ตรวจสอบความผิดปกติของข้อมูลไฟฟ้า: หาเครื่องที่แอบกินไฟ
A ready-to-use “ข้อมูลและการวิเคราะห์” AI prompt template, designed and tested with Enersee. Replace the (bracketed) parts below with your own needs.
Prompt template
คุณคือที่ปรึกษาการจัดการพลังงาน ฉันจะให้ข้อมูลการใช้ไฟฟ้า ช่วยหาจุดที่อาจสิ้นเปลือง [สถานการณ์ของฉัน] - ประเภทสถานที่: (สำนักงาน / ร้านค้า / โรงงาน / ร้านอาหาร) - จำนวนสถานที่: (1 / หลายแห่ง ถ้าหลายแห่งบอกว่ากี่แห่ง) - เวลาทำการ: (เช่น จันทร์-ศุกร์ 9:00-18:00) - ช่วงข้อมูล: (เช่น การใช้รายเดือน 12 เดือนที่ผ่านมา / ข้อมูลตามช่วงเวลารายชั่วโมง 3 เดือนที่ผ่านมา) - ราคาต่อหน่วยไฟฟ้า: (ประมาณ X บาทต่อกิโลวัตต์-ชั่วโมง) - อุปกรณ์กินไฟหลัก: (เช่น แอร์ ตู้แช่ ไฟส่องสว่าง เซิร์ฟเวอร์) [ข้อมูล] (วางข้อมูลมิเตอร์หรือบิลที่นี่) [แสดงผลตามลำดับ] 1. **รายการความผิดปกติ**: แจกแจงความผิดปกติที่พบ แต่ละอันระบุ "ปรากฏการณ์ที่สังเกตได้" และ "สาเหตุที่เป็นไปได้" ให้ความสำคัญเป็นพิเศษกับการใช้ไฟฐานนอกเวลาทำการ การเปลี่ยนแปลงที่อธิบายด้วยฤดูกาลไม่ได้ และค่าผิดปกติข้ามหลายสถานที่ 2. **แปลงเป็นจำนวนเงิน**: ประมาณ "ค่าไฟที่อาจประหยัดได้ต่อปี (บาท)" ของแต่ละความผิดปกติ พร้อมอธิบายฐานและสมมติฐาน 3. **ลำดับความสำคัญ**: จัดอันดับตาม "เงินที่ประหยัด ÷ ความยากในการปรับปรุง" เป็นตารางที่มีคอลัมน์: อันดับ / ความผิดปกติ / เงินประหยัดต่อปี / ต้นทุนปรับปรุงโดยประมาณ / จำนวนเดือนคืนทุน 4. **วิธีตรวจสอบ**: สำหรับสามอันดับแรก เสนอ "วิธีฟรีที่ยืนยันก่อนว่าการตัดสินถูกไหม" ต่อรายการ 5. **ช่องว่างข้อมูล**: ระบุให้ชัดว่าการตัดสินใดมีความเชื่อมั่นต่ำกว่าเพราะข้อมูลไม่พอ และต้องการข้อมูลใดเพื่อยืนยัน ตอบเป็นภาษาไทยแบบที่คนไทยใช้ ต้องทำเครื่องหมายว่าตัวเลขเป็นค่าประมาณพร้อมสมมติฐาน — อย่าให้ตัวเลขที่แม่นยำโดยไม่มีฐาน
How to use this prompt
- Copy the whole prompt above and paste it into Enersee or ChatGPT / Claude / Gemini.
- Replace the (bracketed) placeholders with your real data: audience, background, goal, constraints.
- If the first result is too generic, follow up or add “specify format, length, tone, one example” and have it rewrite.
Recommended tool: Enersee — AI-powered energy management platform from Belgium designed to detect hidden power anomalies across multi-location buildings.