จาก Rule-Based สู่ ML-Based Energy Management
ระบบบริหารพลังงานรุ่นเก่าทำงานบน Rule-Based Logic หมายความว่าผู้ใช้ต้องกำหนดกฎเองทั้งหมด เช่น ตั้งเวลาปิดแอร์เวลา 23:00 น. หรือปิดไฟเมื่อไม่มีการเคลื่อนไหวนาน 30 นาที วิธีนี้ใช้ได้ดีสำหรับกิจวัตรที่สม่ำเสมอ แต่ขาดความยืดหยุ่นเมื่อพฤติกรรมการใช้ชีวิตเปลี่ยนแปลง ระบบ Smart Longevity รุ่นใหม่ที่ใช้ Machine Learning แตกต่างออกไปโดยสิ้นเชิง แทนที่ผู้ใช้จะต้องเขียนกฎ ระบบจะสังเกต วิเคราะห์ และสรุปรูปแบบการใช้งานเองจากข้อมูลจริง แล้วสร้าง Automation Logic ที่สอดคล้องกับชีวิตประจำวันของผู้อยู่อาศัยโดยอัตโนมัติ ความแตกต่างนี้คือสิ่งที่ทำให้บ้าน "เรียนรู้" ไม่ใช่แค่ "ทำตามคำสั่ง"
กระบวนการ Learning 4–6 สัปดาห์
ในช่วงแรกของการติดตั้ง ระบบจะเข้าสู่ Observation Mode เป็นเวลา 4–6 สัปดาห์ โดยเก็บข้อมูลทุกด้านของการใช้พลังงานโดยไม่ปรับแต่งอะไร ข้อมูลที่เก็บได้แก่ เวลาเปิด-ปิดอุปกรณ์แต่ละชิ้น ปริมาณพลังงานที่ใช้ในแต่ละช่วงเวลา การเคลื่อนไหวของผู้อยู่อาศัยในแต่ละโซน และข้อมูลภายนอก เช่น อุณหภูมิ ความชื้น และช่วงเวลากลางวัน หลังจาก 4 สัปดาห์ อัลกอริทึม Clustering จะจัดกลุ่มรูปแบบการใช้งานออกเป็น Daily Profile ต่างๆ เช่น วันทำงานที่บ้าน วันทำงานนอกบ้าน วันหยุดสุดสัปดาห์ และวันหยุดพิเศษ ระบบเริ่มเสนอ Automation Suggestion ที่ผู้ใช้สามารถอนุมัติหรือปฏิเสธ การตอบสนองของผู้ใช้กลายเป็น Training Data เพิ่มเติมที่ช่วยให้ระบบ Refine Model ได้แม่นยำขึ้นในสัปดาห์ที่ 5–6 และต่อเนื่องหลังจากนั้น
Anomaly Detection และการตรวจจับ Vampire Load
หนึ่งในความสามารถที่มีคุณค่ามากที่สุดของ ML-Based Energy System คือ Anomaly Detection หรือการตรวจจับรูปแบบการใช้พลังงานที่ผิดปกติ เมื่อระบบสร้าง Baseline Profile แล้ว มันสามารถตรวจพบได้ทันทีเมื่อมีการใช้พลังงานสูงผิดปกติในวงจรใดวงจรหนึ่ง เช่น เครื่องปรับอากาศที่ใช้พลังงานสูงกว่าปกติ 40% อาจบ่งบอกว่าคอยล์สกปรกหรือสารทำความเย็นรั่ว Vampire Load หรือพลังงานที่อุปกรณ์ดูดซับแม้ไม่ได้ใช้งาน เช่น โทรทัศน์ในโหมด Standby เครื่องชาร์จที่เสียบค้างไว้ หรือเครื่องใช้ไฟฟ้าที่ปิดแต่ไม่ได้ถอดปลั๊ก รวมกันแล้วมักคิดเป็น 5–10% ของค่าไฟทั้งหมด ระบบสามารถระบุ Vampire Load รายอุปกรณ์และตั้ง Smart Plug ให้ตัดไฟในช่วงที่ไม่มีการใช้งานโดยอัตโนมัติ
Seasonal Adaptation สำหรับสภาพอากาศไทย
ประเทศไทยมีฤดูกาลที่ส่งผลต่อพฤติกรรมการใช้พลังงานอย่างชัดเจน ฤดูร้อน (มี.ค.–พ.ค.) อุณหภูมิสูงสุดอาจถึง 38–40°C ทำให้ระบบปรับอากาศทำงานหนักขึ้น ฤดูฝน (มิ.ย.–ต.ค.) มีความชื้นสูงแต่อุณหภูมิลดลงบ้าง และฤดูหนาว (พ.ย.–ก.พ.) อุณหภูมิอาจลงต่ำถึง 15–20°C ในบางคืน ทำให้พฤติกรรมการใช้แอร์เปลี่ยนแปลงอย่างมีนัยสำคัญ ระบบ ML ที่ดีต้องรับรู้ Seasonal Pattern เหล่านี้และปรับ Baseline Energy Profile ให้สอดคล้อง ป้องกันไม่ให้ระบบแจ้งเตือน False Alarm เมื่อการใช้พลังงานสูงขึ้นตามสภาพอากาศ และสามารถคาดการณ์ล่วงหน้าว่าเดือนถัดไปค่าไฟจะเพิ่มขึ้นประมาณเท่าไรจากปัจจัยฤดูกาล
Recommendation Engine เพื่อการเปลี่ยนพฤติกรรม
นอกจากการ Automate การทำงานของอุปกรณ์แล้ว ระบบ ML ยังทำหน้าที่เป็น Recommendation Engine ที่แนะนำการปรับพฤติกรรมให้ผู้อยู่อาศัยผ่าน LINE OA ตัวอย่างเช่น แจ้งว่าการลดอุณหภูมิแอร์จาก 22°C เป็น 25°C ในห้องนอนสามารถลดค่าไฟได้ 180 บาทต่อเดือน หรือแนะนำให้เลื่อนเวลาซักผ้าไปหลัง 22:00 น. เพื่อประหยัดเพิ่มอีก 90 บาท การนำเสนอข้อมูลในรูปแบบตัวเลขที่จับต้องได้ ไม่ใช่เพียงเปอร์เซ็นต์หรือหน่วยไฟฟ้า ทำให้ผู้อยู่อาศัยมีแรงจูงใจในการปรับพฤติกรรมมากกว่า และทำให้เป้าหมายการประหยัดพลังงานของ Smart Longevity กลายเป็นเรื่องที่จับต้องได้และเกิดขึ้นจริงในชีวิตประจำวัน