NILM (Non-Intrusive Load Monitoring): อ่านทะลุโหลดไฟฟ้าทั้งโรงงานจากมิเตอร์ตัวเดียวด้วย AI

โรงงานของคุณมีมิเตอร์ไฟฟ้ากี่ตัว? คำถามนี้กำลังเปลี่ยนคำตอบด้วย AI

คำถามฟังดูง่าย แต่แทบทุกโรงงานในไทยตอบเหมือนกัน — มิเตอร์หลักจากการไฟฟ้าหนึ่งตัว แล้วก็จบ เวลาใบแจ้งค่าไฟขึ้นเลข ฝ่ายวิศวกรรมก็นั่งเทียนหาสาเหตุกันแบบเดา ๆ ว่าเดือนนี้เครื่องจักรตัวไหนกินไฟมากขึ้น คอมเพรสเซอร์? ชิลเลอร์? หรือเตาอบที่ช่วงนี้รันเวลาเพิ่ม? คำตอบที่แท้จริงมักถูกฝังอยู่ในรูปคลื่นของข้อมูลที่เราไม่เคยแยกแยะ

NILM (Non-Intrusive Load Monitoring) หรือ Energy Disaggregation คือเทคโนโลยีที่ตอบคำถามนี้โดยไม่ต้องติดมิเตอร์ย่อยทุกเครื่องจักร หลักการคือ อ่านสัญญาณกำลังไฟฟ้ารวมจากจุดเดียว แล้วใช้อัลกอริทึม “แยกสลาย” กลับเป็นโหลดย่อยของแต่ละอุปกรณ์ — เหมือนฟังเพลงประสานเสียงแล้วบอกได้ว่าตอนนี้ใครกำลังร้องเสียงดังเกินใคร

ต้นกำเนิดจากงานวิจัยปี 1992 ที่กลับมาฮอตในยุค IIoT

แนวคิด NILM เริ่มจากงานวิจัยคลาสสิกของ George Hart แห่ง MIT ในปี 1992 ซึ่งพิสูจน์ว่า “ลายเซ็นไฟฟ้า” (load signature) ของอุปกรณ์แต่ละชนิด — รูปแบบการเปลี่ยนขึ้น-ลงของกำลังจริง (kW) และกำลังปฏิกิริยา (kVAR) ตอนเปิด-ปิด — นั้นแตกต่างกันเพียงพอที่จะใช้ระบุตัวอุปกรณ์ได้ มอเตอร์อินดักชันมี surge สูงตอนสตาร์ท ส่วนเตาความร้อนมีรูปคลื่นแบนราบเป็นขั้นบันได

งานวิจัยทบทวนวรรณกรรมชั้นนำ (Kaselimi และคณะ, 2022) แบ่งวิวัฒนาการของ NILM เป็น 3 ยุค: ยุคแรก คือการคิดคณิตศาสตร์พื้นฐานด้วย combinatorial optimization และ factorial hidden Markov model (FHMM), ยุคกลาง คือการทดลอง deep learning อย่าง sequence-to-sequence และ CNN ที่แม่นยำขึ้นบนชุดข้อมูลสาธารณะ และ ยุคปัจจุบัน ที่งานวิจัยหันมาเน้นความ “น่าเชื่อถือได้จริง” (trustworthiness) — ความสามารถถ่ายโอนโมเดลข้ามสถานที่ (transferability) และความซับซ้อนที่ต้องลดลงเพื่อให้รันได้จริงในสภาพแวดล้อมโรงงาน

หลักการทำงาน: จากสัญญาณเดียวสู่ N โหลด

pipework ของ NILM มี 4 ขั้นตอนหลัก:

1. เก็บสัญญาณ — อ่านค่ากำลังรวมจากมิเตอร์อัจฉริยะหรือ power quality analyzer ที่จุดจ่ายหลัก ความถี่ตั้งแต่ 1 ครั้ง/วินาที (1 Hz) ขึ้นไป ยิ่งเก็บถี่ รายละเอียด transient ยิ่งชัด
2. ประมวลผลเบื้องต้น — normalize, ตัด noise, และ windowing ข้อมูลเป็นช่วง ๆ
3. แยกสลาย (disaggregation) — โมเดลจับ event ที่กำลังเปลี่ยน (event-based) หรือทำนายสัดส่วนโหลดแบบต่อเนื่อง (regression-based) เพื่อประมาณว่าช่วงเวลานั้น เครื่องจักรแต่ละกลุ่มใช้กี่ kW
4. ประเมินความแม่นยำ — เทียบกับค่าจริงด้วย metrics มาตรฐานอย่าง MAE (Mean Absolute Error), SAE (Signal Aggregate Error) และ F1-score ของการตรวจจับสถานะเปิด/ปิด

3 ตระกูลอัลกอริทึมที่ควรรู้จัก

NILM vs Submetering: เลือกอย่างไร?

คำถามที่วิศวกรโรงงานถามจริงคือ “แล้วไม่ติดมิเตอร์ย่อยเลยได้ไหม?” คำตอบคือ ใช้ทั้งสองอย่างประกอบกัน มิเตอร์ย่อย (submeter) ให้ความแม่นยำแน่นอนแต่ต้องลงทุนอุปกรณ์และการเดินสายเป็นรายจุด — ทั้ง Modbus RTU ผ่าน RS-485 หรือ wireless sensor ก็ต้องบำรุงรักษา ขณะที่ NILM ติดตั้งถูกจุดเดียวครอบคลุมทั้งโรงงาน เหมาะเป็น “แผนที่คร่าว ๆ ก่อนสำรวจละเอียด” — ใช้ NILM หาว่าโหลดกลุ่มไหนผิดปกติ แล้วค่อยลงมิเตอร์ย่อยเฉพาะจุดที่คุ้มค่า

กรณีใช้งานจริงในโรงงานอุตสาหกรรม

• ล่ากองโหลดซ่อนเร้น — พบคอมเพรสเซอร์ที่ยัง bleed air ตอนสายการผลิตหยุด หรือ heater ที่ลืมปิดหลังกะดึก ซึ่งปกติจะมองไม่เห็นในใบแจ้งค่าไฟรายเดือน
• ตรวจสอบผลโครงการประหยัดพลังงาน — เทียบก่อน/หลังที่ระดับกลุ่มโหลด แทนระดับโรงงานที่ noise จากยอดผลิตกลบผลลัพธ์
• เฝ้าระวังความผิดปกติเบื้องต้น — มอเตอร์ที่โหลดเฉลี่ยค่อย ๆ สูงขึ้นเป็นสัปดาห์ อาจเป็นสัญญาณ bearing หรือ misalignment ระยะต้น
• ต่อยอดสู่ EnPI — ข้อมูลโหลดย่อยคือวัตถุดิบสำคัญของ EnPI ตาม ISO 50006 ที่จะกล่าวถึงในบทความถัดไป

ข้อจำกัดที่ต้องยอมรับก่อนตัดสินใจ

งานวิจัยชี้ชัดว่า NILM ในโรงงานยังท้าทายกว่าในบ้านเรือน เพราะเครื่องจักรอุตสาหกรรมหลายตัวรันพร้อมกันตลอดเวลา (steady-state load) ทำให้ event การเปิด-ปิดชัดเจนน้อยกว่าเครื่องใช้ไฟฟ้าในบ้าน อุปกรณ์ที่กินไฟใกล้เคียงกันก็แยกยาก และโมเดลที่ train จากโรงงานหนึ่งมักต้อง calibrate ใหม่เมื่อย้ายไปอีกโรงงาน กฎเหล็กคือ อย่าคาดหวังความแม่นยำระดับมิเตอร์ย่อย แต่ใช้ประโยชน์จากความครอบคลุม

Key Takeaways