ทีมมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรีเปรียบเทียบ linear programming แบบวัตถุประสงค์เดียวกับ genetic-algorithm multi-objective optimization บนข้อมูลการผลิตไฟฟ้าไทยปี 2024 ครอบคลุมแหล่ง/เทคโนโลยี 12 ประเภทและสามเป้าหมาย ได้แก่ ลดต้นทุนต่อหน่วย ลดก๊าซเรือนกระจก และเพิ่มการจ้างงาน LP รันแยกสามเป้าหมายรวมราว 0.6 วินาที ขณะที่ MOO ใช้ราว 4 วินาที และทั้งสองใช้หน่วยความจำใกล้เคียง 3,500–3,800 MB LP ให้ค่าที่ดีที่สุดรายเป้าหมาย เช่น ต้นทุน 2,684.14 บาท/MWh และการปล่อย 373.00 kgCO2e/MWh ส่วน MOO ให้ชุดประนีประนอมที่ตอบสามเป้าหมายพร้อมกัน ตัวเลขประหยัด 69,538.44 ล้านบาท ลด 14.782 MtCO2e และเพิ่มประมาณ 638 งานเป็นศักยภาพภายใต้สมมติฐานแบบจำลอง ไม่ใช่ผลที่เกิดจริงในระบบไฟฟ้า
ข้อค้นพบสำคัญ
- LP สามรันรวมใช้เวลาเล็กน้อยมากกว่า 0.6 วินาที เทียบ MOO ราว 4 วินาที ขณะที่หน่วยความจำอยู่ใกล้เคียงกันประมาณ 3,500–3,800 MB ในเครื่องและการตั้งค่าที่ศึกษา
- ต้นทุนจริงเฉลี่ย 3,012.12 บาท/MWh ลดเป็น 2,684.14 ด้วย LP และ 2,964.41 ด้วย MOO; LP ได้ค่าต่ำกว่าเพราะปรับเป้าหมายต้นทุนเพียงอย่างเดียว
- การปล่อยจริง 442.72 kgCO2e/MWh ลดเป็น 373.00 ด้วย LP และ 420.91 ด้วย MOO ตามส่วนผสมที่แบบจำลองเลือก
- การจ้างงานที่คำนวณจากส่วนผสมจริง 3,766.82 งาน เพิ่มได้สูงสุดเป็น 4,405.35 งานด้วย LP หรือประมาณ 638 งาน แต่จำนวนนี้ขึ้นกับ employment factors ที่ใช้
- เมื่อขยายด้วยพลังงานทั้งปี LP ให้ศักยภาพประหยัด 69,538.44 ล้านบาทและลด 14.782 ล้านตัน CO2e; MOO ให้ผลสุดขั้วน้อยกว่าแต่ตอบเป้าหมายขัดแย้งพร้อมกัน
ทำไมจึงมีความสำคัญระดับโลก
งานเปรียบเทียบทำให้ผู้กำหนดนโยบายเห็นชัดว่าเครื่องมือเร็วที่สุดไม่จำเป็นต้องให้คำตอบนโยบายที่ครบที่สุด LP เหมาะกับเป้าหมายเด่นหนึ่งด้านและการสำรวจขอบเขต ส่วน MOO แสดง Pareto trade-offs ทางเศรษฐกิจ สิ่งแวดล้อม และสังคม แนวคิดนี้ถ่ายโอนไปยังระบบประเทศอื่นได้ แต่ผลตัวเลขต้องคำนวณใหม่จากโครงสร้างตลาด ทรัพยากร เครือข่าย และข้อจำกัดท้องถิ่น
บทบาทของนักวิจัยไทย
ทีมจากบัณฑิตวิทยาลัยร่วมด้านพลังงานและสิ่งแวดล้อม มจธ. แปลงข้อมูลระบบไฟฟ้าไทยปี 2024 เป็นกรณีเปรียบเทียบวิธีเพิ่มประสิทธิภาพที่อ่านได้ทั้งด้านต้นทุน คาร์บอน และงาน พร้อมได้รับทุนจาก มจธ., TSRI และ NSRF งานเชื่อมวิศวกรรมคำนวณกับโจทย์ just transition ของประเทศไทยโดยตรง
ข้อจำกัดที่ควรรู้
เป็นแบบจำลอง deterministic ปีเดียวที่ย่อระบบเป็น 12 ประเภทและความสัมพันธ์เชิงเส้น ไม่ได้แสดง unit commitment รายชั่วโมง การ ramp, reserve, reliability, transmission congestion, storage, curtailment, fuel-price uncertainty, PPA/legal constraints ทั้งหมด หรือความแปรปรวนกำลังหมุนเวียนอย่างละเอียด ตัวเลขงานมาจาก employment factors ไม่ใช่การสำรวจตลาดแรงงาน และการประหยัดสมมติว่าสามารถเปลี่ยนส่วนผสมได้เต็มที่โดยไม่มีต้นทุนเปลี่ยนผ่าน เวลารันและหน่วยความจำขึ้นกับฮาร์ดแวร์ ซอฟต์แวร์ การตั้งค่า GA และจำนวนครั้งสุ่ม; การรันเดียวไม่ใช่ benchmark ทั่วไป ส่วน LP แต่ละคำตอบไม่ตอบสามเป้าหมายพร้อมกัน
ตรวจสอบแหล่งต้นทาง
EnergiesEnergies (MDPI)↗DOI: 10.3390/en19194708