Original Title: Solar Energy Optimal Grid Integration Through Machine Learning Techniques
Source: doi.org/10.15866/irecon.v12i2.24608
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការធ្វើសមាហរណកម្មថាមពលពន្លឺព្រះអាទិត្យទៅក្នុងបណ្តាញអគ្គិសនីប្រកបដោយប្រសិទ្ធភាពតាមរយៈបច្ចេកទេសម៉ាស៊ីនរៀន (Machine Learning)

ចំណងជើងដើម៖ Solar Energy Optimal Grid Integration Through Machine Learning Techniques

អ្នកនិពន្ធ៖ Aaqib Raza (Universiti Teknologi PETRONAS, Malaysia), Mohd Zuki Yusoff (Universiti Teknologi PETRONAS, Malaysia), Mazhar Baloch (A’Sharqiyah University, Oman)

ឆ្នាំបោះពុម្ព៖ 2024 (International Journal on Energy Conversion)

វិស័យសិក្សា៖ Renewable Energy Engineering / Machine Learning

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមនៃការតភ្ជាប់ថាមពលកកើតឡើងវិញ (Renewable Energy) ជាពិសេសថាមពលពន្លឺព្រះអាទិត្យទៅក្នុងបណ្តាញអគ្គិសនី ដែលជារឿយៗជួបប្រទះភាពមិនច្បាស់លាស់ និងការប្រែប្រួលអាកាសធាតុ តម្រូវឱ្យមានការព្យាករណ៍ដ៏ត្រឹមត្រូវ។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្រគំរូចម្រុះ (Ensemble Model) ដោយរួមបញ្ចូលបច្ចេកទេសម៉ាស៊ីនរៀន (Machine Learning) ផ្សេងៗគ្នាដើម្បីវិភាគទិន្នន័យ និងព្យាករណ៍ទិន្នផលថាមពល។

សំណុំទិន្នន័យឧតុនិយម និងការផលិតអគ្គិសនីពីឧទ្យានសូឡា Quid-e-Azam ប្រទេសប៉ាគីស្ថាន (Meteorological Dataset)
ការអភិវឌ្ឍគំរូដោយប្រើ Decision Trees, Support Vector Regression និង Neural Networks
ការវាយតម្លៃលទ្ធផលតាមរយៈរង្វាស់ស្ថិតិដូចជា RMSE, MAE និង R² Score (Statistical Metrics)

លទ្ធផលសំខាន់ៗ (The Verdict)៖

គំរូចម្រុះ (Ensemble Model) ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុតក្នុងការព្យាករណ៍ ដោយមានពិន្ទុ R² រហូតដល់ ៩៨.៩%។
លទ្ធផលបង្ហាញថាគំរូចម្រុះមានប្រសិទ្ធភាពជាងគំរូដាច់ដោយឡែក ដោយ Decision Trees ទទួលបាន ៩៧.១% និង SVR ទទួលបានត្រឹម ៨២.៧%។
គំរូដែលបានស្នើឡើងមានអត្រាលម្អៀងទាបបំផុត (Lowest Error Rates) ដោយមានតម្លៃ RMSE ៣.០៨ និង MAE ១.៦ ដែលជួយកាត់បន្ថយការចំណាយ និងបង្កើនប្រសិទ្ធភាពថាមពល។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Ensemble Model (Proposed) គំរូចម្រុះ (Ensemble Model) ដែលរួមបញ្ចូល Decision Tree និង Neural Network	មានសមត្ថភាពចាប់យកទំនាក់ទំនងស្មុគស្មាញរវាងទិន្នន័យបានល្អបំផុត និងកាត់បន្ថយភាពលំអៀងនៃការទស្សន៍ទាយ។	ទាមទារធនធានគណនា និងពេលវេលាបណ្តុះបណ្តាល (Training time) ច្រើនជាងគំរូទោលបន្តិច។	ទទួលបានពិន្ទុ R² ខ្ពស់បំផុត ៩៨.៩% និងកំហុស RMSE ទាបបំផុត ៣.០៨។
Decision Trees (DT) គំរូដើមឈើសម្រេចចិត្ត (Decision Trees)	ដំណើរការលឿន និងមានភាពសាមញ្ញក្នុងការបកស្រាយលទ្ធផល។	មានកម្រិតភាពត្រឹមត្រូវទាបជាងគំរូចម្រុះបន្តិច ជាពិសេសនៅពេលទិន្នន័យមានការប្រែប្រួលខ្លាំង។	ទទួលបានពិន្ទុ R² ៩៧.១% និងកំហុស RMSE ៣.៦។
Support Vector Regression (SVR) គំរូ Support Vector Regression (SVR)	ជាទូទៅល្អសម្រាប់សំណុំទិន្នន័យតូច ប៉ុន្តែមិនសូវមានប្រសិទ្ធភាពក្នុងការសិក្សានេះទេ។	មានកំហុសខ្ពស់បំផុត និងមិនអាចចាប់យកការប្រែប្រួលនៃថាមពលបានល្អ។	ទទួលបានពិន្ទុ R² ទាបបំផុត ៨២.៧% និងកំហុស RMSE ៨.០៦។

ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ធនធានកុំព្យូទ័រកម្រិតមធ្យម ដែលអាចអនុវត្តបានលើកុំព្យូទ័រផ្ទាល់ខ្លួន (PC) ទូទៅសម្រាប់ការបណ្តុះបណ្តាលគំរូ។

Software: ភាសា Python ដោយប្រើបណ្ណាល័យ Scikit-learn និង Jupyter Notebook សម្រាប់ការវិភាគទិន្នន័យ។
Dataset: ទិន្នន័យឧតុនិយម (សីតុណ្ហភាព, កម្រិតពន្លឺ) និងទិន្នន័យផលិតថាមពលជាក់ស្តែង (Real-time power generation data) រយៈពេល ១ឆ្នាំ។
Hardware: កុំព្យូទ័រដែលមាន CPU ល្បឿនមធ្យម ឬ GPU (ប្រសើរសម្រាប់ Neural Network) ដើម្បីដំណើរការ Epochs ចំនួន ២០០។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះធ្វើឡើងដោយប្រើទិន្នន័យពីឧទ្យានសូឡា Quid-e-Azam នៅទីក្រុង Bahawalpur ប្រទេសប៉ាគីស្ថាន ដែលមានអាកាសធាតុក្តៅ និងស្ងួត។ សម្រាប់កម្ពុជា គំរូនេះអាចត្រូវការការកែសម្រួលបន្ថែម ដោយសារកម្ពុជាមានរដូវវស្សាដែលមានពពកច្រើន និងសំណើមខ្ពស់ ដែលអាចប៉ះពាល់ដល់កម្រិតពន្លឺ (Irradiance) ខុសពីប៉ាគីស្ថាន។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

វិធីសាស្ត្រនេះមានសារៈសំខាន់ខ្លាំងណាស់សម្រាប់កម្ពុជា ដោយសារការកើនឡើងយ៉ាងឆាប់រហ័សនៃការវិនិយោគលើថាមពលពន្លឺព្រះអាទិត្យ។

អគ្គិសនីកម្ពុជា (EDC): ជួយក្នុងការគ្រប់គ្រងបណ្តាញជាតិ (National Grid) ដោយកាត់បន្ថយភាពមិនច្បាស់លាស់នៃការផ្គត់ផ្គង់ពីប្រភពថាមពលកកើតឡើងវិញ និងរក្សាលំនឹងប្រេកង់។
ស្ថានីយថាមពលពន្លឺព្រះអាទិត្យ (Solar Farms) នៅកំពង់ឆ្នាំង ឬស្វាយរៀង: ជួយម្ចាស់ស្ថានីយក្នុងការទស្សន៍ទាយទិន្នផលថាមពលប្រចាំថ្ងៃ ដើម្បីរាយការណ៍ជូន EDC និងជៀសវាងការពិន័យលើការផលិតលើស ឬខ្វះ។
ប្រព័ន្ធ Microgrid នៅតាមតំបន់ដាច់ស្រយាល: បង្កើនប្រសិទ្ធភាពនៃការប្រើប្រាស់អាគុយ ដោយព្យាករណ៍ថាពេលណាពន្លឺព្រះអាទិត្យនឹងធ្លាក់ចុះ។

ការអនុវត្តគំរូនេះនឹងជួយកម្ពុជាក្នុងការធ្វើសមាហរណកម្មថាមពលស្អាតបានកាន់តែច្រើន ដោយមិនប៉ះពាល់ដល់ស្ថេរភាពបណ្តាញអគ្គិសនី។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

ជំហានទី ១: សិក្សាមូលដ្ឋានគ្រឹះនៃ Machine Learning: និស្សិតគួរចាប់ផ្តើមរៀនភាសា Python និងបណ្ណាល័យសំខាន់ៗដូចជា Pandas សម្រាប់គ្រប់គ្រងទិន្នន័យ និង Scikit-learn សម្រាប់បង្កើតគំរូ Decision Tree និង SVR។
ជំហានទី ២: ការប្រមូលទិន្នន័យក្នុងស្រុក: ស្វែងរកទិន្នន័យអាកាសធាតុ (កម្រិតពន្លឺ, សីតុណ្ហភាព) ពីប្រភពបើកចំហរដូចជា Solcast ឬស្ថានីយវាស់វែងរបស់សាកលវិទ្យាល័យ ដើម្បីជំនួសទិន្នន័យប៉ាគីស្ថាន។
ជំហានទី ៣: ការបង្កើត និងពិសោធន៍គំរូ: សរសេរកូដក្នុង Jupyter Notebook ដើម្បីបង្កើតគំរូ Ensemble ដោយបូកបញ្ចូលលទ្ធផលពី Decision Tree Regressor និង Neural Network (អាចប្រើ Keras ឬ PyTorch)។
ជំហានទី ៤: ការវាយតម្លៃ និងប្រៀបធៀប: ប្រើប្រាស់រង្វាស់ RMSE និង MAE ដើម្បីវាស់វែងប្រសិទ្ធភាពនៃគំរូ ដោយប្រៀបធៀបរវាងទិន្នន័យព្យាករណ៍ និងទិន្នន័យជាក់ស្តែង។
ជំហានទី ៥: ការអនុវត្តលើករណីសិក្សាជាក់ស្តែង: ព្យាយាមអនុវត្តគំរូនេះដើម្បីព្យាករណ៍ទិន្នផលនៃប្រព័ន្ធសូឡាដំបូល (Rooftop Solar) នៃអគារសិក្សារបស់សាកលវិទ្យាល័យសម្រាប់ការគ្រប់គ្រងថាមពល។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Ensemble Model	គឺជាបច្ចេកទេសក្នុងវិទ្យាសាស្ត្រទិន្នន័យ ដែលយកលទ្ធផលពីគំរូកុំព្យូទ័រ (Models) ជាច្រើនផ្សេងគ្នា (ដូចជា Decision Tree និង Neural Network) មកបញ្ចូលគ្នា ដើម្បីបង្កើតការព្យាករណ៍ចុងក្រោយមួយដែលមានភាពសុក្រឹតខ្ពស់ជាងការប្រើប្រាស់គំរូតែមួយដាច់ដោយឡែក។	ប្រៀបដូចជាការសួរយោបល់ពីគ្រូពេទ្យជំនាញជាច្រើននាក់ ដើម្បីទទួលបានរោគវិនិច្ឆ័យច្បាស់លាស់ ជាជាងជឿជាក់លើគ្រូពេទ្យតែម្នាក់។
Grid Integration	គឺជាដំណើរការបច្ចេកទេស និងការគ្រប់គ្រងក្នុងការតភ្ជាប់ប្រភពថាមពលកកើតឡើងវិញ (ដូចជាសូឡា ឬខ្យល់) ទៅក្នុងបណ្តាញអគ្គិសនីជាតិ ដោយធានាថាការប្រែប្រួលនៃពន្លឺព្រះអាទិត្យមិនធ្វើឱ្យប៉ះពាល់ដល់ស្ថេរភាព ឬបណ្តាលឱ្យដាច់ចរន្តនៅក្នុងបណ្តាញឡើយ។	ដូចជាការបញ្ចូលចរាចរណ៍ពីផ្លូវលំតូចៗ (ថាមពលសូឡា) ទៅក្នុងផ្លូវហាយវេធំដែលមានចរាចរណ៍មមាញឹក (បណ្តាញជាតិ) ដោយរលូន និងមិនបង្កការកកស្ទះ។
Root Mean Squared Error (RMSE)	ជារង្វាស់ស្ថិតិស្តង់ដារដែលប្រើដើម្បីវាយតម្លៃកម្រិតនៃកំហុសរបស់គំរូព្យាករណ៍។ វាគណនាដោយយកភាពខុសគ្នារវាងតម្លៃព្យាករណ៍ និងតម្លៃជាក់ស្តែងមកគិតជាមធ្យម។ តម្លៃ RMSE កាន់តែតូច បង្ហាញថាការព្យាករណ៍កាន់តែមានភាពត្រឹមត្រូវ។	ប្រៀបដូចជាការវាស់ចម្ងាយថាគ្រាប់ព្រួញដែលអ្នកបាញ់ បានធ្លាក់ឃ្លាតឆ្ងាយប៉ុណ្ណាពីចំណុចកណ្តាលនៃផ្ទាំងស៊ីប។
Support Vector Regression (SVR)	គឺជាក្បួនដោះស្រាយ Machine Learning មួយប្រភេទដែលព្យាយាមស្វែងរកខ្សែបន្ទាត់ដ៏ល្អបំផុត (Hyperplane) ដើម្បីតំណាងឱ្យនិន្នាការនៃទិន្នន័យ ដោយអនុញ្ញាតឱ្យមានកំហុសក្នុងកម្រិតកំណត់មួយ ដើម្បីអាចព្យាករណ៍តម្លៃអនាគតបាន។	ដូចជាការគូសផ្លូវថ្នល់មួយកាត់ចំកណ្តាលភូមិ ដើម្បីឱ្យផ្ទះរបស់អ្នកភូមិភាគច្រើនស្ថិតនៅជិតផ្លូវនោះបំផុតតាមដែលអាចធ្វើទៅបាន។
Decision Trees (DTs)	គឺជាគំរូព្យាករណ៍ដែលដំណើរការដោយការបំបែកទិន្នន័យជាជំហានៗដូចមែកធាង ដោយផ្អែកលើលក្ខខណ្ឌសាមញ្ញ (ឧទាហរណ៍៖ បើក្តៅខ្លាំង -> ផលិតភ្លើងច្រើន) ដើម្បីឈានទៅរកចម្លើយចុងក្រោយ។	ដូចជាល្បែងសួរឆ្លើយដែលប្រើសំណួរ 'Yes ឬ No' ជាបន្តបន្ទាប់ ដើម្បីទាយថាវត្ថុនោះជាអ្វី។
Intermittency	សំដៅលើលក្ខណៈមិនទៀងទាត់នៃការផលិតថាមពលកកើតឡើងវិញ ដោយសារប្រភពធម្មជាតិ (ដូចជាពន្លឺព្រះអាទិត្យ) មិនមានជាប់លាប់គ្រប់ពេលវេលាទេ (ឧទាហរណ៍៖ ការបាត់ពន្លឺពេលមានពពក ឬពេលយប់) ដែលធ្វើឱ្យពិបាកគ្រប់គ្រងបណ្តាញ។	ដូចជាទឹកម៉ាស៊ីនដែលហូរខ្លាំង ឬខ្សោយទៅតាមអាកាសធាតុ មិនមែនហូរស្មើជានិច្ចរហូតនោះទេ។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖