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 연구에서는 제주도의 성산 풍력발전단지 주변에 위치한 두 지점의 기상탑 데이터 및 MERRA(Modern-Era Retrospective Analysis for Research and Applications) 재해석 데이터를 사용하여 성산 풍력발전단지의 연간발전량을 예측하고 실측 연간발전량과 비교하여 그 예측 특성을 평가하였다. 사용된 S/W는 WindPRO 및 Meteodyn WT 이고, 실측 연간발전량은 성산 풍력단지에서 운영 중인 SCADA(Supervisory Control and Data Acquisition) 시스템으로부터 취득하였다.
제안 방법
- SCADA 시스템은 Vestas SCADA CX-300 모델이며, 기상탑 데이터와 동일 기간의 SCADA 발전량 데이터가 분석되었다. 연구대상 풍력터빈은 고장발생 등에 따른 문제가 있거나 유지보수를 위해 정지했을 때, 풍력터빈의 나셀 풍속계에서 측정한 평균풍속 데이터를 해당 풍력터빈의 출력곡선에 적용하여 손실된 발전량을 추정하고 SCADA 시스템에 기록한다[16]. 이 연구에서는 풍력터빈의 고장, 정비, 유지보수에 따른 손실된 발전량을 이 SCADA 시스템의 기록을 그대로 활용하여 분석하였다.
- 연구대상 풍력터빈은 고장발생 등에 따른 문제가 있거나 유지보수를 위해 정지했을 때, 풍력터빈의 나셀 풍속계에서 측정한 평균풍속 데이터를 해당 풍력터빈의 출력곡선에 적용하여 손실된 발전량을 추정하고 SCADA 시스템에 기록한다[16]. 이 연구에서는 풍력터빈의 고장, 정비, 유지보수에 따른 손실된 발전량을 이 SCADA 시스템의 기록을 그대로 활용하여 분석하였다. 따라서 두 S/W에서 예측한 연간발전량과 공평한 비교가 가능할 것으로 생각된다.
- 이 연구에서는 등고선 간격이 5m인 수치 지형 데이터가 사용되었고, 해석 도메인 면적 40km × 40km에 대하여 거칠기 길이를 지표면 상태에 따라 정의하였다. 세 지점의 바람 데이터를 사용하여 각 지점의 바람 통계값(Wind statistics)을 만들고, 이를 성산 풍력발전단지에 적용하여 바람을 예측하였다. 그 다음 실제 운영 중인 풍력터빈 기종과 위치 등 실제 운전 조건과 동일하게 풍력터빈을 설정하여 발전량을 산출하였다.
- 세 지점의 바람 데이터를 사용하여 각 지점의 바람 통계값(Wind statistics)을 만들고, 이를 성산 풍력발전단지에 적용하여 바람을 예측하였다. 그 다음 실제 운영 중인 풍력터빈 기종과 위치 등 실제 운전 조건과 동일하게 풍력터빈을 설정하여 발전량을 산출하였다. 발전량 산출시 후류영향을 고려하기 위하여 N.
- 2로 설정하여 격자를 생성한 결과, 격자점은 12,603,492개였다. 중립대기 상태로 유동분석을 수행한 후, 세 지점의 바람 데이터를 입력하여 성산 풍력발전단지에서의 연간발전량을 산출하였다. 후류모델은 WindPRO와 동일하게 N.
- 김현구 등[20]의 연구에서도 분석한 바와 같이, 바람 데이터의 동질성 확인을 위하여 MERRA 풍속 데이터와 수망 및 수산 풍속데이터를 시계열 분석하여 피어슨 상관계수를 도출하였다. 그 결과, MERRA 지점과 수산 및 수망지점의 상관계수는 각각 0.
- 61이었다. 따라서 두 지점간의 상관관계가 떨어지지만, 이 연구를 위하여 활용가능한 수준이라고 판단하여 연구를 진행하였다.
- 수산과 수망 지점의 50m, 60m, 70m 높이의 바람 데이터와 MERRA 지점의 50m 바람 데이터를 입력 값으로 하여 두 S/W를 구동시켜서 성산 풍력발전단지 전체의 연간 발전량을 예측하였다. SCADA 데이터로부터 얻은 실측 연간발전량 50,933.
- 세 지점의 50m 높이에서의 바람 데이터를 가지고 두 S/W를 이용하여 분석한 예측 연간 발전량과 실측 연간발전량을 각 풍력터빈별로 비교 분석하고, 그 상대오차를 구하였다. Fig.
- 본 연구에서는 수산과 수망 지점의 기상탑 바람 데이터와 MERRA 재해석 데이터를 사용하여 풍력단지 발전량 예측 전용 S/W인 WindPRO와 Meteodyn WT를 구동시켜 성산 풍력발전단지에서의 연간발전량을 예측하고, 실제 값과 비교하였다. MERRA와 실측 기상 데이터와의 상관관계가 다소 떨어지지만 이 연구를 위하여 활용가능한 수준이라고 판단하여 연구를 수행하였다.
- 본 연구에서는 수산과 수망 지점의 기상탑 바람 데이터와 MERRA 재해석 데이터를 사용하여 풍력단지 발전량 예측 전용 S/W인 WindPRO와 Meteodyn WT를 구동시켜 성산 풍력발전단지에서의 연간발전량을 예측하고, 실제 값과 비교하였다. MERRA와 실측 기상 데이터와의 상관관계가 다소 떨어지지만 이 연구를 위하여 활용가능한 수준이라고 판단하여 연구를 수행하였다.
대상 데이터
- 본 연구에서는 제주도의 성산 풍력발전단지 주변에 위치한 두 지점의 기상탑 데이터 및 MERRA(Modern-Era Retrospective Analysis for Research and Applications) 재해석 데이터를 사용하여 성산 풍력발전단지의 연간발전량을 예측하고 실측 연간발전량과 비교하여 그 예측 특성을 평가하였다. 사용된 S/W는 WindPRO 및 Meteodyn WT 이고, 실측 연간발전량은 성산 풍력단지에서 운영 중인 SCADA(Supervisory Control and Data Acquisition) 시스템으로부터 취득하였다.
- 성산 풍력발전단지에 설치된 풍력터빈의 로터직경은 80m, 허브 높이는 78m이며, 국제표준 IEC 61400-1에 따라 Class IA 인증을 받은 제품이다.
- 기상탑은 Fig. 1과 같이 성산 풍력발전단지 중심부로부터 각각 2.3km 및 18km 떨어진 지점에 위치한다.
- Table 2는 두 지점의 기상탑 관련 정보와 성산 풍력단지의 SCADA 시스템 관련 정보를 나타낸다. 두 지점의 기상탑은 측정높이, 바람센서 형식 등이 동일한 조건으로 설치되었으며, 50m, 60m, 70m 높이의 풍속 데이터와 70m 높이의 풍향 데이터가 분석되었다. 데이터 측정기간은 2013년 6월 1일부터 2014년 5월 31까지 1년간이며, 동일 기간의 데이터가 분석되었다.
- 두 지점의 기상탑은 측정높이, 바람센서 형식 등이 동일한 조건으로 설치되었으며, 50m, 60m, 70m 높이의 풍속 데이터와 70m 높이의 풍향 데이터가 분석되었다. 데이터 측정기간은 2013년 6월 1일부터 2014년 5월 31까지 1년간이며, 동일 기간의 데이터가 분석되었다. 또한 RIX 분석 결과, 수산 2.
- SCADA 시스템은 Vestas SCADA CX-300 모델이며, 기상탑 데이터와 동일 기간의 SCADA 발전량 데이터가 분석되었다. 연구대상 풍력터빈은 고장발생 등에 따른 문제가 있거나 유지보수를 위해 정지했을 때, 풍력터빈의 나셀 풍속계에서 측정한 평균풍속 데이터를 해당 풍력터빈의 출력곡선에 적용하여 손실된 발전량을 추정하고 SCADA 시스템에 기록한다[16].
- 이 연구에서는 등고선 간격이 5m인 수치 지형 데이터가 사용되었고, 해석 도메인 면적 40km × 40km에 대하여 거칠기 길이를 지표면 상태에 따라 정의하였다.
- MERRA 재해석 데이터는 수치기상모델 (NWP)인 GEOS-5(Goddard Earth Observing System Version 5)의 자료동화시스템에서 인공위성 자료 등과 같은 실측자료를 재해석한 기상자료로서 1979년부터 미국 NASA에서 무료로 제공하고 있다.[17] 지구 전체에 대해 위도 1/2° × 경도 2/3° × 72개의 연직 층에서의 자료가 제공된다.
- 이 연구에서는 Fig. 1과 같이 성산 풍력발전단지로부터 16.4km 떨어진 지점에서 50m 높이에 대하여 1시간 간격으로 제공되는 MERRA 데이터를 분석하였다. Table 3은 MERRA 데이터 관련 정보를 나타낸다.
이론/모형
- 그 다음 실제 운영 중인 풍력터빈 기종과 위치 등 실제 운전 조건과 동일하게 풍력터빈을 설정하여 발전량을 산출하였다. 발전량 산출시 후류영향을 고려하기 위하여 N. O. Jensen 모델을 적용하였다.
- Meteodyn WT는 2003년 프랑스의 Didier Delaunay에 의해 개발된 풍력단지 해석용 CFD S/W로서 세계적으로 사용자가 증가하고 있다. 바람유동을 정상류 및 비압축성으로 가정하고, RANS (Reynolds Averaged Navier-Stokes) 방정식과 1-방정식(one equation) 난류점성 모델을 사용한다. 이 S/W는 1차적으로 바람장에서의 CFD 해석을 수행한 후, 풍력터빈과 바람 데이터를 입력하여 2차 전산해석을 수행하게 된다[19].
- 중립대기 상태로 유동분석을 수행한 후, 세 지점의 바람 데이터를 입력하여 성산 풍력발전단지에서의 연간발전량을 산출하였다. 후류모델은 WindPRO와 동일하게 N. O. Jensen 모델이 사용되었다.
성능/효과
- 성산 풍력발전단지의 지형복잡도를 평가하기 위해 단지의 중심부를 기준으로 RIX (Ruggedness index) 분석을 수행한 결과, 2.05%의 지형복잡도를 보였다. RIX 분석은 반경 3.
- 데이터 측정기간은 2013년 6월 1일부터 2014년 5월 31까지 1년간이며, 동일 기간의 데이터가 분석되었다. 또한 RIX 분석 결과, 수산 2.10%, 수망 2.91%의 지형복잡도를 보였다.
- 이 연구에서 세 지점의 △RIX 값의 범위는 수산 -0.2 ∼ 0.7%, 수망 -1.01 ∼ -0.11%, MERRA 지점 1.37 ∼ 2.27%이므로 풍속수정을 하지 않았고, 따라서 풍속의 과다 또는 과소예측은 없을 것으로 판단된다.
- 기상탑 데이터와 동일한 기간의 데이터가 사용되었다. MERRA 지점에서의 RIX 분석 결과, 0.53%의 지형복잡도를 보였다.
- 김현구 등[20]의 연구에서도 분석한 바와 같이, 바람 데이터의 동질성 확인을 위하여 MERRA 풍속 데이터와 수망 및 수산 풍속데이터를 시계열 분석하여 피어슨 상관계수를 도출하였다. 그 결과, MERRA 지점과 수산 및 수망지점의 상관계수는 각각 0.62와 0.61이었다. 따라서 두 지점간의 상관관계가 떨어지지만, 이 연구를 위하여 활용가능한 수준이라고 판단하여 연구를 진행하였다.
- 5m/s 이상을 기록했다. 수산, 수망, MERRA 데이터 지점의 각 연평균풍속은 6.26m/s, 4.92m/s, 6.63m/s로 분석되었다. MERRA 데이터 지점이 기상탑이 설치된 두 지점에 비해 평균풍속 및 와이블 분포의 척도계수, 형상계수가 높게 나타나며, 고풍속의 빈도가 높음을 알 수 있다.
- 63m/s로 분석되었다. MERRA 데이터 지점이 기상탑이 설치된 두 지점에 비해 평균풍속 및 와이블 분포의 척도계수, 형상계수가 높게 나타나며, 고풍속의 빈도가 높음을 알 수 있다.
- 5에 수산과 수망에서 70m 높이에서의 풍향 데이터와 50m 높이에서의 MERRA 풍향 데이터를 사용하여 바람장미를 분석한 결과를 보여준다. 세 지점 모두 비슷한 풍향빈도를 보였으며, 북서에서 북북서 방향으로 수망 25.6%, 수산 33.3%, MERRA 데이터 지점이 21.5%의 우세한 풍향빈도를 보였다.
- 전체적으로 WindPRO는 5,164 ∼ 7,747MWh/y, Meteodyn WT는 4,550 ∼ 6,730MWh/y 범위로 예측함에 따라 WindPRO가 Meteodyn WT 보다 연간발전량을 더 높게 예측하고 있음을 알 수 있다.
- 수망 지점의 기상탑 데이터 분석 결과, WindPRO는 -5.91 ∼ -9.70%, Meteodyn WT는 -17.63 ∼ -23.69% 범위의 상대오차를 보임에 따라 수산 지점의 기상탑 데이터 분석 결과 보다 더 높은 상대오차를 보였다.
- 수산 지점의 기상탑 데이터 분석 결과, WindPRO는 측정 높이가 변화해도 상대오차가 크게 감소 하지 않고, 1.58 ∼ 3.52%범위인 반면, Meteodyn WT의 분석결과는 -5.36 ∼ -11.74% 범위의 상대오차를 보이며 WindPRO의 상대오차 보다는 크지만 측정 높이가 높아질수록 상대오차가 감소하였다.
- 수산과 수망 지점의 기상탑 데이터 분석 결과, Meteodyn WT의 AEP 예측 결과가 WindPRO의 결과 보다 낮은 정확도를 보이고 있음을 확인할 수 있다. 일반적으로 CFD 해석용 S/W가 선형해석 S/W보다 풍력자원을 더 정확히 예측한다고 알려져 있지만, 위 결과를 통해 CFD S/W의 3차원 유동해석이 모든 경우에 적합하지는 않다는 것을 알 수 있다.
- 일반적으로 CFD 해석용 S/W가 선형해석 S/W보다 풍력자원을 더 정확히 예측한다고 알려져 있지만, 위 결과를 통해 CFD S/W의 3차원 유동해석이 모든 경우에 적합하지는 않다는 것을 알 수 있다. 또한 가장 오차가 낮은 수산 지점 바람 데이터를 사용한 WindPRO의 해석결과를 제외하고 측정 높이가 높아질수록 연간발전량 예측 정확도가 높아지는 것을 알 수 있다.
- MERRA 데이터를 사용하여 분석한 결과, 수산과 수망 지점의 기상탑 데이터를 사용한 결과와는 반대로 Meteodyn WT의 분석결과가 WindPRO 보다 더 정확하였다. WindPRO를 이용한 분석 결과는 27.
- MERRA 데이터를 사용하여 분석한 결과, 수산과 수망 지점의 기상탑 데이터를 사용한 결과와는 반대로 Meteodyn WT의 분석결과가 WindPRO 보다 더 정확하였다. WindPRO를 이용한 분석 결과는 27.39%의 상대오차를 가지며 사실상 MERRA 재해석 데이터는 신뢰할 수 없는 연간발전량 예측 값을 보였다. 그러나 Meteodyn WT를 이용한 경우, 11.
- Meteodyn WT를 이용한 분석 결과, 수산 -7.40 ∼ -13.07%, 수망 -19.06 ∼ -28.38%, MERRA 지점은 4.29 ∼ 19.09% 범위의 상대오차를 보였다.
- 그 결과, 전반적으로 Meteodyn WT가 WindPRO에 비해 연간발전량을 낮게 예측하는 경향이 있었다. 수산과 수망 지점의 기상탑 바람 데이터를 사용하여 연간발전량을 분석한 결과, WindPRO의 연간발전량 예측 정확도가 Meteodyn WT 보다 높았으며, CFD 해석 S/W가 모든 경우에 선형해석 S/W보다 연간 발전량을 더 정확히 예측하지는 않는다는 것을 알 수 있었다.
- 그 결과, 전반적으로 Meteodyn WT가 WindPRO에 비해 연간발전량을 낮게 예측하는 경향이 있었다. 수산과 수망 지점의 기상탑 바람 데이터를 사용하여 연간발전량을 분석한 결과, WindPRO의 연간발전량 예측 정확도가 Meteodyn WT 보다 높았으며, CFD 해석 S/W가 모든 경우에 선형해석 S/W보다 연간 발전량을 더 정확히 예측하지는 않는다는 것을 알 수 있었다.
- MERRA 재해석 데이터를 이용하여 분석한 결과, Meteodyn WT가 WindPRO에 비해 연간발전량을 실측 발전량에 근접하게 예측하였다. 그러나 보다 일반적인 MERRA 재해석 데이터의 신뢰성을 확보하기 위해서는 보다 많은 풍력발전단지에 MERRA 데이터를 적용하여 비교ㆍ분석을 수행해야 할 것이다.
후속연구
- 그러나 선형해석 S/W와 3차원 전산유동해석 S/W의 연가발전량 예측특성을 밝히는 연구가 보다 많이 이루어져야 한다. 또한 재해석 데이터를 이용한 풍력자원평가는 아직 충분한 신뢰성을 확보하지 못하고 있으며, 보다 많은 풍력단지를 대상으로 예측 정확도를 평가할 필요가 있다.
- 82%의 상대오차를 얻었으므로 유사한 결과라고 할 수있다. 그러나 이 연구와 분석조건이 유사한 모든 경우에 MERRA 데이터를 이용하여 유사한 연간발전량 예측 결과를 얻을 수 있다고 할 수는 없으며, MERRA 데이터를 이용한 보다 많은 연구가 이루어져야 하고, 이를 바탕으로 정량적이고 일반적인 결과를 도출해야 할 것이다.
- MERRA 재해석 데이터를 이용하여 분석한 결과, Meteodyn WT가 WindPRO에 비해 연간발전량을 실측 발전량에 근접하게 예측하였다. 그러나 보다 일반적인 MERRA 재해석 데이터의 신뢰성을 확보하기 위해서는 보다 많은 풍력발전단지에 MERRA 데이터를 적용하여 비교ㆍ분석을 수행해야 할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.