นักวิจัยมหาวิทยาลัย Chung-Ang เปิดเผยแบบจำลองการกำหนดราคาไฟฟ้าในเวลาจริง เพื่อเพิ่มความสมดุลโครงข่ายกำลังไฟฟ้า

จากอดีตที่ผ่านมา แรงจูงใจของผู้บริโภคในการตอบสนองความต้องการไฟฟ้า (demand response; DR) ของผู้ใช้ประเภทที่อยู่อาศัยนั้นยังมีส่วนร่วมน้อยมาก เนื่องจากกลไกการกำหนดราคาไฟฟ้าขาดความยืดหยุ่น ไม่ได้คำนึงถึงการใช้งานเฉพาะของแต่ละราย ขณะที่ระบบการจัดการพลังงานภายในบ้านเชิงพยากรณ์ (predictive home energy management system; PHEMS) รุ่นใหม่ สามารถจัดการกับปัญหานี้โดยใช้กลไกการกำหนดราคาในเวลาจริง

ระบบ PHEMS จะปรับราคาไฟฟ้าตามการใช้พลังงานของผู้ใช้ปลายทางเฉพาะราย จึงเป็นแรงกระตุ้นให้ผู้บริโภคเข้าร่วม DR อย่างแข็งขัน โดยในอนาคต ระบบดังกล่าวจะมีศักยภาพในการส่งเสริมการมีส่วนร่วมและเพิ่มประสิทธิภาพการจัดการพลังงานในประเภทที่อยู่อาศัย

จากจำนวนประชากรโลกที่เพิ่มขึ้นอย่างต่อเนื่อง ซึ่งการบริโภคพลังงาน และต้นทุนด้านสิ่งแวดล้อมและเศรษฐกิจที่เกี่ยวข้องต่างก็เพิ่มขึ้นด้วยเช่นกัน แนวทางที่มีประสิทธิผลอย่างหนึ่งในการจัดการต้นทุนที่เพิ่มขึ้นเหล่านี้ คือ การส่งเสริมให้ใช้เครื่องใช้ไฟฟ้าอัจฉริยะภายในบ้าน โดยใช้เทคโนโลยีอินเทอร์เน็ตของสรรพสิ่ง (Internet of Things) หรือ IoT เพื่อเชื่อมต่ออุปกรณ์ต่างๆ ไว้ภายในเครือข่ายเดียว

การเชื่อมต่อดังกล่าว จะช่วยให้ผู้ใช้สามารถเฝ้าตรวจสอบและควบคุมการใช้กำลังไฟฟ้าในเวลาจริงผ่านระบบการจัดการพลังงานภายในบ้าน (HEMS) ในทางกลับกัน ผู้ให้บริการพลังงานสามารถใช้ HEMS เพื่อวัดการตอบสนองความต้องการไฟฟ้า (DR) ของที่อยู่อาศัย และปรับการใช้กำลังไฟฟ้าของลูกค้าประเภทที่อยู่อาศัยให้ตอบสนองต่อความต้องการของโครงข่ายไฟฟ้า

ความพยายามในการส่งเสริม DR ในประเภทที่อยู่อาศัย อย่างเช่น การให้แรงจูงใจทางการเงินภายใต้รูปแบบการกำหนดราคาในเวลาจริง (real-time pricing; RTP) โดยที่ผ่านมานั้น มีความยุ่งยากอยู่กับการส่งเสริมการเปลี่ยนพฤติกรรมในหมู่ผู้บริโภคให้เป็นไปอย่างยั่งยืน ซึ่งความท้าทายนี้เกิดจากกลไกการกำหนดราคาไฟฟ้าแบบทิศทางเดียว จึงทำให้ผู้บริโภคมีส่วนร่วมกิจกรรม DR ในประเภทที่อยู่อาศัยน้อยลง

เพื่อเสนอวิธีการจัดการกับปัญหาเหล่านี้ ศาสตราจารย์ Mun Kyeom Kim และ Hyung Joon Kim นักศึกษาปริญญาเอกจากมหาวิทยาลัย Chung-Ang ได้นำผลการศึกษาเกี่ยวกับระบบการจัดการพลังงานภายในบ้านเชิงคาดการณ์ (PHEMS) ออกเผยแพร่ในวารสาร IEEE Internet of Things ฉบับออนไลน์เมื่อวันที่ 27 มีนาคม 2024 และออกเผยแพร่เป็นสิ่งพิมพ์เมื่อวันที่ 15 กรกฎาคม 2024

ศาสตราจารย์ Mun Kyeom Kim ซึ่งเป็นผู้นำการศึกษาวิจัยดังกล่าว ได้แนะนำถึงกลไกการกำหนดราคาในเวลาจริงแบบสองทิศทางที่ปรับเฉพาะลูกค้าแต่ละราย (customized bidirectional real-time pricing) หรือ CBi-RTP ที่นำมาบูรณาการเข้ากับแบบจำลองการคาดการณ์ราคาขั้นสูง ซึ่งนวัตกรรมเหล่านี้ได้ให้เหตุผลอันน่าสนใจสำหรับผู้บริโภคในการมีส่วนร่วมอย่างแข็งขันสำหรับความพยายามในการตอบสนอง DR ประเภทที่อยู่อาศัย

ระบบ CBi-RTP ทำให้ผู้ใช้ปลายทางสามารถกำหนด RTP เป็นรายชั่วโมงได้ โดยการจัดการกับกำลังไฟฟ้าที่ถ่ายโอนและการใช้งานเครื่องใช้ต่างๆ ในครัวเรือนของพวกเขา นอกจากนี้ PHEMS ยังนำแบบจำลองการคาดการณ์และกลยุทธ์การปรับให้เหมาะสมที่สุดที่อยู่บนฐานการเรียนรู้ระดับลึกมาใช้ เพื่อวิเคราะห์ลักษณะทางธรรมชาติของการผันแปรเชิงพื้นที่-เวลาที่เกิดขึ้นจากการใช้ RTP ซึ่งความสามารถนี้ ได้สร้างความมั่นใจในการปฏิบัติที่มีความมั่นคงและคุ้มทุนให้แก่ผู้ใช้ไฟฟ้าประเภทที่อยู่อาศัย โดยการปรับให้เหมาะสมกับความไม่สม่ำเสมอที่เกิดขึ้น

จากผลการทดลองที่ได้ศึกษานี้ทำให้เห็นว่า แบบจำลอง PHEMS ไม่เพียงแต่จะช่วยเพิ่มความสะดวกสบายให้กับผู้ใช้ แต่ยังมีความเหนือกว่าแบบจำลองต่างๆ ที่มีมาก่อนทั้งในด้านความแม่นยำของการพยากรณ์ การลดค่าพีค และประหยัดต้นทุน อย่างไรก็ตาม แม้ว่าจะมีสมรรถนะที่เหนือกว่า แต่ผู้วิจัยก็ยอมรับว่ายังมีช่องว่างสำหรับการพัฒนาเพิ่มได้อีก

ศาสตราจารย์ Mun Kyeom Kim กล่าวว่า — “ความท้าทายที่สำคัญของระบบการจัดการพลังงานภายในบ้านเชิงคาดการณ์ของเรา อยู่ที่การกำหนดโหลดเส้นฐานให้แม่นยำเพื่อคำนวณกำลังไฟฟ้าที่ขยับเปลี่ยนในรายชั่วโมง ซึ่งการวิจัยในอนาคตจะมุ่งเน้นไปที่การเพิ่มความน่าเชื่อถือของ PHEMS ผ่านวิธีการคำนวณโหลดเส้นฐานที่ปรับให้เหมาะสมกับผู้ใช้ปลายทางเป็นการเฉพาะ”

ที่มา: Chung-Ang University