Development of an artificial intelligence agent to optimize energy efficiency in air conditioning system

การพัฒนาเอเจนท์ปัญญาประดิษฐ์เพื่อเพิ่มประสิทธิภาพการใช้พลังงานของระบบเครื่องปรับอากาศ

Name: Natdanai Kiewwath

LCSH: Air conditioning

LCSH: Artificial intelligence -- Data processing

LCSH: Artificial intelligence

Abstract: Electricity consumption from residential air-conditioning systems is an important issue in tropical countries, particularly Thailand, where air-conditioner use continues to increase due to hot climatic conditions, urban expansion, and the need for indoor comfort. However, conventional residential air-conditioner operation still commonly relies on fixed temperature settings and time-based maintenance practices, which may not respond effectively to dynamic environmental conditions such as temperature, humidity, and PM10 concentration. In addition, many intelligent control studies focus mainly on energy efficiency or thermal comfort, while the maintenance-aware dimension and the systematic transformation of structured explicit knowledge into intelligent agent design remain limited. This dissertation therefore addresses the problem of developing an intelligent agent for long-horizon decision-making that balances energy efficiency, user thermal comfort, and maintenance awareness in residential split-type air-conditioning systems.The research methodology began with the synthesis of structured explicit knowledge from academic literature, user manuals, maintenance manuals, and related technical sources. This knowledge was used as the foundation for a knowledge-to-agent transformation framework, in which relevant knowledge was converted into the agent’s state representation, action space, reward logic, environmental assumptions, and evaluation criteria. The air-conditioning control problem was then formulated as a long-horizon decision-making problem under a Markov decision process framework. The proposed agent was developed using an Enhanced Deep Q-Network that integrates several stability-oriented learning mechanisms, including Double Q-learning, dueling network architecture, prioritized experience replay, multi-step returns, Bayesian-style regularization, and entropy-aware exploration. The evaluation was conducted in two stages: a diagnostic benchmark using LunarLander-v3 and an applied 365-day simulation of a 15,000 BTU residential split-type air conditioner driven by Thai weather and PM10 data.The results show that the proposed agent under the RW4 reward-weight configuration reduced annual electricity consumption from 5116.22 kWh to 4440.03 ± 37.50 kWh, corresponding to an energy saving of 13.22% compared with a fixed 25 °C baseline setting. The learned policy also demonstrated adaptive control behavior under changing environmental conditions and reflected maintenance-aware tendencies through the consideration of PM10 and filter health. The main academic contribution of this dissertation is the proposed knowledge-to-agent transformation framework for designing an intelligent agent for long-horizon multi-objective decision-making. Its practical contribution lies in demonstrating the potential of reinforcement learning for sustainable and energy-efficient residential air-conditioning control. Nevertheless, the study is limited by its simulation-based evaluation, the use of a specific residential air-conditioning configuration and environmental profile, and the simplified representation of equipment degradation. Future research should extend the framework through real IoT-based validation, explicit equipment health modeling, and deployment in real residential environments.

Abstract: การใช้พลังงานไฟฟ้าของระบบปรับอากาศในภาคครัวเรือนเป็นประเด็นสำคัญในประเทศเขตร้อน โดยเฉพาะอย่างยิ่งประเทศไทยที่มีการใช้เครื่องปรับอากาศจำนวนมากเนื่องจากสภาพอากาศที่ร้อน การขยายตัวของเมืองและความต้องการภาวะอยู่สบายภายในอาคาร อย่างไรก็ตามการใช้งานเครื่องปรับอากาศโดยปกติใช้วิธีการตั้งค่าอุณหภูมิแบบคงที่และการบำรุงรักษาตามรอบเวลาซึ่งไม่สามารถตอบสนองต่อสภาพแวดล้อมที่เปลี่ยนแปลงอย่างพลวัติ วิธีการแบบเดิมไม่สามารถรองรับการเปลี่ยนแปลงของอุณหภูมิ ความชื้นและค่าฝุ่นละอองฝุ่นละอองพีเอ็มสิบ (PM10) หรือฝุ่นละอองขนาดไม่เกิน 10 ไมโครเมต ได้อย่างเหมาะสม นอกจากนี้งานวิจัยด้านระบบควบคุมอัจฉริยะส่วนใหญ่มุ่งเน้นเฉพาะการประหยัดพลังงานหรือสภาวะอยู่สบายของผู้ใช้ แต่ยังไม่มีงานวิจัยที่ให้ความสำคัญกับมิติด้านการบำรุงรักษาและการแปลงองค์ความรู้ที่ชัดแจ้งไปสู่การออกแบบเอเจนท์อย่างเป็นระบบ ดุษฎีนิพนธ์นี้จึงมุ่งแก้ปัญหาการพัฒนาเอเจนท์อัจฉริยะสำหรับการตัดสินใจระยะยาวที่สามารถสร้างสมดุลระหว่างการประหยัดพลังงาน ความสบายของผู้ใช้และการตระหนักถึงภาระด้านการบำรุงรักษาของระบบเครื่องปรับอากาศแบบแยกส่วนที่ใช้งานในอาคารที่อยู่อาศัยวิธีดำเนินการวิจัยเริ่มจากการสังเคราะห์องค์ความรู้ที่ชัดแจ้งจากเอกสารวิชาการ คู่มือการใช้งาน คู่มือการบำรุงรักษาและแหล่งความรู้ที่เกี่ยวข้อง เพื่อเป็นข้อมูลนำเข้าไปสู่กรอบแนวคิดการแปลงองค์ความรู้ไปสู่การออกแบบเอเจนท์ โดยองค์ความรู้ดังกล่าวถูกใช้เป็นพื้นฐานในการกำหนดสถานะ การกระทำ รางวัล เงื่อนไขของสภาพแวดล้อมและเกณฑ์การประเมินผล จากนั้นออกแบบปัญหาการควบคุมเครื่องปรับอากาศซึ่งเป็นปัญหาการตัดสินใจระยะยาวโดยใช้กรอบกระบวนการตัดสินใจแบบมาร์คอฟ หลังจากนั้น ดำเนินการพัฒนาเอเจนท์ด้วยอัลกอริทึม เอนแฮนซ์ดีพคิวเน็ตเวิร์ก (Enhanced Deep Q-Network: Enhanced DQN) โดยบูรณาการกลไกการเรียนรู้เพื่อเพิ่มเสถียรภาพด้วยเทคนิคต่าง ๆ ประกอบด้วย ดับเบิลคิวเลิร์นนิง (Double Q-learning) สถาปัตยกรรมดูเอลลิงเน็ตเวิร์ก (Dueling network architecture) ไพรออริไทซ์เอกซ์พีเรียนซ์รีเพลย์ (Prioritized experience replay) มัลติสเตปรีเทิร์นส์ (Multi-step returns) การทำเรกกิวลาริเซชันแบบเบย์เซียนสไตล์ (Bayesian-style regularization) และ การสำรวจแบบคำนึงถึงเอนโทรปี (Entropy-aware exploration) การประเมินผลแบ่งออกเป็นสองขั้นตอน ได้แก่ ขั้นที่หนึ่ง การทดสอบเชิงวินิจฉัยด้วย ลูนาร์แลนเดอร์-วีสาม (LunarLander-v3) และขั้นที่สอง การจำลองการทำงานของเครื่องปรับอากาศแบบแยกส่วนขนาด 15,000 บีทียู (BTU) เป็นระยะเวลา 365 วัน โดยใช้ข้อมูลสภาพอากาศและข้อมูลฝุ่นละอองพีเอ็มสิบตลอดระยะเวลาหนึ่งปีย้อนหลังของจังหวัดเชียงใหม่ ซึ่งตั้งอยู่ในภาคเหนือของประเทศไทยผลการวิจัยพบว่าเอเจนท์ที่พัฒนาขึ้นภายใต้ชุดค่าน้ำหนักรางวัลแบบที่ 4 หรืออาร์ดับเบิลยูสี่ (RW4) สามารถลดการใช้พลังงานไฟฟ้ารายปีจาก 5116.22 กิโลวัตต์ชั่วโมง เหลือ 4440.03 ± 37.50 กิโลวัตต์ชั่วโมง หรือคิดเป็นการประหยัดพลังงาน 13.22% เมื่อเทียบกับแนวทางการตั้งค่าอุณหภูมิคงที่ 25 องศาเซลเซียส นอกจากนี้ เอเจนท์ยังแสดงพฤติกรรมการควบคุมที่สามารถปรับตัวหรือปรับนโยบายตามการเปลี่ยนแปลงของสภาพแวดล้อม ตลอดจนสามารถปรับนโยบายรองรับจุดประสงค์ในการตระหนักถึงภาระด้านการบำรุงรักษาโดยการพิจารณาตัดสินในให้สอดคล้องกับปริมาณฝุ่นละอองพีเอ็มสิบและสภาพแผ่นกรองของเครื่องปรับอากาศ ดุษฎีนิพนธ์นี้มีส่วนสนับสนุนเชิงวิชาการโดยเสนอกรอบแนวคิดการแปลงองค์ความรู้ไปสู่การออกแบบเอเจนท์อัจฉริยะและมีส่วนสนับสนุนเชิงประยุกต์โดยแสดงศักยภาพของการเรียนรู้แบบเสริมแรงในการควบคุมเครื่องปรับอากาศเพื่อการใช้พลังงานอย่างมีประสิทธิภาพ อย่างไรก็ตามงานวิจัยยังมีข้อจำกัดในการประเมินผลคือยังทดสอบอยู่ในสภาพแวดล้อมจำลอง ใช้บริบทของระบบเครื่องปรับอากาศและข้อมูลสภาพแวดล้อมเฉพาะกรณี นอกจากนั้นยังไม่ได้จำลองการเสื่อมสภาพของอุปกรณ์ในเชิงกายภาพอย่างละเอียด จึงควรมีการพัฒนาต่อยอดโดยบูรณาการข้อมูลอุปกรณ์ที่เก็บได้จริงจากอุปกรณ์ด้วย IoT และการทดสอบในสภาพแวดล้อมการใช้งานจริงในอนาคต

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Pattaraporn Khuwuthyakorn

Role: Advisor

Name: Orawit Thinnukool

Role: Advisor

Name: Teerawat Kamnerdsiri

Role: Advisor

Created: 2026

Modified: 2026-08-13

Issued: 2026-08-13

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Knowledge and Innovation Management

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	652157901.pdf	4.63 MB

ใช้เวลา

0.043787 วินาที