การทำนายกำลังผลิตของโซลาร์เซลล์โดยใช้โมเดลประมาณค่าและตัวกรองคาลมาน

พีรพล จิรนันทเจริญ

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/70250

Title:	การทำนายกำลังผลิตของโซลาร์เซลล์โดยใช้โมเดลประมาณค่าและตัวกรองคาลมาน
Other Titles:	Photovoltaic power generation forecasting by using estimator model and Kalman filter
Authors:	พีรพล จิรนันทเจริญ
Advisors:	วาทิต เบญจพลกุล
Other author:	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Advisor's Email:	Watit.B@Chula.ac.th
Issue Date:	2562
Publisher:	จุฬาลงกรณ์มหาวิทยาลัย
Abstract:	วิทยานิพนธ์ฉบับนี้เสนอแนวทางในการทำนายกำลังผลิตของโซลาร์เซลล์โดยใช้แบบจำลอง Auto Regressive Integrated Moving Average (ARIMA) และ Kalman filter algorithm แนวทางในการทำนายนี้ทำนายกำลังผลิตแบบเวลาจริงของสถานี Photovoltaic (PV) ใดๆที่ต้องการทราบโดยในวิทยานิพนธ์ฉบับนี้จะทำนายกำลังผลิตทุกๆ 5 นาที จุดมุ่งหมายของการใช้ Kalman filter algorithm เพื่อติดตามกำลังผลิตแบบเวลาจริงของสถานีที่ต้องการทราบค่ากำลังผลิตในกรณีที่ข้อมูลกำลังผลิตขาดหายไปในบางช่วงเวลา Kalman filter มีข้อดีที่ไม่ต้องใช้ข้อมูลในอดีตจำนวนมากในการทำนายและติดตามข้อมูลที่ต้องการ แต่เนื่องจาก Kalman filter algorihm ต้องการข้อมูลการวัดค่าแบบเวลาจริงเพื่อปรับแก้ในสมการดังนั้นเราจึงได้เสนอแบบจำลองการคำนวณค่าประมาณกำลังผลิต Estimator model เพื่อคำนวณค่ากำลังผลิตแบบเวลาจริงเพื่อนำไปใช้ใน Kalman filter algorithm ซึ่ง Estimator model จะคำนวณค่าประมาณกำลังผลิตแบบเวลาจริงของสถานีที่เราต้องการทำนายจากข้อมูลค่ากำลังผลิตแบบเวลาจริงของสถานีข้างเคียง จากนั้นจึงส่งผลลัพธ์นั้นไปใช้ในการทำนายกำลังผลิตจาก Kalman filter algorithm พบว่าผลลัพธ์ที่ได้มีความใกล้เคียงกับค่าจริงโดยสามารถดูได้จากค่าดัชนีชี้วัดความแม่นยำ นอกจากนั้นเรายังเปรียบเเทียบผลลัพธ์ของการทำนายกับ Persistence Model และ Artificial Neural Network ซึ่งผลลัพธ์ปรากฏว่า ARIMA-Kalman ให้ผลลัพธ์ที่ดีกว่า Persistence Model และมีความแม่นยำใกล้เคียงกับ Artificial Neural Network ที่ใช้กันมากขึ้นเรื่อยๆในปัจจุบัน แต่ ARIMA-Kalman มีข้อดีตรงที่ไม่ต้องใช้ข้อมูลกำลังผลิตของสถานีที่ต้องการทำนายกำลังผลิตเป็นจำนวนมากในการทำนาย
Other Abstract:	This thesis presents an approach to forecast power generation of PV by using the Auto-Regressive Integrated Moving Average model (ARIMA) and Kalman filter algorithm. This approach forecasts power generation of the interested PV every 5 minute interval. The purpose of Kalman filter algorithm is to track the real-time power generation of the interested PV, especially when we cannot receive real-time power generation data from the interested PV. The advantage of Kalman Filter algorithm is the fact that it can perform, even if we do not have many historical data. However, Kalman filter algorithm requires real-time measurement data to adjust the forecast value, therefore, we propose the Estimator model to estimate real-time power generation of the interested PV by using information of real-time power generation from neighboring PV. Then, we send the result to Kalman filter algorithm and forecast power generation. The forecasting result shows that it is close to the real data value and we calculate model accuracy to support the forecasting result. Furthermore, we compare the result with Persistence Model and Artificial Neural Network. The comparison result shows that ARIMA-Kalman is better than Persistence Model. The accuracy is nearly the same as that of Artificial Neural Network, but it can forecast without the interested PV's historical data.
Description:	วิทยานิพนธ์ (วศ.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2562
Degree Name:	วิศวกรรมศาสตรมหาบัณฑิต
Degree Level:	ปริญญาโท
Degree Discipline:	วิศวกรรมไฟฟ้า
URI:	http://cuir.car.chula.ac.th/handle/123456789/70250
URI:	http://doi.org/10.58837/CHULA.THE.2019.1248
metadata.dc.identifier.DOI:	10.58837/CHULA.THE.2019.1248
Type:	Thesis
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
6070263921.pdf		6.47 MB	Adobe PDF	View/Open

Show full item record