Net Zero 2050 ไทย: พลังงานสะอาด นิวเคลียร์ และ AI ต้องเดินด้วยกัน

ภายในเวลาแค่ครึ่งปีแรกของปี 2567 ระบบไฟฟ้าไทยปล่อยคาร์บอนกว่า 48.1 ล้านตัน CO₂ ยังไม่รวมขนส่งและอุตสาหกรรม ตัวเลขนี้คือสาเหตุหนึ่งที่รัฐบาลอนุทินตัดสินใจ “เร่งเวลา” เป้าหมาย net zero จากปี 2065 มาเป็นปี 2050 ซึ่งทำให้ทั้งแผนพัฒนากำลังผลิตไฟฟ้า (PDP) ระบบโครงข่าย และแผนลงทุนของเอกชนต้องคิดใหม่แทบยกแผง

ในซีรีส์ “AI ในภาคพลังงานไทย: การเปลี่ยนผ่านสู่พลังงานสะอาด” บทความนี้จะโฟกัสว่า เป้า net zero 2050 ที่เพิ่งถูกเร่งเข้ามา กำลัง “บังคับ” ให้ไทยต้องเร่งเพิ่มพลังงานหมุนเวียน เปิดทาง SMR (small modular reactor) และสำคัญมากคือ ต้องดึง AI เข้ามาช่วยบริหารกริด พยากรณ์พลังงานหมุนเวียน และบริหารความเสี่ยง ไม่อย่างนั้นสมดุลระหว่างความสะอาด ราคาถูก และความมั่นคงทางพลังงานจะไปไม่ถึง

1. Net Zero 2050 เปลี่ยนเกมนโยบายพลังงานไทยอย่างไร

คำตอบสั้น ๆ คือ เป้าหมายใหม่ทำให้ไทยต้อง

• ลดฟอสซิลไวขึ้น
• เพิ่มสัดส่วนพลังงานหมุนเวียนให้มากกว่าที่เคยวางไว้ใน PDP 2024
• เปิดทางเทคโนโลยีใหม่ทั้ง นิวเคลียร์ขนาดเล็ก (SMR) และ AI ในการจัดการพลังงาน

ภายใต้ PDP 2024 เดิม ไทยตั้งใจให้พลังงานหมุนเวียนมีสัดส่วน 51% ภายในปี 2037 ซึ่งเหมาะกับเป้า net zero ปี 2065 แต่เมื่อเลื่อนเป้ามา 2050 งานวิจัยของ BloombergNEF (พ.ค. 2025) ประเมินว่า ไทยต้องดันสัดส่วนพลังงานหมุนเวียนไปให้ได้ราว 77% ภายในปี 2050 จึงจะ “ทันเวลา”

นี่ไม่ใช่แค่เรื่องเพิ่มโซลาร์ฟาร์มลอยน้ำอีกสองสามโครงการ แต่เป็นเรื่องของการ

• ดีไซน์ โครงข่ายไฟฟ้า (grid) ใหม่ให้ยืดหยุ่นและฉลาดขึ้น
• ลงทุน ระบบกักเก็บพลังงาน (battery / pumped hydro)
• ใช้ AI เพื่อปรับสมดุลกริดและคาดการณ์โหลดแบบเรียลไทม์

ความจริงคือ ถ้าไม่เอา AI เข้ามาช่วยบริหารการเปลี่ยนผ่าน พอเราขยายโซลาร์-ลมแบบหนัก ๆ กริดจะปั่นป่วนทันที ทั้งความผันผวน ราคา และความเสี่ยงดับทั้งระบบ

2. ก๊าซธรรมชาติ: เชื้อเพลิงสะพาน แต่ต้อง “ฉลาดใช้”

รัฐบาลยังมอง ก๊าซธรรมชาติ เป็น “เชื้อเพลิงสะพาน” จากถ่านหินไปสู่พลังงานสะอาด เพราะ

• สะอาดกว่าถ่านหินอย่างชัดเจน
• สามารถเร่ง-ลดการเดินเครื่องได้เร็ว ช่วยพยุงกริดเวลาพลังงานหมุนเวียนตกลง (เช่น ช่วงไม่มีลม หรือเมฆบังแดด)

แต่ถ้าใช้แบบเดิม ๆ โดยไม่ปรับอะไร ก็มีโอกาส “ล็อกอินฟอสซิล” ยาวเกินจำเป็น ผิดทางกับ net zero 2050

AI ช่วยให้การใช้ก๊าซ “คุ้มคาร์บอน” มากขึ้นได้ยังไง

ถ้าโรงไฟฟ้าก๊าซและ กฟผ. รวมถึงผู้ผลิตไฟฟ้าเอกชน เริ่มเอา AI มาช่วยบริหาร จะเกิดผลลัพธ์ที่จับต้องได้ เช่น

• ปรับตารางเดินเครื่อง (unit commitment) แบบอัตโนมัติให้ใช้ก๊าซเท่าที่จำเป็น โดยคำนวณจาก
  • พยากรณ์โหลดไฟฟ้า
  • พยากรณ์โซลาร์-ลม
  • ราคาเชื้อเพลิง และข้อจำกัดด้านสิ่งแวดล้อม
• เพิ่มประสิทธิภาพการเผาไหม้ ผ่านระบบควบคุมขั้นสูง (advanced process control) ที่เรียนรู้จากข้อมูลเซนเซอร์จริง ลดการสิ้นเปลืองเชื้อเพลิงต่อหน่วยไฟฟ้า
• บำรุงรักษาเชิงคาดการณ์ (predictive maintenance) ลด downtime และการเผาไหม้ไม่สมบูรณ์ที่ทำให้ปล่อยคาร์บอนมากเกินจำเป็น

มุมมองผมคือ ถ้าประเทศไทยจะยังใช้ก๊าซเป็นเชื้อเพลิงสะพาน ก็ต้องเป็น “ก๊าซที่ขับเคลื่อนด้วยข้อมูลและ AI” ไม่ใช่ก๊าซในแบบเดิม

3. เพิ่มพลังงานหมุนเวียนให้ถึง 77%: งานนี้ AI คือสมองของระบบ

การดันสัดส่วน พลังงานหมุนเวียน ให้สูงถึงระดับ 70–80% ของมิกซ์พลังงาน ไม่ใช่แค่เรื่องติดตั้งแผงโซลาร์ให้เยอะที่สุด แต่คือการจัดการกับ 3 ปัญหาหลัก:

1. ความผันผวน (intermittency) – แดดและลมไม่ได้มีตลอดเวลา
2. การกักเก็บพลังงาน – แบตเตอรี่ยังแพง ต้องคิดให้คุ้มว่าควรติดตั้งที่ไหน เท่าไร
3. ความมั่นคงของระบบ (reliability) – ไฟต้องไม่ดับ แม้พลังงานหมุนเวียนขึ้น ๆ ลง ๆ ตลอดวัน

นี่คือพื้นที่ที่ AI ทำงานได้ดีมาก และหลายประเทศก็เริ่มพิสูจน์ให้เห็นแล้ว

3.1 พยากรณ์โซลาร์และลมด้วย AI

โมเดล AI สามารถใช้ข้อมูล

• ภาพถ่ายดาวเทียม
• ข้อมูลสภาพอากาศจากเรดาร์
• ข้อมูลผลิตจริงในอดีต

เพื่อ พยากรณ์กำลังผลิตโซลาร์และลมล่วงหน้าเป็นนาที–ชั่วโมง ความแม่นยำสูงกว่าการใช้โมเดลสถิติแบบเดิม ๆ อย่างชัดเจน

ในบริบทไทย ตัวอย่างการใช้งานที่มีเหตุผลมากคือ

• การพยากรณ์โซลาร์ฟาร์มขนาดใหญ่ในระยอง ชลบุรี สระบุรี ฯลฯ เพื่อให้ศูนย์ควบคุมการไฟฟ้าเตรียมปรับโหลดโรงไฟฟ้าก๊าซ
• การพยากรณ์ลมในพื้นที่ชายฝั่งอ่าวไทย และอันดามัน สำหรับโครงการลมทั้งบนบกและในทะเลที่อาจเกิดในอนาคต

3.2 การปรับสมดุลกริด (grid balancing) แบบอัตโนมัติ

AI สามารถทำหน้าที่เป็น “มันสมองของกริด” โดย

• คาดการณ์โหลดและกำลังผลิตจากทุกแหล่ง แบบราย 5 นาทีหรือ 15 นาที
• คำนวณชุดสั่งการที่เหมาะที่สุด เช่น
  • ให้โรงไฟฟ้าก๊าซบางหน่วยเพิ่มกำลัง
  • ให้แบตเตอรี่บางแห่งชาร์จ หรือคายไฟ
  • เพิ่มหรือลดการรับซื้อไฟฟ้าจากผู้ผลิตรายเล็ก

สิ่งนี้คือหัวใจของ “การจัดการพลังงาน” สมัยใหม่ ที่ช่วยให้กริดรับพลังงานหมุนเวียนสูง ๆ ได้โดยไม่ลดความมั่นคงของระบบ

3.3 Demand Response + AI: ทำให้ฝั่งโหลดฉลาดขึ้น

ที่ผ่านมา โฟกัสมักอยู่ที่ฝั่งการผลิต แต่ถ้าฝั่ง ผู้ใช้ไฟฟ้า ฉลาดขึ้น ระบบทั้งหมดจะยืดหยุ่นกว่าเดิมมาก

ตัวอย่างในไทยที่ทำได้ทันที:

• โรงงานปิโตรเคมี เหล็ก ซีเมนต์ ทำ contract demand response
  • AI ช่วยคำนวณว่า ช่วงเวลาไหนควรลดโหลดเพื่อแลกกับส่วนลดค่าไฟ
  • ระบบควบคุมสายการผลิตปรับเองอัตโนมัติ
• อาคารสำนักงานขนาดใหญ่ ห้างสรรพสินค้า โรงแรม ใช้
  • AI ปรับอุณหภูมิแอร์ ลิฟต์ แสงสว่าง ให้ใช้ไฟต่ำลงช่วงพีก โดยไม่กระทบประสบการณ์ผู้ใช้มากเกินไป

การมี demand response ที่ขับเคลื่อนด้วย AI ช่วยลดความจำเป็นในการสร้างโรงไฟฟ้าใหม่ และถือเป็นอีกเครื่องมือสำคัญในการไปให้ถึง net zero 2050

4. SMR: นิวเคลียร์ขนาดเล็กที่ไทยเริ่มมองจริงจัง

หนึ่งในความเปลี่ยนแปลงใหญ่ของ PDP ฉบับใหม่ คือการเปิดรับ โรงไฟฟ้านิวเคลียร์ขนาดเล็ก หรือ SMR (Small Modular Reactor)

SMR มีคุณสมบัติที่ตอบโจทย์หลายด้านพร้อมกัน:

• ขนาดไม่ใหญ่เกินไป (ไม่เกินราว 300 MW ต่อหน่วย)
• เดินเครื่องได้ 24 ชั่วโมง ไม่ผันผวนเหมือนโซลาร์-ลม
• ปล่อยคาร์บอนแทบเป็นศูนย์ระหว่างเดินเครื่อง
• สามารถติดตั้งแบบโมดูลาร์ ใกล้โหลดใหญ่ เช่น นิคมอุตสาหกรรม หรือดาต้าเซ็นเตอร์

ทั้ง กฟผ. และเอกชนอย่าง GPSC (ในเครือ ปตท.) เริ่มประกาศทิศทางสนใจลงทุน SMR ชัดเจนมากขึ้น มีการพูดคุยกับพันธมิตรต่างประเทศ และเตรียมพัฒนาบุคลากรร่วมกับมหาวิทยาลัยไทย เช่น จุฬาฯ

4.1 บทบาทของ AI ใน SMR

หลายคนอาจมองว่า นิวเคลียร์คือเทคโนโลยีโรงไฟฟ้ายุคเก่า แต่ความจริง SMR ยุคใหม่ถูกออกแบบมาคู่กับระบบดิจิทัลและ AI อย่างมาก:

• ระบบควบคุมความปลอดภัย (safety systems) ใช้ AI ช่วยตรวจจับสัญญาณผิดปกติเล็กน้อยมาก ๆ จากเซนเซอร์นับพันจุด ก่อนจะลุกลาม
• การบำรุงรักษาเชิงคาดการณ์ ตรวจจับการเสื่อมของอุปกรณ์สำคัญ เช่น ปั๊ม วาล์ว ฮีตเอกซ์เชนเจอร์ ลดโอกาสหยุดเดินเครื่องฉุกเฉิน
• การวิเคราะห์ความเสี่ยง (risk analytics) ผสานข้อมูลปฏิบัติการจริงกับแบบจำลองความน่าจะเป็น เพื่อวางแผนลดความเสี่ยงเชิงรุก

แน่นอนว่าประเด็น “การยอมรับของสาธารณะ” ยังเป็นโจทย์ใหญ่ของนิวเคลียร์ในไทย ผมมองว่าถ้ารัฐและผู้พัฒนาใช้ข้อมูลแบบเปิดเผย โปร่งใส และอธิบายให้ชัดว่า AI ถูกใช้เพื่อยกระดับความปลอดภัยอย่างไร โอกาสยอมรับจะมากขึ้นกว่าการสื่อสารแบบเดิมที่เน้นแต่คำว่า “ปลอดภัย” โดยไม่มี data รองรับ

5. สำหรับองค์กรไทย: จะเริ่มใช้ AI ในการจัดการพลังงานอย่างไรดี

ผลจากเป้า net zero 2050 ไม่ได้กระทบแค่หน่วยงานรัฐหรือ กฟผ. แต่ยังหมายถึง แรงกดดันต่อภาคเอกชน ที่ต้องลดคาร์บอนของตัวเอง โดยเฉพาะกลุ่มที่ใช้ไฟสูง เช่น

• ดาต้าเซ็นเตอร์
• อุตสาหกรรมอิเล็กทรอนิกส์
• ปิโตรเคมี เหล็ก ซีเมนต์
• กลุ่มค้าปลีกและโลจิสติกส์ขนาดใหญ่

ถ้าจะไม่รอให้กฎบังคับอย่างเดียว ผมแนะนำ 4 ก้าวเริ่มต้นแบบ pragmatic:

1. เก็บและจัดระเบียบข้อมูลพลังงานให้ดี
   เก็บข้อมูลการใช้ไฟแบบละเอียด (interval data), ข้อมูลโหลดเครื่องจักร, ข้อมูลสภาพอากาศภายในโรงงาน/อาคาร นี่คือพื้นฐานของทุกโครงการ AI

2. เริ่มจาก use case ง่ายแต่เห็นผลเร็ว

   • AI ปรับตารางการเดินเครื่องแอร์และชิลเลอร์ในอาคารขนาดใหญ่
   • ระบบแจ้งเตือนอุปกรณ์กินไฟผิดปกติในโรงงาน เคสพวกนี้มักคืนทุนใน 1–3 ปี และช่วยสร้างความเชื่อมั่นภายในองค์กร

3. เชื่อมต่อกับโอกาส Demand Response และโครงการภาครัฐ
   ถ้าการไฟฟ้าเริ่มเปิดโครงการ demand response หรือ dynamic pricing AI ฝั่งลูกค้าจะมีบทบาทสำคัญมากในการตัดสินใจปรับโหลดแบบอัตโนมัติให้คุ้มค่าและไม่กระทบธุรกิจ

4. วางโรดแมปด้านคนและพันธมิตรเทคโนโลยี

   • สร้างทีม data / energy management ภายใน
   • จับมือกับผู้เชี่ยวชาญด้าน AI พลังงาน แทนที่จะพยายามทำทุกอย่างเองตั้งแต่วันแรก

องค์กรที่ลงมือเร็วจะได้เปรียบทั้งด้านต้นทุนพลังงาน ภาพลักษณ์ ESG และโอกาสเข้าร่วม value chain พลังงานสะอาดใหม่ ๆ เช่น โครงการซื้อไฟฟ้าหมุนเวียนระยะยาว (PPA) หรือการใช้ใบรับรองพลังงานหมุนเวียน (REC)

6. มองไปข้างหน้า: Net Zero 2050 จะสำเร็จได้ ต้องมี ‘AI’ อยู่ในทุกชั้นของระบบพลังงาน

เป้า net zero 2050 ของไทยกำลังบังคับให้ทั้งประเทศต้องคิดเรื่องพลังงานแบบใหม่ทั้งหมด ตั้งแต่ระดับ

• นโยบาย (PDP ใหม่ที่ต้องรองรับพลังงานหมุนเวียน 70%+ และ SMR)
• การลงทุนโครงสร้างพื้นฐาน (โซลาร์ ลม แบตเตอรี่ ก๊าซ นิวเคลียร์)
• ไปจนถึงการใช้ไฟของภาคธุรกิจและครัวเรือน

ถ้าจะพูดให้ตรง ผมคิดว่า “พลังงานสะอาดล้วน ๆ แบบไม่ใช้ AI” แทบจะเป็นไปไม่ได้ในเชิงระบบ อย่างน้อยในสเกลประเทศ AI จะต้องเข้าไปอยู่ในทุกชั้น:

• ชั้นวางแผนกำลังผลิตระยะยาว
• ชั้นควบคุมกริดแบบเรียลไทม์
• ชั้นบริหารโรงไฟฟ้าแต่ละแห่ง
• ชั้นจัดการโหลดและความต้องการใช้ไฟของผู้ใช้ปลายทาง

สำหรับองค์กรไทยที่อยากเป็นส่วนหนึ่งของคำตอบ ไม่ใช่ส่วนหนึ่งของปัญหา จุดเริ่มที่ดีคือ มองการจัดการพลังงานเป็น “โจทย์ข้อมูลและ AI” ไม่ใช่แค่ค่าใช้จ่ายด้านสาธารณูปโภค

ใครเริ่มเก็บข้อมูลและทดลองใช้ AI กับพลังงานในปี 2568–2569 จะกลายเป็นกลุ่มที่พร้อมที่สุด เมื่อกติกา net zero ถูกบังคับใช้จริงจังทั้งจากรัฐ คู่ค้า และตลาดโลกในอีกไม่กี่ปีข้างหน้า

---

ถ้าคุณกำลังวางแผนลดคาร์บอนในองค์กร หรือสนใจใช้ AI ในการจัดการพลังงาน ในบทความถัดไปของซีรีส์นี้ เราจะลงลึกตัวอย่าง use case จริงของ AI ในการบริหารโซลาร์รูฟท็อป โรงงาน และดาต้าเซ็นเตอร์ในไทย ว่าอะไรทำแล้วคุ้ม อะไรควรเลี่ยง และควรเริ่มอย่างไรให้ทีมภายใน “ไปด้วยกันได้”