Development of Nitrogen Oxides (NOx) Emission Prediction Model of Nam Phong Power Plant with Machine Learning
คำสำคัญ:
พยากรณ์การปล่อย NOx, Machine Learning, โรงไฟฟ้าน้ำพอง, CEMS, PEMSบทคัดย่อ
ก๊าซไนโตรเจนออกไซด์ (Nitrogen Oxides : NOx) เป็นกลุ่มก๊าซที่เป็นอันตรายต่อสุขภาพและสิ่งแวดล้อม โดยมีแหล่งกำเนิดหลักจากการเผาไหม้เชื้อเพลิงในเครื่องยนต์และกระบวนการอุตสาหกรรม ดังนั้นเพื่อปฏิบัติตามข้อกำหนด โรงไฟฟ้าน้ำพองจึงติดตั้งเครื่องตรวจวัดมลพิษทางอากาศจากปล่องแบบอัตโนมัติอย่างต่อเนื่อง (Continuous Emission Monitoring System : CEMS) และรายงานค่าไปยังหน่วยงานที่เกี่ยวข้อง อย่างไรก็ตามระบบ CEMS เป็นระบบที่มีความซับซ้อนมีค่าใช้จ่ายสูง ประกอบกับในปี พ.ศ. 2565 ประเทศไทยได้ประกาศใช้ข้อกำหนดใหม่ที่อนุญาตให้รายงานค่า NOx โดยวิธีคาดคะเนแทนระบบ CEMS ได้ จึงได้นำมาสู่การศึกษาและพัฒนาแบบจำลองเพื่อพยากรณ์การปล่อย NOx ของโรงไฟฟ้าน้ำพองด้วย Machine Learning โดยในงานวิจัยนี้ได้ศึกษาเปรียบเทียบประสิทธิภาพแบบจำลองที่แตกต่างกันจำนวน 6 Algorithms ได้แก่ Linear Regression, Decision Tree, Random Forest, XGBoost, K-Nearest Neighbors และ Backpropagation Multilayer Perceptron Neural Network ซึ่งพบว่าแบบจำลองของ Random Forest มีประสิทธิภาพการพยากรณ์ที่สูงกว่าแบบจำลองอื่น ๆ โดยมีค่า MAE และ MAPE ต่ำสุด และค่า R² สูงสุด อีกทั้งการศึกษานี้ยังพบว่าอุณหภูมิไอน้ำที่ฉีดเข้าห้องเผาไหม้ของเครื่องกังหันก๊าซเป็นพารามิเตอร์ที่สำคัญต่อความแม่นยำของแบบจำลองและมีผลต่อการเกิด NOx ซึ่งสามารถใช้เป็นแนวทางควบคุมหรือลดปริมาณการปล่อย NOx โดยไม่กระทบต่อประสิทธิภาพของโรงไฟฟ้า
เอกสารอ้างอิง
Brown, S. 2021. Machine learning, explained - MIT Sloan. Artificial Intelligence. Available Source: https://mitsloan.mit.edu/ideas-made-to-matter/machine-learning-explained, September 3, 2023.
Chawathe, S.S. 2021. Explainable predictions of industrial emissions, pp. 1-7. In 2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS). IEEE, New Jersey.
Chien, T.W., Chu, H., Hsu, W.C., Tseng, T.K., Hsu, C.H. and Chen, K.Y. 2003. A feasibility study on the predictive emission monitoring system applied to the Hsinta power plant of Taiwan power company. Journal of the Air & Waste Management Association 53(8): 1022-1028.
Department of Industrial Works. 2007. Notification of Department of Industrial Works 2007 Title: Data Transmission into the system of Continuous Emission Monitoring System. Government Gazette vol.124, Special Part 196. (dated October 10, 2007). (in Thai)
Great Learning Team. 2023. Hyperparameter Tuning with GridSearchCV. AI and Machine Learning. Available Source: https:// www.mygreatlearning.com/ blog/gridsearchcv, September 5, 2023.
Huang, D., Tang, S., Zhou, D. and Hao, J. 2022. NOx emission estimation in gas turbines via interpretable neural network observer with adjustable intermediate layer considering ambient and boundary conditions. Measurement 189: 110429.
Kaya, H., Tüfekci̇, P. and Uzun, E. 2019. Predicting CO and NOx emissions from gas turbines: novel data and a benchmark PEMS. Turkish Journal of Electrical Engineering and Computer Sciences 27(6): 4783-4796.
Kochueva, O. and Nikolskii, K. 2021. Data analysis and symbolic regression models for predicting CO and NOx emissions from gas turbines. Computation 9(12): 139.
Ministry of Industry. 2022. Notification of Department of Industrial Works 2022 Title: Mandating factories to install special tools or equipment for reporting air pollutants emitted from factory stacks. Government Gazette vol.139, Special Part 131. (dated April 1, 2022). (in Thai)
Potts, R., Hackney, R. and Leontidis, G. 2023. Tabular machine learning methods for predicting gas turbine emissions. Machine Learning & Knowledge Extraction 5(3): 1055-1075.
Rezazadeh, A. 2020. Environmental pollution prediction of NOx by predictive modelling and process analysis in natural gas turbine power plants. ArXiv 1: 8978.
Rosner, B., Glynn, R.J. and Lee, M.L.T. 2006. The Wilcoxon signed rank test for paired comparisons of clustered data. Biometrics 62:185-192.
United States Environmental Protection Agency. 2023. Basic information about NO2. Nitrogen Dioxide (NO2) Pollution. Available Source: https://www.epa.gov /no2-pollution/basic-information-about-no2, September 4, 2023.
Witten, I.H. and Frank, E. 2005. Data Mining: Practical Machine Learning Tools and Techniques. 2nd ed. Elsevier, Amsterdam.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2024 วารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิจัยมหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็น ต้องเห็นด้วย หรือร่วมรับผิดชอบใดๆ
บทความ ข้อมูล เนื้อหา รูปภาพฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย ถือเป็นลิขสิทธ์ของวารสารวิจัย มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อการกระทำการใดๆจะต้องได้รับอนุญาตเป็นลายลักษ์อักษรจากวารสาร มหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัยก่อนเท่านั้น
