การพยากรณ์ความเข้มรังสีอาทิตย์โดยใช้โครงข่ายแบบหน่วยความจำระยะสั้นแบบยาวในประเทศไทย
Main Article Content
บทคัดย่อ
พลังงานแสงอาทิตย์เป็นพลังงานทางเลือกหนึ่งที่สำคัญในปัจจุบันซึ่งจะช่วยในการลดปริมาณ การปลดปล่อยก๊าซคาร์บอนไดออกไซด์ในบรรยากาศได้ ซึ่งพลังงานแสงอาทิตย์นี้สามารถนำไปประยุกต์ใช้โดยแปลงให้เป็นพลังงานไฟฟ้าหรือพลังงานความร้อน เช่น ระบบผลิตไฟฟ้าจากแผงเซลล์แสงอาทิตย์ ระบบทำน้ำร้อนพลังงานแสงอาทิตย์ และระบบอบแห้งพลังงานแสงอาทิตย์ สำหรับระบบที่ใช้ในการแปลงพลังงานแสงอาทิตย์เป็นพลังงานดังกล่าวนี้จำเป็นต้องทราบค่าความเข้มรังสีอาทิตย์ที่ตกกระทบเพื่อใช้ในการประเมินศักยภาพและการควบคุมการทำงานของระบบให้มีศักยภาพสูงที่สุดในการใช้งาน ดังนั้นในงานวิจัยนี้จึงทำการพัฒนาแบบจำลองการเรียนรู้ของเครื่องแบบโครงข่ายหน่วยความจำระยะสั้นแบบยาวเพื่อพยากรณ์ค่าความเข้มรังสีอาทิตย์ล่วงหน้า 1 ชั่วโมง 2 ชั่วโมง 3 ชั่วโมง 4 ชั่วโมง และ 24 ชั่วโมง โดยใช้ข้อมูลความเข้มรังสีอาทิตย์จากการวัดภาคพื้นดิน และข้อมูลตัวแปรทางบรรยากาศต่าง ๆ จากฐานข้อมูล ERA5 ที่จังหวัดนครปฐม (13.82 ºN, 100.04 ºE) ตั้งแต่ปี ค.ศ. 2019 – 2023 ผลการทดสอบสมรรถนะของแบบจำลองพบว่าแบบจำลองที่พัฒนาขึ้นสามารถพยากรณ์ความเข้มรังสีอาทิตย์ล่วงหน้า 1 ชั่วโมงได้ดีที่สุด โดยมีค่าความคลาดเคลื่อนในรูปของค่านอร์มัลไลซ์ของรากที่สองของค่าเฉลี่ยของความแตกต่างยกกำลังสองเท่ากับ 20.93% และค่านอร์มัลไลซ์ ของค่าเฉลี่ยของความแตกต่างเท่ากับ 0.12% เมื่อเทียบกับค่าที่ได้จากการวัดจริง
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ใน Journal of Advanced Development in Engineering and Science ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา ฯลฯ ที่ได้รับการตีพิมพ์ในJournal of Advanced Development in Engineering and Science ถือเป็นลิขสิทธิ์ของ Journal of Advanced Development in Engineering and Science หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก Journal of Advanced Development in Engineering and Scienceก่อนเท่านั้น
เอกสารอ้างอิง
Dhaked, D. K., et al. (2023). Power Output Forecasting of Solar Photovoltaic Plant Using LSTM. Green Energy and Intelligent Transportation, 2(5), 100113.
El Alani, O., et al. (2021). Short Term Solar Irradiance Forecasting Using Sky Images Based on a Hybrid CNN–MLP Model. Energy Reports, 7, 888-900.
Nadeem, T. B., et al. (2024). Forecasting Daily Solar Radiation: An Evaluation and Comparison of Machine Learning Algorithms. AIP Advances, 14(7), 075010.
Bristow, K. (1984). On the Relationship Between Incoming Solar Radiation and Daily Maximum and Minimum Temperature. Agricultural and Forest Meteorology, 30, 159-166.
Besharat, F., et al. (2013). Empirical Models for Estimating Global Solar Radiation: A Review and Case Study, Renewable and Sustainable Energy Reviews, 21, 798-821
Voyant, C., et al. (2017). Machine Learning Methods for Solar Radiation Forecasting: A Review. Renewable Energy, 105, 569–582.
Shouman, E. R. M. (2024). Solar Power Prediction with Artificial Intelligence. In Abdelaziz, A. Y., et al. (Eds.). Advances in Solar Photovoltaic Energy Systems (p. 1-28). InTechOpen. doi: 10.5772/intechopen.1002726.
Vanlalchhuanawmi, C., et al. (2025). Solar Radiation Prediction: A Multi-Model Machine Learning and Deep Learning Approach. AIP Advances, 15, 055201.
Premalatha, N. & Arasu, A. V. (2016). Prediction of Solar Radiation for Solar Systems by Using ANN Models with Different Back Propagation Algorithms. Journal of Applied Research and Technology, 14(3), 206–214.
Rajagukguk, R. A., et al. (2020). A Review on Deep Learning Models for Forecasting Time Series Data of Solar Irradiance and Photovoltaic Power. Energies, 13(24), 6623.
Hou, X., et al. (2023). Prediction of Solar Irradiance Using Convolutional Neural Network and Attention Mechanism-Based Long Short-Term Memory Network Based on Similar Day Analysis and an Attention Mechanism. Heliyon, 9(11), e21484.
Warunsin, K., et al. (2023). Human Activity Recognition Using Long Short-Term Memory Network. International Journal of Innovative Computing, Information and Control, 19(3), 973–990.
Chawphongphang, N., et al. (2022). Global and Diffuse Solar Radiation Characteristics of Bangkok and its Forecast Using Artificial Neural Network, International Energy Journal, 22, 339-356.
Iqbal, M. (1983). An Introduction to Solar Radiation. New York: Academic Press.
