បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាអស្ថិរភាពនៅក្នុងបណ្តាញអគ្គិសនីដែលបណ្តាលមកពីការបញ្ចូលប្រភពថាមពលកកើតឡើងវិញ និងតម្រូវការក្នុងការទស្សន៍ទាយស្ថិរភាពបណ្តាញអគ្គិសនីឆ្លាតវៃដើម្បីជៀសវាងការដាច់ចរន្តអគ្គិសនី។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យត្រាប់តាមពី Kaggle និងអនុវត្តម៉ូដែលម៉ាស៊ីនរៀន (Machine Learning) ចំនួនបី ដើម្បីវាយតម្លៃ និងទស្សន៍ទាយស្ថិរភាពបណ្តាញអគ្គិសនី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Artificial Neural Network (ANN) បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត |
ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុត និងមានសមត្ថភាពល្អក្នុងការបែងចែកស្ថិរភាពបណ្តាញអគ្គិសនីឆ្លាតវៃដោយគ្មានបញ្ហា Overfitting ខ្លាំង។ | ត្រូវការពេលវេលា និងថាមពលកុំព្យូទ័រក្នុងការហ្វឹកហាត់ (Training) ច្រើនជាងម៉ូដែលមែកធាង (Tree-based models)។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់រហូតដល់ ៩៨.៧% និងពិន្ទុ F1-score ៩៨.០២%។ |
| Convolutional Neural Network (CNN) បណ្ដាញសរសៃប្រសាទខនវ៉ុលលូសិន |
មានសមត្ថភាពល្អក្នុងការចាប់យកលំនាំទិន្នន័យស្មុគស្មាញ និងជាជម្រើសល្អមួយក្នុងចំណោមបច្ចេកវិទ្យា Deep Learning។ | សម្រាប់ទិន្នន័យជាទម្រង់តារាង (Tabular data) ដូចក្នុងការសិក្សានេះ វាដំណើរការមិនបានល្អ និងមិនមានប្រសិទ្ធភាពដូច ANN នោះទេ។ | ទទួលបានភាពត្រឹមត្រូវកម្រិតមធ្យមត្រឹមតែ ៨៩.២២% ប៉ុណ្ណោះ។ |
| Classification and Regression Trees (CART) ម៉ូដែលចំណាត់ថ្នាក់ និងមែកធាងតំរែតំរង់ |
មានភាពសាមញ្ញ ងាយស្រួលយល់ និងមិនទាមទារកម្លាំងម៉ាស៊ីនកុំព្យូទ័រធំដុំក្នុងការដំណើរការកូដ។ | មានកម្រិតភាពត្រឹមត្រូវទាបបំផុត និងមិនសូវរឹងមាំក្នុងការចាប់យកទំនាក់ទំនងស្មុគស្មាញរវាងអថេរ (Features) នៃបណ្តាញអគ្គិសនី។ | ទទួលបានភាពត្រឹមត្រូវទាបជាងគេបំផុតក្នុងកម្រិត ៨០%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតអំពីធនធានកុំព្យូទ័រនោះទេ ប៉ុន្តែការហ្វឹកហាត់ម៉ូដែល Deep Learning ទាមទារកម្លាំងម៉ាស៊ីនសមរម្យ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យត្រាប់តាម (Simulated dataset) សិប្បនិម្មិតពី Kaggle ដែលមានគុណភាពល្អឥតខ្ចោះ (គ្មាន Outliers ឬ Missing values)។ ដោយសារវាជាទិន្នន័យសិប្បនិម្មិត វាមិនអាចឆ្លុះបញ្ចាំងទាំងស្រុងពីភាពស្មុគស្មាញនៃប្រព័ន្ធបណ្តាញអគ្គិសនីជាក់ស្តែងនៅកម្ពុជាឡើយ ដែលជារឿយៗតែងតែជួបប្រទះការដាច់ចរន្ត ការប្រែប្រួលតង់ស្យុង និងទិន្នន័យមិនពេញលេញ។ ហេតុនេះ ការអនុវត្តជាក់ស្តែងចាំបាច់ត្រូវមានការប្រមូលទិន្នន័យផ្ទាល់ពីស្ថានីយអគ្គិសនីក្នុងស្រុក។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅប្រទេសកម្ពុជា ជាពិសេសក្នុងបរិបទដែលការវិនិយោគលើថាមពលពន្លឺព្រះអាទិត្យ (Solar Energy) កំពុងមានសន្ទុះកើនឡើង។
សរុបមក ការរួមបញ្ចូលបច្ចេកវិទ្យាវិភាគព្យាករណ៍ម៉ាស៊ីនរៀននេះ នឹងជួយកម្ពុជាធ្វើទំនើបកម្មប្រព័ន្ធអគ្គិសនី (Smart Grids) ប្រកបដោយភាពធន់ និងស្ថិរភាពខ្ពស់។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Predictive Analytics | ការប្រើប្រាស់ទិន្នន័យប្រវត្តិសាស្ត្រ ក្បួនដោះស្រាយស្ថិតិ និងបច្ចេកទេសម៉ាស៊ីនរៀន ដើម្បីកំណត់ពីប្រូបាប៊ីលីតេនៃលទ្ធផលនាពេលអនាគត (ឧទាហរណ៍៖ ទស្សន៍ទាយថាពេលណាបណ្តាញអគ្គិសនីនឹងជួបអស្ថិរភាព ឬដាច់ភ្លើង)។ | ដូចជាការព្យាករណ៍អាកាសធាតុ ដោយមើលលើរាងពពក និងទិន្នន័យអាកាសធាតុពីម្សិលមិញ ដើម្បីដឹងថាថ្ងៃស្អែកនឹងមានភ្លៀងធ្លាក់ឬអត់។ |
| Smart Grid | ប្រព័ន្ធបណ្តាញអគ្គិសនីទំនើបដែលប្រើប្រាស់បច្ចេកវិទ្យាព័ត៌មាន និងទូរគមនាគមន៍ ដើម្បីត្រួតពិនិត្យ គ្រប់គ្រង និងធ្វើឲ្យមានតុល្យភាពចំពោះការផលិត និងការប្រើប្រាស់អគ្គិសនីក្នុងពេលជាក់ស្តែង។ | ដូចជាប្រព័ន្ធធារាសាស្រ្តឆ្លាតវៃដែលអាចបើកឬបិទទឹកដោយស្វ័យប្រវត្តិ នៅពេលដែលសេនស័រវាស់ដឹងថាដីស្ងួតឬសើមគ្រប់គ្រាន់។ |
| Artificial Neural Network (ANN) | ប្រព័ន្ធកុំព្យូទ័រ (ម៉ូដែលម៉ាស៊ីនរៀន) ដែលត្រូវបានរចនាឡើងដោយយកគំរូតាមបណ្តាញសរសៃប្រសាទនៅក្នុងខួរក្បាលមនុស្ស ដែលមានស្រទាប់បញ្ជូនព័ត៌មាន (Input, Hidden, Output Layers) ទៅវិញទៅមកដើម្បីរៀនពីទិន្នន័យ និងធ្វើការសម្រេចចិត្ត។ | ដូចជាខួរក្បាលរបស់កូនក្មេងដែលរៀនស្គាល់សត្វឆ្មាដោយឃើញរូបភាពឆ្មាច្រើនដង រហូតដល់អាចចំណាំវាបានដោយខ្លួនឯងនៅថ្ងៃក្រោយ។ |
| Confusion Matrix | តារាងម៉ាទ្រីសដែលប្រើសម្រាប់វាយតម្លៃសមត្ថភាពរបស់ម៉ូដែលចំណាត់ថ្នាក់ (Classification Model) ដោយបង្ហាញយ៉ាងលម្អិតពីចំនួនដែលម៉ូដែលទាយត្រូវ និងទាយខុស (ដូចជា True Positive, False Positive ជាដើម)។ | ដូចជាតារាងពិន្ទុដែលកត់ត្រាថា សិស្សម្នាក់ឆ្លើយត្រូវប៉ុន្មានសំណួរ និងលួចទាយខុសប៉ុន្មានសំណួរក្នុងការប្រឡង។ |
| Epochs | ចំនួនជុំកំឡុងពេលហ្វឹកហាត់ ដែលកុំព្យូទ័រ (ម៉ូដែលម៉ាស៊ីនរៀន) បានអាន និងរៀនសូត្រលើសំណុំទិន្នន័យទាំងមូលតាំងពីដើមដល់ចប់ម្តង។ ការសិក្សានេះប្រើ 50 Epochs។ | ដូចជាការអានសៀវភៅមេរៀនមួយក្បាលចប់មួយដង (១ Epoch) បើអានច្រើនដង នោះសិស្សនឹងកាន់តែចងចាំច្បាស់។ |
| Overfitting | បញ្ហានៅពេលដែលម៉ូដែលម៉ាស៊ីនរៀនទន្ទេញចាំទិន្នន័យហ្វឹកហាត់ខ្លាំងពេក (សូម្បីតែចំណុចខុសឆ្គង ឬ Noise) ដែលធ្វើឲ្យវាមិនអាចដំណើរការបានល្អនៅពេលយកទៅអនុវត្តលើទិន្នន័យថ្មី។ | ដូចជាសិស្សដែលទន្ទេញចាំចម្លើយវិញ្ញាសាចាស់ៗប្រចាំឆ្នាំទាំងអស់ ប៉ុន្តែប្រឡងធ្លាក់ពេលគ្រូចេញលំហាត់ថ្មីដែលខុសពីមុនបន្តិចបន្តួច។ |
| F1-score | រង្វាស់នៃការវាយតម្លៃភាពត្រឹមត្រូវនៃម៉ូដែល ដោយវាជាមធ្យមភាគម៉ូនិក (Harmonic Mean) រវាង Precision និង Recall ដើម្បីផ្តល់នូវពិន្ទុរួមមួយដែលថ្លឹងថ្លែងកុំឲ្យមានកំហុសលម្អៀង។ | ដូចជារង្វាស់ដែលវាយតម្លៃថា អ្នកនេសាទម្នាក់មិនត្រឹមតែចាប់បានត្រីគោលដៅច្រើនប៉ុណ្ណោះទេ ថែមទាំងមិនសូវជាប់សំរាមឬត្រីខុសប្រភេទមកជាមួយសំណាញ់ទៀតផង។ |
| ROC curve | ខ្សែខ្សែកោងក្រាហ្វិកដែលបង្ហាញពីដំណើរការនៃម៉ូដែលចំណាត់ថ្នាក់នៅគ្រប់កម្រិត (Thresholds) ដោយឆ្លុះបញ្ចាំងពីទំនាក់ទំនងរវាងអត្រានៃការទាយត្រូវ (True Positive Rate) និងអត្រានៃការទាយខុស (False Positive Rate)។ | ដូចជាឧបករណ៍ថ្លឹងថ្លែងចំពោះសន្តិសុខយាមផ្ទះ រវាងការប្រុងប្រយ័ត្នពេក (លឺសំឡេងខ្យល់ក៍ស្មានថាចោរ) និងការធ្វេសប្រហែសពេក (ចោរចូលពិតមែនតែស្តាប់មិនលឺ)។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
