បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមនៅក្នុងបណ្តាញអគ្គិសនីប្រពៃណី ដូចជាការប្រែប្រួលតម្រូវការថាមពល ការចែកចាយបន្ទុកមិនមានប្រសិទ្ធភាព និងការលំបាកក្នុងការរក្សាស្ថេរភាពនៅពេលបញ្ចូលថាមពលកកើតឡើងវិញ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះពិនិត្យ និងវិភាគលើការអនុវត្តបច្ចេកទេសម៉ាស៊ីនរៀន (Machine Learning) ផ្សេងៗ ដើម្បីវិភាគទិន្នន័យដ៏ច្រើនសន្ធឹកសន្ធាប់ និងបង្កើនប្រសិទ្ធភាពប្រតិបត្តិការបណ្តាញអគ្គិសនី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| ARIMA (AutoRegressive Integrated Moving Average) គំរូវិភាគស계ស៊េរីពេលវេលាដែលរួមបញ្ចូលគ្នានូវការតំរែតំរង់ស្វ័យប្រវត្តិ និងមធ្យមភាគផ្លាស់ទី |
មានសមត្ថភាពចាប់យកលំនាំស្មុគស្មាញនៅក្នុងទិន្នន័យប្រវត្តិសាស្រ្ត និងត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយសម្រាប់ការទស្សន៍ទាយ។ | អាចមានកម្រិតក្នុងការចាប់យកទំនាក់ទំនងមិនមែនលីនេអ៊ែរ (Non-linear) ឬភាពអាស្រ័យរយៈពេលវែង បើធៀបនឹងវិធីសាស្ត្រ Deep Learning។ | មានប្រសិទ្ធភាពក្នុងការកំណត់អត្តសញ្ញាណលំនាំនៃវដ្ត និងឥទ្ធិពលតាមរដូវកាល (Seasonal effects) នៅក្នុងតម្រូវការអគ្គិសនី។ |
| LSTM (Long Short-Term Memory) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (RNN) ដែលរចនាឡើងដើម្បីរៀនភាពអាស្រ័យរយៈពេលវែង |
មានប្រសិទ្ធភាពខ្ពស់សម្រាប់ការទស្សន៍ទាយបន្ទុក (Load Forecasting) ដោយសារវាអាចចាប់យកសក្ដានុពលនៃពេលវេលា និងលំនាំតាមរដូវកាលក្នុងរយៈពេលវែង។ | ទាមទារធនធានកុំព្យូទ័រខ្លាំងសម្រាប់ការបណ្តុះបណ្តាល (Training) និងត្រូវការទិន្នន័យច្រើន។ | ផ្តល់នូវការទស្សន៍ទាយតម្រូវការថាមពលនាពេលអនាគតដែលមានភាពជាក់លាក់ខ្ពស់ ដោយវិភាគលើទិន្នន័យប្រើប្រាស់ និងកត្តាខាងក្រៅ។ |
| Reinforcement Learning (RL) ការរៀនដោយពង្រឹង ដែលម៉ូដែលរៀនតាមរយៈការសាកល្បង និងកំហុសដើម្បីធ្វើការសម្រេចចិត្ត |
ស័ក្តិសមសម្រាប់ការគ្រប់គ្រង និងបង្កើនប្រសិទ្ធភាពបណ្តាញអគ្គិសនីតាមពេលវេលាជាក់ស្តែង (Real-time) ដោយមានការរៀនបន្ត។ | ដំណើរការបណ្តុះបណ្តាលអាចមិនមានស្ថេរភាព ហើយទាមទារឱ្យមានការកំណត់បរិស្ថានត្រឹមត្រូវ។ | ត្រូវបានប្រើប្រាស់ដោយ National Grid (UK) ដើម្បីកែតម្រូវការផលិត និងតម្រូវការថាមពលដោយស្វ័យប្រវត្តិ។ |
| Support Vector Regression (SVR) បច្ចេកទេសតំរែតំរង់ដែលប្រើគោលការណ៍របស់ Support Vector Machine |
ផ្តល់នូវការទស្សន៍ទាយរឹងមាំសម្រាប់តម្រូវការខ្ពស់បំផុត (Peak demand) ជាពិសេសនៅក្នុងចន្លោះទិន្នន័យដែលមានវិមាត្រខ្ពស់។ | អាចយឺតយ៉ាវនៅពេលធ្វើការជាមួយសំណុំទិន្នន័យធំខ្លាំង។ | មានប្រសិទ្ធភាពក្នុងការប៉ាន់ប្រមាណទំហំនៃបន្ទុកខ្ពស់បំផុត (Peak loads) ដោយផ្អែកលើអថេរព្យាករណ៍ជាបន្តបន្ទាប់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យាទំនើប និងសមត្ថភាពកុំព្យូទ័រខ្ពស់ ដើម្បីគាំទ្រដល់ការវិភាគទិន្នន័យតាមពេលវេលាជាក់ស្តែង។
ករណីសិក្សានៅក្នុងឯកសារនេះផ្តោតជាសំខាន់លើប្រទេសអភិវឌ្ឍន៍ដូចជា សហរដ្ឋអាមេរិក (PG&E, SCE) និង ចក្រភពអង់គ្លេស (National Grid) ដែលមានហេដ្ឋារចនាសម្ព័ន្ធពេញលេញ និងអាកាសធាតុខុសពីកម្ពុជា។ ការនេះសំខាន់សម្រាប់កម្ពុជា ព្រោះគំរូដែលបណ្តុះបណ្តាលលើទិន្នន័យបរទេសអាចនឹងមិនមានប្រសិទ្ធភាពពេញលេញទេ ដោយសារភាពខុសគ្នានៃឥរិយាបថប្រើប្រាស់ថាមពល និងលក្ខខណ្ឌអាកាសធាតុត្រូពិច។
វិធីសាស្ត្រនេះមានសារៈសំខាន់ និងអាចអនុវត្តបានយ៉ាងល្អសម្រាប់កម្ពុជា ក្នុងការធ្វើទំនើបកម្មប្រព័ន្ធអគ្គិសនីជាតិ និងការគ្រប់គ្រងថាមពលកកើតឡើងវិញ។
ការអនុវត្តបច្ចេកវិទ្យានេះនឹងជួយឱ្យកម្ពុជាកាត់បន្ថយការខ្ជះខ្ជាយថាមពល និងបង្កើនស្ថេរភាពនៃការផ្គត់ផ្គង់ ប៉ុន្តែទាមទារឱ្យមានការវិនិយោគលើកុងទ័រឆ្លាតវៃ និងធនធានមនុស្សផ្នែក Data Science ជាមុនសិន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Smart Grid | បណ្តាញអគ្គិសនីឆ្លាតវៃគឺជាប្រព័ន្ធផ្គត់ផ្គង់អគ្គិសនីដែលប្រើប្រាស់បច្ចេកវិទ្យាឌីជីថល និងការទំនាក់ទំនងពីរផ្លូវ (Two-way communication) ដើម្បីតាមដាន និងគ្រប់គ្រងការប្រើប្រាស់ថាមពលដោយស្វ័យប្រវត្តិ។ វាជួយឱ្យប្រព័ន្ធមានប្រសិទ្ធភាព និងអាចដោះស្រាយបញ្ហាដាច់ភ្លើងបានរហ័ស។ | ប្រៀបដូចជាការប្តូរពីទូរស័ព្ទដៃចាស់ (Nokia) មកប្រើស្មាតហ្វូន (iPhone) ដែលអាចតភ្ជាប់អ៊ីនធឺណិត និងដឹងពីព័ត៌មានគ្រប់យ៉ាង។ |
| Demand Response | យុទ្ធសាស្ត្រគ្រប់គ្រងថាមពលដែលលើកទឹកចិត្តឱ្យអ្នកប្រើប្រាស់កាត់បន្ថយ ឬផ្លាស់ប្តូរការប្រើប្រាស់អគ្គិសនីនៅអំឡុងពេលដែលមានតម្រូវការខ្ពស់ (Peak hours) ជាថ្នូរនឹងការបញ្ចុះតម្លៃ ឬការលើកទឹកចិត្តផ្សេងៗ ដើម្បីរក្សាលំនឹងបណ្តាញ។ | ដូចជាហាងកាហ្វេដែលបញ្ចុះតម្លៃនៅម៉ោងស្ងាត់ ដើម្បីកុំឱ្យភ្ញៀវមកប្រជ្រៀតគ្នាតែនៅពេលថ្ងៃត្រង់។ |
| Phasor Measurement Units (PMUs) | ឧបករណ៍ចាប់សញ្ញាដែលមានល្បឿនលឿនបំផុត ប្រើសម្រាប់វាស់វែងរលកអគ្គិសនី (Voltage and Current waves) នៅលើបណ្តាញអគ្គិសនីក្នុងពេលជាក់ស្តែង។ វាជួយឱ្យវិស្វករដឹងពីសុខភាពរបស់បណ្តាញ និងការពារការដាច់ភ្លើងជាប្រព័ន្ធ។ | ប្រៀបដូចជាម៉ាស៊ីនវាស់ចង្វាក់បេះដូងដែលតាមដានសុខភាពរបស់អ្នកជំងឺរៀងរាល់វិនាទី ដើម្បីដឹងភ្លាមៗបើមានអ្វីខុសប្រក្រតី។ |
| Advanced Metering Infrastructure (AMI) | ប្រព័ន្ធហេដ្ឋារចនាសម្ព័ន្ធដែលរួមបញ្ចូលកុងទ័រឆ្លាតវៃ (Smart Meters) បណ្តាញទំនាក់ទំនង និងប្រព័ន្ធគ្រប់គ្រងទិន្នន័យ។ វាអនុញ្ញាតឱ្យក្រុមហ៊ុនអគ្គិសនីអានលេខកុងទ័រពីចម្ងាយ និងអនុញ្ញាតឱ្យអ្នកប្រើប្រាស់តាមដានការប្រើប្រាស់របស់ខ្លួនភ្លាមៗ។ | ដូចជាការផ្ញើសារ (Chat) ឆ្លើយឆ្លងភ្លាមៗរវាងផ្ទះរបស់អ្នក និងក្រុមហ៊ុនអគ្គិសនី ដោយមិនចាំបាច់មានបុគ្គលិកដើរកត់លេខកុងទ័ររាល់ខែ។ |
| Distributed Energy Resources (DERs) | ប្រភពផលិតថាមពលខ្នាតតូចដែលស្ថិតនៅរាយប៉ាយជិតកន្លែងប្រើប្រាស់ ដូចជាផ្ទាំងសូឡាលើដំបូលផ្ទះ ឬកង្ហារខ្យល់តូចៗ។ ការគ្រប់គ្រង DERs គឺសំខាន់ណាស់ក្នុង Smart Grid ព្រោះវាធ្វើឱ្យការផលិតថាមពលមិនពឹងផ្អែកតែលើរោងចក្រធំមួយ។ | ដូចជាការដាំបន្លែនៅសួនច្បារផ្ទះខ្លួនឯង ដើម្បីកាត់បន្ថយការទិញពីផ្សារទំនើបធំ។ |
| Load Forecasting | ការប្រើប្រាស់ទិន្នន័យប្រវត្តិសាស្រ្ត និងកត្តាអាកាសធាតុ ដើម្បីទស្សន៍ទាយថាតើនឹងមានតម្រូវការប្រើប្រាស់អគ្គិសនីប៉ុន្មាននៅពេលអនាគត (ម៉ោងបន្ទាប់ ឬថ្ងៃស្អែក) ដើម្បីឱ្យក្រុមហ៊ុនអាចត្រៀមផលិតថាមពលបានត្រឹមត្រូវ។ | ដូចជាអ្នកលក់បាយដែលប៉ាន់ស្មានថាថ្ងៃស្អែកនឹងមានភ្ញៀវប៉ុន្មាននាក់ ដើម្បីទិញអង្ករ និងម្ហូបទុកឱ្យល្មម។ |
| Long Short-Term Memory (LSTM) | ជាប្រភេទពិសេសនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (AI) ដែលមានសមត្ថភាពចងចាំព័ត៌មានសំខាន់ៗក្នុងរយៈពេលយូរ។ នៅក្នុងបរិបទនេះ វាត្រូវបានប្រើដើម្បីវិភាគទិន្នន័យប្រើប្រាស់អគ្គិសនីពីអតីតកាល ដើម្បីទស្សន៍ទាយតម្រូវការនាពេលអនាគតយ៉ាងជាក់លាក់។ | ប្រៀបដូចជាសិស្សដែលពូកែចងចាំមេរៀនតាំងពីដើមឆ្នាំ ដើម្បីយកមកដោះស្រាយលំហាត់នៅចុងឆ្នាំ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
