การประยุกต์ใช้โครงข่ายประสาทเทียมสำหรับการจัดการความต้องการวัตถุดิบชีวมวล : กรณีศึกษาโรงไฟฟ้าชีวมวลแห่งหนึ่ง

Abstract

งานวิจัยนี้เป็นการศึกษาการประยุกต์ใช้โครงข่ายประสาทเทียมสำหรับการจัดการ ความต้องการวัตถุดิบชีวมวลของโรงไฟฟ้าชีวมวลตัวอย่าง เพื่อให้สามารถพยากรณ์ปริมาณการป้อนวัตถุดิบชีวมวลให้แก่หม้อไอน้ำและลดความสูญเสียอันเนื่องมาจากการตัดสินใจที่ผิดพลาดในการจัดการวัตถุดิบชีวมวล จากการศึกษาพบว่าโรงไฟฟ้าตัวอย่างมีการบริหารจัดการแบบเป็นไปตามสถานการณ์ โดยมีการเพิ่มอัตราการป้อนวัตถุดิบชีวมวลตามสถานการณ์ และบ่อยครั้งมากเกินความจำเป็น ส่งผลให้มีการใช้วัตถุดิบชีวมวลอย่างสิ้นเปลืองและไม่มีประสิทธิภาพ ผู้วิจัยจึงได้นำเสนอวิธีการพยากรณ์โดยใช้โครงข่ายประสาทเทียมเปรียบเทียบกับการพยากรณ์ถดถอยเชิงพหุคูณ จากผลการศึกษาโครงข่ายประสาทเทียมแบบหลายชั้นที่มีโครงสร้าง [16-9-15-1] มีประสิทธิภาพดีกว่า โดยพิจารณาได้จากค่าสัมประสิทธิ์ สหสัมพันธ์ยกกำลังสอง (R2) เท่ากับ 0.97 และ 0.44 ค่าเปอร์เซ็นต์ความผิดพลาดเฉลี่ยสัมบูรณ์ (MAPE) เท่ากับ 1.52 และ 2.52 ตามลำดับ โครงข่ายประสาทเทียมดังกล่าวจะสามารถช่วยให้ผู้ปฎิบัติตัดสินใจป้อนวัตถุดิบเข้าหม้อไอน้ำได้ถูกต้องมากยิ่งขึ้นอันจะส่งผลต่อการใช้วัตถุดิบชีวมวลอย่างมีประสิทธิภาพ This research is aimed to the application of neural network for biomass requirement management in a sample biomass power plant in order to forecast the right feed rate of biomass fuel to the boiler and to minimize possible loss caused by wrong decision making. It’s found that the sample biomass power plant manage the biomass fuel requirement based on the situation, increasing biomass feed rate accordingly and that cause uneconomical consumption of biomass fuel. The researcher then introduces the artificial neural network (ANN) in comparison with the multiple regression model to forecast the feed rate of biomass fuel. It’s found that the multi-layer artificial neural network with 16-9-15-1 structure is more effective than the multiple regression model by considering R2 = 0.97 and 0.44, MAPE = 1.52 and 2.52, respectively. This artificial neural network (ANN) is supporting to provide more accurate forecast to the feed rate of biomass fuel and that will lead to effective consumption of biomass fuel.