การตรวจจับและระบุประเภทความผิดพร่องในระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์โดยใช้การเรียนรู้ของเครื่อง

Abstract

การใช้พลังงานหมุนเวียนโดยเฉพาะพลังงานแสงอาทิตย์มาผลิตกระแสไฟฟ้าได้รับความนิยมเพิ่มมากขึ้น แต่เนื่องจากพลังงานแสงอาทิตย์มีความผันผวนค่อนข้างสูงและเสี่ยงต่อการเกิดความผิดพร่อง ทำให้มีความท้าทายในการรวมเข้ากับระบบไฟฟ้าที่ใช้พลังงานแบบดั้งเดิมซึ่งเป็นระบบไฟฟ้าหลัก การเกิดความผิดพร่องในระบบไฟฟ้าพลังงานแสงอาทิตย์จึงเป็นหนึ่งในปัจจัยสำคัญที่ต้องพิจารณาเพื่อเพิ่มความน่าเชื่อถือให้ระบบไฟฟ้า วิทยานิพนธ์นี้จึงเสนอแนวทางการตรวจจับและระบุประเภทความผิดพร่องในระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ฝั่งกระแสตรงด้วยเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) โดยเปรียบเทียบความแม่นยำระหว่างอัลกอริทึม AdaBoost กับ Gradient Boosting ในการตรวจจับและระบุประเภทความผิดพร่อง 5 ประเภท ได้แก่ การลัดวงจรระหว่างสายภายในสตริง การเปิดวงจร การบังเงาบางส่วน การเสื่อมสภาพของอุปกรณ์ และการลัดวงจรระหว่างสายข้ามสตริง โดยการฝึกและทดสอบอัลกอริทึมมี 4 พารามิเตอร์ที่เป็นอินพุต ได้แก่ กระแสไฟฟ้าแต่ละสตริง แรงดันไฟฟ้าของระบบ กำลังไฟฟ้าของระบบ และความเข้มแสงอาทิตย์ ซึ่งได้มาจากการจำลองความผิดพร่องบนระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ขนาด 180 W ที่ติดตั้งแบบ 2 สตริง สตริงละ 3 แผง และเก็บรวบรวมข้อมูลด้วยการส่งข้อมูลแบบไร้สาย โดยใช้เทคโนโลยีสื่อสารไร้สาย LoRa เพื่อประหยัดและลดความยุ่งยากในการใช้สายไฟต่อจากอาเรย์เซลล์แสงอาทิตย์มายังศูนย์ควบคุม อีกทั้งยังช่วยลดปัญหาความผิดเพี้ยนของข้อมูลเนื่องจากสายไฟแกว่งจากกระแสลม ผลการทดสอบเปรียบเทียบความแม่นยำในการตรวจจับและระบุประเภทความผิดพร่องแสดงให้เห็นว่าโมเดลที่สร้างจาก Gradient Boosting มีความแม่นยำในการจำแนกประเภทความผิดพร่องภายใต้ชุดข้อมูลความผิดพร่องที่ได้จากการจำลองดังกล่าวมากกว่า AdaBoost อีกทั้งโมเดลที่สร้างจาก Gradient Boosting สามารถตรวจจับและระบุประเภทความผิดพร่องได้อย่างแม่นยำและทำงานได้แบบเรียลไทม์