선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 장기 발전량을 예측하기에 앞서 특정 풍속에 대한 평균출력 및 변동계수를 얻을 수 있도록 예측 모델 선정을 수행하였다. 풍속 및 터빈의 제원 등을 이용하여 출력을 결정하는 이론적 모델과 참조값을 이용하는 회귀 및 신경망 모델에 대한 검증을 통해 가장 적합한 모델을 선정하였다.
가설 설정
- 5와 같은 NREL(National Renewable Energy Laboratory) 5MW급 풍력터빈을 사용하였다.(8) 터빈의 일반 사양은 Table 1에 나열되어 있으며, 시뮬레이션에 사용되는 수심은 20m로 가정하였다.
- 특정 풍속에서 생산전력은 평균이 성능곡선에 근접한 임의의 값이 되므로 확률적 접근이 필요하며, 이러한 출력 곡선의 변동량에 대한 확률분포를 정규분포로 가정하였다(권순덕, 2008).(3) 특정 풍속에서 생산 전력의 평균과 표준편차는 단기 발전량 예측에서 얻은 Fig.
제안 방법
- (1) 각 예측 방법에 대한 정밀도를 비교 분석하였으며, 비교적 가장 정확한 방법을 선정하여 연간 발전량을 예측하였다. 그리고 현장의 장기 풍속추정을 위해 MCP(Measure-Correlate-Predict) 방법을 사용하여 현장과 인근 관측소의 관측 자료에 대한 상관관계를 추정하였다.
- 그리고 현장의 장기 풍속추정을 위해 MCP(Measure-Correlate-Predict) 방법을 사용하여 현장과 인근 관측소의 관측 자료에 대한 상관관계를 추정하였다.(2) 몬테카를로 시뮬레이션 방법과 실제 인근 관측소의 장기간 관측 자료를 이용하여 연간발전량을 추정하였다. 최종적으로 확률분포를 이용한 방법과 기존 결정론적 방법의 추정된 연간발전량을 비교하였다.
- 6과 같이 3개의 층으로 구성되어있고, 입력값은 회귀 모델의 입력값과 같다. 5000의 epochs와 SSE(sum squared error)가 10-5 이하를 만족하도록 학습조건을 지정하였으며, 학습이 수행된 신경망 모델을 이용하여 생산 전력을 예측하였다.
- 여기서 c와 k는 각각 scale parameter와 shape parameter 이다. Fig. 11에서 볼 수 있듯이 확률밀도함수는 현장과 위도에서 2년간의 10분 평균풍속을 이용하여 추정하였다. 위도 자료 중 낮은 풍속에서는 일치하지 않는 부분이 있으나 대부분 풍속 범위에서 측정 데이터와 잘 일치하였다.
- HeMOSU에서 측정된 풍속 자료를 이용하여 5MW급 해상풍력터빈에 대한 전력을 추정하였다. 이론적 모델과 회귀모델, 그리고 인공신경망 모델을 Gh-bladed에서 생성된 전력과 비교하였다.
- 를 계산하였다. 계산된 값과 관측 풍속을 식 (1)에 입력하여 이론적 모델을 이용한 생산 전력을 예측하였다.
- 따라서 위 계수들이 분산성을 가질 수 있도록 새로운 확률변수 γ를 적용하였다.
- 본 연구에서는 기상타워인 HeMOSU-1(Herald of Meteorological and Oceanographic Sepcial Unit-1)의 단기간 관측 자료를 이용하여 5MW급 해상풍력발전기의 생산전력 예측을 위해 이론식, 회귀분석, 인공신경망을 이용하였다.(1) 각 예측 방법에 대한 정밀도를 비교 분석하였으며, 비교적 가장 정확한 방법을 선정하여 연간 발전량을 예측하였다.
- 위도의 16년에 해당하는 풍속자료를 사용함으로써 Fig. 15와 같은 HeMOSU 영역의 AEP를 추정하였다. 확률분포를 고려한 방법은 기존의 방법보다 약간 큰 AEP 결과를 보였고, Table 5는 16년간의 총 생산전력을 보여주고 있다.
- Table 2의 조건인 평균풍속, 공기밀도, 난류강도와 수치해석 결과를 사용함으로써 식 (7)에서의 회귀분석계수를 산정하였다. 이러한 회귀모델을 이용하여 생산 전력을 예측하였다.
- HeMOSU에서 측정된 풍속 자료를 이용하여 5MW급 해상풍력터빈에 대한 전력을 추정하였다. 이론적 모델과 회귀모델, 그리고 인공신경망 모델을 Gh-bladed에서 생성된 전력과 비교하였다. 그 결과 인공신경망 모델이 가장 정확하였고, 난류강도가 적용되지 않은 이론적 모델이 비교적 큰 오차를 나타내었다.
- (2) 몬테카를로 시뮬레이션 방법과 실제 인근 관측소의 장기간 관측 자료를 이용하여 연간발전량을 추정하였다. 최종적으로 확률분포를 이용한 방법과 기존 결정론적 방법의 추정된 연간발전량을 비교하였다.(3)
- 본 논문에서는 장기 발전량을 예측하기에 앞서 특정 풍속에 대한 평균출력 및 변동계수를 얻을 수 있도록 예측 모델 선정을 수행하였다. 풍속 및 터빈의 제원 등을 이용하여 출력을 결정하는 이론적 모델과 참조값을 이용하는 회귀 및 신경망 모델에 대한 검증을 통해 가장 적합한 모델을 선정하였다. 선정된 모델로부터 출력곡선과 변동계수곡선을 얻기까지의 과정을 Fig.
대상 데이터
- HeMOSU-1은 대형 풍력 발전 단지가 계획되어 전남 안마도 해역에 설치되어 있다. 관측 기간은 2011년 3월 1일부터 2012년 12월 31일까지 약 2년이다. 관측 자료는 풍향, 풍속, 온도, 습도, 기압이 있으며, 이 중 풍속계의 경우 Fig.
- 관측 자료는 풍향, 풍속, 온도, 습도, 기압이 있으며, 이 중 풍속계의 경우 Fig. 3(a)와 같이 평균 해수위로부터 26.31m–97.35m의 높이에 총 8개가 설치되어 관측하였다.
- 현장의 장기 풍속 추정에는 현장으로부터 약 22km 떨어진 위도의 자료를 사용하였다. 위도의 자료는 1997년부터 2012년까지 16년 동안 관측되었다. 식 (16)으로부터 산정한 상관계수는 0.
- 전력 예측에 사용된 해상풍력터빈은 Fig. 5와 같은 NREL(National Renewable Energy Laboratory) 5MW급 풍력터빈을 사용하였다.(8) 터빈의 일반 사양은 Table 1에 나열되어 있으며, 시뮬레이션에 사용되는 수심은 20m로 가정하였다.
- 현장의 장기 풍속 추정에는 현장으로부터 약 22km 떨어진 위도의 자료를 사용하였다. 위도의 자료는 1997년부터 2012년까지 16년 동안 관측되었다.
이론/모형
- 연간 발전량(annual energy production, AEP)은 몬테카를로 시뮬레이션을 이용하여 추정할 수 있다. 10분 평균 풍속을 위도의 풍속 분포를 이용하여 생성할 수 있고, MCP기법을 이용하여 현장의 풍속을 결정한다. 풍속전단지수의 확률분포를 이용하여 현장 풍속에 대해 고도보정을 수행하고, 해당 풍속에 대한 출력을 구할 수 있다.
- (1) 각 예측 방법에 대한 정밀도를 비교 분석하였으며, 비교적 가장 정확한 방법을 선정하여 연간 발전량을 예측하였다. 그리고 현장의 장기 풍속추정을 위해 MCP(Measure-Correlate-Predict) 방법을 사용하여 현장과 인근 관측소의 관측 자료에 대한 상관관계를 추정하였다.(2) 몬테카를로 시뮬레이션 방법과 실제 인근 관측소의 장기간 관측 자료를 이용하여 연간발전량을 추정하였다.
- 그 결과 인공신경망 모델이 가장 정확하였고, 난류강도가 적용되지 않은 이론적 모델이 비교적 큰 오차를 나타내었다. 장기간 AEP 추정을 위해 풍속의 확률분포와 MCP 기법을 사용하였다. 인근의 기준점과 현장에 대한 관계의 확률적 변화가 고려되었다.
- 따라서 Table 2와 같이 각 항목의 범위에 대해 등분하고, 전력해석을 수행하였다. 해석에는 GL Garrad Hassan 사의 풍력 터빈 설계 및 특성 해석 프로그램인 Gh-bladed(v4.4)를 사용하였다.
성능/효과
- 인근의 기준점과 현장에 대한 관계의 확률적 변화가 고려되었다. AEP는 기준점에서 MCP 기법과 풍속의 장기간 변화를 이용하여 추정되었으며, 선형 MCP 기법인 기존 방법과 확률적 MCP 기법의 평균값은 매우 근사하게 나타났다. 그러나 확률적 MCP 기법의 적용으로 인한 AEP의 변동성은 매우 중요하다.
- 이론적 모델과 회귀모델, 그리고 인공신경망 모델을 Gh-bladed에서 생성된 전력과 비교하였다. 그 결과 인공신경망 모델이 가장 정확하였고, 난류강도가 적용되지 않은 이론적 모델이 비교적 큰 오차를 나타내었다. 장기간 AEP 추정을 위해 풍속의 확률분포와 MCP 기법을 사용하였다.
- 7에 나타내었으며, Table 3은 각 모델에 대한 RMSEs(Root mean square errors)이다. 그 결과 전력 추정 모델 중 오차가 비교적 적은 인공신경망이 적합함을 볼 수 있다. 또한 이론적 모델은 기상 조건을 모두 고려하지 않아 큰 오차를 보였다.
- 수행 결과 낮은 풍속에서 저 난류특성의 출력곡선이 낮은 출력을 보이고 높은 풍속에서 비교적 높고 안정적인 출력을 보인다. 또한 고 난류 특성의 출력곡선은 낮은 풍속 구간에서 보다 높은 출력을 보이나 높은 풍속으로 갈수록 비교적 출력이 낮게 나타났다. 이는 동일한 풍속 조건에서 고 난류강도 특성의 바람이 더 많은 풍력에너지를 갖고, 정격 풍속 이상의 풍속에서는 제어기능이 비교적 일찍 작동하여 출력을 제어하기 때문이다.
- (9) 현승건 등(2012)은 난류강도의 변화에 따른 출력에 대한 연구를 수행하였다. 수행 결과 낮은 풍속에서 저 난류특성의 출력곡선이 낮은 출력을 보이고 높은 풍속에서 비교적 높고 안정적인 출력을 보인다. 또한 고 난류 특성의 출력곡선은 낮은 풍속 구간에서 보다 높은 출력을 보이나 높은 풍속으로 갈수록 비교적 출력이 낮게 나타났다.
- 현장의 약 2년간 관측풍속을 이용하여 생산된 발전량을 Table 4와 같이 각 모델에 대해 비교하여 나타냈다. 인공신경망에 의한 연간 발전량을 기준으로 이론적 모델이 14% 감소된 결과를 보였으며, 다항식 회귀모델은 1% 오차를 보였다.
- 15와 같은 HeMOSU 영역의 AEP를 추정하였다. 확률분포를 고려한 방법은 기존의 방법보다 약간 큰 AEP 결과를 보였고, Table 5는 16년간의 총 생산전력을 보여주고 있다. AEP 추정에서 중요한 점은 MCP기법과 풍속 모두 불확실성에 따른 변화를 보여주는 것이므로 추정 시 이를 고려해야 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.