http://www.repository.rmutt.ac.th/xmlui/handle/123456789/3622 2026-04-06T22:54:51Z 2026-04-06T22:54:51Z http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4581 2025-06-27T04:03:10Z 0029-01-01T00:00:00Z

Title: ANALYSIS OF THE IMPACTS ON THE SOLAR ROOFTOP POWER PRODUCTION PROJECT FOR THE RESIDENTIAL SECTOR; การวิเคราะห์ผลกระทบจากโครงการผลิตไฟฟ้าพลังงานแสงอาทิตย์ที่ติดตั้งบนหลังคาสำหรับภาคประชาชนประเภทบ้านอยู่อาศัย Abstract: This research aimed to analyze the impacts on the low voltage electricity distribution system, assess economic feasibility and analyze the remaining installed capacity available for connecting solar rooftop power production systems for participation in the solar rooftop power production project for the residential sector in the Provincial Electricity Authority Area 1 (South) Phetchaburi province. The research was divided into three parts: 1) determining the remaining installed capacity for connecting solar rooftop power production systems by using the installed capacity data of solar rooftop power production systems that are commercially supplying electricity to the Provincial Electricity Authority (PEA) and comparing it with the rated capacity of transformers installed in the electricity distribution system, 2) analyzing the impacts on the low voltage electricity distribution system by setting the electrical load at 15% of the rated capacity of transformers and then testing to the connection of solar rooftop power production systems at 15, 20, 25 and 30% of the rated capacity of transformers. The connections were tested in 4 configurations: at the beginning, middle, end and distributed system, and 3) assessing the economic feasibility by analyzing the single phase 5 kW and three phase 10 kW solar rooftop power production system, assuming all the energy produced was sold to PEA for a period of 10 years. The research results revealed that, in the Provincial Electricity Authority Area 1 (South) Phetchaburi province was remaining installed capacity 309.067720 MW, which was 98.34% of 15% of the rated capacity of transformers as according to the PEA's grid code. It was also found that the maximum allowable capacity for connecting solar rooftop power production systems to the low voltage distribution system was 25% of the rated capacity of transformers. If the capacity exceeds this limit, there will be an impact of overvoltage beyond PEA’s standards and total power losses of 3% of the rated capacity of transformers. In terms of economic feasibility, the 5 kW solar rooftop power production system has a payback period of over 10 years, while the 10 kW solar rooftop power production system has a payback period of 9 years.; งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์หาผลกระทบที่เกิดขึ้นกับระบบจำหน่ายไฟฟ้าแรงต่ำ ความคุ้มค่าทางเศรษฐศาสตร์และวิเคราะห์หาปริมาณกำลังผลิตติดตั้งคงเหลือสำหรับเชื่อมต่อระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ที่เข้าร่วมโครงการผลิตไฟฟ้าพลังงานแสงอาทิตย์ที่ติดตั้งบนหลังคาสำหรับภาคประชาชนประเภทบ้านอยู่อาศัยในพื้นที่ของการไฟฟ้าส่วนภูมิภาค เขต 1 (ภาคใต้) จังหวัดเพชรบุรี แนวทางการดำเนินการวิจัยแบ่งออกเป็น 3 ส่วน คือ 1) การหาปริมาณกำลังผลิตติดตั้งคงเหลือสำหรับการเชื่อมต่อระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์โดยการใช้ข้อมูลกำลังผลิตติดตั้งของระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ที่จ่ายไฟเชิงพาณิชย์กับการไฟฟ้าส่วนภูมิภาคเปรียบเทียบกับข้อมูลพิกัดของหม้อแปลงไฟฟ้าที่ติดตั้งใช้งานในระบบจำหน่ายไฟฟ้า 2) วิเคราะห์หาผลกระทบที่เกิดขึ้นกับระบบจำหน่ายไฟฟ้าแรงต่ำโดยการกำหนดภาระทางไฟฟ้าร้อยละ 15 ของพิกัดหม้อแปลงไฟฟ้าและทดลองเชื่อมต่อระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ปริมาณกำลังผลิตร้อยละ 15 20 25 และ 30 ของพิกัดหม้อแปลงไฟฟ้า ซึ่งมีรูปแบบการเชื่อมต่อ 4 รูปแบบ ดังนี้ เชื่อมต่อที่ต้นระบบ กลางระบบ ปลายระบบและกระจายตัว และ 3) การหาความคุ้มค่าทางเศรษฐศาสตร์จะวิเคราะห์จากระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ชนิด 1 เฟส ขนาด 5 กิโลวัตต์และระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ชนิด 3 เฟส ขนาด 10 กิโลวัตต์ ซึ่งกำหนดให้ขายพลังงานไฟฟ้าที่ผลิตได้ทั้งหมดให้กับการไฟฟ้าส่วนภูมิภาคเป็นระยะเวลา 10 ปี ผลการศึกษาพบว่าในพื้นที่ของการไฟฟ้าส่วนภูมิภาค เขต 1 (ภาคใต้) จังหวัดเพชรบุรี มีปริมาณกำลังผลิตคงเหลือรวม 309.067720 เมกะวัตต์ ซึ่งคิดเป็นร้อยละ 98.34 ของร้อยละ 15 ของพิกัดหม้อแปลงไฟฟ้าตามข้อกำหนดการเชื่อมต่อระบบโครงข่ายของการไฟฟ้าส่วนภูมิภาคและสามารถเชื่อมต่อระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์กับระบบจำหน่ายไฟฟ้าแรงต่ำได้สูงสุดร้อยละ 25 ของพิกัดหม้อแปลงไฟฟ้า ถ้ามากกว่าจะเกิดผลกระทบคือ เกิดแรงดันไฟฟ้าเกินมาตรฐานของการไฟฟ้าส่วนภูมิภาคและเกิดกำลังไฟฟ้าสูญเสียรวมปริมาณร้อยละ 3 ของพิกัดหม้อแปลงไฟฟ้า ทางด้านเศรษฐศาสตร์ระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ขนาด 5 กิโลวัตต์จะมีจุดคุ้มทุนมากกว่า 10 ปีและระบบผลิตไฟฟ้าพลังงานแสงอาทิตย์ขนาด 10 กิโลวัตต์จะมีจุดคุ้มทุนอยู่ที่ 9 ปี

0029-01-01T00:00:00Z http://www.repository.rmutt.ac.th/xmlui/handle/123456789/4577 2025-05-22T09:05:23Z 0001-01-01T00:00:00Z

Title: LOAD DEMAND FORECASTING FOR THE PROVINCIALELECTRICITY AUTHORITY AREA 1 (SOUTH)UTILIZING DEEP LEARNING METHODS; การพยากรณ์ความต้องการไฟฟ้าของการไฟฟ้าส่วนภูมิภาคเขต 1 (ภาคใต้) ด้วยการเรียนรู้เชิงลึก Abstract:   The stability of power systems is a critical factor in ensuring reliable electricity supply. Accurate load demand forecasting plays an important role in enhancing system stability and this is very essential for effective power generation planning, ensuring that sufficient electricity is available to meet consumer needs. This study focused on the development and application of deep learning models for load demand forecasting using a computer program.   This thesis investigated the application of deep learning methodologies to forecast monthly electricity demand, utilizing historical demand data from the Provincial Electricity Authority Area 1 (South). Three deep learning models, Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) and Bidirectional Long Short-Term Memory (BiLSTM) were evaluated and compared. The performances of these models were assessed using three error methods: Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE).     The findings indicated that the LSTM model was the best among three models, having achieved the highest forecasting accuracy and the lowest error rates. Specifically, the LSTM model achieved the MAE of 457.46 million units, MAPE of 3.46% and RMSE of 531.33 million units. This study highlights the potential of deep learning methods, particularly LSTM, in improving the accuracy of load demand forecasting.;  ในระบบไฟฟ้านั้นเสถียรภาพของระบบไฟฟ้าเป็นสิ่งที่สำคัญเพื่อเป็นการเพิ่มความมั่นคงของพลังงานไฟฟ้าจึงจำเป็นต้องพยากรณ์ความต้องการไฟฟ้าล่วงหน้าซึ่งเป็นส่วนสำคัญในการวางแผนผลิตไฟฟ้าให้มีไฟฟ้าเพียงพอต่อผู้ใช้ไฟฟ้า ดังนั้นวิทยานิพนธ์นี้มีวัตถุประสงค์ศึกษาและสร้างการเรียนรู้เชิงลึกสำหรับใช้ในการพยากรณ์ความต้องการไฟฟ้าด้วยโปรแกรมคอมพิวเตอร์     วิทยานิพนธ์นี้นำเสนอการศึกษาวิธีการพยากรณ์ความต้องการไฟฟ้าด้วยการเรียนรู้เชิงลึก รูปแบบการพยากรณ์รายเดือน โดยใช้ข้อมูลการใช้ไฟฟ้าของการไฟฟ้าส่วนภูมิภาคเขต 1 (ภาคใต้) เปรียบเทียบประสิทธิภาพวิธีการพยากรณ์ของโมเดลเรียนรู้เชิงลึก ทั้ง 3 โมเดล คือ LSTM, GRU และ BiLSTM ด้วยการวิเคราะห์เปรียบเทียบค่าคลาดเคลื่อน ทั้ง 3 ค่า คือ ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) ค่าเปอร์เซ็นต์ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) และค่ารากที่สองของค่าเฉลี่ยกำลังสองของค่าคลาดเคลื่อน (RMSE)   ผลการศึกษาพบว่าการพยากรณ์ความต้องการไฟฟ้าด้วยการเรียนรู้เชิงลึก ที่มีการเปรียบเทียบประสิทธิภาพและความคลาดเคลื่อน ของโมเดลการเรียนรู้เชิงลึก ทั้ง 3 โมเดล พบว่าโมเดลการเรียนรู้เชิงลึก LSTM มีประสิทธิภาพและความผิดพลาดในการพยากรณ์ต่ำที่สุด โดยมีค่า MAE เท่ากับ 457.46 ล้านหน่วย ค่า MAPE เท่ากับ 3.46% และค่า RMSE เท่ากับ 531.33 ล้านหน่วย ดังนั้นจากการวิเคราะห์ข้อมูลของโมเดลการเรียนรู้เชิงลึก LSTM แสดงให้เห็นถึงความสามารถในการพยากรณ์ความต้องการไฟฟ้าได้อย่างแม่นยำและมีประสิทธิภาพมากที่สุด

0001-01-01T00:00:00Z