การวิเคราะห์ข้อมูลการใช้พลังงานไฟฟ้าภายในบ้านสำหรับบ้านอัจฉริยะด้วยวิธีการเหมืองข้อมูล

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการวิเคราะห์ข้อมูลการใช้พลังงานไฟฟ้าภายในบ้าน สำหรับบ้านอัจฉริยะ เพื่อสร้างโมเดลสำหรับการพยากรณ์การใช้พลังงาน สำหรับการวางแผนการลดใช้พลังงานภายในบ้าน สำหรับการวิเคราะห์ข้อมูล ได้ใช้โปรแกรม Python เป็นเครื่องมือสำหรับวิเคราะห์ ข้อมูล และงานวิจัยนี้ได้ออกแบบอัลกอริทึมสำหรับการจัดการพลังงานในบ้าน เมื่อเกิดสัญญาณการตอบสนองด้านโหลดที่เกิดขึ้นภายในบ้าน การวิจัยได้ทำการวิเคราะห์ ข้อมูลของการใช้พลังงานภายในบ้าน โดยใช้ข้อมูล บ้านจำนวน 1 หลัง ในงานวิจัยนี้ได้สร้างรูปแบบการพยากรณ์โหลดโดยใช้วิธีเหมืองข้อมูล และได้เลือกโมเดล Autoregressive Integrated Moving Average (ARIMA) และโมเดล Recurrent Neural Network (RNN) ในการทำนายผลข้อมูล เพื่อเปรียบเทียบหาค่าเฉลี่ยความคลาดเคลื่อนเหมาะสมที่สุด และได้กำหนดโหลดภายในบ้านโดยการใช้อัลกอริทึมสำหรับการตอบสนองด้านโหลด สำหรับการลดใช้พลังงานภายในบ้าน ผลการวิเคราะห์ ข้อมูลพบว่าการพยากรณ์พลังงานไฟฟ้า ได้นำ 2 โมเดล มาวิเคราะห์ ผลการทำนายข้อมูลโมเดล ARIMA รายชั่วโมง วัน สัปดาห์ ค่าเฉลี่ยความคลาดเคลื่อน 0.160 0.076 และ 0.179 ตามลำดับ ส่วนโมเดล RNN ค่าเฉลี่ย ความคลาดเคลื่อน 0.349 ซึ่งโมเดล ARIMA ค่าเฉลี่ย ความคลาดเคลื่อนรายวันดีที่สุด และจากการจำลองอัลกอริทึมการจัดการพลังงานในบ้านค่าไฟฟ้าสูงสุดเฉลี่ยคือ 12.83 kW ลดลงเหลือ 8.31 โดยจะปิดโหลดตามลำดับความสำคัญที่ตั้งไว้

This research aimed to analyze the energy consumption of a smart home in order to develop the energy consumption forecasting models for reducing energy consumption in the home. In this study, Python software was used as a tool for data analysis and a home energy management algorithm was designed for demand response analysis. The data analysis in this study was performed in accordance with the energy consumption data of a smart home. In addition, data mining was used to develop the models for forecasting loads. Autoregressive Integrated Moving Average (ARIMA) model and Recurrent Neural Network (RNN) model were applied as prediction models in order to compare and determine the optimum average errors. The electrical loads of the smart home were determined using the demand response algorithm for reducing energy consumption of the house. The data analysis and the prediction of energy consumption of the smart home were analyzed according to the mentioned models. The prediction of hourly, daily and weekly energy consumption using the ARIMA model showed the mean square error of 0.160, 0.076, and 0.179, respectively. On the other hand, the RNN model showed a mean square error of 0.349. This indicated that the ARIMA model provided the optimum average daily error. According to the simulation using energy management algorithm, the peak demand decreased from 12.83 kW to 8.31 kW. By using this algorithm, the loads were turned off according to the specified priorities.