បញ្ហា (The Problem)៖ ការដាក់បញ្ចូលប្រភពថាមពលកកើតឡើងវិញ (ដូចជាពន្លឺព្រះអាទិត្យ និងខ្យល់) ទៅក្នុងបណ្តាញអគ្គិសនី បង្កឱ្យមានបញ្ហាអស្ថិរភាព ដោយសារតែភាពប្រែប្រួលនិងភាពមិនទៀងទាត់នៃប្រភពទាំងនេះ ដែលប្រព័ន្ធគ្រប់គ្រងបណ្តាញបុរាណពិបាកនឹងដោះស្រាយ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់គំរូ Deep Learning ទាំងបែប Supervised និង Unsupervised ដើម្បីវិភាគទិន្នន័យប្រវត្តិ និងទិន្នន័យជាក់ស្តែង សម្រាប់ការព្យាករណ៍ថាមពល និងការវាយតម្លៃស្ថិរភាព។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Long Short-Term Memory (LSTM) បណ្តាញអង្គចងចាំរយៈពេលវែង-ខ្លី (LSTM) |
មានសមត្ថភាពខ្ពស់បំផុតក្នុងការចាប់យកទំនាក់ទំនងទិន្នន័យតាមពេលវេលា (Temporal dependencies) និងភាពប្រែប្រួលនៃអាកាសធាតុ។ | ត្រូវការធនធានកុំព្យូទ័រខ្លាំងក្នុងការបង្វឹក (Training) បើធៀបនឹងគំរូផ្សេងទៀត។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុតគឺ ៩៥.៧% (95.7%) សម្រាប់ការព្យាករណ៍រយៈពេលខ្លី។ |
| Random Forest (RF) ព្រៃចៃដន្យ (Random Forest) |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការចាត់ថ្នាក់ (Classification) និងធន់នឹងទិន្នន័យរំខាន (Noise) ព្រមទាំងអាចបង្ហាញពីសារៈសំខាន់នៃលក្ខណៈទិន្នន័យ (Feature Importance)។ | មិនសូវមានប្រសិទ្ធភាពក្នុងការរៀនពីទិន្នន័យដែលមានលំដាប់លំដោយតាមពេលវេលា (Sequential data) ដូច LSTM ទេ។ | ទទួលបានភាពត្រឹមត្រូវ ៩១.០% (91.0%) ក្នុងការធ្វើការព្យាករណ៍ និង ៩២% ក្នុងការចាត់ថ្នាក់បញ្ហាស្ថិរភាព។ |
| Artificial Neural Networks (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
អាចចាប់យកទំនាក់ទំនងមិនលីនេអ៊ែរ (Nonlinear relationships) បានល្អរវាងអថេរផ្សេងៗ។ | ជួបការលំបាកក្នុងការចាប់យកការពឹងផ្អែកតាមពេលវេលា (Temporal dependencies) នៃទិន្នន័យថាមពល។ | ទទួលបានភាពត្រឹមត្រូវ ៩៣.២% (93.2%) ដែលទាបជាង LSTM បន្តិច។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះតម្រូវឱ្យមានប្រព័ន្ធកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់ និងឧបករណ៍សម្រាប់ដំណើរការនៅគែមបណ្តាញ (Edge Devices)។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យសាធារណៈ និងទិន្នន័យពីបណ្តាញអគ្គិសនីដែលមិនបានបញ្ជាក់ទីតាំងជាក់លាក់ (ទំនងជាពីតំបន់អាស៊ីខាងត្បូង ឬមជ្ឈិមបូព៌ា ដោយផ្អែកលើអ្នកនិពន្ធ)។ សម្រាប់កម្ពុជា នេះជាចំណុចខ្វះខាតមួយ ដោយសារលក្ខខណ្ឌអាកាសធាតុ (រដូវប្រាំង/វស្សា) និងហេដ្ឋារចនាសម្ព័ន្ធបណ្តាញ មានលក្ខណៈខុសប្លែកពីទិន្នន័យដែលបានប្រើក្នុងឯកសារនេះ។
វិធីសាស្ត្រនេះមានសារៈសំខាន់ និងអាចអនុវត្តបានយ៉ាងល្អសម្រាប់កម្ពុជា ដែលកំពុងបង្កើនការប្រើប្រាស់ថាមពលពន្លឺព្រះអាទិត្យយ៉ាងឆាប់រហ័ស។
ការអនុវត្តបច្ចេកវិទ្យានេះនឹងជួយឱ្យកម្ពុជាសម្រេចបាននូវគោលដៅថាមពលស្អាត ដោយធានាបាននូវស្ថិរភាពនៃការផ្គត់ផ្គង់អគ្គិសនី និងកាត់បន្ថយការដាច់ចរន្តដោយសារភាពមិនប្រក្រតីនៃប្រភពថាមពល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Long Short-Term Memory (LSTM) | ជាប្រភេទពិសេសនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (RNN) ដែលមានសមត្ថភាព 'ចងចាំ' ព័ត៌មានពីអតីតកាលរយៈពេលវែង។ នៅក្នុងឯកសារនេះ វាត្រូវបានប្រើដើម្បីវិភាគទិន្នន័យដែលមានលំដាប់លំដោយតាមពេលវេលា (Time-series) ដើម្បីព្យាករណ៍ពីបរិមាណថាមពលពន្លឺព្រះអាទិត្យ ឬខ្យល់ ដែលនឹងផលិតបាននៅពេលខាងមុខ។ | ដូចជាការអានសៀវភៅរឿងដែលយើងត្រូវចងចាំសាច់រឿងតាំងពីដើម ដើម្បីយល់និងទស្សន៍ទាយពីអ្វីដែលនឹងកើតឡើងនៅវគ្គបន្ទាប់។ |
| Reinforcement Learning (RL) | ជាវិធីសាស្ត្រមួយនៃម៉ាស៊ីនរៀន (Machine Learning) ដែលកុំព្យូទ័ររៀនធ្វើការសម្រេចចិត្តដោយការសាកល្បង (Trial and error)។ វាទទួលបានពិន្ទុ (Reward) ពេលធ្វើត្រូវ និងពិន័យពេលធ្វើខុស ដើម្បីកែលម្អយុទ្ធសាស្ត្រគ្រប់គ្រងបណ្តាញអគ្គិសនីដោយស្វ័យប្រវត្តិ។ | ដូចជាការបង្ហាត់សត្វឆ្កែឱ្យចេះធ្វើតាមបញ្ជា ដោយផ្តល់ចំណីពេលវាធ្វើត្រូវ និងមិនឱ្យចំណីពេលវាធ្វើខុស។ |
| Digital Twins | ជាគំរូនិម្មិត (Virtual Replica) ដែលចម្លងចេញពីប្រព័ន្ធបណ្តាញអគ្គិសនីជាក់ស្តែងទាំងស្រុង។ វាអនុញ្ញាតឱ្យវិស្វករធ្វើការពិសោធន៍ ឬព្យាករណ៍បញ្ហាដែលអាចកើតឡើង និងសាកល្បងដំណោះស្រាយថ្មីៗនៅក្នុងកុំព្យូទ័រ ដោយមិនប៉ះពាល់ដល់បណ្តាញអគ្គិសនីពិតប្រាកដ។ | ដូចជាការលេងហ្គេមសាងសង់ទីក្រុង (SimCity) ដើម្បីសាកល្បងរៀបចំផែនការអភិវឌ្ឍន៍ មុននឹងចាប់ផ្តើមសាងសង់នៅក្នុងពិភពពិត។ |
| Federated Learning | ជាបច្ចេកទេសបង្វឹកម៉ាស៊ីនរៀន (AI) ដោយមិនចាំបាច់ប្រមូលទិន្នន័យទាំងអស់មកកន្លែងតែមួយ។ ស្ថានីយនីមួយៗរៀនពីទិន្នន័យរបស់ខ្លួន ហើយគ្រាន់តែចែករំលែក 'ចំណេះដឹង' (Model updates) ទៅកាន់ប្រព័ន្ធកណ្តាល ដែលជួយរក្សាសុវត្ថិភាពនិងឯកជនភាពទិន្នន័យ។ | ដូចជាចុងភៅច្រើននាក់រៀនធ្វើម្ហូបនៅផ្ទះរៀងខ្លួន ហើយមកចែករំលែកតែរូបមន្តគ្នា ដោយមិនចាំបាច់យកគ្រឿងផ្សំមកឱ្យគ្នាមើល។ |
| SHAP (SHapley Additive exPlanations) | ជាវិធីសាស្ត្រគណិតវិទ្យាដែលប្រើដើម្បីបកស្រាយថាហេតុអ្វីបានជាម៉ាស៊ីនរៀន (AI) ធ្វើការសម្រេចចិត្តបែបនោះ។ នៅក្នុងឯកសារ វាជួយពន្យល់ថា តើកត្តាណា (ដូចជាល្បឿនខ្យល់ ឬកម្តៅថ្ងៃ) ដែលមានឥទ្ធិពលខ្លាំងជាងគេទៅលើការព្យាករណ៍ថាមពល។ | ដូចជាគ្រូដែលមិនត្រឹមតែឱ្យពិន្ទុសិស្ស ប៉ុន្តែថែមទាំងពន្យល់លម្អិតថាចំណុចណាខ្លះដែលធ្វើឱ្យសិស្សបានពិន្ទុល្អ ឬពិន្ទុអាក្រក់។ |
| Smart Inverters | ជាឧបករណ៍បំប្លែងចរន្តអគ្គិសនីកម្រិតខ្ពស់ ដែលមិនត្រឹមតែបំប្លែងពីចរន្តជាប់ (DC) ទៅចរន្តឆ្លាស់ (AC) ប៉ុណ្ណោះទេ ប៉ុន្តែថែមទាំងមានសមត្ថភាពទំនាក់ទំនង និងឆ្លើយតបដោយស្វ័យប្រវត្តិដើម្បីជួយរក្សាលំនឹងតង់ស្យុង និងប្រេកង់នៃបណ្តាញអគ្គិសនី។ | ដូចជាប៉ូលិសចរាចរណ៍ដ៏ឆ្លាតវៃម្នាក់ ដែលមិនត្រឹមតែឈរមើលផ្លូវ ប៉ុន្តែចេះសម្រួលចរាចរណ៍ភ្លាមៗពេលមានការកកស្ទះ ដោយមិនចាំបាច់រង់ចាំបញ្ជា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
