การพัฒนาแบบจำลองสำหรับพยากรณ์ค่าความพร้อมจ่ายสูงสุดของโรงไฟฟ้าพลังงานความร้อนร่วมกรณีศึกษา

Development of forecasting models to predict the maximum availability of combine cycle power plant.

Name: สุรวัช พลศารทูล

keyword: โครงข่ายประสาทเทียม

; ค่าความพร้อมจ่ายสูงสุด

; โรงไฟฟ้าพลังความร้อนร่วม

ThaSH: การวิเคราะห์การถดถอย

ThaSH: โรงไฟฟ้าพลังความร้อน

ThaSH: การผลิตพลังงานไฟฟ้า -- พยากรณ์ -- แบบจำลอง

ThaSH: โรงจักรต้นกำลังความร้อนร่วม

Abstract: โรงไฟฟ้ากรณีศึกษาสูญเสียรายได้เป็นจำนวน 14.8 ล้านบาท ตั้งแต่เดือนเมษายน พ.ศ. 2557 ถึงเดือน ธันวาคม พ.ศ. 2560 จากปัญหาการแจ้งค่าความพร้อมจ่ายของวันถัดไปแตกต่างกับกำลังการผลิตที่สามารถทำได้จริง งานวิจัยนี้มีจุดประสงค์เพื่อพัฒนาแบบจำลองสำหรับพยากรณ์ค่าความพร้อมจ่ายที่มีประสิทธิภาพสูงสุด โดยพิจารณาจากปัจจัยที่มีอิทธิพลต่อกำลังการผลิตไฟฟ้าของกังหันก๊าซ ได้แก่ 1)ความชื้นภายในอากาศ 2)ความดันบรรยากาศ 3)ความดันตกคร่อมกรองอากาศขาเข้า 4)อุณหภูมิอากาศ และ 5)ประสิทธิภาพเครื่องอัดอากาศ ปัจจัยที่มีอิทธิพลต่อกำลังการผลิตไฟฟ้าของกังหันไอน้ำ ได้แก่ 1)กำลังการผลิตของกังหันก๊าซทั้ง 2 ชุด 2)อุณหภูมิอากาศ และ 3)ความชื้นภายในอากาศ จากนั้นได้นำเทคนิคการพยากรณ์โครงข่ายประสาทเทียมสามารถพยากรณ์ค่าความพร้อมจ่ายของกังหันก๊าซและกังหันไอน้ำได้แม่นยำกว่าแบบจำลองจากการวิเคราะห์การถดถอย โดยพิจารณาจากค่าความคลาดเคลื่อนกำลังสอง (MSE) ต่ำที่สุด ต่อมาค่าพยากรณ์ความพร้อมจ่ายสูงสุดจากแบบจำลองโครงข่ายประสาทเทียมถูกนำมาเปรียบเทียบกับข้อมูลการผลิตไฟฟ้าที่เกิดขึ้นจริงตั้งแต่เดือนกุมภาพันธ์ พ.ศ. 2560 ถึงเดือนมกราคม พ.ศ. 261 พบว่าค่าพยากรณ์ที่ได้มีค่าความแม่นยำ ทำให้การสูญเสียรายได้ของโรงไฟฟ้าจาก 4.79 ล้านบาท ลดลงเหลือ 2.80 ล้านบาท ซึ่งสามารถลดต้นทุนคิดเป็นร้อยละ 41.5

Abstract: Power plant lost 14.8 million baht from April 2014 until December 2017 due to tl e difference between the maximum availability declaration of the next day and actual capacity. The objective of this research is to develop high accurate prediction model of maximum availability. The factors affecting the capacity of gas turbine consist of : 1) ambient humidity, 2) ambient pressure, 3) inlet air filter differential pressure, 4) ambient temperah1re, and 5) compressor efficiency. The factors affecting the capacity of steam turbine consist of : 1) both gas turbine capacity, 2) ambient temperature, and 3) ambient humidity. Next, the artificial neural networks and regression analysis are employed to forecast the maximum power plant availability each day. The results show that the model from mtificial neural networks can predict the maximum availability of gas turbine and steam turbine with higher accuracy than that of the regression model. The highest efficiency prediction model is considered from the lowest mean square enor (MSE). The predicted data obtained from the artificial neural networks model are then compared against the actual capacity over the period from February 2017 to Janumy 2018. The results show that power plant' s loss is decreased from 4. 79 to 2. 80 million baht which can reduce cost by 41.59%.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: กฤษดา อัศวรุ่งแสงกุล

Role: ที่ปรึกษาสารนิพนธ์

Email : krisada.a@eng.kmutnb.ac.th

Created: 2560

Modified: 2561-11-30

Issued: 2561-11-08

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิศวกรรมศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิศวกรรมการจัดการอุตสาหกรรม

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B16196314.pdf	83.9 MB	19	2025-02-26 00:58:15

ใช้เวลา

0.031972 วินาที