Original Title: Neural Network-Based Solar Irradiance Forecast for Edge Computing Devices
Source: doi.org/10.3390/info14110617
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការព្យាករណ៍កាំរស្មីព្រះអាទិត្យផ្អែកលើបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតសម្រាប់ឧបករណ៍កុំព្យូទ័រជាយ (Edge Computing Devices)

ចំណងជើងដើម៖ Neural Network-Based Solar Irradiance Forecast for Edge Computing Devices

អ្នកនិពន្ធ៖ Georgios Venitourakis, Christoforos Vasilakis, Alexandros Tsagkaropoulos, Tzouma Amrou, Georgios Konstantoulakis, Panagiotis Golemis, Dionysios Reisis

ឆ្នាំបោះពុម្ព៖ 2023 (Information, MDPI)

វិស័យសិក្សា៖ Machine Learning

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការផលិតថាមពលពីសូឡា (Photovoltaic) ពឹងផ្អែកខ្លាំងលើអាំងតង់ស៊ីតេពន្លឺព្រះអាទិត្យ ដែលតែងតែប្រែប្រួលអាស្រ័យលើអាកាសធាតុ។ ការព្យាករណ៍ពីបំរែបំរួលនេះឱ្យបានជាក់លាក់នៅលើឧបករណ៍កុំព្យូទ័រជាយ (edge computing devices) ដែលមានតម្លៃថោក និងប្រើប្រាស់ថាមពលទាប គឺជាបញ្ហាប្រឈមមួយដ៏សំខាន់ដើម្បីធានាស្ថិរភាពបណ្ដាញអគ្គិសនី។

វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានបង្កើតម៉ូដែលបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតថ្មីមួយដែលដំណើរការប្រកបដោយប្រសិទ្ធភាពខ្ពស់ដោយផ្អែកលើទិន្នន័យរូបភាពមេឃនិងរង្វាស់កាំរស្មីព្រះអាទិត្យ។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Persistence Model
ម៉ូដែល Persistence (ការព្យាករណ៍ផ្អែកលើទិន្នន័យចុងក្រោយមិនប្រែប្រួល)		 ងាយស្រួលបំផុត និងត្រូវបានប្រើប្រាស់ជាគោលសម្រាប់ប្រៀបធៀប (Baseline) ដោយមិនតម្រូវឱ្យមានការគណនាស្មុគស្មាញ។ មិនអាចចាប់យកបំរែបំរួលអាកាសធាតុថ្មីៗបានឡើយ ហើយភាពសុក្រឹតធ្លាក់ចុះយ៉ាងខ្លាំងនៅពេលព្យាករណ៍ក្នុងរយៈពេលកាន់តែយូរ។ គ្មាន Forecast Skill (FS) ទេ ព្រោះវាជាគោល។ មានកំហុស (RMSE) ចំនួន 113.3 W m-2 សម្រាប់ការព្យាករណ៍៥នាទីបន្ទាប់។
ConvLSTM
បណ្ដាញសរសៃប្រសាទ ConvLSTM		 មានប្រសិទ្ធភាពខ្ពស់ក្នុងការទាញយកលក្ខណៈពិសេសពីលំហ និងពេលវេលា (Spatio-temporal) ពីរូបភាពមេឃដើម្បីព្យាករណ៍។ ប្រើប្រាស់ប៉ារ៉ាម៉ែត្រច្រើន (ប្រហែល 2.43M ទៅ 6.62M) និងអង្គចងចាំច្រើន ដែលធ្វើឱ្យវាមានទម្ងន់ធ្ងន់ និងដំណើរការយឺតសម្រាប់ឧបករណ៍ Edge។ ទទួលបាន Forecast Skill ចំនួន 15.69% និងមានកំហុស (RMSE) 95.5 W m-2 សម្រាប់ការព្យាករណ៍៥នាទីបន្ទាប់។
XceptionLSTM (Proposed)
បណ្ដាញសរសៃប្រសាទ XceptionLSTM (ម៉ូដែលស្នើឡើង)		 មានទំហំស្រាលជាងមុន ដំណើរការលឿន ប្រើប្រាស់ប៉ារ៉ាម៉ែត្រតិច (ត្រឹមតែ 871K) និងមានប្រសិទ្ធភាពខ្ពស់ស័ក្តិសមបំផុតសម្រាប់ឧបករណ៍កុំព្យូទ័រជាយ (Edge Devices)។ ការចងក្រង (Concatenation) នៃ Tensor អាចបង្កើនពេលវេលាប្រតិបត្តិការបន្តិចបន្តួចនៅកម្រិតកោសិកាបើធៀបនឹងការគណនាធម្មតា ប៉ុន្តែជារួមនៅតែលឿន។ សម្រេចបាន Forecast Skill ១៦.៥៧% សម្រាប់ការព្យាករណ៍ ៥ នាទី និងមានកំហុស (RMSE) ទាបត្រឹម ៩៤.៦ W m-2 ព្រមទាំងអាចដំណើរការបានលឿននៅលើ Raspberry Pi ។

ការចំណាយលើធនធាន (Resource Cost)៖ ម៉ូដែលនេះតម្រូវឱ្យមានកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង (GPU) សម្រាប់ការហ្វឹកហាត់ (Training) ប៉ុន្តែត្រូវបានរចនាឡើងយ៉ាងពិសេសដើម្បីអាចប្រតិបត្តិការ (Inference) បានយ៉ាងរលូននៅលើឧបករណ៍កុំព្យូទ័រជាយដែលមានតម្លៃថោក និងប្រើប្រាស់ថាមពលតិចតួចបំផុត។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់សំណុំទិន្នន័យប្រមូលផ្ដុំនៅទីក្រុងអាថែន ប្រទេសក្រិក (Archon–Athens, Greece Dataset) ក្នុងរយៈពេលពេញមួយឆ្នាំ។ ដោយសារប្រទេសកម្ពុជាមានអាកាសធាតុត្រូពិចក្ដៅសើម និងមានទម្រង់ពពក (Cloud Cover dynamics) ខុសពីអឺរ៉ុប ម៉ូដែលនេះចាំបាច់ត្រូវតែមានការប្រមូលទិន្នន័យក្នុងស្រុក និងហ្វឹកហាត់ឡើងវិញ (Retrain) ទើបអាចធានាបាននូវភាពសុក្រឹតខ្ពស់សម្រាប់បរិបទកម្ពុជា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់ខ្លាំងសម្រាប់ប្រទេសកម្ពុជា ក្នុងការធ្វើឱ្យប្រសើរឡើងនូវការគ្រប់គ្រង និងស្ថិរភាពនៃការផលិតថាមពលសូឡា ដែលកំពុងមានការកើនឡើង។

ជារួម ការប្រើប្រាស់ដំណោះស្រាយ Edge Computing ក្នុងការព្យាករណ៍ថាមពលសូឡានេះ នឹងជួយកាត់បន្ថយការចំណាយលើឧបករណ៍ថ្លៃៗ កាត់បន្ថយការពឹងផ្អែកលើ Cloud និងបង្កើនស្ថិរភាពបណ្តាញអគ្គិសនីជាតិរបស់កម្ពុជាប្រកបដោយប្រសិទ្ធភាព។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. រៀបចំឧបករណ៍កុំព្យូទ័រ និងកម្មវិធី (Hardware & Software Setup): ទិញឧបករណ៍ខ្នាតតូចដូចជា Raspberry Pi 4 ឬ Raspberry Pi Zero 2W ព្រមទាំងកាមេរ៉ាថតមេឃ (Fisheye lens)។ តម្លើងប្រព័ន្ធប្រតិបត្តិការ Linux និងកម្មវិធី Python 3.9+, ព្រមទាំង PyTorch សម្រាប់ប្រតិបត្តិម៉ូដែលបញ្ញាសិប្បនិម្មិត។
  2. ប្រមូល និងរៀបចំទិន្នន័យក្នុងស្រុក (Local Data Collection): ដំឡើងកាមេរ៉ាថតផ្ទៃមេឃ (All-Sky Imager) និងឧបករណ៍វាស់កាំរស្មីព្រះអាទិត្យ (Pyranometer) នៅទីតាំងផ្ទាល់ដើម្បីប្រមូលរូបភាពរៀងរាល់ ១ នាទីម្តង។ ប្រើប្រាស់កញ្ចប់ pvlib សម្រាប់គណនា និងរំលេចទីតាំងព្រះអាទិត្យ (Sun mask) ក្នុងរូបភាពជាមុន (Preprocessing)។
  3. ហ្វឹកហាត់ម៉ូដែល XceptionLSTM (Model Training): ប្រើប្រាស់កុំព្យូទ័រដែលមានកម្លាំង GPU ខ្លាំង (ឧទាហរណ៍ NVIDIA RTX 3080) ដើម្បីហ្វឹកហាត់ម៉ូដែល ដោយប្រើបច្ចេកទេស Transfer Learning ដោយបែងចែកការហ្វឹកហាត់ជា ២ ដំណាក់កាល (Spatial estimation និង Spatio-temporal forecasting) ដើម្បីចំណេញពេលវេលា។
  4. ដាក់ពង្រាយលើឧបករណ៍ជាយ (Edge Deployment): នាំចេញ (Export) ម៉ូដែលដែលហ្វឹកហាត់រួចទៅកាន់ឧបករណ៍ Raspberry Pi។ សរសេរកូដដើម្បីចាប់យករូបភាពពីកាមេរ៉ាផ្ទាល់ (Real-time sequence) រួចបញ្ចូលទៅក្នុងម៉ូដែលដើម្បីទស្សន៍ទាយកម្រិត GHI សម្រាប់ ៥ ទៅ ១៥ នាទីបន្ទាប់។
  5. ធ្វើសមាហរណកម្មជាមួយប្រព័ន្ធគ្រប់គ្រង (System Integration): ភ្ជាប់ទិន្នន័យព្យាករណ៍ដែលម៉ូដែលបញ្ចេញ ទៅកាន់ប្រព័ន្ធគ្រប់គ្រង PV តាមរយៈពិធីការ (Protocols) ដូចជា MQTT ឬ Modbus ដើម្បីឱ្យឧទ្យានសូឡាអាចកែសម្រួលការផលិត ឬប្តូរទៅប្រព័ន្ធថ្មពិលដោយស្វ័យប្រវត្តិតាមការប្រែប្រួលអាកាសធាតុ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Global Horizontal Irradiance (GHI) ជារង្វាស់សរុបនៃបរិមាណពន្លឺព្រះអាទិត្យ (ទាំងពន្លឺបាញ់ផ្ទាល់ និងពន្លឺចំណាំងផ្លាតពីពពក) ដែលធ្លាក់មកលើផ្ទៃរាបស្មើនៅលើដី។ វាជាទិន្នន័យដ៏សំខាន់បំផុតសម្រាប់គណនាសមត្ថភាពផលិតអគ្គិសនីនៃផ្ទាំងសូឡា។ ដូចជាការវាស់បរិមាណទឹកភ្លៀងសរុបដែលធ្លាក់ចូលក្នុងធុងមួយដាក់នៅកណ្តាលវាល តែទីនេះគឺវាស់បរិមាណពន្លឺព្រះអាទិត្យជំនួសវិញ។
Edge Computing Devices ជាឧបករណ៍កុំព្យូទ័រខ្នាតតូច (ដូចជា Raspberry Pi) ដែលអាចដំណើរការទិន្នន័យ និងគណនាបញ្ញាសិប្បនិម្មិតនៅនឹងកន្លែងផ្ទាល់ (ឧទាហរណ៍ នៅក្នុងកសិដ្ឋានសូឡា) ដោយមិនចាំបាច់បញ្ជូនទិន្នន័យទៅកាន់ Cloud ឬ Server ធំៗឡើយ ដែលជួយសន្សំសំចៃពេលវេលា និងថាមពល។ ដូចជាការមានចុងភៅប្រចាំផ្ទះដែលអាចចម្អិនម្ហូបភ្លាមៗតាមការកុម្ម៉ង់ ដោយមិនចាំបាច់ទូរស័ព្ទកុម្ម៉ង់ពីភោជនីយដ្ឋានឆ្ងាយៗដែលត្រូវរង់ចាំយូរ។
Depthwise separable convolution ជាបច្ចេកទេសបំបែកការគណនាក្នុងបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (CNN) ជាពីរជំហានដាច់ពីគ្នា (Depthwise និង Pointwise) ដើម្បីកាត់បន្ថយចំនួនប៉ារ៉ាម៉ែត្រ និងការគណនាស្មុគស្មាញ ដែលជួយឱ្យម៉ូដែលដំណើរការបានលឿន និងស៊ីម៉េមូរី (Memory) តិច។ ដូចជាការបែងចែកការងារធំមួយជាពីរដំណាក់កាល ដោយឱ្យមនុស្សម្នាក់កាត់បន្លែ (វិភាគដាច់ដោយឡែក) និងម្នាក់ទៀតឆាបន្លែចូលគ្នា (រួមបញ្ចូល) ដើម្បីឱ្យការងារចប់លឿនជាងការឱ្យមនុស្សម្នាក់ធ្វើគ្រប់ជំហានតែឯង។
Spatio-temporal encoder–decoder ជាទម្រង់ស្ថាបត្យកម្ម AI ដែលមានសមត្ថភាពវិភាគ និងចងក្រងទិន្នន័យដែលផ្លាស់ប្តូរទាំងក្នុងលំហ (Space/រូបភាព) និងពេលវេលា (Time/វីដេអូ)។ វាស្រូបយក (Encode) បម្លាស់ទីនៃពពកពីរូបភាពតៗគ្នា រួចបកប្រែបញ្ចេញ (Decode) ជាការព្យាករណ៍ពន្លឺព្រះអាទិត្យនាពេលអនាគត។ ដូចជាអ្នកសង្កេតការណ៍ដែលមើលចលនារបស់រថយន្តនៅលើផ្លូវ (លំហ) និងល្បឿនរបស់វា (ពេលវេលា) រួចទស្សន៍ទាយថាតើ៥នាទីទៀតរថយន្តនោះនឹងទៅដល់ទីណា។
Forecast skill (FS) ជារង្វាស់ភាគរយដែលបញ្ជាក់ថាតើម៉ូដែលព្យាករណ៍ថ្មីនេះមានភាពសុក្រឹតជាងម៉ូដែលគោល (Persistence Model - ដែលសន្មត់ថាអាកាសធាតុមិនប្រែប្រួល) កម្រិតណា។ ប្រសិនបើ FS ធំជាងសូន្យ មានន័យថាម៉ូដែលថ្មីពិតជាមានប្រសិទ្ធភាពជាង។ ដូចជាការប្រៀបធៀបសិស្សថ្មីម្នាក់ទៅនឹងសិស្សចាស់ ប្រសិនបើសិស្សថ្មីធ្វើតេស្តបានពិន្ទុច្រើនជាង ១៦% នោះសិស្សថ្មីពិតជាមានសមត្ថភាពប្រសើរជាងមែន។
Persistence Model ជាម៉ូដែលព្យាករណ៍ដ៏សាមញ្ញបំផុតដែលតែងតែសន្មត់ថាអនាគតនឹងដូចគ្នាទៅនឹងបច្ចុប្បន្នដោយគ្មានការប្រែប្រួល។ វាមិនមានការគណនាស្មុគស្មាញទេ ហើយត្រូវបានគេប្រើជាបន្ទាត់គោល (Baseline) ដើម្បីប្រៀបធៀបសមត្ថភាពជាមួយម៉ូដែល AI ថ្មីៗ។ ដូចជាការទស្សន៍ទាយថាថ្ងៃស្អែកនឹងមានភ្លៀងធ្លាក់ គ្រាន់តែដោយសារតែថ្ងៃនេះមានភ្លៀងធ្លាក់ ដោយមិនបានមើលការព្យាករណ៍អាកាសធាតុ។
XceptionLSTM ជាប្រភេទកោសិកាបណ្ដាញសរសៃប្រសាទវិលជុំ (RNN) ថ្មីមួយដែលអ្នកស្រាវជ្រាវបានបង្កើតឡើងដោយរួមបញ្ចូលគ្នានូវបច្ចេកវិទ្យា Xception (សម្រាប់ទាញយកលក្ខណៈពិសេសពីរូបភាពបានលឿន) ជាមួយ LSTM (សម្រាប់ចងចាំព័ត៌មានតាមពេលវេលា) ដើម្បីឱ្យវាស្រាល និងដើរលឿនលើឧបករណ៍ខ្នាតតូច។ ដូចជាការបំពាក់ម៉ាស៊ីនរថយន្តស្ព័រចូលទៅក្នុងរថយន្តដឹកទំនិញ ដែលធ្វើឱ្យវាអាចចងចាំផ្លូវបានល្អផង និងបើកបរបានលឿនជាងមុនផង។
Transfer Learning ជាបច្ចេកទេសក្នុងការបង្វឹក AI ដោយយកម៉ូដែលដែលធ្លាប់បានហ្វឹកហាត់លើការងារមួយរួចមកហើយ ទៅប្រើប្រាស់ជាមូលដ្ឋានសម្រាប់ហ្វឹកហាត់លើការងារថ្មីមួយទៀតដែលមានលក្ខណៈស្រដៀងគ្នា ដើម្បីចំណេញពេលវេលា និងទាមទារទិន្នន័យតិចជាងមុន។ ដូចជាអ្នកចេះលេងហ្គីតារួចហើយ នៅពេលទៅរៀនលេងអ៊ុយគូឡេឡេ (Ukulele) គាត់ឆាប់ចេះជាងអ្នកដែលមិនធ្លាប់លេងឧបករណ៍តន្ត្រីសោះ ព្រោះគាត់មានមូលដ្ឋានគ្រឹះរួចហើយ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖