្រសិទ្ធភាពនៃការប្រើប្រាស់ថាមពល និងការពេញចិត្តរបស់អ្នកប្រើប្រាស់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តបច្ចេកវិទ្យាទាំងនេះទាមទារការវិនិយោគលើហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញ និងសមត្ថភាពកុំព្យូទ័រខ្ពស់៖
ការសិក្សានេះគឺជាអត្ថបទពិនិត្យឡើងវិញ (Review Paper) ដែលប្រមូលផ្តុំទិន្នន័យពីឯកសារស្រាវជ្រាវអន្តរជាតិជាច្រើន ប៉ុន្តែភាគច្រើនផ្អែកលើបរិបទនៃប្រទេសដែលមានបច្ចេកវិទ្យាជឿនលឿន (ដូចជាអឺរ៉ុប ឬអាមេរិក)។ សម្រាប់កម្ពុជា ការអនុវត្តអាចជួបប្រទះបញ្ហាដោយសារកង្វះទិន្នន័យប្រវត្តិសាស្ត្រនៃបណ្តាញអគ្គិសនី និងហេដ្ឋារចនាសម្ព័ន្ធអ៊ីនធឺណិតនៅតំបន់ដាច់ស្រយាលនៅមានកម្រិត។
វិធីសាស្ត្រដែលបានលើកឡើងមានសារៈសំខាន់ខ្លាំងសម្រាប់ការធ្វើទំនើបកម្មវិស័យថាមពលនៅកម្ពុជា ជាពិសេសក្នុងបរិបទដែលតម្រូវការអគ្គិសនីកើនឡើង។
ទោះបីជាការវិនិយោគលើ Hardware ដំបូងមានតម្លៃខ្ពស់ ប៉ុន្តែការចាប់ផ្តើមប្រើប្រាស់ AI លើទិន្នន័យដែលមានស្រាប់ គឺជាជំហានដំបូងដ៏មានប្រសិទ្ធភាពសម្រាប់កម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Smart Grid (SG) | ជាប្រព័ន្ធបណ្តាញអគ្គិសនីទំនើបដែលប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថលដើម្បីតាមដាន និងគ្រប់គ្រងការចែកចាយអគ្គិសនីពីអ្នកផលិតទៅអ្នកប្រើប្រាស់ដោយស្វ័យប្រវត្តិ។ វាអនុញ្ញាតឱ្យមានទំនាក់ទំនងទិន្នន័យពីរទិស (Two-way communication) ដើម្បីបង្កើនប្រសិទ្ធភាព និងភាពជឿជាក់។ | ដូចជាប្រព័ន្ធផ្លូវថ្នល់ដែលមានភ្លើងស្តុបឆ្លាតវៃចេះប្តូរពណ៌ដោយខ្លួនឯងដើម្បីកុំឱ្យស្ទះចរាចរណ៍ និងដឹងភ្លាមៗនៅពេលមានគ្រោះថ្នាក់។ |
| Demand Side Management (DSM) | ជាយុទ្ធសាស្ត្រដែលក្រុមហ៊ុនអគ្គិសនីប្រើដើម្បីជំរុញឱ្យអ្នកប្រើប្រាស់កែប្រែទម្លាប់នៃការប្រើប្រាស់ថាមពល ជាពិសេសការកាត់បន្ថយការប្រើប្រាស់នៅម៉ោងដែលមានតម្រូវការខ្ពស់ (Peak hours) ដើម្បីរក្សាស្ថេរភាពបណ្តាញ។ | ដូចជារោងកុនដែលលក់សំបុត្រថោកនៅពេលព្រឹក ដើម្បីទាក់ទាញមនុស្សឱ្យទៅមើលពេលនោះ កុំឱ្យកកកុញច្រើនពេកនៅពេលល្ងាច។ |
| Advanced Metering Infrastructure (AMI) | ជាប្រព័ន្ធនៃកុងទ័រភ្លើងឆ្លាតវៃ (Smart Meters) ដែលភ្ជាប់ជាមួយបណ្តាញទំនាក់ទំនង។ វាអនុញ្ញាតឱ្យក្រុមហ៊ុនអគ្គិសនីអានលេខកុងទ័រពីចម្ងាយ និងដឹងពីបញ្ហាដាច់ភ្លើងភ្លាមៗដោយមិនបាច់ចុះទៅមើលផ្ទាល់។ | ដូចជាការប្រើទូរស័ព្ទដៃដែលផ្ញើសារទិន្នន័យភ្លើងទៅក្រុមហ៊ុនភ្លាមៗ ជំនួសឱ្យការឱ្យបុគ្គលិកដើរកត់លេខកុងទ័រតាមផ្ទះ។ |
| Deep Reinforcement Learning (DRL) | ជាបច្ចេកទេសនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលបង្រៀនកុំព្យូទ័រឱ្យចេះសម្រេចចិត្តដោយខ្លួនឯងតាមរយៈការសាកល្បងខុស និងត្រូវ (Trial and Error)។ ប្រព័ន្ធនឹងរៀនពីលទ្ធផលដើម្បីកែលម្អការសម្រេចចិត្តនៅពេលក្រោយ។ | ដូចជាការបង្ហាត់សត្វឆ្កែដោយឱ្យចំណីនៅពេលវាធ្វើត្រូវ ដើម្បីឱ្យវាចាំថាត្រូវធ្វើបែបណានៅពេលក្រោយ។ |
| Phasor Measurement Unit (PMU) | ជាឧបករណ៍វាស់វែងដែលមានល្បឿនលឿនបំផុតសម្រាប់តាមដានសុខភាពនៃបណ្តាញអគ្គិសនី។ វាវាស់រលកអគ្គិសនីយ៉ាងលម្អិតដើម្បីការពារការដាច់ភ្លើងទ្រង់ទ្រាយធំ (Blackouts)។ | ដូចជាម៉ាស៊ីនវាស់ចង្វាក់បេះដូងសម្រាប់បណ្តាញអគ្គិសនី ដើម្បីដឹងថាវាដើរស្រួលឬអត់ក្នុងមួយវិនាទីៗ។ |
| Routing Protocol for Low-Power and Lossy Networks (RPL) | ជាវិធានការបញ្ជូនទិន្នន័យដែលបង្កើតឡើងសម្រាប់ឧបករណ៍ IoT តូចៗដែលមានថាមពលថ្មតិច និងកម្លាំងម៉ាស៊ីនខ្សោយ (ដូចជាកុងទ័រឆ្លាតវៃ) ដើម្បីឱ្យពួកវាអាចទាក់ទងគ្នាបានទោះបីជាបណ្តាញមិនសូវល្អក៏ដោយ។ | ដូចជាការលេងល្បែងខ្សឹបបន្តគ្នា ដោយប្រើសំឡេងតិចៗដើម្បីសន្សំកម្លាំង ប៉ុន្តែសារនៅតែទៅដល់គោលដៅ។ |
| Support Vector Machines (SVMs) | ជាក្បួនដោះស្រាយ Machine Learning ដែលប្រើដើម្បីបែងចែកទិន្នន័យជាក្រុមដាច់ពីគ្នា។ នៅក្នុងឯកសារនេះ វាត្រូវបានប្រើដើម្បីបែងចែករវាង "សកម្មភាពធម្មតា" និង "ការវាយប្រហារសាយប៊ឺ" នៅក្នុងបណ្តាញ។ | ដូចជាការគូសបន្ទាត់មួយនៅលើដី ដើម្បីបែងចែកផ្លែប៉ោមឱ្យនៅម្ខាង និងផ្លែក្រូចឱ្យនៅម្ខាងទៀតយ៉ាងច្បាស់លាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
