បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការធ្វើសមាហរណកម្មប្រភពថាមពលកកើតឡើងវិញ (Renewable Energy) ដែលមានការប្រែប្រួលខ្ពស់ទៅក្នុងបណ្តាញអគ្គិសនី ដោយផ្តោតលើតម្រូវការប្រព័ន្ធគ្រប់គ្រងថាមពលវៃឆ្លាតដែលអាចសម្របតាមទម្លាប់អ្នកប្រើប្រាស់ម្នាក់ៗបានយ៉ាងមានប្រសិទ្ធភាព។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវក្របខ័ណ្ឌបណ្តាញអគ្គិសនីវៃឆ្លាតផ្ទាល់ខ្លួន (Personalized Smart Grid) ដោយប្រើប្រាស់ក្បួនដោះស្រាយរៀនសូត្រពីការពង្រឹង (Reinforcement Learning - RL) ដើម្បីធ្វើការសម្រេចចិត្តគ្រប់គ្រងថាមពលក្នុងពេលជាក់ស្តែង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| RL-based Personalized Smart Grid System ប្រព័ន្ធបណ្តាញអគ្គិសនីវៃឆ្លាតផ្ទាល់ខ្លួនផ្អែកលើ RL |
មានភាពបត់បែនខ្ពស់ក្នុងការសម្របតាមទម្លាប់អ្នកប្រើប្រាស់ អាចធ្វើការសម្រេចចិត្តក្នុងពេលជាក់ស្តែង និងបង្កើនការប្រើប្រាស់ថាមពលកកើតឡើងវិញបានអតិបរមា។ | ទាមទារហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យា (IoT) ទំនើប ស្មុគស្មាញក្នុងការគណនា និងមានហានិភ័យទាក់ទងនឹងឯកជនភាពទិន្នន័យអតិថិជន។ | ផ្តល់នូវភាពប្រសើរឡើងយ៉ាងកត់សម្គាល់លើការសន្សំសំចៃថាមពល បង្កើនការប្រើប្រាស់ថាមពលកកើតឡើងវិញ និងរក្សាបាននូវស្ថិរភាពប្រព័ន្ធ។ |
| Conventional Grid Systems & Static Scheduling ប្រព័ន្ធបណ្តាញអគ្គិសនីធម្មតា និងការកំណត់កាលវិភាគថេរ |
ងាយស្រួលក្នុងការអនុវត្ត មិនត្រូវការកម្លាំងម៉ាស៊ីនកុំព្យូទ័រខ្លាំង និងជានីតិវិធីស្តង់ដារដែលមានស្រាប់ស្រាប់។ | ខ្វះភាពបត់បែន មិនអាចសម្របខ្លួនទៅនឹងការប្រែប្រួលនៃពន្លឺព្រះអាទិត្យឬខ្យល់ ហើយអាចបណ្តាលឱ្យខាតបង់ថាមពលនិងបង្កើនការចំណាយ។ | ត្រូវបានប្រើជាគោលសម្រាប់ប្រៀបធៀប (Baseline) ដោយមានប្រសិទ្ធភាពថាមពលទាបជាង និងចំណាយប្រតិបត្តិការខ្ពស់ជាង។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារការវិនិយោគយ៉ាងច្រើនជាបឋមទៅលើហេដ្ឋារចនាសម្ព័ន្ធផ្នែករឹង ប្រព័ន្ធទំនាក់ទំនង និងធនធានកុំព្យូទ័រសម្រាប់ដំណើរការក្បួនដោះស្រាយ។
ការសិក្សានេះបង្ហាញពីក្របខ័ណ្ឌទ្រឹស្តី និងការធ្វើតេស្តសាកល្បងដោយមិនបានបញ្ជាក់ពីបរិបទភូមិសាស្ត្រ ឬទិន្នន័យប្រជាសាស្ត្រជាក់លាក់នោះទេ (អ្នកនិពន្ធមកពីសហរដ្ឋអាមេរិក)។ ការស្រាវជ្រាវនេះសន្មតថាអ្នកប្រើប្រាស់មានឧបករណ៍ IoT គ្រប់គ្រាន់ និងបណ្តាញអ៊ីនធឺណិតដើរលឿន ដែលនេះអាចជាបញ្ហាប្រឈមធំសម្រាប់ប្រទេសកម្ពុជា ជាពិសេសនៅតំបន់ជាយក្រុង ឬជនបទដែលមានហេដ្ឋារចនាសម្ព័ន្ធបច្ចេកវិទ្យានៅមានកម្រិត។
ទោះបីជាមានបញ្ហាប្រឈមផ្នែកហេដ្ឋារចនាសម្ព័ន្ធក៏ដោយ វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា ស្របពេលដែលការប្រើប្រាស់ថាមពលពន្លឺព្រះអាទិត្យនៅលើដំបូល (Rooftop Solar) កំពុងមានការកើនឡើង។
ការចាប់ផ្តើមសាកល្បងជាគម្រោងខ្នាតតូច (Microgrids) នៅតាមបុរីទំនើបៗ ឬតំបន់សេដ្ឋកិច្ចពិសេស នឹងជាជំហានដ៏សំខាន់ឆ្ពោះទៅរកការអនុវត្តបណ្តាញអគ្គិសនីវៃឆ្លាតប្រកបដោយចីរភាពនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Reinforcement Learning (RL) | ការបង្រៀនម៉ាស៊ីន (AI) ឱ្យចេះធ្វើការសម្រេចចិត្តតាមរយៈការសាកល្បងខុសនិងត្រូវ (Trial and Error) នៅក្នុងបរិស្ថានមួយ ដោយវាទទួលបានរង្វាន់ (Reward) ពេលធ្វើត្រូវ និងការពិន័យ (Penalty) ពេលធ្វើខុស ក្នុងគោលបំណងស្វែងរកវិធីសាស្ត្រល្អបំផុតក្នុងការគ្រប់គ្រងថាមពល។ | ដូចជាការបង្ហាត់សត្វឆ្កែឱ្យចេះធ្វើតាមបញ្ជាដោយផ្តល់ចំណីនៅពេលវាធ្វើត្រូវ ដើម្បីឱ្យវាចងចាំនិងធ្វើបានល្អនៅពេលក្រោយ។ |
| Personalized Smart Grids (PSG) | បណ្តាញអគ្គិសនីវៃឆ្លាតដែលមិនត្រឹមតែបញ្ជូនភ្លើងទៅផ្ទះប៉ុណ្ណោះទេ តែថែមទាំងប្រើប្រាស់ AI ដើម្បីយល់ពីទម្លាប់នៃការប្រើប្រាស់ថាមពលរបស់គ្រួសារនីមួយៗ និងកែតម្រូវការផ្គត់ផ្គង់ ឬស្តុកទុកថាមពលដោយស្វ័យប្រវត្តិដើម្បីសន្សំសំចៃ។ | ដូចជាមានអ្នកគ្រប់គ្រងភ្លើងផ្ទាល់ខ្លួនប្រចាំផ្ទះ ដែលដឹងថាពេលណាអ្នកចូលចិត្តបើកម៉ាស៊ីនត្រជាក់ ហើយចេះជួយបិទបើកភ្លើងដើម្បីសន្សំលុយឱ្យអ្នក។ |
| Demand-Response (DR) | យន្តការលើកទឹកចិត្ត ឬតម្រូវឱ្យអ្នកប្រើប្រាស់កាត់បន្ថយ ឬផ្លាស់ប្តូរពេលវេលាប្រើប្រាស់អគ្គិសនីរបស់ខ្លួន (ឧទាហរណ៍ ពីម៉ោងដែលមនុស្សប្រើច្រើនទៅម៉ោងដែលមនុស្សប្រើតិច) ដើម្បីជៀសវាងការដាច់ភ្លើង និងរក្សាតុល្យភាពនៃបណ្តាញអគ្គិសនី។ | ដូចជាការបញ្ចុះតម្លៃសំបុត្រកុននៅពេលព្រឹក ដើម្បីទាក់ទាញមនុស្សកុំឱ្យសម្រុកទៅមើលតែនៅពេលល្ងាចដែលចង្អៀតពេក។ |
| State Space | នៅក្នុងក្បួនដោះស្រាយ RL វាគឺជាសំណុំនៃទិន្នន័យបញ្ជាក់ពីស្ថានភាពបរិស្ថានបច្ចុប្បន្ន ដែលភ្នាក់ងារ (Agent) ប្រើសម្រាប់វិភាគ ដូចជា កម្រិតថ្មដែលនៅសល់ បរិមាណពន្លឺព្រះអាទិត្យ និងទំហំតម្រូវការប្រើប្រាស់ភ្លើង។ | ដូចជាការមើលឃើញស្ថានភាពចរាចរណ៍នៅខាងមុខ មុនពេលអ្នកសម្រេចចិត្តថាត្រូវបើកបររបៀបណា។ |
| Action Space | សំណុំនៃជម្រើសឬសកម្មភាពទាំងអស់ដែលភ្នាក់ងារ RL (Agent) អាចជ្រើសរើសដើម្បីអនុវត្ត ដូចជាការសម្រេចចិត្តបិទ/បើកឧបករណ៍អគ្គិសនី ការបញ្ចូលថ្ម ឬការទិញ/លក់ភ្លើងចូលបណ្តាញរដ្ឋ។ | ដូចជាជម្រើសរបស់អ្នកនៅពេលកំពុងបើកបរ ថាតើត្រូវជាន់ហ្គែរ បង្អង់ល្បឿន ឬបត់ឆ្វេង។ |
| Intermittency | ភាពមិនទៀងទាត់ និងមិនអាចទស្សន៍ទាយបានច្បាស់លាស់នៃការផលិតថាមពលកកើតឡើងវិញ (ដូចជាកម្លាំងខ្យល់ ឬពន្លឺព្រះអាទិត្យ) ដែលអាចផ្លាស់ប្តូរភ្លាមៗទៅតាមអាកាសធាតុ ធ្វើឱ្យពិបាកក្នុងការគ្រប់គ្រងការផ្គត់ផ្គង់ភ្លើងឱ្យមានស្ថិរភាព។ | ដូចជាការរង់ចាំទឹកភ្លៀងដើម្បីធ្វើស្រែ ដែលយើងមិនអាចបញ្ជាឱ្យធ្លាក់រាល់ថ្ងៃតាមតម្រូវការបានឡើយ។ |
| Dynamic Pricing | ការកំណត់តម្លៃអគ្គិសនីដែលអាចប្រែប្រួលក្នុងពេលជាក់ស្តែង (Real-time) អាស្រ័យលើតម្រូវការប្រើប្រាស់ និងបរិមាណថាមពលដែលផលិតបាន។ តម្លៃនឹងឡើងថ្លៃនៅម៉ោងកំពូលដែលមានមនុស្សប្រើច្រើន និងចុះថោកនៅពេលសំបូរថាមពល។ | ដូចជាតម្លៃកក់ឡាន PassApp ឬ Grab ដែលឡើងថ្លៃនៅពេលមានភ្លៀងធ្លាក់ ឬពេលស្ទះចរាចរណ៍ខ្លាំង។ |
| Multi-Agent Reinforcement Learning (MARL) | ការប្រើប្រាស់ភ្នាក់ងារ AI (Agents) ជាច្រើនឱ្យធ្វើការសម្រេចចិត្តក្នុងពេលតែមួយ និងទំនាក់ទំនងគ្នាទៅវិញទៅមក ដើម្បីដោះស្រាយបញ្ហាស្មុគស្មាញ និងធំៗ ដូចជាការគ្រប់គ្រងចរន្តអគ្គិសនីសម្រាប់សហគមន៍ទាំងមូល។ | ដូចជាកីឡាករបាល់ទាត់មួយក្រុម ដែលម្នាក់ៗត្រូវលេងតួនាទីរៀងខ្លួន តែត្រូវសហការគ្នាដើម្បីឈ្នះការប្រកួតទាំងមូល។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
