แบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง
21
2
Files
Issued Date
2023
Resource Type
Language
tha
File Type
application/pdf
Rights Holder(s)
มหาวิทยาลัยสุโขทัยธรรมาธิราช
Suggested Citation
อดิเรก ปั้นบุญ (2023). แบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง. สืบค้นจาก: https://hdl.handle.net/20.500.14770/13758
Alternative Title(s)
Floating Solar Power Generation Forecasting Model Based on Long Short-Term Memory and Extreme Gradient Boosting Methods
Author(s)
Advisor(s)
Other Contributor(s)
Abstract
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ (1) ศึกษาวิธีการและสร้างแบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง และ (2) ประเมินประสิทธิภาพของแบบจำลองการพยากรณ์การผลิตพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ โดยอาศัยวิธีการหน่วยความจำระยะสั้นแบบยาวและเอ็กซ์ตรีมเกรเดียนต์บูสติ้ง วิธีการวิจัยดำเนินตามกระบวนการเรียนรู้เชิงลึก (Deep Learning) ซึ่งประกอบด้วย 3 ขั้นตอนหลัก ดังนี้ ขั้นตอนแรก เก็บรวบรวมข้อมูลการผลิตพลังงานไฟฟ้าและข้อมูลจากเซนเซอร์ของโรงไฟฟ้าพลังงานแสงอาทิตย์บนทุ่นลอยน้ำ ขนาดกำลังการผลิต 45 เมกะวัตต์ ในช่วงเดือนกุมภาพันธ์ ถึง ตุลาคม พ.ศ. 2566 จำนวน 6,511 ระเบียน และ 11 คุณลักษณะ ขั้นตอนที่สอง การคัดเลือกคุณลักษณะและการจำแนกประเภท โดยประยุกต์ใช้วิธีการแบบผสมผสานด้วยอัลกอริทึมการเรียนรู้เชิงลึก 2 อัลกอริทึม ได้แก่ 1) หน่วยความจำระยะสั้นแบบยาว (LSTM) สำหรับการจดจำข้อมูลในระยะยาวตามอนุกรมเวลา และ 2) เอ็กซ์ตรีมเกรเดียนต์บูสติ้ง (XGBoost) สำหรับการเรียนรู้จากชุดข้อมูลที่ไม่แน่นอนและการพยากรณ์ที่มีประสิทธิภาพสูง และขั้นตอนที่สาม การประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด ได้แก่ การวัดค่าเฉลี่ยของผลต่างสัมบูรณ์ (MAE) ค่าเฉลี่ยความผิดพลาดกำลังสอง (MSE) และรากที่สองของค่าเฉลี่ยความผิดพลาดกําลังสอง (RMSE) สำหรับค่าผลลัพธ์ที่ได้จากแบบจำลองการพยากรณ์ ได้ค่า MAE เฉลี่ย 0.0577, MSE เฉลี่ย 0.0143 และ RMSE เฉลี่ย 0.1196 ซึ่งแสดงถึงค่าที่เหมาะสมในสถานการณ์จริง
The purposes of this research were to (1) build a forecasting model for floating solar energy generation based on Long Short-Term Memory and Extreme Gradient Boosting methods and (2) to evaluate the performance of a model based on Long Short-Term Memory and Extreme Gradient Boosting methods.The research methodology follows the deep learning pipeline, which consists of three main steps: In the first step, the data were collected from the electricity generation records and sensor readings obtained from a floating solar power facility with a capacity of 45 megawatts during February–October 2023, which consisted of 6,511 examples and 11 features. In the second step, feature extraction and classification were applied using the hybrid model by using two deep learning algorithms: 1) Long Short-Term Memory (LSTM) for memorizing long-term dependencies of time-series data, and 2) Extreme Gradient Boosting (XGBoost) for learning from uncertain data and predicting high performance; and In the third step, model evaluation was assessed using metrics including the mean absolute error (MAE), mean square error (MSE) and root mean square error (RMSE) for the indicated values from the forecasting model. The experiment result shows an average MAE of 0.0577, an average MSE of 0.0143, and an average RMSE of 0.1196 which represent suitable values in a real situation.
The purposes of this research were to (1) build a forecasting model for floating solar energy generation based on Long Short-Term Memory and Extreme Gradient Boosting methods and (2) to evaluate the performance of a model based on Long Short-Term Memory and Extreme Gradient Boosting methods.The research methodology follows the deep learning pipeline, which consists of three main steps: In the first step, the data were collected from the electricity generation records and sensor readings obtained from a floating solar power facility with a capacity of 45 megawatts during February–October 2023, which consisted of 6,511 examples and 11 features. In the second step, feature extraction and classification were applied using the hybrid model by using two deep learning algorithms: 1) Long Short-Term Memory (LSTM) for memorizing long-term dependencies of time-series data, and 2) Extreme Gradient Boosting (XGBoost) for learning from uncertain data and predicting high performance; and In the third step, model evaluation was assessed using metrics including the mean absolute error (MAE), mean square error (MSE) and root mean square error (RMSE) for the indicated values from the forecasting model. The experiment result shows an average MAE of 0.0577, an average MSE of 0.0143, and an average RMSE of 0.1196 which represent suitable values in a real situation.
Degree Name
วิทยาศาสตรมหาบัณฑิต
Degree Level
ปริญญาโท
Degree Discipline
วิทยาศาสตร์และเทคโนโลยี
Degree Grantor(s)
มหาวิทยาลัยสุโขทัยธรรมาธิราช