ทำความเข้าใจตัวชี้วัดประสิทธิภาพหลักในระบบจัดเก็บพลังงานจากแบตเตอรี่ (Battery Energy Storage Systems)

ประสิทธิภาพแบบรอบหนึ่ง (Round-Trip Efficiency): การวัดปริมาณการสูญเสียพลังงานที่เกิดจากแรงดันไฟฟ้าลดลง การแปลงพลังงานโดยอินเวอร์เตอร์ และภาระงานเพิ่มเติมของระบบจัดการแบตเตอรี่ (BMS)

ประสิทธิภาพการใช้พลังงานแบบไป-กลับ (Round trip efficiency หรือ RTE) คือตัวชี้วัดที่บ่งบอกว่าเราสามารถนำพลังงานกลับมาใช้ได้มากน้อยเพียงใดจากระบบจัดเก็บพลังงานด้วยแบตเตอรี่ เมื่อเปรียบเทียบกับปริมาณพลังงานที่ป้อนเข้าไปในระหว่างการชาร์จ มีหลายวิธีที่พลังงานสูญเสียไประหว่างกระบวนการนี้ ประการแรก คือการลดลงของแรงดันไฟฟ้าอันเนื่องมาจากความต้านทานภายในของแบตเตอรี่เอง ซึ่งทำให้สูญเสียพลังงานประมาณ 5 ถึง 15% ในรูปของความร้อน ประการที่สอง คือกระบวนการแปลงกระแสไฟฟ้าจากกระแสตรง (DC) เป็นกระแสสลับ (AC) ผ่านอินเวอร์เตอร์ ซึ่งโดยทั่วไปจะสูญเสียพลังงานเพิ่มอีก 3 ถึง 8% ขึ้นอยู่กับการติดตั้งและภาระงานที่ใช้งาน และอย่าลืมว่าระบบจัดการแบตเตอรี่ (Battery Management System) ยังทำงานอยู่เบื้องหลังอย่างต่อเนื่อง เพื่อทำหน้าที่ตรวจสอบเซลล์แบตเตอรี่ รักษาสมดุลของเซลล์ และปฏิบัติตามมาตรการความปลอดภัยต่าง ๆ ซึ่งการดำเนินงานเหล่านี้ใช้พลังงานประมาณ 1 ถึง 3% เมื่อนำปัจจัยทั้งหมดมารวมกัน ประสิทธิภาพการใช้พลังงานแบบไป-กลับโดยรวม (RTE) ของระบบแบตเตอรี่ลิเธียมไอออนในปัจจุบันจึงอยู่ที่ประมาณ 80 ถึง 95% ข่าวดีก็คือ ผู้ผลิตสามารถปรับปรุงประสิทธิภาพได้โดยการปรับเปลี่ยนองค์ประกอบทางเคมีของเซลล์ เช่น หันไปใช้วัสดุ LFP ซึ่งมีความสามารถในการนำไฟฟ้าได้ดีกว่า พร้อมทั้งผสานเข้ากับอินเวอร์เตอร์ใหม่ที่ใช้ซิลิคอนคาร์ไบด์ (silicon carbide) ซึ่งสูญเสียพลังงานน้อยลง การปรับปรุงเหล่านี้ไม่เพียงแต่ช่วยลดพลังงานที่สูญเปล่าเท่านั้น แต่ยังยืดอายุการใช้งานของระบบทั้งหมดให้นานขึ้นก่อนที่จะต้องเปลี่ยนทดแทน

การปรับสมดุลระหว่างความลึกของการคายประจุ (Depth of Discharge) และอัตราการชาร์จ-คายประจุ (C-Rate) เพื่อรักษาประสิทธิภาพและอายุการใช้งานแบบไซเคิล

การจัดการระดับความลึกของการคายประจุ (DoD) ร่วมกับอัตราคายประจุ (C-rate) นั้นมีความสำคัญอย่างยิ่งต่อการรักษาประสิทธิภาพของแบตเตอรี่ให้คงอยู่ได้นานขึ้น การคายประจุเกิน 80% ของ DoD มักทำให้ขั้วไฟฟ้าสึกหรอเร็วขึ้น ส่งผลให้แบตเตอรี่สามารถผ่านจำนวนรอบการชาร์จ-คายประจุ (cycle life) ได้น้อยลงเมื่อเทียบกับกรณีที่ใช้งานที่ระดับ DoD ประมาณ 60% ความแตกต่างนี้อาจมีนัยสำคัญมาก โดยอาจลดจำนวนรอบการใช้งานที่ใช้ได้จริงลงถึง 30–50% นอกจากนี้ หากเพิ่มอัตราการคายประจุเกิน 1C สถานการณ์จะยิ่งแย่ลง เนื่องจากเกิดความร้อนสะสมมากขึ้น และสูญเสียพลังงานจากการขั้วไฟฟ้า (polarization losses) ซึ่งส่งผลให้ประสิทธิภาพการใช้งานแบบวงจรปิด (round trip efficiency) ลดลงประมาณ 8–12% งานวิจัยส่วนใหญ่ชี้ว่า ช่วงอัตราคายประจุที่เหมาะสมที่สุดอยู่ระหว่าง 0.5–0.8C ร่วมกับระดับ DoD ที่ 60–80% ช่วง “จุดสมดุลที่ดีที่สุด” นี้ช่วยรักษาโครงสร้างทางกายภาพของขั้วไฟฟ้าลิเธียมไอออนไว้ได้ดี และรักษาระดับการคงทนของความจุ (capacity retention) ไว้เหนือ 90% แม้หลังผ่านการชาร์จ-คายประจุครบ 4,000 รอบแล้วก็ตาม หากเสริมด้วยระบบจัดการความร้อนที่มีประสิทธิภาพ พารามิเตอร์เหล่านี้จะยังคงมีประสิทธิภาพสูงอย่างต่อเนื่อง ไม่ว่าระบบจะต้องรับภาระงานประเภทใด หรือแม้แต่ในสภาวะอุณหภูมิภายนอกที่เปลี่ยนแปลงไป

กลยุทธ์การจัดการความร้อนเพื่อประสิทธิภาพของระบบเก็บพลังงานแบตเตอรี่ในระยะยาว

การระบายความร้อนแบบแอคทีฟ เทียบกับแบบพาสซีฟ: ผลกระทบต่อความสม่ำเสมอของเซลล์ อัตราการเสื่อมสภาพ และความมั่นคงของอัตราการแปลงพลังงานรวม (RTE)

การรักษาอุณหภูมิของเซลล์แบตเตอรี่ให้อยู่ในช่วงประมาณ 25 ถึง 35 องศาเซลเซียส มีความสำคัญอย่างยิ่ง เมื่ออุณหภูมิเปลี่ยนแปลงออกนอกช่วงที่เหมาะสมนี้ ปฏิกิริยาเคมีที่ไม่พึงประสงค์จะเร่งตัวขึ้น ความต้านทานภายในเพิ่มสูงขึ้น และแรงดันไฟฟ้าก็จะไม่คงที่ ระบบระบายความร้อนด้วยของเหลวสามารถทำงานได้อย่างยอดเยี่ยมในกรณีนี้ โดยลดความแตกต่างของอุณหภูมิระหว่างเซลล์ลงได้ประมาณ 60 ถึง 70 เปอร์เซ็นต์ เมื่อเทียบกับวิธีแบบพาสซีฟพื้นฐาน ซึ่งส่งผลให้เซลล์ทั้งหมดสึกหรออย่างสม่ำเสมอมากขึ้น และประสิทธิภาพโดยรวมของระบบดีขึ้นอย่างเห็นได้ชัด อย่างไรก็ตาม ข้อเสียคือ ระบบรีฟริเจอเรเตอร์แบบแอคทีฟเหล่านี้จะใช้พลังงานราว 8 ถึง 15 เปอร์เซ็นต์ของกำลังเก็บพลังงานทั้งหมดของระบบแบตเตอรี่ จึงทำให้ประสิทธิภาพที่ได้รับการปรับปรุงนั้นลดลง ในทางกลับกัน ทางเลือกแบบพาสซีฟ เช่น วัสดุเปลี่ยนสถานะ (Phase Change Materials) จะหลีกเลี่ยงปัญหาการสูญเสียพลังงานนี้ได้โดยสิ้นเชิง แต่กลับอนุญาตให้เกิดความแตกต่างของอุณหภูมิสูงถึงประมาณ 10 องศาเซลเซียสในช่วงที่ใช้งานหนัก ซึ่งอาจทำให้บางส่วนของแบตเตอรี่เสื่อมสภาพเร็วกว่าส่วนอื่นๆ ทั้งนี้ หากพิจารณาตามข้อกำหนดจริงของมาตรฐาน UL 9540A จะพบว่าการเลือกวิธีการระบายความร้อนนั้นขึ้นอยู่กับความต้องการหลักของระบบเป็นสำคัญ สำหรับการดำเนินงานระดับโครงข่ายไฟฟ้าขนาดใหญ่ที่เน้นความสม่ำเสมอของกำลังส่งออก มักเลือกระบบรีฟริเจอเรเตอร์แบบแอคทีฟ แม้จะต้องสูญเสียพลังงานเพิ่มเติม ในขณะที่ระบบสำรองไฟฟ้าขนาดเล็กมักใช้วิธีแบบพาสซีฟ เนื่องจากมีความเรียบง่ายในการบำรุงรักษา และโดยทั่วไปมีความน่าเชื่อถือมากกว่าในระยะยาว

การประมาณค่าสถานะสุขภาพแบบเรียลไทม์โดยใช้แบบจำลองอิเล็กโทรเคมี-ปัญญาประดิษฐ์

แบบจำลองปัญญาประดิษฐ์เชิงอิเล็กโทรเคมีรุ่นล่าสุดผสานข้อมูลการวัดแรงดันไฟฟ้าแบบเรียลไทม์ การวัดกระแสไฟฟ้า และการติดตามอุณหภูมิเข้าด้วยกัน เพื่อทำนายสภาพสุขภาพของแบตเตอรี่ด้วยความแม่นยำประมาณ 97% ซึ่งเหนือกว่าแนวทางแบบดั้งเดิม เช่น การกำหนดเกณฑ์แรงดันไฟฟ้าแบบง่ายๆ หรือเทคนิคการนับคูลอมบ์พื้นฐาน ขั้นตอนวิธีอัจฉริยะเหล่านี้สามารถตรวจจับสัญญาณของการสึกหรอได้ล่วงหน้าเป็นเวลานานก่อนที่ปัญหาจะปรากฏชัดเจนขึ้นจริง โดยสามารถระบุปรากฏการณ์ต่างๆ เช่น การสะสมของลิเทียม หรือการเสื่อมสภาพทางเคมีในสารละลายอิเล็กโทรไลต์ ล่วงหน้าได้ถึง 30–50 รอบการชาร์จ เมื่อนำระบบเหล่านี้มาผสานเข้ากับซอฟต์แวร์จัดการแบตเตอรี่ ระบบจะปรับแต่งการตั้งค่าระบบระบายความร้อนและกระบวนการชาร์จโดยอัตโนมัติ ตามเงื่อนไขภายในเซลล์แบตเตอรี่ภายใต้สถานการณ์ที่แตกต่างกัน การปรับแต่งเชิงรุกนี้ช่วยลดอัตราการเสื่อมสภาพของเซลล์ลงได้ประมาณ 18–22% เมื่อเผชิญกับความต้องการพลังงานอย่างฉับพลัน นอกจากนี้ เมื่อเทคโนโลยีการเรียนรู้ของเครื่อง (machine learning) พัฒนาขึ้นเรื่อยๆ เราก็พบว่าจำนวนการแจ้งเตือนผิดพลาดลดลงอย่างต่อเนื่อง โดยอัตราความผิดพลาดลดลงประมาณ 40% หมายความว่า แบตเตอรี่จะไม่สูญเสียพลังงานไปกับการระบายความร้อนโดยไม่จำเป็นเมื่อไม่มีภัยคุกคามที่แท้จริง ส่งผลให้แบตเตอรี่มีอายุการใช้งานยาวนานขึ้น และทำงานได้อย่างมีประสิทธิภาพมากยิ่งขึ้นโดยรวม

การเพิ่มประสิทธิภาพการดำเนินงานของระบบจัดเก็บพลังงานแบตเตอรี่ที่ขับเคลื่อนด้วยปัญญาประดิษฐ์

การเรียนรู้แบบเสริมแรงสำหรับการจัดตารางเวลาการชาร์จ/ปล่อยประจุแบบปรับตัวตามภาระงาน ราคา และความไม่แน่นอนของการพยากรณ์

การเรียนรู้แบบเสริมแรง (Reinforcement Learning หรือ RL) ช่วยให้ระบบจัดเก็บพลังงานจากแบตเตอรี่สามารถวางแผนเวลาในการชาร์จและปล่อยพลังงานได้ โดยอิงตามราคาค่าไฟฟ้าในปัจจุบัน สภาพของระบบส่งจ่ายไฟฟ้าในขณะนั้น และปัจจัยที่ไม่สามารถคาดการณ์ได้หลากหลายประการ ลองพิจารณาดูว่าสภาพอากาศส่งผลต่อความผันผวนของความต้องการพลังงานอย่างไร หรือเมื่อพลังงานแสงอาทิตย์/พลังงานลมไม่สามารถผลิตไฟฟ้าได้ตามที่คาดไว้ โมเดล RL เหล่านี้จะได้รับการฝึกอบรมโดยใช้ข้อมูลย้อนหลังร่วมกับสถานการณ์จำลองที่สร้างขึ้นเพื่อเลียนแบบเงื่อนไขต่าง ๆ ของระบบส่งจ่ายไฟฟ้า ซึ่งโมเดลเหล่านี้จะปรับปรุงการตัดสินใจให้ดีขึ้นเรื่อย ๆ ไปตามระยะเวลา เพื่อให้ได้ผลตอบแทนสูงสุดเท่าที่เป็นไปได้ ขณะเดียวกันก็ยังคงปฏิบัติตามกฎระเบียบที่สำคัญเกี่ยวกับการดำเนินงานของแบตเตอรี่อย่างปลอดภัย เช่น หลีกเลี่ยงการปล่อยพลังงานจากแบตเตอรี่จนหมดบ่อยเกินไป ควบคุมอัตราการชาร์จ/ปล่อยพลังงาน และรักษาอุณหภูมิให้อยู่ภายในช่วงที่ปลอดภัย ผลการทดสอบในโลกจริงแสดงให้เห็นว่า ระบบอัจฉริยะเหล่านี้สามารถเพิ่มกำไรได้ตั้งแต่ 12% ถึงเกือบ 18% เมื่อเปรียบเทียบกับวิธีการวางแผนแบบดั้งเดิม ทำได้อย่างไร? คำตอบนั้นง่ายมาก — ระบบทั้งหลายจะรอให้ราคาไฟฟ้าพุ่งสูงขึ้นก่อนจึงเริ่มชาร์จ จากนั้นจึงปล่อยพลังงานที่เก็บไว้ตามกลยุทธ์เมื่อระบบส่งจ่ายไฟฟ้าอยู่ภายใต้แรงกดดัน หรือเมื่อราคาไฟฟ้าพุ่งสูงขึ้นอย่างมาก สิ่งที่ทำให้วิธีการนี้พิเศษคือ ความสามารถในการจัดการกับความไม่แน่นอนโดยไม่ก่อให้เกิดความเสียหายต่อแบตเตอรี่เอง อีกทั้งผู้ปฏิบัติงานไม่จำเป็นต้องเลือกระหว่างการปกป้องอุปกรณ์ของตนกับการตอบสนองอย่างรวดเร็วต่อการเปลี่ยนแปลงของตลาดอีกต่อไป

การซ้อนคุณค่า: การผสานรวมการเก็บกำไรจากความผันแปรของราคาพลังงาน การสำรองควบคุมความถี่ (FCR) และการสำรองคืนความถี่อัตโนมัติ (aFRR)

การรวมคุณค่า (Value stacking) ใช้ปัญญาประดิษฐ์ (AI) เพื่อผสานบริการต่าง ๆ ของระบบโครงข่ายไฟฟ้าไว้ด้วยกันภายในระบบกักเก็บพลังงานแบตเตอรี่เพียงระบบเดียว ซึ่งประกอบด้วยการซื้อขายพลังงานเพื่อทำกำไรจากความแตกต่างของราคา (energy arbitrage), การสำรองควบคุมความถี่ (Frequency Control Reserve: FCR) และการสำรองฟื้นฟูความถี่อัตโนมัติ (Automated Frequency Restoration Reserve: aFRR) โดยการซื้อขายเพื่อทำกำไรนั้นอาศัยความแตกต่างของราคาต่อชั่วโมงในตลาดเป็นหลัก ขณะที่ FCR จะเข้ามาทำงานทันทีเมื่อมีการเปลี่ยนแปลงความถี่เล็กน้อยเกิดขึ้นภายในไม่กี่วินาที ส่วน aFRR จะจัดการกับส่วนที่เหลือหลังจากปัญหาความผิดปกติที่รุนแรงกว่านั้นได้รับการแก้ไขแล้ว โดยทั่วไปจะใช้เวลาประมาณ 5 ถึง 15 นาที ทั้งระบบมี 'สมอง AI' ที่จัดการปริมาณกำลังไฟฟ้าที่สามารถจ่ายได้ในแต่ละช่วงเวลา โดยให้ความสำคัญกับ FCR เป็นอันดับแรกเมื่อโครงข่ายไฟฟ้าเริ่มมีความผิดปกติ แต่จะเปลี่ยนกลยุทธ์ไปเน้นการซื้อขายเพื่อทำกำไรเมื่อคาดการณ์ว่าราคาจะเอื้ออำนวยในอนาคต บริษัทต่าง ๆ รายงานว่ารายได้เพิ่มขึ้นระหว่าง 20% ถึง 40% เมื่อเทียบกับการให้บริการเพียงอย่างเดียว และไม่จำเป็นต้องกังวลว่าจะมีการฝ่าฝืนข้อจำกัดด้านความปลอดภัย หรือแบตเตอรี่จะเสื่อมสภาพเร็วกว่าปกติ นอกจากนี้ มาตรฐานจากหน่วยงานเช่น UL 1973 และ IEEE 1547-2018 ก็สนับสนุนแนวทางนี้ด้วย โดยแสดงให้เห็นว่า หากดำเนินการอย่างเหมาะสม การรวมคุณค่าจะเพิ่มอัตราการสึกหรอของเซลล์แบตเตอรี่เพียงประมาณ 2% เท่านั้นตลอดอายุการใช้งาน

แนวทางปฏิบัติที่ดีที่สุดสำหรับการผสานรวมฮาร์ดแวร์เพื่อประสิทธิภาพโดยรวมของระบบจัดเก็บพลังงานแบตเตอรี่

การจัดให้ชิ้นส่วนฮาร์ดแวร์ทำงานร่วมกันได้อย่างมีประสิทธิภาพนั้นสำคัญยิ่ง หากเราต้องการประสิทธิภาพและสมรรถนะที่ดีอย่างต่อเนื่องตลอดอายุการใช้งานของระบบทั้งระบบ เมื่อส่วนประกอบต่าง ๆ เช่น แบตเตอรี่ คอนเวอร์เตอร์พลังงาน และระบบระบายความร้อน สามารถทำงานร่วมกันได้อย่างเหมาะสมจริง ๆ แล้ว จะส่งผลอย่างมากต่อปริมาณพลังงานที่สูญเสียไประหว่างทาง ยกตัวอย่างเช่น สายไฟที่มีขนาดเล็กเกินไป หรือบัสบาร์กระแสตรง (DC busbars) ที่ยาวเกินไป ซึ่งอาจก่อให้เกิดการสูญเสียพลังงานประมาณ 3% — ซึ่งเป็นสิ่งที่ไม่มีใครอยากเห็นปรากฏบนใบแจ้งหนี้ค่าไฟฟ้าของตน และเมื่ออินเวอร์เตอร์สื่อสารกับระบบจัดการแบตเตอรี่ (BMS) โดยใช้โปรโตคอลที่ไม่เข้ากัน (กล่าวคือ ใช้ภาษาสื่อสารคนละแบบ) ก็จะบังคับให้ระบบต้องทำงานอย่างระมัดระวังเกินจำเป็น ส่งผลให้พลังงานที่ใช้งานได้จริงออกมาน้อยกว่าศักยภาพสูงสุดที่ควรจะเป็น ผู้เชี่ยวชาญในอุตสาหกรรมแนะนำให้รักษาระยะการเชื่อมต่อกระแสตรง (DC connections) ให้สั้นที่สุดเพื่อหลีกเลี่ยงการตกของแรงดันไฟฟ้า เลือกใช้การสื่อสารตามมาตรฐาน CAN FD หรือ Ethernet เพื่อให้ทุกส่วนสามารถสื่อสารกันได้รวดเร็วทันใจ และออกแบบตู้ครอบ (enclosures) ให้มีช่องทางการไหลเวียนอากาศที่เหมาะสมสอดคล้องกับตำแหน่งที่ความร้อนสะสมมากที่สุด ผู้ผลิตชั้นนำระดับโลกได้ทดสอบแนวทางเหล่านี้มาอย่างยาวนาน และระบบที่สร้างขึ้นตามหลักการดังกล่าวมักจะรักษาประสิทธิภาพการแปลงพลังงานแบบรอบวง (round trip efficiency) ไว้ได้ประมาณ 92% แม้หลังผ่านการชาร์จ-คายประจุมาแล้วหลายพันรอบ ในขณะที่ระบบที่ประกอบขึ้นโดยขาดการวางแผนอย่างเป็นระบบมักมีประสิทธิภาพเพียง 85% เท่านั้น สำหรับการติดตั้งขนาดใหญ่ การใช้การเชื่อมต่อระหว่างแร็ก (racks) ที่ผ่านการรับรองตามมาตรฐาน UL 9540 จะช่วยให้ระบบทำงานร่วมกันได้ดีขึ้น ลดข้อผิดพลาดในการติดตั้ง และหลีกเลี่ยงการสูญเสียประสิทธิภาพที่น่าหงุดหงิดถึง 15% ซึ่งมักเกิดขึ้นบ่อยครั้งเมื่อพยายามปรับลดยอดโหลดสูงสุด (shave peaks in demand)

คำถามที่พบบ่อย

ประสิทธิภาพการใช้พลังงานแบบรอบเดียว (Round Trip Efficiency: RTE) ในระบบแบตเตอรี่คืออะไร

ประสิทธิภาพการใช้พลังงานแบบรอบเดียว (RTE) วัดปริมาณพลังงานที่ดึงกลับมาได้จากระบบจัดเก็บพลังงานแบตเตอรี่ เมื่อเปรียบเทียบกับพลังงานที่ใช้ในการชาร์จแบตเตอรี่ โดยคำนึงถึงการสูญเสียพลังงาน เช่น การลดลงของแรงดันไฟฟ้า การแปลงพลังงานโดยอินเวอร์เตอร์ และภาระงานเพิ่มเติมจากระบบจัดการแบตเตอรี่ (Battery Management System)

ความลึกของการคายประจุ (Depth of Discharge - DoD) ส่งผลต่ออายุการใช้งานของแบตเตอรี่อย่างไร

ระดับความลึกของการปล่อยประจุ (Depth of Discharge: DoD) ที่สูงเกินไปอาจเร่งให้เกิดการสึกหรอของขั้วไฟฟ้า ส่งผลให้จำนวนรอบการใช้งานที่ใช้ได้จริงลดลงอย่างมีนัยสำคัญ และย่ออายุการใช้งานแบตเตอรี่โดยรวม ดังนั้น การรักษาระดับ DoD ไว้ในระดับปานกลางจึงช่วยยืดอายุการใช้งานแบตเตอรี่

ประโยชน์ของการใช้ปัญญาประดิษฐ์ (AI) ในระบบพลังงานแบตเตอรี่มีอะไรบ้าง

ปัญญาประดิษฐ์ (AI) ช่วยยกระดับระบบแบตเตอรี่โดยการปรับแต่งตารางเวลาการชาร์จ/ปล่อยประจุอย่างเหมาะสม และทำนายสถานะสุขภาพของแบตเตอรี่ (State of Health) ซึ่งส่งผลให้ประสิทธิภาพโดยรวมดีขึ้น ยืดอายุการใช้งานแบตเตอรี่ และเพิ่มผลตอบแทนทางการเงินสูงสุด

ระบบระบายความร้อนแบบแอคทีฟกับแบบพาสซีฟในระบบแบตเตอรี่มีความแตกต่างกันอย่างไร

ระบบระบายความร้อนแบบแอคทีฟ แม้จะมีประสิทธิภาพสูงกว่าในการรักษาอุณหภูมิให้สม่ำเสมอ แต่ก็ใช้พลังงานมากกว่า ในขณะที่ระบบระบายความร้อนแบบพาสซีฟนั้นประหยัดพลังงานกว่า แต่ทำให้เกิดความแปรปรวนของอุณหภูมิระหว่างเซลล์ได้มากขึ้น