องศาวันความเย็น และการประยุกต์ใช้เป็นตัวแปรด้านพลังงาน (Cooling Degree Day and application for energy variable)

องศาวัน หรือ Degree Day (DD) คือ ตัวแปรด้านอุณหภูมิของอากาศ ที่เป็นปัจจัยส่งผลกระทบต่อกิจกรรมบางอย่าง ได้แก่ การเจริญเติบโตของพืช, การควบคุมศัตรูพืช, การใช้พลังงานของระบบทำความเย็นหรือระบบทำความร้อน เป็นต้น โดยหากเป็นตัวแปรที่เอาไว้วิเคราะห์ทางด้านการเกษตรจะเรียกว่า Growing Degree Day (GDD) และหากเป็นตัวแปรสำหรับการวิเคราะห์ทางด้านความร้อนและความเย็นจะเรียก Heating Degree Day (HDD) และ Cooling Degree Day (CDD) ตามลำดับ

Cooling Degree Day (CDD)

โดยตัวแปร Cooling Degree Day (CDD) จะคำนวณจากอุณหภูมิที่มีนัยยะต่อกิจกรรมนั้นๆ หรือเรียกว่าอุณหภูมิฐาน (Base Temperature, T_B) หรืออุณหภูมิสมดุล (Balance Point Temperature, T_BAL) กับอุณหภูมิอากาศ ซึ่งการกำหนดค่าอุณหภูมิฐานนั้น ให้พิจารณาค่าที่ก่อให้เกิดผลกระทบต่อกิจกรรมที่ทำการวิเคราะห์ เช่น การกำหนดค่า T_B การปลูกข้าวโพดที่ 50 ^oF หมายความว่าหากอุณหภูมิอากาศต่ำกว่า 50 ^oF ต้นข้าวโพดจะเจริญเติบโตได้ไม่ดี หรือ การกำหนดค่า T_B ของการปรับตั้งอุณหภูมิเครื่องปรับอากาศมีค่า 25 ^oC  หมายความว่าหากอุณหภูมิอากาศต่ำกว่า 25 ^oC จะไม่เปิดใช้เครื่องปรับอากาศเพราะอากาศเย็นอยู่แล้ว เป็นต้น

 

สำหรับบทความนี้จะกล่าวถึงการวิเคราะห์ด้านองศาวันความเย็น (Cooling Degree Day, CDD) เป็นหลัก เนื่องจากเป็นตัวแปรที่มีผลกระทบต่อการใช้พลังงานในระบบทำความเย็นซึ่งในประเทศไทยมีใช้อยู่อย่างแพร่หลาย
โดยวิธีการคำนวณนั้นมีหลายวิธี แต่ที่นิยมและคำนวณง่ายคือใช้ผลรวมของค่าองศาวันความเย็น ที่คำนวณได้ในแต่ละช่วงเวลาที่กำหนด บวกสะสมเฉพาะที่มีค่าเป็นบวก ดังสมการ (ASHRAE, 2013)

 

 

โดยที่

i  คือ จำนวนช่วงเวลาที่ใช้ในการเก็บข้อมูลเพื่อวิเคราะห์ เช่น หากต้องการทราบว่าเดือนมกราคมมีค่า CDD เท่าไร จำนวน i จะเท่ากับ 31 วัน เป็นต้น

T_{avg_i}  คือ อุณหภูมิของอากาศเฉลี่ย จากค่าสูงสุด (T_max) และต่ำสุด (T_min) ของวัน

T_B  คือ อุณหภูมิฐาน เช่น สำหรับการวิเคราะห์ระบบปรับอากาศอาจเลือกใช้ 25 ^oC เป็นต้น

⬚⁺  คือ สัญลักษณ์บ่งบอกถึงค่าที่เลือกเฉพาะค่าที่เป็นบวกในการคำนวณ

(หมายเหตุ การเลือกค่าที่เป็นบวกในการคำนวณนั้น หมายถึงต้องการค่าที่มีผลกระทบต่อกิจกรรมนั้นๆ เช่น ค่าที่บ่งชี้ถึงการเปิดใช้เครื่องปรับอากาศ คือช่วงที่มีค่าอุณหภูมิอากาศมากกว่า 25 ^oC หากช่วงไหนอุณหภูมิอากาศต่ำกว่า 25 ^oC ค่าที่คำนวณได้จะติดลบและไม่ถูกนำมาวิเคราะห์ เพราะในช่วงดังกล่าวจะใช้งานเครื่องปรับอากาศน้อยหรือไม่เปิดเครื่องปรับอากาศ เป็นต้น)

 

ตัวอย่างที่ 1

กรุงเทพฯ วันที่ 1 ตุลาคม 2561 มีอุณหภูมิอากาศสูงสุดของวันเท่ากับ 34.20 ^oC และอุณหภูมิอากาศต่ำสุดของวันเท่ากับ 25.70 ^oC ในวันดังกล่าวมีค่า Cooling Degree Day (CDD) เท่ากับ (กำหนด T_B  เท่ากับ 25 ^oC)

T_avg       = (34.20 + 25.70) / 2   =          29.95 ^oC

CDD     = (29.95 – 25.00)⁺       =          4.95 ^oC/วัน

 

ตัวอย่างที่ 2

ดอยอ่างขาง วันที่ 1 ตุลาคม 2561 มีอุณหภูมิอากาศสูงสุดของวันเท่ากับ 21.00 ^oC และอุณหภูมิอากาศต่ำสุดของวันเท่ากับ 16.50 ^oC ในวันดังกล่าวมีค่า Cooling Degree Day (CDD) เท่ากับ (กำหนด T_B  เท่ากับ 25 ^oC)

T_avg       = (21.00 + 16.50) / 2   =          18.75 ^oC

CDD     = (18.75 – 25.00)⁺       =          0.00 ^oC/วัน

 

ตัวอย่าง การคำนวณ CDD แบบรายเดือน

ซึ่งสรุปได้จากตารางว่า ค่า Cooling Degree Day (CDD) ของเดือนตุลาคม พ.ศ. 2561 เท่ากับ 155.05 ^oC/เดือน

สำหรับการประยุกต์ใช้ค่า Cooling Degree Day (CDD) ให้เป็นตัวแปรที่มีผลกระทบต่อการใช้พลังงานนั้น ส่วนใหญ่จะพบในอาคารหรือโรงงานที่มีการใช้งานระบบปรับอากาศและทำความเย็นค่อนข้างมาก

ตัวอย่างที่ 3

การนำค่า Cooling Degree Day (CDD) ไปวิเคราะห์ร่วมกับการใช้พลังงานขององค์กร

 

 

 

 

 

 

 

 

 

 

 

 

 

 

จากตัวอย่างเป็นตารางสรุปการใช้พลังงานรายเดือนของอาคารสำนักงานในกรุงเทพฯ แห่งหนึ่ง ในปี พ.ศ. 2561 และ 2562 ซึ่งสามารถวิเคราะห์ข้อมูลได้ดังนี้

หากชี้วัดด้วยการใช้พลังงาน อาคารสำนักงานแห่งนี้มีการใช้พลังงานเพิ่มขึ้น 34,000.00 kWh/ปี หรือเพิ่มขึ้น 2.03% ซึ่งถือว่าไม่ดีในแง่ของการใช้พลังงาน เพราะอาคารมีการใช้พลังงานเพิ่มขึ้น

เมื่อนำค่า Cooling Degree Day (CDD) มาวิเคราะห์ร่วมกับการใช้พลังงานด้วย และเขียนเส้นแนวโน้มจะเห็นได้ว่า เมื่อค่า Cooling Degree Day (CDD) เพิ่มมากขึ้นการใช้พลังงานจะมาขึ้นตาม

เมื่อนำเส้นแนวโน้มระหว่าง Cooling Degree Day (CDD) กับการใช้พลังงานมาเขียนสมการเชิงเส้น แล้วนำสมการดังกล่าวไปคาดการณ์ (forecast) การใช้พลังงานในปี พ.ศ. 2562 แล้วเปรียบเทียบกับที่เกิดขึ้นจริงพบว่าการใช้พลังงานที่เกิดขึ้นจริงน้อยกว่าที่คาดการณ์ไว้ 13,276.49 kWh/ปี คิดเป็น 0.77% ซึ่งหมายความว่าอาคารสามารถลดการใช้พลังงานลงได้ 0.77% นั่นเอง (ซึ่งน่าจะดีกว่าการสรุปด้วยการใช้พลังงานเพียงอย่างเดียว)

ข้อสังเกตอีกประการหนึ่งคือค่า R² (Regression Coefficient) ที่เท่ากับ 0.6125 ซึ่งมีค่าไม่สูงมากนัก (ค่า R² เข้าใกล้ 1 แสดงว่าตัวแปรต้น (x) สามารทำนายหรือคาดการณ์ตัวแปรตาม (y) ได้เป็นอย่างดี มีความสอดคล้องกันของข้อมูลอย่างมีนัยสำคัญ ที่ยอมรับกันจะอยู่ที่มากกว่า 0.80) ซึ่งอาจจะมีตัวแปรที่เกี่ยวข้องกับการใช้พลังงานอย่างอื่นอีก เช่น จำนวนคนหรือภาระความร้อนอื่นๆที่เข้า-ออกจากอาคาร เป็นต้น อาจจะต้องนำตัวแปรที่เกี่ยวข้องดังกล่าวมาร่วมวิเคราะห์ด้วย

 

แปลและเรียบเรียงโดย นายปรีชา โขธนพงศ์ ทีมงาน iEnergyGuru

Reference:

• Handbook, ASHRAE (2013) Fundamentals 2013. Atlanta, USA: ASHRAE.
• https://www.tmd.go.th/climate/climate.php?FileID=1

 

 

 

 

 

 

 

 

 

 

 

 

 

Write a Review

Submit Review