การประเมินความเชื่อถือได้ของระบบผลิตไฟฟ้าโดยใช้โครงข่ายประสาทเทียมและระบบอนุมานนิวโรฟัซซีแบบปรับตัวได้

Reliability evaluation of power generation systems using artificial neural networks and adaptive neuro-fuzzy inference systems

Name: ขนิษฐา วรรณคำ

keyword: การผลิตพลังงานไฟฟ้า

; นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)

; ระบบฟัสซี

; ระบบอนุมานนิวโรฟัซซีแบบปรับตัวได้

; Electric power production

; Neural networks (Computer science)

; Fuzzy systems

Abstract: วิทยานิพนธ์นี้นำเสนอวิธีการประเมินความเชื่อถือได้ของระบบผลิตไฟฟ้าของระบบไฟฟ้า ประเทศไทยด้วยวิธีโครงข่ายประสาทเทียม (Artificial Neural Networks : ANN) ซึ่งโครงข่ายประสาทเทียมที่เลือกเป็นแบบมีหลายชั้นชนิดแพร่ค่าย้อนกลับ เปรียบเทียบกับระบบอนุมานนิวโรฟัซ ซีแบบปรับตัวได้ (Adaptive Neuro-Fuzzy Inference Systems : ANFIS) ซึ่งเป็นการเรียนรู้แบบระบบผสมระหว่างโครงข่ายประสาทเทียมรวมกับกฏของฟัซซี โดยกำหนดให้การจัดลำดับเครื่องกำเนิดไฟฟ้า, กำลังผลิตติดตั้ง และค่า Force Outage Rate เป็นอินพุท และดัชนี Expected Energy Not Supplied เป็นเอาท์พุท โดยข้อมูลที่ถูกป้อนเข้าไปในการเรียนรู้มาจากการคำนวณทางสถิติและความน่าจะเป็น พบว่าวิธีประเมินความเชื่อถือได้ของระบบผลิตไฟฟ้าด้วยวิธีโครงข่ายประสาทเทียมให้ผลลัพธ์ที่ดีกว่าระบบอนุมานนิวโรฟัซซีแบบปรับตัวได้ รวมทั้งนำเสนอวิธีการจำลองข้อมูลพลังงานลมด้วยวิธีการกระจายข้อมูลแบบไวบูลล์, วิธีโครงข่ายประสาทเทียม และวิธีระบบอนุมานนิวโรฟัซซีแบบปรับตัวได้ โดยใช้ข้อมูลค่าพลังงานที่ผลิตได้ย้อนหลัง 2 เดือน, ค่าพลังงานที่ผลิตได้ย้อนหลัง 1 เดือน และความเร็วลมเฉลี่ยเป็นอินพุท และค่าพลังงานที่ผลิตได้เป็นเอาท์พุท โดยข้อมูลที่ถูกป้อนเข้าไปในการเรียนรู้มาจากค่าที่บันทึกไว้ของการผลิตไฟฟ้าจากกังหันลมของสถานีพลังงานทดแทน แหลมพรหมเทพ จังหวัดภูเก็ต พบว่าวิธีโครงข่ายประสาทเทียมให้ผลลัพธ์ที่ดีที่สุด

Abstract: This thesis proposes a method for evaluating the reliability of the electrical power system of Thailand by artificial neural networks (ANN), which is a multi-layer feed forward neural network. This method compares with adaptive neuro-fuzzy inference systems (ANFIS), which is a hybrid method of artificial neural network and fuzzy rules. Determine the priority list of generator, installed capacity and force outage rate are inputs. And expected energy not supplied index is output. The information entered into the learning comes from statistical and probabilistic calculations. It was found that the method of evaluating the reliability of electricity generation using artificial neural networks was better than adaptive neuro-fuzzy inference systems. In addition, the proposed method of wind energy data simulation using the Weibull distribution, artificial neural networks and adaptive neuro-fuzzy inference systems. Determine the wind energy 2 month ago, wind energy 1 month ago and average wind speed are inputs. And wind energy is output. The information entered into the learning comes from the recorded value of wind power from the Promthep alternative energy station, Phuket, Thailand. It was found that artificial neural networks delivers the best results.

สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: Lifelong@kmitl.ac.th

Name: สมชาติ จิริวิภากร

Role: อาจารย์ที่ปรึกษาวิทยานิพนธ์

Email : somchat.ji@kmitl.ac.th

Created: 2561

Modified: 2564-02-24

Issued: 2564-02-24

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: EThesis

tha

Spatial: ไทย (ภาคใต้)

Spatial: ภูเก็ต

Level: ปริญญาเอก

Descipline: วิศวกรรมไฟฟ้า

Grantor: สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง

DegreeName: วิศวกรรมศาสตรดุษฎีบัณฑิต

©copyrights สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	Fulltext Khanittha Wannakam.pdf	7.4 MB	8	2025-03-08 10:58:02

ใช้เวลา

0.022092 วินาที