បញ្ហា (The Problem)៖ ឯកសារនេះពិនិត្យឡើងវិញអំពីការអនុវត្ត ឱកាស និងបញ្ហាប្រឈមនៃការប្រើប្រាស់វិធីសាស្ត្ររៀនម៉ាស៊ីន (Machine Learning) និងវិធីសាស្ត្រផ្អែកលើទិន្នន័យ (Data-Driven Methods) សម្រាប់ការវិភាគបែបព្យាករណ៍នៅក្នុងប្រព័ន្ធថាមពលទំនើប ជាពិសេសក្នុងដំណាក់កាលផ្លាស់ប្តូរទៅជាបណ្តាញអគ្គិសនីឆ្លាតវៃ (Smart Grids)។
វិធីសាស្ត្រ (The Methodology)៖ អត្ថបទរំលឹកនេះធ្វើការវិភាគអក្សរសិល្ប៍យ៉ាងទូលំទូលាយ និងប្រើប្រាស់ការគូសផែនទីបណ្តាញគន្ថនិទ្ទេស (Bibliometric network mapping) ដើម្បីវាយតម្លៃស្ថានភាពបច្ចុប្បន្ន និងនិន្នាការនៃការវិភាគបែបព្យាករណ៍នៅក្នុងប្រព័ន្ធថាមពល។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Traditional Analytical and Statistical Methods វិធីសាស្ត្រវិភាគ និងស្ថិតិបែបប្រពៃណី |
មានភាពងាយស្រួលក្នុងការបកស្រាយ (Interpretability) និងមានការប្រើប្រាស់យ៉ាងទូលំទូលាយតាំងពីយូរលង់ណាស់មកហើយសម្រាប់ការធ្វើផែនការថាមពល។ | ត្រូវការពេលវេលាយូរក្នុងការវិភាគ និងមិនអាចដោះស្រាយទិន្នន័យធំ (Big Data) ក្នុងពេលវេលាជាក់ស្តែង (Real-time) បានប្រកបដោយប្រសិទ្ធភាពនោះទេ។ | ត្រូវជំនួសបន្តិចម្តងៗដោយម៉ូដែល AI ដោយសារវាខ្វះភាពបត់បែនក្នុងការទស្សន៍ទាយបម្រែបម្រួលថាមពលកកើតឡើងវិញ។ |
| Artificial Neural Networks (ANNs) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត |
មានសមត្ថភាពខ្ពស់ក្នុងការរៀនពីទិន្នន័យឆៅស្មុគស្មាញ និងផ្តល់លទ្ធផលយ៉ាងត្រឹមត្រូវសម្រាប់ការទស្សន៍ទាយបន្ទុកអគ្គិសនីរយៈពេលខ្លី (Short-term load forecasting)។ | ទាមទារទិន្នន័យហ្វឹកហាត់ (Training data) ច្រើនសន្ធឹកសន្ធាប់ និងមានលក្ខណៈជាប្រអប់ខ្មៅ (Black box) ដែលពិបាកពន្យល់ពីមូលហេតុនៃលទ្ធផលទស្សន៍ទាយ។ | ផ្តល់នូវភាពត្រឹមត្រូវខ្ពស់ក្នុងការទស្សន៍ទាយតម្រូវការបន្ទុកអគ្គិសនី និងការគ្រប់គ្រងថាមពលទូទាំងបណ្តាញ។ |
| Support Vector Machines (SVMs) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVMs) |
មានប្រសិទ្ធភាពក្នុងការចាត់ថ្នាក់ទិន្នន័យ ពិសេសសម្រាប់ការរកឃើញកំហុស និងការធ្វើរោគវិនិច្ឆ័យ (Fault detection and diagnosis) នៅក្នុងប្រព័ន្ធថាមពល។ | អាចជួបប្រទះការលំបាកនៅពេលទំហំទិន្នន័យកើនឡើងខ្លាំងពេក ប្រសិនបើមិនមានការជ្រើសរើសលក្ខណៈពិសេស (Feature selection) បានល្អ។ | ត្រូវបានអនុវត្តយ៉ាងជោគជ័យក្នុងការរកឃើញទីតាំង និងប្រភេទនៃភាពរអាក់រអួលក្នុងបណ្តាញអគ្គិសនីប្រកបដោយភាពច្បាស់លាស់។ |
| Reinforcement Learning (RL) ការរៀនម៉ាស៊ីនបែបពង្រឹងកម្លាំង |
ស័ក្តិសមបំផុតសម្រាប់ការបង្កើនប្រសិទ្ធភាព និងគ្រប់គ្រងប្រតិបត្តិការប្រព័ន្ធថាមពលដោយស្វ័យប្រវត្តិ (Automation) នៅក្នុងបណ្តាញអគ្គិសនីឆ្លាតវៃ។ | ការរចនាម៉ូដែលនិងការសាកល្បងអាចមានភាពស្មុគស្មាញ និងទាមទារប្រព័ន្ធក្លែងធ្វើ (Simulation environments) កម្រិតខ្ពស់។ | អាចធ្វើការសម្រេចចិត្តដ៏ល្អបំផុតសម្រាប់ការគ្រប់គ្រងតម្រូវការ (Demand Response) និងការបញ្ចេញបញ្ចូលថាមពលទៅក្នុងបណ្តាញ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់ពីតួលេខនៃការចំណាយជាក់លាក់ ប៉ុន្តែវាបានសង្កត់ធ្ងន់យ៉ាងខ្លាំងទៅលើតម្រូវការទិន្នន័យធំ និងហេដ្ឋារចនាសម្ព័ន្ធកុំព្យូទ័រកម្រិតខ្ពស់។
អត្ថបទរំលឹកនេះធ្វើការប្រមូលផ្តុំការសិក្សាពីជុំវិញពិភពលោក ដែលភាគច្រើនជាទិន្នន័យបានមកពីបណ្តាប្រទេសអភិវឌ្ឍន៍ ដែលមានប្រព័ន្ធបណ្តាញអគ្គិសនីឆ្លាតវៃ (Smart Grids) រួចជាស្រេច។ សម្រាប់ប្រទេសកម្ពុជា ដែលបណ្តាញអគ្គិសនីកំពុងស្ថិតក្នុងការអភិវឌ្ឍ ការខ្វះខាតទិន្នន័យប្រវត្តិសាស្រ្តស្តង់ដារ (Standardized historical data) អាចជាឧបសគ្គធំក្នុងការយកម៉ូដែលទាំងនេះមកប្រើប្រាស់ផ្ទាល់ដោយមិនមានការកែសម្រួល។
វិធីសាស្ត្ររៀនម៉ាស៊ីនសម្រាប់ការវិភាគប្រព័ន្ធថាមពលនេះ មានសក្តានុពលយ៉ាងធំធេងសម្រាប់ជួយដល់ការអភិវឌ្ឍវិស័យអគ្គិសនីនៅកម្ពុជានាពេលអនាគត។
ការបោះជំហានឆ្ពោះទៅរកការប្រើប្រាស់បច្ចេកវិទ្យា Data-Driven នឹងជួយឱ្យកម្ពុជាអាចពង្រឹងសន្តិសុខថាមពល កាត់បន្ថយការបាត់បង់ថាមពលក្នុងបណ្តាញ និងលើកកម្ពស់ការប្រើប្រាស់ថាមពលកកើតឡើងវិញប្រកបដោយចីរភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Smart Grids | បណ្តាញអគ្គិសនីឆ្លាតវៃដែលប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថល ដើម្បីអនុញ្ញាតឱ្យមានទំនាក់ទំនងទិន្នន័យទៅមក (Two-way communication) រវាងក្រុមហ៊ុនផ្គត់ផ្គង់ និងអ្នកប្រើប្រាស់ ដែលជួយឱ្យការចែកចាយអគ្គិសនីមានប្រសិទ្ធភាព និងអាចរួមបញ្ចូលថាមពលកកើតឡើងវិញបានយ៉ាងរលូន។ | ដូចជាប្រព័ន្ធចរាចរណ៍ឆ្លាតវៃដែលអាចប្តូរភ្លើងស្តុបដោយស្វ័យប្រវត្តិទៅតាមចំនួនឡានជាក់ស្តែង ដើម្បីកុំឱ្យស្ទះផ្លូវ ជំនួសឱ្យការប្រើម៉ោងកំណត់ទុកជាមុន។ |
| Internet of Energy (IoE) | ការតភ្ជាប់ឧបករណ៍អគ្គិសនី សេនស័រ និងប្រព័ន្ធផលិតថាមពលផ្សេងៗទៅកាន់បណ្តាញអ៊ីនធឺណិតតែមួយ ដើម្បីប្រមូលទិន្នន័យ រៀបចំការផលិត ដោះដូរ និងប្រើប្រាស់ថាមពលដោយស្វ័យប្រវត្តិប្រកបដោយប្រសិទ្ធភាពខ្ពស់។ | ដូចជាផ្ទះឆ្លាតវៃ (Smart Home) ដែលម៉ាស៊ីនត្រជាក់អាចបិទបើកដោយខ្លួនឯងនៅពេលវាដឹងថាមិនមានមនុស្សនៅ ប៉ុន្តែបច្ចេកវិទ្យានេះអនុវត្តក្នុងកម្រិតបណ្តាញអគ្គិសនីទូទាំងប្រទេស។ |
| Predictive Analytics | ការប្រើប្រាស់ទិន្នន័យចាស់ៗពីអតីតកាល រួមជាមួយក្បួនគណិតវិទ្យា និងបញ្ញាសិប្បនិម្មិត (AI) ដើម្បីស្វែងរកទម្រង់លាក់កំបាំង និងទស្សន៍ទាយពីអ្វីដែលអាចនឹងកើតឡើងនាពេលអនាគត ដូចជាបរិមាណអគ្គិសនីដែលតំបន់មួយនឹងត្រូវប្រើនៅថ្ងៃស្អែក។ | ដូចជាការព្យាករណ៍អាកាសធាតុ ដែលអ្នកជំនាញមើលលើទិន្នន័យពពក និងខ្យល់ពីម្សិលមិញ ដើម្បីទាយថាថ្ងៃស្អែកនឹងមានភ្លៀងធ្លាក់ឬអត់។ |
| Demand-Side Management (DSM) | យុទ្ធសាស្ត្រក្នុងការគ្រប់គ្រង និងផ្លាស់ប្តូរទម្លាប់នៃការប្រើប្រាស់អគ្គិសនីរបស់អតិថិជន (ឧទាហរណ៍៖ ការបញ្ចុះតម្លៃអគ្គិសនីនៅពេលយប់) ដើម្បីជៀសវាងការប្រើប្រាស់លើសកម្រិតនៅម៉ោងដែលមនុស្សប្រើច្រើនបំផុត (Peak hours) ដែលអាចបណ្តាលឱ្យដាច់ភ្លើង។ | ដូចជាការបញ្ចុះតម្លៃសំបុត្រកុននៅពេលព្រឹក ដើម្បីលើកទឹកចិត្តឱ្យមនុស្សកុំទៅមើលតែពេលល្ងាច ដែលធ្វើឱ្យរោងកុនចង្អៀតពេក។ |
| Distributed Energy Resources (DERs) | ប្រភពផលិត ឬផ្ទុកថាមពលខ្នាតតូចដែលនៅរាយប៉ាយតាមកន្លែងផ្សេងៗ (ដូចជា ផ្ទាំងសូឡានៅលើដំបូលផ្ទះ ម៉ាស៊ីនភ្លើងខ្នាតតូច ឬអាគុយផ្ទុកភ្លើង) ដែលអាចបញ្ចេញថាមពលចូលទៅក្នុងបណ្តាញអគ្គិសនីរួមវិញបាន។ | ដូចជាប្រជាជនម្នាក់ៗមានអណ្តូងទឹកផ្ទាល់ខ្លួននៅផ្ទះ ហើយអាចចែកចាយទឹកដែលសល់ទៅឱ្យអ្នកភូមិផ្សេងទៀតប្រើប្រាស់បាន ជំនួសឱ្យការរង់ចាំទឹកពីរោងចក្រផ្គត់ផ្គង់ទឹកតែមួយ។ |
| Artificial Neural Networks (ANNs) | ប្រព័ន្ធក្បួនគណិតវិទ្យាក្នុងកុំព្យូទ័រដែលត្រូវបានរចនាឡើងដោយយកគំរូតាមបណ្តាញសរសៃប្រសាទខួរក្បាលរបស់មនុស្ស ដើម្បីរៀនចំណាំទម្រង់ (Patterns) នៃទិន្នន័យស្មុគស្មាញ និងធ្វើការសម្រេចចិត្តឬទស្សន៍ទាយដោយស្វ័យប្រវត្តិ។ | ដូចជាកូនក្មេងដែលរៀនស្គាល់រូបសត្វឆ្មា ដោយសារឪពុកម្តាយធ្លាប់បង្ហាញរូបឆ្មាឱ្យមើលច្រើនដង រហូតដល់គេអាចចំណាំវាបានដោយខ្លួនឯងទោះបីជាឆ្មានោះមានពណ៌ផ្សេងក៏ដោយ។ |
| Prosumers | បុគ្គល ឬស្ថាប័ន ដែលមិនត្រឹមតែជា "អ្នកទិញអគ្គិសនីពីគេដើម្បីប្រើប្រាស់" ប៉ុណ្ណោះទេ ថែមទាំងជា "អ្នកផលិតអគ្គិសនី" (ឧទាហរណ៍៖ ផលិតពីសូឡាលើដំបូលផ្ទះ) ដើម្បីប្រើខ្លួនឯងផង និងលក់ត្រឡប់ទៅឱ្យក្រុមហ៊ុនអគ្គិសនីវិញផង។ | ដូចជាអ្នកលេង Facebook ដែលមិនត្រឹមតែមើលវីដេអូរបស់គេ (អ្នកប្រើប្រាស់) ប៉ុន្តែថែមទាំងថតវីដេអូបង្ហោះខ្លួនឯង (អ្នកផលិត) ឱ្យគេមើលវិញផងដែរ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
