[논문]AWS 풍황데이터를 이용한 강원풍력발전단지 발전량 예측

우재균; 김현기; 김병민; 유능수

AWS 풍황데이터를 이용한 강원풍력발전단지 발전량 예측
AEP Prediction of Gangwon Wind Farm using AWS Wind Data 원문보기

AWS (Automated Weather Station) wind data was used to predict the annual energy production of Gangwon wind farm having a total capacity of 98 MW in Korea. Two common wind energy prediction programs, WAsP and WindSim were used. Predictions were made for three consecutive years of 2007, 2008 and 2009 and the results were compared with the actual annual energy prediction presented in the CDM (Clean Development Mechanism) monitoring report of the wind farm. The results from both prediction programs were close to the actual energy productions and the errors were within 10%.

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 연구에서는 WAsP과 WindSim을 이용하여 풍력발전기의 출력성능과 풍속을 모두 고려한 강원풍력발전단지의 연간에너지발전량 예측을 수행하였으며, 예측된 연간에너지발전량(AEP)과 풍력발전단지의 실제연간에너지발전량의 비교를 통하여 자동기상관측소(AWS) 데이터의 적용타당성을 검토하여 보고자 한다.
자동기상관측소(AWS)의 데이터를 이용하여 WAsP과 WindSim 프로그램을 통해 강원풍력발전단지의 연간에너지발전량을 예측하였다. 예측된 연간발전량과 실측된 연간에너지 발전량의 비교를 통하여 자동기상관측소(AWS)의 데이터 이용가능성을 검토하였다. 가동율을 96%로 가정하였을때의 WAsP과 WindSim의 해석결과는 실측 연간발전량과 비교하여 1.

제안 방법

강원풍력발전단지의 연간에너지 발전량 예측을 위해서 해석영역에 대한 모델링은 그림 5와 같다. 바다와 강은 Roughness class 0, 농경지에 해당하는 영역은 Roughness class 1, 마을에 해당하는 영역은 Roughness class 2.8, 그리고 숲에 해당하는 영역은 Roughness class 3.0으로 설정하여 모델링하였다[8]. 또한 동일한 모델을 각각 WAsP과 WindSim 프로그램에 적용하여 해석을 수행하였다.
자동기상관측소(AWS)의 데이터를 이용하여 WAsP과 WindSim 프로그램을 통해 강원풍력발전단지의 연간에너지발전량을 예측하였다. 예측된 연간발전량과 실측된 연간에너지 발전량의 비교를 통하여 자동기상관측소(AWS)의 데이터 이용가능성을 검토하였다.

대상 데이터

강원풍력발전단지를 구성하는 풍력발전기는 VESTAS사의 2MW급 풍력발전기(V80-2000)이다. 풍력발전기 로터(Rotor)의 지름은 80m이며, 허브(Hub)높이는 일반적인 V80 풍력발전기보다 낮은 60m이며, 출력곡선은 그림 3과 같다.
강원풍력발전단지의 연간에너지발전량예측을 위해서 사용된 전자지도는 WindPRO에서 제공하는 파일을 사용하였다. 전자지도의 크기는 30km×30km이며, 그림 1에 제시되어 있다.
본 연구에 사용된 자동기상관측소(AWS)의 데이터는 10m의 높이에서 측정된 10분 평균 풍속, 풍향데이터이며, 해석을 위해 2007년～2009년까지 총 3년의 데이터가 이용되었다. 데이터의 회수율(Recovery Rate) 약 99%에 달하였다.
전자지도의 크기는 30km×30km이며, 그림 1에 제시되어 있다. 사용된 전자지도는 강원풍력발전단지를 구성하는 총 49기의 풍력발전기와 해석에 사용될 자동기상관측소(AWS)의 위치를 모두 포함하고 있으며, 지도 경계로부터 최단거리의 풍력발전기까지의 거리는 적어도 5km이상의 이격거리를 갖도록 하였다. 전자지도의 등고선 간격은 25m이다.
자동기상관측소(AWS)의 풍황데이터를 이용하여 예측한 강원풍력발전단지의 연간에너지발전량과 실제 연간에너지발전량의 비교를 위해서 강원풍력발전단지의 CDM 보고서 내의 모니터링(Monitering) 분야 보고서를 참조하였다. CDM 보고서에는 강원풍력발전단지의 2007년, 2008년 그리고 2009년의 실측연간에너지 발전량이 제시되어 있으며, 실측 연간에너지발전량은 표 1에 제시되어져 있다.

데이터처리

0으로 설정하여 모델링하였다[8]. 또한 동일한 모델을 각각 WAsP과 WindSim 프로그램에 적용하여 해석을 수행하였다.

이론/모형

강원풍력발전단지는 국내 최대 규모인 98MW급 풍력발전단지로서 2MW급 풍력발전기 49기가 설치되어있다. 이번 연구를 위해 필요한 풍력발전기 설치 좌표 및 기타 정보는 강원풍력발전단지의 CDM(Clean Development Mechanism) 보고서를 참조하였다[6].

성능/효과

예측된 연간발전량과 실측된 연간에너지 발전량의 비교를 통하여 자동기상관측소(AWS)의 데이터 이용가능성을 검토하였다. 가동율을 96%로 가정하였을때의 WAsP과 WindSim의 해석결과는 실측 연간발전량과 비교하여 1.0%에서 10.4%의 오차를 보였으며, 두 프로그램으로부터 유사한 결과를 얻을 수 있었다.
본 연구에 사용된 자동기상관측소(AWS)의 데이터는 10m의 높이에서 측정된 10분 평균 풍속, 풍향데이터이며, 해석을 위해 2007년～2009년까지 총 3년의 데이터가 이용되었다. 데이터의 회수율(Recovery Rate) 약 99%에 달하였다. 그림 2에서 알 수 있듯이 실측지점과 강원풍력발전단지의 최인근 풍력발전기까지의 이격거리는 2.
하지만, 이번 연구에 적용된 대관령 자동기상관측소의 경우, 설치고도가 높고, 강원풍력발전단지와의 거리 그리고 고도차이가 크지 않아, 해석 프로그램을 이용한 예측이 실측값과 매우 근접함을 알 수 있었다. 또한, WAsP 과 WindSim 을 이용한 해석에 있어 복잡지형의 경우 유한 체적법에 기반을 둔 WindSim을 이용한 해석이 선형 유동모델인 WAsP 보다 정확한 것으로 알려지고 있지만, 본 연구 결과에서는 두 프로그램을 통한 예측이 실측과 유사한 결과를 나타내었다.
WindSim을 이용하여 얻어진 해석결과는 표 3에 제시되어 있다. 제시된 결과는 96%의 가동률이 고려된 값으로 실측 연간에너지발전량과 비교되었다.
일반적으로 자동기상관측소(AWS) 데이터는 설치고도가 낮고, 풍속 및 풍향을 측정하는 높이가 지표면에서 10m 정도로 낮아 지형적인 영향을 많이 받기 때문에, 발전량 예측에 있어 사용하기 비적합한 데이터로 알려져 있다. 하지만, 이번 연구에 적용된 대관령 자동기상관측소의 경우, 설치고도가 높고, 강원풍력발전단지와의 거리 그리고 고도차이가 크지 않아, 해석 프로그램을 이용한 예측이 실측값과 매우 근접함을 알 수 있었다. 또한, WAsP 과 WindSim 을 이용한 해석에 있어 복잡지형의 경우 유한 체적법에 기반을 둔 WindSim을 이용한 해석이 선형 유동모델인 WAsP 보다 정확한 것으로 알려지고 있지만, 본 연구 결과에서는 두 프로그램을 통한 예측이 실측과 유사한 결과를 나타내었다.

후속연구

또한, 이번연구는 복잡지형에 위치하고 있어 예측 오차가 다소 큰 것으로 판단되고 있으며, 복잡지형이 아닌 비교적 평탄한 지형이나 해상에 위치하는 풍력발전단지의 연간에너지발전량을 비교한다면, 예측오차는 좀 더 적을 것으로 판단된다.

핵심어

질문

논문에서 추출한 답변

풍력에 관한 실측자료를 얻기 위해서는 무엇을 설치해야 하는가?

또한, 실측자료를 얻기 위해서는 기상관측타워를 설치하여야 하며, 그에 따른 시간 및 경제적 부담이 따른다. 이러한 부담을 가지고 기상관측타워를 설치한다 하더라도 기상관측타워를 설치한 지점 인근의 풍속이 높을 것이라는 보장은 없다.

신재생에너지 개발에 대한 연구의 관심이 급속도로 높아지고 있는 이유는 무엇인가?

최근 전 세계적으로 지구 온난화와 화석에너지 고갈 문제로 인하여 신재생에너지 개발에 대한 연구의 관심이 급속도로 높아지고 있다. 그 중 풍력은 영구적이고 환경오염이 없는 청정 에너지원으로 전 세계적으로 연구가 활발히 진행 되고 있다[1].

풍력발전단지의 입지 선정시 우수한 풍력자원, 즉, 풍속이 강한 지역에 입지를 선정하여야 하는 이유는?

풍력발전은 풍속에 가장 많은 영향을 받으므로, 풍속이 풍력발전의 경제성과 풍력발전시스템의 효용성에 절대적인 영향을 미치게 된다[2].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

AWS 풍황데이터를 이용한 강원풍력발전단지 발전량 예측
AEP Prediction of Gangwon Wind Farm using AWS Wind Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

AWS 풍황데이터를 이용한 강원풍력발전단지 발전량 예측 AEP Prediction of Gangwon Wind Farm using AWS Wind Data 원문보기

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

저자의 다른 논문 :

우재균 (4) 김현기 (8) 김병민 (8) 유능수 (43)

관련 콘텐츠

원문 보기

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AWS 풍황데이터를 이용한 강원풍력발전단지 발전량 예측
AEP Prediction of Gangwon Wind Farm using AWS Wind Data 원문보기

AI 본문요약
AI-Helper