Please use this identifier to cite or link to this item: http://kb.psu.ac.th/psukb/handle/2016/19425
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorกุสุมาลย์ เฉลิมยานนท์-
dc.contributor.authorศุภกาญจน์ จันทร์ทอง-
dc.date.accessioned2024-05-29T08:05:37Z-
dc.date.available2024-05-29T08:05:37Z-
dc.date.issued2023-
dc.identifier.urihttp://kb.psu.ac.th/psukb/handle/2016/19425-
dc.descriptionวิศวกรรมศาสตรมหาบัณฑิต (วิศวกรรมไฟฟ้า), 2566en_US
dc.description.abstractNon-technical loss (NTL) in the distribution system of Provincial Electricity Authority (PEA) is a loss calculated from the difference between the total loss and the technical loss (TL), not considering the actual source of occurrence. Partly caused by loss not being read through meter, a defective meter, measurement error, electricity theft, etc. The Automatic Meter Reading (AMR) system has been installed for major electricity customers for monitoring, inspection, and to detect possible abnormalities. One of the limitations encountered by AMR systems is that the system can provide alarms for abnormalities but cannot classify anomaly patterns. With the advancement in technology and the ability of artificial intelligence today has been applied to solve this problem. In this research, AMR data from PEA database and the actual on-site inspection results were explored to visualize, analyze, extract, and classify data using machine learning and deep learning into three classes: normal conditions, defective meters, and energy theft patterns. The key points in this research are data extraction, which includes electrical signals and physical data. It is divided into three characteristics: (1) extracted as tabular features; (2) extracted by considering electrical signals in terms of time series as coefficients, frequency domains, and wavelet transforms; and (3) extracted by converting from time series to images. The results obtained have an accuracy of 60–70%, 70–80%, and 80–90%, respectively. Additionally, the data were balanced using an anomaly model, adaptive synthetic sampling, and image data augmentation to enhance model learning efficiency and reduce overfitting and bias. Moreover, we also provide customer categorization using K-means clustering, reducing multiple customer groups, and improving classification accuracy. Finally, the model has been exported to be tested with new data from PEA's website and case studies for real events to evaluate the prediction results from the actual on-site inspection. The results obtained are about 80–85% effective overall.en_US
dc.description.sponsorshipทุนโครงการความร่วมมือทางวิชาการระหว่าง กฟภ. กับคณะวิศวกรรมศาสตร์ มหาวิทยาลัยสงขลานครินทร์en_US
dc.language.isothen_US
dc.publisherมหาวิทยาลัยสงขลานครินทร์en_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Thailand*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/th/*
dc.subjectหน่วยสูญเสียที่ไม่ใช่ทางเทคนิคen_US
dc.subjectระบบอ่านหน่วยการใช้ไฟอัตโนมัติen_US
dc.subjectการละเมิดen_US
dc.subjectมิเตอร์ชำรุดen_US
dc.subjectการสกัดคุณลักษณะen_US
dc.subjectการสมดุลข้อมูลen_US
dc.subjectการจัดกลุ่มข้อมูลen_US
dc.subjectการเรียนรู้ของเครื่องจักรen_US
dc.subjectการเรียนรู้เชิงลึกen_US
dc.subjectการจำแนกข้อมูลen_US
dc.titleการจำแนกหน่วยสูญเสียที่ไม่ใช่ทางเทคนิคสำหรับมิเตอร์อ่านหน่วยอัตโนมัติในระบบจำหน่ายการไฟฟ้าส่วนภูมิภาค (กฟภ.) ด้วยปัญญาประดิษฐ์en_US
dc.title.alternativeNon-Technical Loss Classification for Automatic Meter Reading in Provincial Electricity Authority Using Artificial Intelligenceen_US
dc.typeThesisen_US
dc.contributor.departmentFaculty of Engineering Electrical Engineering-
dc.contributor.departmentคณะวิศวกรรมศาสตร์ ภาควิชาวิศวกรรมไฟฟ้า-
dc.description.abstract-thหน่วยสูญเสียที่ไม่ใช่ทางเทคนิค (Non-Technical Losses: NTL) ในระบบจำหน่ายของการไฟฟ้าส่วนภูมิภาค (กฟภ.) เป็นหน่วยสูญเสียที่คำนวณจากผลต่างระหว่างหน่วยสูญเสียทั้งหมดกับหน่วยสูญเสียทางด้านเทคนิค (Technical Losses: TL) ไม่ได้พิจารณาจากที่มาของการเกิดขึ้นที่แท้จริง สาเหตุส่วนหนึ่งเกิดจากหน่วยที่ไม่ได้ถูกอ่านค่าผ่านเครื่องวัด การทำงานผิดพลาดของมิเตอร์ การวัดค่าผิดพลาด และการละเมิดหรือการขโมยใช้ไฟ เป็นต้น ระบบอ่านหน่วยการใช้ไฟอัตโนมัติ (Automatic Meter Reading: AMR) ถูกนำมาติดตั้งใช้งานให้กับผู้ใช้ไฟรายสำคัญ เพื่อเฝ้าระวัง ตรวจสอบและตรวจจับความผิดปกติที่อาจเกิดขึ้น ข้อจำกัดอย่างหนึ่งที่พบคือระบบดังกล่าวสามารถแจ้งเตือนความผิดปกติที่เกิดขึ้นได้ แต่ยังไม่สามารถจำแนกได้ว่าความผิดปกติที่เกิดขึ้นเป็นรูปแบบใด ด้วยความก้าวหน้าด้านเทคโนโลยีและความสามารถของปัญญาประดิษฐ์ในปัจจุบัน ได้นำมาประยุกต์ใช้เพื่อแก้ไขปัญหานี้ ในงานวิจัยนำข้อมูลจากมิเตอร์ AMR ในฐานข้อมูล กฟภ. และผลการตรวจสอบหน้างานจริงมาทำการสำรวจ วิเคราะห์ สกัด และจำแนกข้อมูลโดยใช้การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกออกเป็น 3 รูปแบบ ได้แก่ ปกติ ชำรุด และละเมิด ประเด็นสำคัญในงานวิจัยนี้คือ การสกัดข้อมูลซึ่งประกอบด้วย ข้อมูลด้านสัญญาณไฟฟ้าและข้อมูลด้านกายภาพ โดยแบ่งออกเป็น 3 คุณลักษณะ (1) สกัดเป็นคุณลักษณะประเภทตาราง (2) สกัดโดยพิจารณาสัญญาณไฟฟ้าสำหรับอนุกรมเวลาที่อยู่ในรูปของค่าสัมประสิทธิ์ โดเมนความถี่ และการแปลงเวฟเล็ต และ (3) สกัดโดยการแปลงจากอนุกรมเวลาเป็นรูปภาพ ผลลัพธ์ที่ได้มีความความถูกต้อง 60-70%, 70-80% และ 80-90% ตามลำดับ ทั้งนี้ได้มีการนำข้อมูลมาทำการสมดุลโดยใช้สร้างโมเดลความผิดปกติ การสุ่มตัวอย่างแบบสังเคราะห์ปรับเปลี่ยนค่าได้ การเพิ่มข้อมูลโดยการปรับรูปภาพ การทำสมดุลข้อมูลช่วยเพิ่มประสิทธิภาพในการเรียนรู้ของโมเดล ลดการเกิด Overfitting และ Bias นอกจากนี้ยังมีการจัดกลุ่มประเภทลูกค้าโดยใช้ K-Means Clustering ลดความหลากหลายของรูปแบบการใช้ไฟและเพิ่มความแม่นยำในการจำแนก สุดท้ายนี้ โมเดลที่ได้ถูกนำออกมาทดสอบกับข้อมูลชุดใหม่จากเว็บไซด์ของ กฟภ. และกรณีศึกษาสำหรับเหตุการณ์จริงเพื่อประเมินผลการทำนายจากการออกตรวจสอบหน้างานจริง ผลลัพธ์ที่ได้มีประสิทธิภาพโดยรวมประมาณ 80-85%en_US
Appears in Collections:210 Thesis

Files in This Item:
File Description SizeFormat 
6410120056.pdf33.69 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons