AWS와 MERRA 데이터의 장기간 풍속보정을 통한 풍력터빈 최적배치 및 연간에너지생산량 예측 Optimal Micrositing and Annual Energy Production Prediction for Wind Farm Using Long-term Wind Speed Correlation Between AWS and MERRA원문보기
부산지역 가덕도 일대에 30MW 규모의 육상 풍력발전단지개발을 위한 풍황자원분석과 풍력터빈 최적배치를 수행하였다. 후보지역에 설치되어 운용중인 AWS(KMA)에서 측정된 바람 데이터를 이용하였으며, 데이터 품질분석을 통한 신뢰성 검토를 수행하였다. 1년간 측정된 AWS 데이터는 MERRA 재해석 데이터와 선형희귀(Linear regression method) MCP 기법의 적용을 통해 30년으로 장기 보정되었고, 이를 이용한 풍력터빈 최적배치를 수행하였다. 3MW 풍력터빈을 적용하여 총 25 조건의 풍력터빈 배치에 대한 최적배치를 수행하였으며, 다양한 후류모델을 적용하여 발전량해석을 수행하였다. 단지효율은 97.6%~98.7%, 연간이용률은 37.9%~38.3%로 예측되었고, 후류영향이 고려된 연간발전량이 99,598.4 MWh~100,732.9 MWh로 예측됨에 따라, 우수한 경제성을 갖는 풍력발전단지개발이 가능한 지역임을 확인하였다.
부산지역 가덕도 일대에 30MW 규모의 육상 풍력발전단지개발을 위한 풍황자원분석과 풍력터빈 최적배치를 수행하였다. 후보지역에 설치되어 운용중인 AWS(KMA)에서 측정된 바람 데이터를 이용하였으며, 데이터 품질분석을 통한 신뢰성 검토를 수행하였다. 1년간 측정된 AWS 데이터는 MERRA 재해석 데이터와 선형희귀(Linear regression method) MCP 기법의 적용을 통해 30년으로 장기 보정되었고, 이를 이용한 풍력터빈 최적배치를 수행하였다. 3MW 풍력터빈을 적용하여 총 25 조건의 풍력터빈 배치에 대한 최적배치를 수행하였으며, 다양한 후류모델을 적용하여 발전량해석을 수행하였다. 단지효율은 97.6%~98.7%, 연간이용률은 37.9%~38.3%로 예측되었고, 후류영향이 고려된 연간발전량이 99,598.4 MWh~100,732.9 MWh로 예측됨에 따라, 우수한 경제성을 갖는 풍력발전단지개발이 가능한 지역임을 확인하였다.
A Wind resource assessment and optimal micrositing of wind turbines were implemented for the development of an onshore wind farm of 30 MW capacity on Gadeok Island in Busan, Republic of Korea. The wind data measured by the automatic weather system (AWS) that was installed and operated in the candida...
A Wind resource assessment and optimal micrositing of wind turbines were implemented for the development of an onshore wind farm of 30 MW capacity on Gadeok Island in Busan, Republic of Korea. The wind data measured by the automatic weather system (AWS) that was installed and operated in the candidate area were used, and a reliability investigation was conducted through a data quality check. The AWS data were measured for one year, and were corrected for the long term of 30 years by using the modern era retrospective analysis for research and application (MERRA) reanalysis data and a measure- correlate-predict (MCP) technique; the corrected data were used for the optimal micrositing of the wind turbines. The micrositing of the 3 MW wind turbines was conducted under 25 conditions, then the best-optimized layout was analyzed with a various wake model. When the optimization was complete, the estimated park efficiency and capacity factor were from 97.6 to 98.7 and from 37.9 to 38.3, respectively. Furthermore, the annual energy production (AEP), including wake losses, was estimated to be from 99,598.4 MWh to 100,732.9 MWh, and the area was confirmed as a highly economical location for development of a wind farm.
A Wind resource assessment and optimal micrositing of wind turbines were implemented for the development of an onshore wind farm of 30 MW capacity on Gadeok Island in Busan, Republic of Korea. The wind data measured by the automatic weather system (AWS) that was installed and operated in the candidate area were used, and a reliability investigation was conducted through a data quality check. The AWS data were measured for one year, and were corrected for the long term of 30 years by using the modern era retrospective analysis for research and application (MERRA) reanalysis data and a measure- correlate-predict (MCP) technique; the corrected data were used for the optimal micrositing of the wind turbines. The micrositing of the 3 MW wind turbines was conducted under 25 conditions, then the best-optimized layout was analyzed with a various wake model. When the optimization was complete, the estimated park efficiency and capacity factor were from 97.6 to 98.7 and from 37.9 to 38.3, respectively. Furthermore, the annual energy production (AEP), including wake losses, was estimated to be from 99,598.4 MWh to 100,732.9 MWh, and the area was confirmed as a highly economical location for development of a wind farm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
특히 인접한 풍력터빈으로부터 발생되는 후류는 단지효율감소에 큰 영향을 미치기 때문에 설치 가용면적이 제한적일 수밖에 없는 복잡지형에서의 최적배치는 매우 중요하다. 본 논문에서는 AWS로부터 측정된 데이터 분석, 풍력자원지도 생성, 풍력터빈배치 최적화 및 연간에너지생산량 예측을 통해 가덕도 내 30MW 규모의 풍력발전단지 개발을 위한 사전타당성조사결과를 제시하였다.
본 연구에서는 우리나라의 가덕도 지역에 30MW 풍력발전단지 개발을 위한 연구를 수행하였으며 연구결과를 다음과 같이 요약할 수 있다.
AWS에서 1년간 측정된 데이터를 이용하여 풍력터빈 설계수명기간인 20년 동안의 연간발전량을 예측하기에는 대표성이 부족하다. 본 연구에서는 이를 보완하기 위하여 AWS로부터 14.8km 이격된 지점에서 생성된 MERRA 재해석 데이터를 이용하여 풍력발전단지 타당성검토 수행시 장기간 데이터 부족문제로 인해 일반적으로 사용되는 MCP(Measure-Correlate-Predict) 기법(5)을 적용하여 장기간 풍황 데이터를 예측하였다. MCP 기법은 풍력단지 후보지에서 실측한 단기간(1년 이상) 자료와 참조지점에서의 장기간(20년 이상) 자료를 이용하여 동일 기간의 상관성을 분석한 후 후보지에서의 장기간 풍황 데이터를 예측 또는 복원하는 방법이다.
제안 방법
(1) MCP 기법을 적용하여 풍력발전단지 설계 수명기간 동안의 풍황특성을 대표 할 수 있는 장기 풍황데이터보정을 수행하였고, 가덕도 북쪽지역을 대상으로 풍황자원지도를 생성 한 후 연평균풍속이 6m/s 이상으로 나타나는 4개의 지점을 최적배치를 위한 기준면적으로 결정하였다.
(2) 4개의 기준면적에 대한 풍력에너지밀도 분석을 통해 주풍방향을 선정하였고 풍력터빈 최적 배치를 수행하였다. 해석결과의 신뢰성검증을 위해 실측데이터와 해석데이터를 이용한 AWS 지점에서의 주풍방향 해석결과 비교를 수행하였으며 서로 잘 일치하는 결과를 얻었다.
(6) 본 연구에서는 최소자승법(LSE, Least Square Estimation)을 이용하여 독립변수와 종속변수의 선형적 관계식을 구하고 과거자료를 예측하는 선형희귀 MCP 기법을 적용하였으며, 30° 간격으로 분할된 12개 방위에 대한 장기 풍황데이터 예측을 수행하였다. AWS와 MERRA 재해석데이터 취득지점 사이의 거리차이로 인해 발생되는 문제점을 해결하고 상관성을 높이기 위해 측정데이터의 기간이동(time shifting) 또는 데이터 평균을 적용한다. Fig.
5km 이격되어 있으므로 기준면적에서의 주풍방향을 대표하는데 어려움이 있다. 따라서 4개 지점 기준면적에서의 주풍방향을 결정하기 위한 풍향별 연간풍력밀도를 분석하였다. Fig.
표면 거칠기는 계절별 변화와 주변 개발계획 등의 요인으로 인하여 변동범위가 크기 때문에 설계자의 경험이 중요하다. 본 연구에서는 적절한 주변 지형의 거칠기를 반영하기 위해 숲과 도시의 표면 거칠기 등급은 3, 들판은 1 그리고 바다는 0으로 분류하였다.(11) 계산영역을 나타내는 등고선은 Fig.
가덕도내에는 송전탑이 없으며 특고압 배전선로에 해당하는 송전탑은 10MW 이하까지만 계통연계가 가능하므로 30MW 규모의 풍력발전단지는 전용선로구축이 필요하다. 본 풍력발전단지의 계통연계 방법으로는 각 풍력터빈으로부터 생산되어 1차 승압된 22.9kV 전력을 풍력단지 내 변전소로 송전하고 전용선로인 가공 송배전선로를 통해 한전변전소로 연계하거나, 한전변전소까지 거리가 상당한 경우에는 송전손실을 줄이기 위해 풍력단지에 변압기를 설치하여 154kV로 2차 승압하여 연계한다. Fig.
종 방향은 풍력터빈 후류발생 방향이고 횡 방향은 종 방향에 수직한 방향으로 정의된다. 이상과 같이 설정된 총 25 CASE의 최적화 조건에 대한 해석을 수행하였으며, 각 CASE에서의 단지효율, 연간이용률 및 배치된 풍력터빈수에 대해 분석하였다. 단지효율은 풍력단지에 설치된 개별 풍력터빈에서 발생하는 후류손실을 차감한 효율이며, 연간이용률은 풍력터빈이 정격출력에서 1년간 운전하였을 때 생산된 발전량과 WindPRO S/W를 이용하여 예측된 발전량의 비를 나타내며, 최적배치의 성공유무를 결정하는 중요한 인자이다.
단지효율은 풍력단지에 설치된 개별 풍력터빈에서 발생하는 후류손실을 차감한 효율이며, 연간이용률은 풍력터빈이 정격출력에서 1년간 운전하였을 때 생산된 발전량과 WindPRO S/W를 이용하여 예측된 발전량의 비를 나타내며, 최적배치의 성공유무를 결정하는 중요한 인자이다. 최적배치된 25개의 CASE에 대하여 WindPRO에서 제공되는 3가지 후류모델을 적용하여 발전량을 분석하였다. Table 5, 6, 7에 제시된 단지효율을 보면 Eddy Viscosity 후류모델이 후류에 의한 속도저감량을 가장 낮게 예측하고 있으며, N.
16에 나타낸 예측데이터를 이용한 기준지점들에서의 주풍방향 분석결과의 신뢰성은 검증되었다고 판단된다. 최적배치를 위한 해석조건으로써 3MW 풍력터빈 10기를 배치하여 30MW 풍력발전단지를 구성하고, 기기간의 최소이격거리를 종 방향과 횡 방향으로 2D ~ 6D 까지 1D 간격으로 설정하였다. 종 방향은 풍력터빈 후류발생 방향이고 횡 방향은 종 방향에 수직한 방향으로 정의된다.
대상 데이터
3가지 후류모델을 적용한 전반적인 해석결과에 따라 10기가 배치된 6D×3D CASE를 최적으로 배치된 CASE로 선정하였다.
10과 같이 가덕도를 포함하면서 동서남북으로 10 km 여유공간을 갖는 영역으로 설정하였다. 등고선에 사용된 수치표고모형(DEM, Digital Elevation Model)은 USGS(U.S. Geological Survey)에서 제공하는 SRTM (Shuttle Radar Topography Mission) 데이터를 사용하였다. 등고선 간격은 10m이며, 수치표고지도의 크기는 23km(H)×26km(W) 이다.
본 연구의 풍력발전단지개발 후보지역인 가덕도는 행정구역 상 부산광역시 강서구 녹산동에 속하며 부산광역시에서 가장 큰 섬으로서 낙동강 하구 동쪽 남해안 상에 위치한다. 총면적은 20.
본 연구의 풍력발전단지개발 후보지역인 가덕도는 행정구역 상 부산광역시 강서구 녹산동에 속하며 부산광역시에서 가장 큰 섬으로서 낙동강 하구 동쪽 남해안 상에 위치한다. 총면적은 20.78km2이며 해안선의 길이는 36km이다. 가덕도는 남북으로 길게 뻗어 있으며 동쪽으로 연대봉(459m)과 북서쪽으로 삼박봉(311m), 웅주봉(339m) 등이 솟아 있고, 100 ~ 300m 높이의 13개 봉우리가 존재하여 복잡지형에 해당한다.
측정된 원시데이터는 Met-mast 설치오류, 관리태만 및 태풍피해 등과 같은 내·외부적 요인에 인한 손실이 발생할 수 있다.
풍력발전단지설계를 위해 중 풍속지역에 적합한 VESTAS사의 V112 3MW 모델을 적용하였다. 이 기종은 3매의 블레이드를 갖는 수평축 풍력터빈으로써 독립적 블레이드 피치 시스템을 적용한 출력제어방식을 채용하고 있다.
풍황자원 분석을 위해 자동기상관측장비(AWS, Automatic Weather System)로부터 수집된 실측자료와 MERRA(Modern Era Retrospective-analysis for analysis for Research and Applications) 재해석자료(2)를 이용하였다. AWS는 가덕도내에서 기상청에 의해 운영되고 있으며, MERRA 재해석자료는 라디오존데(radiosonde), 인공위성, 부이(buoy), 항공 및 선박 등에서 관측된 데이터를 기상모델과 통합 분석하여 재해석한 데이터이며, NASA에서 제공한다.
데이터처리
7에 MCP 기법으로 장기 보정된 예측 데이터와 AWS 실측데이터를 동일한 기간에 대해 비교하여 나타내었다. 예측데이터의 유효성 검증을 위해 피어슨 상관분석(Pearson correlation analysis)을 수행하였으며 상관계수 값이 0.827로 나타남에 따라 서로 강한 양적 선형관계를 갖는 것으로 확인되었다. 장기 보정된 예측 데이터의 연평균풍속은 3.
(2) 4개의 기준면적에 대한 풍력에너지밀도 분석을 통해 주풍방향을 선정하였고 풍력터빈 최적 배치를 수행하였다. 해석결과의 신뢰성검증을 위해 실측데이터와 해석데이터를 이용한 AWS 지점에서의 주풍방향 해석결과 비교를 수행하였으며 서로 잘 일치하는 결과를 얻었다.
이론/모형
(6) 본 연구에서는 최소자승법(LSE, Least Square Estimation)을 이용하여 독립변수와 종속변수의 선형적 관계식을 구하고 과거자료를 예측하는 선형희귀 MCP 기법을 적용하였으며, 30° 간격으로 분할된 12개 방위에 대한 장기 풍황데이터 예측을 수행하였다.
따라서 보다 정확한 주풍방향의 결정을 위해서는 방위별 데이터출현빈도와 풍력에너지 비율이 동시에 고려되어야 한다. Fig. 6에 풍속분포의 확률밀도를 와이블 확률분포함수로 나타내었으며, 척도계수 c와 형상계수 k는 최대우도추정법(4) (MLE, Maximum Likelihood Estimation)을 이용하여 계산되었다. 와이블 분포의 척도계수와 형상계수는 각각 4.
WAsP은 중립대기(neutral atmosphere)에서 지형경사도의 변화가 미소하다는 가정에 의해 선형화 된 Navier-Stokes 방정식을 지배방정식으로 사용하며(7) 주변장애물(obstacle), 지형고도(elevation), 표면거칠기(surface roughness), 후류영향 등이 고려된 복잡한 지형에서의 풍황자원 분석이 가능하다. 유동장 예측 모델로써 1990년에 Troen에 의해 제안된 BZ-model을 사용하였으며, 이는 언덕을 지나는 유동 해석을 위한 Jackson과 Hunt의 이론(1975)과 유사하다.
Jensen 모델, Eddy viscosity 모델, EWTS Ⅱ 모델, Deep Array Wake 모델 등이 있다. 본 연구에서는 Fig.11의 N.O. Jensen모델(10)을 적용하여 최적배치 및 연간발전량을 해석하였다.
(10) 본 연구에서와 같이 언덕정상의 능선을 따라 풍력터빈이 배치될 경우에는 유동압축현상에 의한 풍속 가속효과가 해석결과의 신뢰성에 영향을 미칠 수 있다. 본 연구에서는 이를 고려하기 위해 WAsP에서 제공하는 Hill 모델을 적용하였다.
본 연구에서는 풍력발전단지 설계, 풍력터빈 최적배치 및 연간발전량 해석을 위해 덴마크의 EMD사에서 개발한 WindPRO v.2.7를 이용하였다. WindPRO는 WAsP(Wind Atlas Analysis and Application Program)을 솔버로 사용한다.
주변장애물(obstacle), 지형고도(elevation), 표면거칠기(surface roughness), 후류영향 등이 고려된 복잡한 지형에서의 풍황자원 분석이 가능하다. 유동장 예측 모델로써 1990년에 Troen에 의해 제안된 BZ-model을 사용하였으며, 이는 언덕을 지나는 유동 해석을 위한 Jackson과 Hunt의 이론(1975)과 유사하다.(8) WAsP은 평탄지형에서는 적용성이 우수하나 지면경사각이 17도를 초과하는 경우에는 유동박리현상으로 인한 재순환 영역의 발달로 인해 해석결과가 부정확할 수 있다.
성능/효과
지구 지표면의 80%에 해당하는 지역(위도 ±60º)의 지형정보데이터를 획득하여 미국지역은 1arc-sec(1/3600°, 약 30m), 그 외의 지역은 3arc-sec(1/1200°, 약 90m) 수준의 해상도로 제공되며 수직방향의 정확도는 5 ~ 10m이다.(12) 풍력터빈으로부터 발생되는 후류는 후방에 위치한 풍력터빈의 성능저하에 많은 영향을 미친다. 따라서 신뢰성 있는 풍력터빈 최적배치 및 연간에너지생산량 예측 결과의 확보를 위해서는 후류영향이 고려되어야 한다.
5와 지상 50m높이에서의 난류강도(TI, Turbulence Intensity) 10%에 해당한다.(14) 후류손실상수 값이 클수록 난류강도가 높은 지역으로 간주되며, 난류강도가 높을 경우 풍력터빈의 후류와 외부유동과의 혼합(mixing)이 신속하게 일어나기 때문에 풍력터빈에 의해 감소된 에너지가 빠르게 복원되는 특성이 나타난다.
(3) WindPRO에서 제공되는 3가지 후류모델을 적용하여 터빈최적배치를 수행하였으며, 종 방향으로 6D, 횡 방향으로 3D의 이격조건을 갖는 경우에서 단지효율 및 연간이용률이 가장 높게 나타났다. 후류손실이 고려된 AEP는 99,598.
(3) 본 연구에서 사용된 AWS 데이터의 측정변수는 단일고도(10m)에서의 10분평균풍속 및 풍향데이터이므로 범위테스트만을 수행하여 데이터 무결성을 확인하였다. Table 3에 검증기준을 나타내었고, Fig.
유동장 예측 모델로써 1990년에 Troen에 의해 제안된 BZ-model을 사용하였으며, 이는 언덕을 지나는 유동 해석을 위한 Jackson과 Hunt의 이론(1975)과 유사하다.(8) WAsP은 평탄지형에서는 적용성이 우수하나 지면경사각이 17도를 초과하는 경우에는 유동박리현상으로 인한 재순환 영역의 발달로 인해 해석결과가 부정확할 수 있다.(9) 그러나 이와 같은 현상이 발생하는 지역은 주로 산과 같은 주변장애물의 영향으로 특정지역에서 유동재순환영향이 크게 나타나는 지형이다.
7%로 매우 높게 나타남에 따라 성공적인 풍력터빈 배치가 수행되었다고 판단된다. 3가지 후류모델을 적용하여 예측된 연간에너지발전량은 99,598.4 MWh, 100,078.4 MWh, 100,732.9 MWh로 분석되었다.
가덕도와 같은 복잡지형의 경우 근접풍력터빈과의 해발고도 차이도 최적배치시 중요한 고려사항임을 알수 있다. 3가지 후류모델이 적용된 연간이용률은 37.9%, 38.0%, 38.3%로 후류손실 해석결과의 역순으로 예측되었으며, 상대적으로 결과의 차이가 적다. Fig.
Table 9에 최적배치가 완료된 6D×3D CASE에 대하여 3가지 후류모델이 적용된 연간에너지생산량 해석결과를 나타내었다. 6번 풍력터빈을 제외한 모든 풍력터빈에서 N.O. Jensen, EWTS II, Eddy Viscosity 후류모델 순으로 후류에 의한 에너지 손실량이 높게 예측되었다. 후류에 의한 에너지 손실량은 최소 0.
가덕도에 최적 배치된 풍력터빈 허브높이의 연간평균풍속은 7.42m/s로써 우수한 풍황자원을 보유하고 있으며, 평균 단지효율이 97.6%~98.7%로 매우 높게 나타남에 따라 성공적인 풍력터빈 배치가 수행되었다고 판단된다. 3가지 후류모델을 적용하여 예측된 연간에너지발전량은 99,598.
827로 나타남에 따라 서로 강한 양적 선형관계를 갖는 것으로 확인되었다. 장기 보정된 예측 데이터의 연평균풍속은 3.83m/s이며 AWS 측정데이터(3.72m/s)에 비해 약 3% 상승하였다. 표준오차(standard error)는 0.
그러나 이를 제외한 나머지 CASE의 해석결과는 모두 96% ~ 98%에 이르는 높은 단지효율로 해석됨에 따라, 해당지역은 30MW 규모의 풍력발전단지 개발이 충분히 가능한 것으로 판단된다. 종방향으로 6D, 횡 방향으로 3D의 조건의 경우 N.O. Jensen과 EWTS II 모델에서는 단지효율과 연간이용률이 가장 높게 나타나고 있으며, Eddy Viscosity 모델을 적용한 해석결과에서는 단지효율만이 최고 수치로 예측되었다. 3가지 후류모델을 적용한 전반적인 해석결과에 따라 10기가 배치된 6D×3D CASE를 최적으로 배치된 CASE로 선정하였다.
15에 나타내었다. 측정결과와 해석결과가 비교적 잘 일치하고 있으며 두 결과 모두 주풍방향이 북서방향으로 나타남에 따라, Fig. 16에 나타낸 예측데이터를 이용한 기준지점들에서의 주풍방향 분석결과의 신뢰성은 검증되었다고 판단된다. 최적배치를 위한 해석조건으로써 3MW 풍력터빈 10기를 배치하여 30MW 풍력발전단지를 구성하고, 기기간의 최소이격거리를 종 방향과 횡 방향으로 2D ~ 6D 까지 1D 간격으로 설정하였다.
4에 2012년 11월 데이터에 대한 범위테스트 결과를 나타내었다. 측정데이터 분석결과 Table 2에 나타낸 바와 같이 데이터회수율이 100%이고 범위테스트를 통해 제거된 이상데이터가 없으므로 풍황자원 분석용도로 사용되기에 적합하다.
72이며, 비교적 낮은 형상계수를 갖는 복잡한 지형에서의 와이블 분포형태에 대한 특징이 잘 나타나고 있다. 측정된 원시데이터의 풍속별 확률밀도와 와이블 분포가 잘 일치하고 있으며, 1.5m/s ~ 3.5m/s 구간에서의 확률밀도가 46.5%로 대부분을 차지하고 있다.
Jensen 후류모델이 가장 낮게 분석되었으며, 모든 후류모델에서 비슷한 경향의 해석결과를 보여주고 있다. 횡 방향 거리가 3D 이상인 조건에서 종 방향의 최소이격거리가 증가할수록 단지효율과 이용률은 증가 추세를 보인다. 이는 종방향 최소이격거리가 증가 할수록 후단에 위치한풍력터빈이 후류에 의한 영향을 덜 받기 때문이다.
(3) WindPRO에서 제공되는 3가지 후류모델을 적용하여 터빈최적배치를 수행하였으며, 종 방향으로 6D, 횡 방향으로 3D의 이격조건을 갖는 경우에서 단지효율 및 연간이용률이 가장 높게 나타났다. 후류손실이 고려된 AEP는 99,598.4MWh~ 100,732.9MWh, C.F는 37.9% ~ 38.3%로 나타남에 따라 가덕도 내의 산등성이를 따라 30MW 규모의 풍력발전단지개발이 충분히 가능함을 제시하였다.
후속연구
(4) 본 연구결과는 Met-mast 설치 이전단계에서 후보지 인근지역에 위치한 AWS 측정데이터를 이용하여 프로젝트 개발 가능성을 판단하기 위해 수행되었으며, 향후 국제표준에 따른 Met-mast의 설치를 통해 비교검증 연구를 진행 할 예정이다.
반드시 사전타당성평가 단계에서 진행되어 경제적인 손실을 최소화해야 하며, 행정구역상 지자체 관련부서를 통하여 신청이 가능하다. 본 연구에서는 풍력단지개발을 위한 예상후보지역의 발전량 평가를 주목적으로 하며, 추후 사전타당성 평가 결과를 바탕으로 단지개발계획이 구체화 될 경우 인허가 과정에서 전파환경영향평가 등의 수행이 필요하다.
스텔스 기능이 적용된 Vestas-V90 풍력터빈의 경우 표면으로 입사되는 전자파의 99%가 감소되는 효과를 입증하였으며, 현재 프랑스에 위치한 Pyrénées orientales 주에 건설 중인 96MW 규모의 “Ensemble Eolien Catalan” 프로젝트에 최초로 적용될 예정이다.
추가적으로, 측정데이터의 범위, 관계, 경향 테스트가 필요하며, 결빙 및 차폐영향에 의한 이상 데이터 또한 제거되어야 한다.(3) 본 연구에서 사용된 AWS 데이터의 측정변수는 단일고도(10m)에서의 10분평균풍속 및 풍향데이터이므로 범위테스트만을 수행하여 데이터 무결성을 확인하였다.
질의응답
핵심어
질문
논문에서 추출한 답변
배치최적화가 풍력에너지 효율에 중요한 요소인 이유는 무엇인가?
풍력에너지의 효율적인 사용을 위해서는 면밀한 풍황자원분석과 풍력발전단지 배치최적화가 중요하다. 특히 복잡지형의 경우, 고도변화에 따른 풍력자원량의 변동성이 높고 설치가용면적이 작은 경우가 많기 때문에 배치최적화는 매우 중요한 설계요소이다. 대부분의 풍력단지 설계과정에서는 터빈의 최적배치를 통해 제한된 부지(site)에서 90% 이상의 단지효율을 확보할 수 있다.
AWS 측정지점에서의 주풍방향 분석결과를 보완하기 위한 방법은 무엇인가?
5km 이격되어 있으므로 기준면적에서의 주풍방향을 대표하는데 어려움이 있다. 따라서 4개 지점 기준면적에서의 주풍방향을 결정하기 위한 풍향별 연간풍력밀도를 분석하였다. Fig.
최적배치과정에서 고려되어야 할 요소는 무엇인가?
대부분의 풍력단지 설계과정에서는 터빈의 최적배치를 통해 제한된 부지(site)에서 90% 이상의 단지효율을 확보할 수 있다. 최적배치과정에서는 풍력자원지도(wind resource map), 주풍방향(prevailing wind direction), 이격거리(separation distance), 후류영향(wake effect) 등이 고려되어야한다. 특히 인접한 풍력터빈으로부터 발생되는 후류는 단지효율감소에 큰 영향을 미치기 때문에 설치 가용면적이 제한적일 수밖에 없는 복잡지형에서의 최적배치는 매우 중요하다.
참고문헌 (14)
Kim, Y. D., Jeong, Y. M. and Lee, D. D., 2014, "Technical Trend of Radar Radio Interference Reduction Relating to Construction of the Offshore Wind Farm," Journal of the Korean Institute of Electrical and Electronic Material Engineers, Vol. 27, No. 4, pp. 250-256.
Kim, H. G., Jang, M. S. and Ryu, K. W., 2013, "Wind Resource Assessment on the Western Offshore of Korea Using MERRA Reanalysis Data," Journal of Korea Wind Energy Association, Vol. 4, No. 1, p. 41.
Michael, C. B., 2012, Wind Resource Assessment, WILEY, pp. 117-128.
Paritosh, B., 2011, Wind Energy Management, INTECH, pp. 3-10.
Ko, J. W., Moon, S. J. and Lee, B. G., 2012, "Estimation of Annual Energy Production Based on Regression Measure-Correlative-Predict at Handong, the Northeastern Jeju Island," Journal of the Korean Society of Marine Environment & Safety, Vol. 18, No. 6, p. 546.
Seo, H. S., Kyung, N. H. and Kim, H. G., 2010, "Analysis on Wind Characteristics for Offshore Wind Turbine Structure Design at Waljeong, Jejudo," Journal of the Wind Engineering Institute of Korea, Vol. 14, No. 3, p. 163.
Kim, S. W. and Kim, H. G., 2007, "Sensitivity Analysis of Wind Resource Micrositing at the Antarctic King Sejong Station," Journal of the Korean Solar Energy Society, Vol. 27, No. 4, p. 2.
Anthony, J. B. and Niels, G. M., 2004, "WAsP Prediction Errors Due to Site Orography," Riso-R-995(EN), pp. 6-8.
Yassin, M. F. and Al-Harbi, M., 2013, "Numerical Simulation on Wind Flow over Step-shaped Cliff Topography with Rough Surface," International Journal of Environmental Research, Vol. 7, No.1, pp. 173-186.
Bechmann, A., Sorensen, N. N., Berg, J. M. and Rethore, P. E., 2011, "The Bolund Experiment, Part II: Blind Comparison of Microscale Flow Models," Boundary-Layer Meteorology, 141, pp. 245-271.
Troen, I. and Eerik, L. P., 1989, "European Wind Atals," Riso National Laboratory, pp. 56-58.
Yoo, S. H., Nam, W. H. and Choi, J. Y., 2007, "Assessment of Accuracy of SRTM," Journal of Korean National Committee on Irrigation and Drainage, Vol. 14, No. 1, pp. 81-82.
Sanderse, B., 2009, "Aerodynamics of Wind Turbine Wakes," Energy Research Centre of the Netherlands, ECN-E-09-016, pp. 9-11.
EMD International A/S, "Introduction to Wind Turbine Wake Modeling and Wake Generated Turbulence," WindPRO/PARK.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.