แบบจำลองเชิงประจักษ์สำหรับคาดการณ์ระยะเวลาการสำรองไฟฟ้า: กรณีศึกษาระบบโทรคมนาคม

ผู้แต่ง

  • พรหมพักตร์ บุญรักษา คณะวิศวกรรมศาสตร์และสถาปัตยกรรมศาสตร์ มหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ
  • โชคชัย ชัยทิพย์ คณะวิศวกรรมศาสตร์และสถาปัตยกรรมศาสตร์ มหาวิทยาเทคโนโลยีราชมงคลสุวรรณภูมิ
  • อนุสรณ์ ผ่องประภา คณะวิศวกรรมศาสตร์ มหาวิทยาลัยกรุงเทพธนบุรี
  • สมมาตร ทองคำ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยกรุงเทพธนบุรี
  • ธีระพงษ์ บุญรักษา คณะวิศวกรรมศาสตร์ มหาวิทยาเทคโนโลยีราชมงคลรัตนโกสินทร์

คำสำคัญ:

แบบจำลองเชิงประจักษ์, ระยะเวลาการสำรองไฟฟ้า, แบตเตอรี่ชนิดตะกั่ว-กรด, ระบบงานโทรคมนาคม, ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย

บทคัดย่อ

งานวิจัยนี้นำเสนอแบบจำลองเชิงประจักษ์สำหรับการคาดการณ์ระยะเวลาการสำรองไฟฟ้า กรณีศึกษาระบบโทรคมนาคม โดยแบบจำลองได้บูรณาการตัวชี้วัดสภาพแบตเตอรี่ (เช่น อายุการใช้งาน, ประสิทธิภาพของแบตเตอรี่ และผลจากการคายประจุเบื้องต้น) ร่วมกับปัจจัยแวดล้อม (เช่น อุณหภูมิ และโหลด) ทั้งนี้ได้มีการเปรียบเทียบค่าระยะเวลาการสำรองไฟฟ้าที่คำนวณจากสมการที่เสนอกับค่าที่ได้จากการทดลองจนถึงแรงดันปลายทางที่กำหนด งานวิจัยนี้ใช้แบตเตอรี่ที่ทำการทดสอบระยะเวลาการ สำรองไฟฟ้าเป็นแบตเตอรี่ชนิดตะกั่วกรดขนาด 100 แอมแปร์ชั่วโมง แบ่งกรณีศึกษาการสำรองไฟฟ้าของแบตเตอรี่ออกเป็น 4 กรณี ได้แก่ ทดสอบแบตเตอรี่ใหม่โดยควบคุมอุณหภูมิ ทดสอบแบตเตอรี่เก่า โดยควบคุมอุณหภูมิ ทดสอบแบตเตอรี่ใหม่โดยไม่ควบคุมอุณหภูมิ และทดสอบแบตเตอรี่เก่าโดยไม่ควบคุมอุณหภูมิผลการศึกษาแสดงให้เห็นว่า สมการที่นำเสนอสามารถคาดการณ์ระยะเวลาการสำรองไฟฟ้าได้อย่างแม่นยำและสอดคล้องกับการทดสอบจริงทั้ง 4 กรณี โดยแบบจำลองสามารถคาดการณ์ได้ ด้วยค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) ที่ 11.42% อีกทั้งยังสามารถใช้เป็นเกณฑ์ใหม่ในการประเมินความน่าเชื่อถือของระบบสำรองไฟฟ้าในไซต์งานโทรคมนาคมได้อย่างมีประสิทธิภาพ ซึ่งมีศักยภาพในการประยุกต์ใช้ด้านการจัดการพลังงานและการวางแผนบำรุงรักษาเชิงป้องกันในอนาคต

เอกสารอ้างอิง

Future Trends of Information Technology, Prosoft HCM. (Accessed: 2025, September 26). [Online]. Available: https://www.prosofthcm.com/Article/Detail/16795/

C. Chaitip, “Backup power system for telecommunication sites,” B. Eng. Project (Electrical Engineering), Faculty of Engineering and Architecture, Rajamangala University of Technology Suvarnabhumi, Thailand, 2024.

F. Mahdavian, S. Platt, M. Wiens, M. Klein, and F. Schultmann, “Communication blackouts in power outages: Findings from scenario exercises in Germany and France,” International Journal of Disaster Risk Reduction, vol. 46, Article 101628, Apr. 2020, doi: 10.1016/j.ijdrr.2020.101628.

M. Chen and G. A. Rincón-Mora, “Accurate electrical battery model capable of predicting runtime and I–V performance,” IEEE Transactions on Energy Conversion, vol. 21, no. 2, pp. 504–511, Jun. 2006.

S. Piller, M. Perrin, and A. Jossen, “Methods for state-of-charge determination and their applications,” Journal of Power Sources, vol. 96, no. 1, pp. 113–120, Jun. 2001.

W. Peukert, “Über die Abhängigkeit der Kapazität von der Entladestromstärke bei Bleiakkumulatoren,” Elektrotechnische Zeitschrift, vol. 20, pp. 287–288, 1897.

I. Buchmann, Batteries in a Portable World: A Handbook on Rechargeable Batteries for Non-Engineers, 3rd ed., Cadex Electronics Inc., 2011.

Y. Zhang, C. Liu, and H. Li, “Reliability analysis of backup power systems for telecommunication networks,” IEEE Transactions on Reliability, vol. 67, no. 3, pp. 1179–1188, Sep. 2018.

R. Sharma, N. Singh, and K. Rao, “Impact of power outage on telecommunication systems: a reliability perspective,” International Journal of Electrical Power & Energy Systems, vol. 132, pp. 107205, May 2021.

A. Gharehghani, J. Gholami, P. Shamsizadeh, and S. Mehranfar, “Effect analysis on performance improvement of battery thermal management in cold weather,” Journal of Energy Storage, vol. 45, pp. 103728, 2022

P. Dawan, K. Sriprapha, S. Kittisontirak, T. Boonraksa, N. Junhuathon et al., “Comparison of power output forecasting on the photovoltaic system using adaptive neuro-fuzzy inference systems and particle swarm optimization-artificial neural network model,” Energies, vol. 13, no. 2, p. 351, 2020, doi: 10.3390/en13020351.

N. Khortsriwong, P. Boonraksa, T. Boonraksa, T. Fangsuwannarak, A. Boonsrirat, W. Pinthurat, and B. Marungsri, “Performance of deep learning techniques for forecasting PV power generation: A case study on a 1.5 MWp floating PV power plant,” Energies, vol. 16, no. 5, p. 2119, 2023, doi: 10.3390/en16052119.

ดาวน์โหลด

เผยแพร่แล้ว

2025-12-28

รูปแบบการอ้างอิง

บุญรักษา พ., ชัยทิพย์ โ., ผ่องประภา อ., ทองคำ ส., & บุญรักษา ธ. (2025). แบบจำลองเชิงประจักษ์สำหรับคาดการณ์ระยะเวลาการสำรองไฟฟ้า: กรณีศึกษาระบบโทรคมนาคม. วารสารวิชาการเทคโนโลยีอุตสาหกรรม : มหาวิทยาลัยราชภัฏสวนสุนันทา, 13(2), 81–90. สืบค้น จาก https://ph01.tci-thaijo.org/index.php/fit-ssru/article/view/264123

ฉบับ

ประเภทบทความ

บทความวิจัย