Energy Management Archives - บริษัท ฮันนี่คอร์ปอเรชั่น จำกัด

Oct92026 by contentNo Comments

ตลาด SCADA โต CAGR 10% ถึงปี 2032: อ่านตัวเลข MarketsandMarkets ให้ขาด และสิ่งที่โรงงานไทยต้องทำตอนนี้

Article

ตลาด SCADA ทั่วโลกกำลังเข้าสู่ช่วงเร่งตัว — รายงานฉบับล่าสุดจาก MarketsandMarkets (ตีพิมพ์กันยายน 2026) คาดการณ์ว่ามูลค่าตลาดระบบควบคุมและเฝ้าระวังแบบรวมศูนย์จะเติบโตจาก 13.94 พันล้านดอลลาร์สหรัฐในปี 2026 สู่ 24.69 พันล้านดอลลาร์ในปี 2032 ด้วยอัตราเติบโตเฉลี่ยต่อปี (CAGR) 10.0% ตัวเลขนี้ไม่ได้แค่บอกว่า "มีคนซื้อ SCADA มากขึ้น" แต่สะท้อนการเปลี่ยนแปลงเชิงโครงสร้างว่าระบบ SCADA กำลังถูกมองใหม่จาก "ห้องควบคุมของฝ่ายวิศวกรรม" ไปเป็น "แพลตฟอร์มข้อมูลกลางของทั้งองค์กร" ทีมงาน Honey Corporation ติดตั้งระบบ SCADA และระบบเฝ้าระวังในโรงงานอุตสาหกรรมมากว่าหลายโครงการ และสิ่งที่เราเห็นชัดในรอบ 2-3 ปีคือ ลูกค้าไม่ได้ถามแค่ "จอภาพเก็บค่าจาก PLC ได้กี่จุด" อีกต่อไป แต่ถามว่า "ข้อมูลจาก SCADA จะเชื่อมไปยังระบบ MES, ERP และ Dashboard ผู้บริหารได้อย่างไร" — คำถามที่เปลี่ยนไปนี้แหละคือแรงขับเคลื่อนตัวจริงของตลาด 10.0% ที่รายงานบอก อ่านตัวเลขให้ขาด: SCADA 10.0% หมายความว่าอย่างไร เราลองแยกแยะว่า CAGR 10.0% ในช่วง 2026-2032 มาจากไหน โดยเทียบกับรายงานย่อยที่เกี่ยวข้องจากสำนักเดียวกัน: ตลาด ปีฐาน → ปีเป้า ขนาดตลาด CAGR สิ่งที่บอกเรา SCADA โดยรวม 2026 → 2032 USD 13.94B → 24.69B 10.0% โครงสร้างพื้นฐาน + ซอฟต์แวร์โตพร้อมกันทั้งไลน์ SCADA in BIM (อาคาร) → 2032 USD 16.60B 21.5% อาคารอัจฉริยะ + Digital Twin ดันส่วนผสม BIM Power SCADA (ไฟฟ้า) → 2028 USD 2.9B 7.1% กลุ่มพลังงานเติบโตสม่ำเสมอ ไม่ใช่ตัวขับหลัก ที่มา: MarketsandMarkets, SCADA Market Global Forecast to 2032 (ก.ย. 2026); Power SCADA Market (2024); SCADA in Building Information…

Oct32026 by contentNo Comments

Case Study: Chiller Plant 2,000 RT ลด kW/RT ได้ 22.8% โดยไม่เปลี่ยนเครื่องจักรใหญ่ — เรื่องจริงจากข้อมูล 1 นาที

Article

โรงงานผลิตชิ้นส่วนแห่งหนึ่งในนิคมอุตสาหกรรมภาคตะวันออกมี Chiller Plant ขนาด 2,000 ตันเย็น (RT) ให้บริการทั้งระบบปรับอากาศและน้ำเย็นกระบวนการผลิต ทุกคนในทีมซ่อมบำรุงรู้ดีว่า "ค่าไฟห้อง Chillers สูงผิดปกติ" มาหลายปี แต่ไม่มีใครตอบได้ว่าสูงเพราะอะไร เพราะข้อมูลที่มีคือยอด kWh รวมต่อเดือนจากมิเตอร์เดียว และค่าการตั้งค่าที่ "ถูกปรับครั้งสุดท้ายเมื่อคนเก่ายังอยู่" กรณีศึกษานี้ถอดบทเรียนจากโครงการปรับปรุงประสิทธิภาพระบบน้ำเย็นด้วยการติดตั้ง IIoT Monitoring และการวิเคราะห์ข้อมูลแบบ Fault Detection ตั้งแต่วันแรกจนถึงการเปลี่ยนแปลงที่วัดผลได้ — แบบเดียวกับที่โรงงานอื่นต่างประเทศทำและได้ผลยืนยันจากงานวิจัยระดับชาติสหรัฐฯ ปัญหา: เครื่องจักรปกติ แต่ระบบไม่ปกติ สิ่งที่ทีมวิศวกรพบหลังติดตั้งเซ็นเซอร์วัดอุณหภูมิน้ำเข้า/ออกทุกเครื่อง วัดกำลังไฟฟ้าของคอมเพรสเซอร์แยกทีละตัว และดึงค่าจาก BMS มาวิเคราะห์ร่วมกัน คือภาพที่ต่างจากความเชื่อเดิมโดยสิ้นเชิง: เครื่อง Chiller เดิน 3 เครื่องพร้อมกันทั้งวัน ทั้งที่โหลดจริงเฉลี่ยเพียง 58% ของกำลังติดตั้ง — ปัญหา Staging Logic ผิดพลาด อุณหภูมิน้ำเย็นออกถูกตั้งไว้ 6.0°C ทั้งที่กระบวนการผลิตรับ 7.2°C ได้ — ทุก 1°C ที่ลดลงเกินจำเป็น กินพลังงานเพิ่มราว 2-3% Condenser Approach ของเครื่องที่ 2 สูงผิดปกติ (เกิน 3°C) — สัญญาณท่อคอนเดนเซอร์มีตะกอน ปั๊มน้ำเดินที่ความเร็วเต็ม (100%) ตลอดเวลาแม้โหลดต่ำ — ไม่มี VFD ควบคุมตามความต้องการจริง ระบบท่อน้ำเย็นของ Chiller Plant อุตสาหกรรม — จุดวัดอุณหภูมิและความดันทุกจุดคือข้อมูลที่เปลี่ยนวิธีดูแลทั้งระบบ (ภาพ: Wikimedia Commons) โซลูชัน: มองเห็นก่อน แล้วค่อยแก้ หลักการของโครงการคือ "ไม่เดา ไม่ลองผิดลองถูก ใช้ข้อมูลตัดสิน" โดยแบ่งเป็น 3 เส้นทาง: 1. ติดตั้งชั้นข้อมูล (Instrumentation Layer) เพิ่มเซ็นเซอร์อุณหภูมิแม่นยำ ±0.1°C ที่ท่อน้ำเข้า/ออกทุกเครื่อง มิเตอร์วัดกำลังไฟฟ้าทุกตัวขับหลัก (คอมเพรสเซอร์ ปั๊ม พัดลมหอ้นเย็น) และเกตเวย์ IIoT เก็บข้อมูลทุก 1 นาที ส่งขึ้นแพลตฟอร์มวิเคราะห์แบบเรียลไทม์ ตัวชี้วัดหลักที่คำนวณอัตโนมัติคือ kW/RT (กิโลวัตต์ต่อตันเย็น) — ตัวเลขเดียวที่บอกสุขภาพทั้งระบบ 2. วิเคราะห์หาความผิดปกติ (Fault Detection) แพลตฟอร์มเทียบพฤติกรรมจริงกับ Baseline ทางเทคนิค เช่น ความสัมพันธ์ระหว่างโหลด-อุณหภูมิ-กำลังไฟที่ควรเป็นตามหลักอุณหพลศาสตร์ ความผิดปกติที่ตรวจพบถูกจัดคิวตามผลกระทบด้านพลังงาน ไม่ใช่ตามลำดับที่คนเห็นเป็นเรื่องเป็นราวก่อน วิธีนี้เป็นแนวทางเดียวกับ…

Oct32026 by contentNo Comments

IEC 61724 ปฏิบัติการจริง: ออกแบบระบบ Monitoring โซล่าร์โรงงานให้ค่า Performance Ratio ที่พิสูจน์ได้

Article

โรงงานจำนวนมากติดตั้งโซล่าร์บนหลังคาด้วยความคาดหวังว่าจะประหยัดค่าไฟ 10-20% แต่พอผ่านไป 2-3 ปี กลับตอบไม่ได้ว่าระบบ "ยังทำงานได้ดีเท่าวันแรกหรือไม่" เพราะข้อมูลที่มีคือตัวเลขผลผลิตรวมจากหน้าจออินเวอร์เตอร์ ซึ่งความผิดพลาดของเครื่องวัดอาจสูงถึง ±3-5% — ไม่พอสำหรับการอ้างสิทธิ์ความเสียหายตามสัญญารับประกันผลผลิต (Performance Guarantee) มาตรฐานสากล IEC 61724 คือคำตอบของปัญหานี้ มันกำหนดว่าจะ "วัดอะไร แม่นยำแค่ไหน ถี่แค่ไหน" เพื่อให้ค่า Performance Ratio (PR) ที่คำนวณออกมาสามารถใช้โต้แย้งทางกฎหมายและการเงินได้ บทความนี้ถอดรหัสมาตรฐานฉบับนี้สำหรับวิศวกรที่ดูแลโซล่าร์ในโรงงานอุตสาหกรรม เซ็นเซอร์วัดรังสีอาทิตย์ (Pyranometer) คือหัวใจของระบบมอนิเตอริ่งตาม IEC 61724 — ความแม่นยำของมันคำนวณเป็นค่า PR ทั้งระบบ (ภาพ: Wikimedia Commons) โครงสร้างมาตรฐาน 3 ส่วน IEC 61724 แบ่งเป็น 3 ส่วน โดยส่วนที่วิศวกรโรงงานต้องรู้จักดีที่สุดคือข้อ 1: IEC 61724-1 — ข้อกำหนดการติดตั้งระบบวัด (Monitoring): เซ็นเซอร์ ความแม่นยำ ความถี่การเก็บข้อมูล IEC 61724-2 — วิธีการประเมินกำลังผลิต (Capacity Evaluation) จากข้อมูลจริง IEC 61724-3 — วิธีการประเมินพลังงาน (Energy Evaluation) เทียบกับค่าอ้างอิง Class A / B / C — เลือกระดับความแม่นยำให้เหมาะกับงาน หัวใจของ IEC 61724-1 คือการจัดระดับระบบวัดเป็น 3 คลาส ตามความแม่นยำของเซ็นเซอร์และความละเอียดข้อมูล: องค์ประกอบ Class A (Bankable) Class B (Operational) Class C (Basic) เซ็นเซอร์วัดรังสี Thermopile Pyranometer มาตรฐาน ISO 9060 Class A (ความคลาดเคลื่อนรายวัน ±1.0-1.5%) Pyranometer ISO 9060 Class B หรือ Reference Cell สอบเทียบแล้ว (±2-3%) Reference Cell ไม่สอบเทียบ หรือค่าจากสถานีอุตุนิยมวิทยา (±5-10%) มิเตอร์พลังงาน IEC 62053 Class 0.2S (±0.2%) IEC 62053…

Oct32026 by contentNo Comments

How-to: เตรียมโรงงานเข้าสู่ยุค DPPA ใน 6 ขั้นตอน — เมื่อไฟฟ้าสะอาดระยะยาวเริ่มต้นที่ข้อมูล ไม่ใช่แผงโซล่าร์

Article

เมื่อกรอบการซื้อขายไฟฟ้าโดยตรง (Direct PPA: DPPA) ขนาด 2,000 เมกะวัตต์ เริ่มมีผลบังคับใช้ตั้งแต่เดือนมกราคม 2569 วงการพลังงานของไทยก้าวเข้าสู่บทใหม่ โรงงานอุตสาหกรรมไม่ได้ถูกจำกัดอยู่แค่ "ติดโซล่าร์บนหลังคาเอง" อีกต่อไป แต่สามารถซื้อไฟฟ้าสะอาดจากโครงการหมุนเวียนภายนอกผ่านสองช่องทางหลัก คือ Utility Green Tariff (UGT) และ Third-Party Access (TPA) ที่อาศัยโครงข่ายส่งของผู้ให้บริการไฟฟ้าในการขนส่ง คำถามที่วิศวกรและผู้บริหารโรงงานต้องตอบให้ได้ไม่ใช่ "จะเข้าร่วมหรือไม่" แต่คือ "โรงงานของเราพร้อมแค่ไหน" — เพราะการเจรจา PPA ระยะยาว 10-20 ปี ต้องการข้อมูลโหลดที่แม่นยำ รูปแบบการใช้ไฟ (Load Profile) ที่พิสูจน์ได้ และระบบวัดมิเตอริ่งที่ผ่านมาตรฐาน ซึ่งทั้งหมดนี้คืองานของ IIoT ที่ควรเริ่มวางตั้งแต่วันนี้ โซล่าร์หลังคาโรงงานคือจุดเริ่มต้นของการเปลี่ยนผ่าน แต่เมื่อศักยภาพพื้นที่ถูกใช้หมด DPPA คือก้าวถัดไป (ภาพ: Wikimedia Commons) ทำไมโรงงานต้องสนใจ DPPA ตั้งแต่ตอนนี้ ข้อมูลจากวงกลมประชุมผู้มีส่วนได้ส่วนเสียภาคพลังงานสะอาดของไทย (พ.ค. 2569) ชี้ภาพที่ชัดเจน ยอดขอใช้อนุมัติโครงการดาต้าเซ็นเตอร์ในเขต EEC มีถึง 17 โครงการที่ยืนยันแล้ว และอีก 47 โครงการรอพิจารณา คิดเป็นความต้องการไฟฟ้ารวมกว่า 17,000 เมกะวัตต์ แม้ตัวเลขนี้จะต้องกรองความน่าเชื่อถือ แต่ก็ส่งสัญญาณว่า โควตา 2,000 เมกะวัตต์รอบแรกอาจถูกจองรวดเร็ว และโรงงานอุตสาหกรรมที่มีโหลดใหญ่ไม่ควรรอให้รอบสองมาถึงก่อนค่อยเตรียมตัว อีกแรงกดดันสำคัญคือ CBAM ของสหภาพยุโรปและข้อกำหนดห่วงโซ่อุปทานของลูกค้าพหุชาติ ผู้ซื้อต้องการให้ผู้ผลิตรายงานคาร์บอนสโคป 2 ที่มาจากไฟฟ้าที่ใช้จริง การอ้างว่า "ใช้ไฟจากกริดเหมือนกันทุกคน" จะไม่เพียงพออีกต่อไป สถานประกอบการที่มีพลังงานสะอาดที่ตรวจสอบย้อนกลับได้จะได้เปรียบในการเจรจาค้าส่ง 6 ขั้นตอนเตรียมโรงงานเข้าสู่ DPPA ขั้นที่ 1: สำรวจ Baseline การใช้ไฟฟ้า 12-24 เดือน เริ่มจากดึงข้อมูลมิเตอร์หลัก (Main Meter) ย้อนหลังอย่างน้อย 1 ปีเต็ม เพื่อจับฤดูกาลการผลิต วันหยุดพักเครื่อง และช่วง Peak ที่เกิดซ้ำ ถ้าโรงงานยังอ่านค่าได้เฉพาะจากใบแจ้งหนี้รายเดือน ให้ติดตั้ง Power Quality Meter ที่บันทึกค่าทุก 15 นาที หรือดีที่สุดคือทุก 1 นาที ตามแนวทาง Time-Synchronized Metering เพราะการเจรจา PPA ต้องการ Load Profile รายชั่วโมง ไม่ใช่ยอดรวมรายเดือน ขั้นที่ 2: แยกโหลดตามกระบวนการผลิตด้วย Submetering…

Sep272026 by contentNo Comments

Electrical Digital Twin: จำลองระบบไฟฟ้าทั้งโรงงานเพื่อวางแผนพลังงานยุคโซล่าร์+BESS อย่างเป็นระบบ

Article

เมื่อพูดถึง Digital Twin ในโรงงาน คนส่วนใหญ่นึกถึงการจำลองเครื่องจักรหรือสายการผลิต แต่มีระบบหนึ่งที่ถูกมองข้ามบ่อยที่สุด ทั้งที่กินงบลงทุนมหาศาลและกำหนดต้นทุนต่อหน่วยผลิตของโรงงานโดยตรง นั่นคือ ระบบไฟฟ้าและพลังงานทั้งโครงข่าย — หม้อแปลง, Switchgear, Solar Rooftop, ระบบกักเก็บพลังงานแบตเตอรี่ (BESS), ระบบปรับอากาศ, และมอเตอร์นับพันตัวที่กระจายอยู่ทั้งโรงงาน วันนี้โรงงานไทยจำนวนมากติดตั้งโซล่าร์บนหลังคาและพิจารณาลงทุน BESS เพื่อลดค่าไฟช่วง Peak แต่การตัดสินใจเหล่านี้ส่วนใหญ่ยังอาศัยสูตรคำนวณแบบ Static จาก Excel ที่คำนวณครั้งเดียวตอนทำ ROI — คำนวณก่อนติดตั้ง แล้วไม่มีใครกลับมาเช็คอีกเลยว่าระบบจริงทำงานตรงกับที่คำนวณไว้หรือไม่ ตู้ระบบกักเก็บพลังงานแบตเตอรี่ (BESS) แบบระบายความร้อนด้วยอากาศสำหรับงานอุตสาหกรรม — หนึ่งในอสังหาริมทรัพย์พลังงานที่ Digital Twin ช่วยวางแผนการชาร์จ/คายประจุได้แม่นที่สุด (ภาพ: Wikimedia Commons, CC0) Electrical Digital Twin คืออะไร ต่างจาก Energy Dashboard อย่างไร หลายองค์กรมี Dashboard แสดงค่าไฟ ค่า Maximum Demand แล้ว และคิดว่านั่นคือ "การจัดการพลังงาน" แต่จริงๆ แล้วนั่นคือการ เฝ้าดูย้อนหลัง — เห็นว่าเมื่อวานค่าไฟเท่าไร แล้วก็จบ Electrical Digital Twin คือโมเดลจำลองทางไฟฟ้าของทั้งโรงงานที่สะท้อนสถานะ แบบเรียลไทม์ และสามารถ จำลองอนาคต ได้ ประกอบด้วย 3 ชั้น: ชั้นข้อมูล (Data Layer) — Power Meter, Power Quality Analyzer, และ Sensor ตามจุดสำคัญ ส่งข้อมูลแรงดัน กระแส กำลังไฟฟ้า ตัวประกอบกำลัง (Power Factor) และ Harmonics ผ่านโปรโตคอล Modbus TCP หรือ OPC UA ขึ้น Edge Gateway แบบต่อเนื่อง ชั้นโมเดล (Model Layer) — โมเดลวงจรไฟฟ้าแบบ One-Line Diagram ที่มีพารามิเตอร์จริงของหม้อแปลง สายไฟ และโหลด บางจุดผสม Physics-based Model (สมการวงจร) กับ Data-driven Model (ML) แบบ Hybrid Twin ชั้นจำลองสถานการณ์ (Simulation…

Sep222026 by contentNo Comments

Reinforcement Learning ในโรงงาน: เมื่อ AI ไม่ใช่ทำนาย แต่ลงมือควบคุมระบบจริง — จาก Reward Function ถึง Safety Layer

Article

หลายโรงงานที่เราเจอในประเทศไทยมีปัญหาเดียวกัน — ระบบทำความเย็น ระบบปรับอากาศ หรือชุดหม้อไอน้ำ ถูกตั้งค่าพารามิเตอร์ไว้ตั้งแต่วัน commissioning แล้วก็ไม่เคยถูกปรับอีกเลย ทั้งที่โหลดจริงเปลี่ยนไปตลอดเวลา ทั้งจากฤดูกาล สูตรการผลิต และปริมาณคำสั่งผลิต บทความนี้เราจะเจาะลึกว่า Reinforcement Learning (RL) จะเข้ามา "เรียนรู้" วิธีควบคุมที่ดีที่สุดจากข้อมูลจริงของโรงงานคุณเองได้อย่างไร และทำไมมันถึงไม่ใช่แค่ hype แต่เป็นเทคโนโลยีที่ถูกพิสูจน์แล้วในงานจริงมานานกว่า 8 ปี RL ต่างจาก AI แบบที่โรงงานเคยใช้อย่างไร งาน AI ส่วนใหญ่ในโรงงานตอนนี้คือการ "ทำนาย" — ทำนายว่าแบริ่งจะพังเมื่อไหร่ ทำนายว่าชิ้นงานจะเสียหรือไม่ แต่ RL ไม่ได้ทำนาย RL ทำหน้าที่ ตัดสินใจลงมือทำ โดยตอบคำถามว่า "ถ้าสถานการณ์เป็นแบบนี้ ควรตั้งค่าอะไรเท่าไหร่ถึงจะดีที่สุดในระยะยาว" กลไกหลักของ RL คือการเรียนรู้ผ่านการลองผิดลองถูกภายใต้กรอบที่เรียกว่า Markov Decision Process (MDP) — ตัวควบคุม (agent) สังเกตสถานะปัจจุบัน เช่น อุณหภูมิน้ำเย็น โหลด แรงดัน แล้วเลือก action เช่น ปรับความถี่ปั๊ม เปิด-ปิด chiller จากนั้นระบบให้ reward กลับมา (เช่น พลังงานที่ประหยัดได้ในชั่วโมงนั้น) และวนซ้ำแบบนี้หลายล้านครั้งจนโมเดลเรียนรู้นโยบาย (policy) ที่ดีที่สุด แผนภาพวงจรการเรียนรู้ของ RL: agent สังเกต state → เลือก action → รับ reward → ปรับ policy (ภาพ: Wikimedia Commons, CC) กรณีศึกษาที่เปลี่ยนเกม: ระบบทำความเย็น Data Center ตัวอย่างที่ถูกอ้างถึงมากที่สุดคือโครงการนำร่องปี 2016 ของบริษัทเทคโนโลยีระดับโลกที่นำ Deep RL มาควบคุมระบบทำความเย็นของ data center ของตัวเอง ผลลัพธ์คือพลังงานที่ใช้ในส่วน cooling (PUE ลดลงจาก 1.12 เหลือ 1.10) โดยระบบปรับพารามิเตอร์หลายสิบตัวพร้อมกันที่มนุษย์ทำได้ยาก เพราะตัวแปรทั้งหมด interlock กันหมด ต่อมาปี 2018 มีการต่อยอดให้ระบบส่งคำสั่งควบคุมโดยตรงสู่ระบบจริงทุก 5 นาทีอัตโนมัติ กลายเป็น "operator ที่ไม่มีวันเหนื่อย" ที่คอยหาจุด sweet spot ของระบบตลอด 24 ชั่วโมง ระบบทำความเย็นคือ…

Sep42026 by contentNo Comments

CBAM Definitive Regime 2026: เช็กลิสต์ 6 ขั้นตอนสำหรับโรงงานไทยที่ส่งออกไป EU

Article

วันที่ 1 มกราคม 2026 กฎระเบียบ CBAM (Carbon Border Adjustment Mechanism) ของสหภาพยุโรปเปลี่ยนจาก "ช่วงทดลองรายงาน" เข้าสู่ Definitive Regime หรือระบบบังคับใช้จริงเต็มรูปแบบ — ผู้นำเข้าใน EU ต้องขออนุญาต (Authorised CBAM Declarant) ต้องรายงานการปล่อยคาร์บอนที่ฝังอยู่ในสินค้า (Embedded Emissions) และต้องซื้อ CBAM Certificates มาส่งคืนตามปริมาณการปล่อยจริง สำหรับผู้ส่งออกไทยที่ขายเหล็ก อะลูมิเนียม ปูนซีเมนต์ ปุ๋ย ไฮโดรเจน หรือไฟฟ้าเข้า EU นี่ไม่ใช่ข่าวไกลตัวอีกต่อไป เพราะลูกค้า EU ของคุณจะเป็นฝ่ายมาทวงข้อมูลการปล่อยคาร์บอนระดับโรงงานจากคุณภายในปีนี้ บทความนี้เรียบเรียงเป็นเช็กลิสต์ 6 ขั้นตอนสำหรับโรงงานไทยที่ส่งออกกลุ่มสินค้า CBAM โดยอ้างอิงข้อมูลจากหน้าเว็บทางการของคณะกรรมาธิการยุโรป (DG TAXUD) และกฎระเบียบอ้างอิง Regulation (EU) 2023/956 พร้อมการแก้ไขล่าสุดผ่าน Omnibus Amendment (Regulation (EU) 2025/2083) การปล่อย CO2 ระดับโลก — CBAM คือเครื่องมือของ EU เพื่อให้ราคาสินค้านำเข้าสะท้อนคาร์บอนที่ฝังอยู่จริง (ภาพ: Wikimedia Commons) เช็กลิสต์ 6 ขั้นตอนเตรียมรับมือ CBAM ปี 2026 ขั้นที่ 1 — ยืนยันว่าสินค้าของคุณอยู่ในขอบเขต CBAM หรือไม่ CBAM ครอบคลุมสินค้า 6 กลุ่มหลักที่ EU ระบุว่าเป็น Carbon-Intensive: ปูนซีเมนต์ เหล็กและเหล็กกล้า อะลูมิเนียม ปุ๋ย ไฟฟ้า และไฮโดรเจน รวมถึงผลิตภัณฑ์ดาวน์สตรีมบางประเภทของกลุ่มเหล็กและอะลูมิเนียม เช่น สกรู เสาเข็ม แผ่นฉนวน เช็กโค้ดสินค้า (CN Code) ใน Annex I ของ Regulation (EU) 2023/956 ให้ชัดเจนก่อนดำเนินการอื่น เพราะถ้าสินค้าไม่อยู่ในลิสต์ คุณไม่มีภาระผูกพันโดยตรง แต่ควรเฝ้าระวังการขยายขอบเขตในอนาคต ขั้นที่ 2 — ทำความเข้าใจภาระผูกพันของคู่ค้า EU ของคุณ ข้อสำคัญที่หลายโรงงานเข้าใจผิด: ผู้รับภาระทางกฎหมายคือ ผู้นำเข้าใน EU ไม่ใช่ผู้ส่งออกไทย แต่ผู้นำเข้าเหล่านั้นจำเป็นต้องได้ข้อมูล Embedded Emissions ที่ถูกต้องจากคุณเพื่อรายงานและคำนวณจำนวน Certificate ที่ต้องซื้อ…

Aug222026 by contentNo Comments

Smart EV Charging ในโรงงาน: วิเคราะห์ผลกระทบจาก EV ไทยโต 120% และกลยุทธ์บริหารโหลด OCPP

Article

เมื่อพนักงานเริ่มขับ EV มาทำงาน — ค่าไฟก้อนใหม่ที่โรงงานยังไม่ได้เตรียมรับ ตัวเลขจากข้อมูลจดทะเบียนยานยนต์ Q1 ปี 2026 ของไทยบอกเรื่องเดียวกันอย่างชัดเจน: การเปลี่ยนผ่านสู่ยานยนต์ไฟฟ้าไม่ใช่ scenario อีกต่อไป — การจดทะเบียน EV ไตรมาสแรกโตขึ้น 120.5% เพิ่มเป็น 57,108 คัน เทียบปีก่อน และเมื่อรวมกับ HEV ที่โต 29.8% แล้ว กลุ่มขับเคลื่อนไฟฟ้าทุกชนิดครองส่วนแบ่งตลาดรถยนต์นั่งใหม่ถึง 52.0% แล้ว (ที่มา: Proliance, ข้อมูลจดทะเบียน Q1/2026) ขณะที่ EVAT คาดการณ์ตลาด BEV ทั้งปีจะทะลุ 120,000 คัน สำหรับโรงงานอุตสาหกรรม ตัวเลขเหล่านี้แปลว่าอะไร? มันแปลว่า ลานจอดรถของคุณกำลังกลายเป็นโหลดไฟฟ้าใหม่ที่ใหญ่ที่สุดที่โรงงานเคยเจอในรอบหลายสิบปี — และเป็นโหลดที่เข้ามาโดยที่ฝ่ายวิศวกรรมไม่ได้เป็นคนตัดสินใจ แต่มาจากการเลือกรถของพนักงานทีละคัน จุดชาร์จ EV ยามค่ำคืน — เมื่อจำนวนคันเพิ่มขึ้นเป็นสิบ ลานจอดโรงงานจะกลายเป็นโหลดไฟฟ้าขนาดมหาศาลที่ต้องบริหารจัดการ (ภาพ: Wikimedia Commons) คณิตศาสตร์ที่ทำให้วิศวกรนอนไม่หลับ มาคำนวณแบบหยาบ ๆ: ที่ชาร์จ AC ระดับ 7.4 kW หนึ่งตัวเทียบเท่าโหลดของครัวเรือน 2-3 หลัง ทำนายของผู้เชี่ยวชาญด้าน charging infrastructure ชี้ว่า อาคารจอดรถ 50 ช่องที่ติดที่ชาร์จระดับนี้ทุกช่องโดยไม่มีระบบบริหารจัดการ จะต้องการกำลังเข้า (grid connection) ถึง 370 kW — เทียบเท่าโรงงานขนาดเล็กหนึ่งแห่ง เพียงเพื่อลานจอด ปัญหาไม่ได้จบที่ค่าไฟ แต่อยู่ที่ demand charge — ค่าว่าจ้างกำลังไฟฟ้าที่คิดจากค่ากำลังโหลดสูงสุดในรอบบิล (มักเป็นค่าเฉลี่ย 15 นาทีที่สูงที่สุด) พนักงาน 30 คนเสียบปลั๊กพร้อมกันตอน 08:30 ตอนเครื่องจักรกำลังรันเต็มระบบ = ตัวตั้งค่า peak ใหม่ที่คิดเงินทั้งเดือน แม้เหตุการณ์จะเกิดครั้งเดียว คำตอบมีอยู่แล้ว: Smart Charging บนมาตรฐานเปิด ข่าวดีคือนี่ไม่ใช่ปัญหาใหม่ อุตสาหกรรม EV charging มีมาตรฐานเปิดที่โรงงานใช้ประโยชน์ได้ทันที โดยไม่ต้อง lock-in กับผู้ขายรายใด: OCPP (Open Charge Point Protocol) — ภาษากลางระหว่างที่ชาร์จกับระบบบริหารจัดการ (CSMS) กำหนดกลไก Charging Profiles ที่สั่งลด-เพิ่มกำลังชาร์จตามเวลาได้ ตั้งแต่ OCPP 1.6…

Aug222026 by contentNo Comments

Case Study: EnPI ตาม ISO 50006 — เมื่อโรงงานประหยัดไฟ 20% แต่พิสูจน์ไม่ได้ แก้ด้วย Submetering + IIoT

Article

บทเรียนจากโรงงานที่ "ประหยัดไฟได้ 20% แต่พิสูจน์ไม่ได้" นี่คือเรื่องจริงที่เกิดซ้ำ ๆ ในวงการพลังงานโรงงาน: ทีมวิศวกรลงมือปรับปรุงระบบอากาศอัด ปรับ setpoint ชิลเลอร์ และติดตั้ง VFD ที่ปั๊มหล่อเย็น จนค่าไฟรวมทั้งโรงงานลดลงจริง แต่เมื่อถึงวันประชุมขออนุมัติงบรอบถัดไป ฝ่ายบัญชีถามคำถามเดียวที่ทุกคนตอบไม่ได้ — "ตัวเลขที่ลดลงนั้นมาจากโครงการของพวกคุณ หรือมาจากการที่ยอดสั่งผลิตเดือนนั้นตกลง?" คำถามนี้คือเหตุผลที่มาตรฐาน ISO 50006 มีอยู่ และเป็นสาเหตุที่ทีมงาน Honey Corporation ย้ำเสมอว่า โครงการพลังงานที่ดีต้องเริ่มจาก "ตัวชี้วัดที่ตั้งข้อสงสัยได้" ก่อนติดตั้งอุปกรณ์สักชิ้น มิเตอร์ย่อยหลายตัวตามแนวระบบ — โครงสร้างพื้นฐานของการวัด EnPI ที่สามารถตรวจสอบย้อนกลับได้ (ภาพ: Wikimedia Commons) ปัญหา: Energy Data ที่โกหกตัวเองเงียบ ๆ ตัวชี้วัดพลังงานแบบดิบ (kWh ต่อเดือน) ผสมสัญญาณจริงกับ "noise" เชิงปฏิบัติการเข้าด้วยกัน ตัวอย่างจากคู่มือ ISO 50006 ฉบับปฏิบัติ: สายการผลิตหนึ่งเพิ่ม throughput 20% ขณะที่ kWh รวมคงที่ ผู้จัดการที่ดูตัวเลขดิบจะสรุปว่า "สถานะคงเดิม" แต่เมื่อ normalize ด้วยสมการถดถัยแล้ว ผลคือ ประสิทธิภาพพลังงานดีขึ้นจริง 17% — เรื่องราวที่ตัวเลขดิบลบทิ้งไปทั้งหมด ความแตกต่างระหว่าง "ค่าไฟลด" กับ "ประสิทธิภาพดีขึ้น" คือความแตกต่างระหว่างโครงการที่เล็งระยะสั้น กับโครงการที่ผ่านการตรวจสอบ (audit-proof) วิธีแก้: EnPI ตามกรอบ ISO 50006 ทำงานอย่างไร ISO 50006 (ฉบับปรับปรุงล่าสุด 2023) คือมาตรฐานที่กำหนดวิธีสร้าง EnPI (Energy Performance Indicator) ที่ "ตั้งข้อสงสัยได้และพิสูจน์ได้" ภายในกรอบ ISO 50001 โดยแนวคิดแกนกลางคือ EnPI ที่ไม่มี baseline คืออัตราส่วนที่ไร้ความหมาย องค์ประกอบสำคัญมี 3 ส่วน: Relevant Variables — ปัจจัยนอกเหนือการควบคุมที่กระทบการใช้พลังงานอย่างชอบธรรม เช่น ปริมาณการผลิต (production volume) อุณหภูมิ ambient หรือความชื้นสัมพัทธ์ ระบบอากาศอัด track กับอัตราการผลิต ส่วนชิลเลอร์ track กับ wet-bulb temperature — การเลือกผิดตัวแปร ณ จุดนี้ทำให้ EnPI ทั้งระบบเพี้ยน…

Aug222026 by contentNo Comments

NILM (Non-Intrusive Load Monitoring): อ่านทะลุโหลดไฟฟ้าทั้งโรงงานจากมิเตอร์ตัวเดียวด้วย AI

Article

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 Smart Meter Gateway — ประตูข้อมูลพลังงานระดับอุปกรณ์ที่ NILM ใช้เป็นแหล่งสัญญาณ (ภาพ: Wikimedia Commons) 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: เก็บสัญญาณ — อ่านค่ากำลังรวมจากมิเตอร์อัจฉริยะหรือ power quality analyzer ที่จุดจ่ายหลัก ความถี่ตั้งแต่ 1 ครั้ง/วินาที (1 Hz)…