신재생 에너지 자원중 풍력발전은 비약적인 기술 발전과 시장 규모가 급속하게 성장하고 있다. 최근 육상풍력발전단지의 공간적 한계, 환경 문제 등으로 인하여 설치 공간이 해상으로 이동되었고, 더욱 풍부한 풍황 조건을 가진 깊은 수심에 설치되는 부유식 해상풍력단지의 개발이 활발하게 진행되고 있다. 해상교통관점에서 해상풍력단지의 최적위치 선정은 선박과 풍력기들의 간섭을 최소화 하고 사고 확률이 적은 곳이며, 선박 밀집도가 낮은 해역이 최적위치로 선정된다. 본 연구에서는 유전 알고리즘 기반의 계절별 1주일 기간 선박자동식별장치 데이터를 유전자 및 염색체로 구성하였다. 80개의 유전자로 구성하고 유전 알고리즘의 적합도 평가를 거쳐 부유식 해상풍력단지의 계절별 최적위치를 선정하였다. 더 나아가 계절별 최적위치 점수를 합산하여 최종 최적위치를 선정하였다. 분석 해역에서 최적위치는 11개로 나타났으며, 해상교통관점에서 유전 알고리즘을 통한 최적위치 선정이 적용 가능함을 확인하였다.
신재생 에너지 자원중 풍력발전은 비약적인 기술 발전과 시장 규모가 급속하게 성장하고 있다. 최근 육상풍력발전단지의 공간적 한계, 환경 문제 등으로 인하여 설치 공간이 해상으로 이동되었고, 더욱 풍부한 풍황 조건을 가진 깊은 수심에 설치되는 부유식 해상풍력단지의 개발이 활발하게 진행되고 있다. 해상교통관점에서 해상풍력단지의 최적위치 선정은 선박과 풍력기들의 간섭을 최소화 하고 사고 확률이 적은 곳이며, 선박 밀집도가 낮은 해역이 최적위치로 선정된다. 본 연구에서는 유전 알고리즘 기반의 계절별 1주일 기간 선박자동식별장치 데이터를 유전자 및 염색체로 구성하였다. 80개의 유전자로 구성하고 유전 알고리즘의 적합도 평가를 거쳐 부유식 해상풍력단지의 계절별 최적위치를 선정하였다. 더 나아가 계절별 최적위치 점수를 합산하여 최종 최적위치를 선정하였다. 분석 해역에서 최적위치는 11개로 나타났으며, 해상교통관점에서 유전 알고리즘을 통한 최적위치 선정이 적용 가능함을 확인하였다.
Among the renewable energy resources, wind power is growing rapidly in terms of technological development and market share. Recently, onshore wind farm have been affected by limitations of terrestrial space and environmental problems. Consequently, installation sites have been moved to the sea, and ...
Among the renewable energy resources, wind power is growing rapidly in terms of technological development and market share. Recently, onshore wind farm have been affected by limitations of terrestrial space and environmental problems. Consequently, installation sites have been moved to the sea, and the development of floating offshore wind farms that are installed at deep waters with more abundant wind conditions is actively underway. In the context of maritime traffic, the optimal site of offshore wind farms is required to minimize the interference between ships and wind turbines and to reduce the probability of accidents. In this study, genetic algorithm based AIS(Automatic Indentification System) data composed of genes and chromosomes has been used. The optimal site of floating offshore wind farm was selected by using 80 genes and by evaluating the fitness of genetic algorithm. Further, the final site was selected by aggregating the seasonal optimal site. During analysis, 11 optimal site were found, and it was verified that the final site selected usng the genetic algorithm was viable from the perspective of maritime traffic.
Among the renewable energy resources, wind power is growing rapidly in terms of technological development and market share. Recently, onshore wind farm have been affected by limitations of terrestrial space and environmental problems. Consequently, installation sites have been moved to the sea, and the development of floating offshore wind farms that are installed at deep waters with more abundant wind conditions is actively underway. In the context of maritime traffic, the optimal site of offshore wind farms is required to minimize the interference between ships and wind turbines and to reduce the probability of accidents. In this study, genetic algorithm based AIS(Automatic Indentification System) data composed of genes and chromosomes has been used. The optimal site of floating offshore wind farm was selected by using 80 genes and by evaluating the fitness of genetic algorithm. Further, the final site was selected by aggregating the seasonal optimal site. During analysis, 11 optimal site were found, and it was verified that the final site selected usng the genetic algorithm was viable from the perspective of maritime traffic.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
(2) 계절별 데이터의 변동 계수는 겨울에 큰 값을 보였으며 데이터 신뢰성 확보와 일자별 편차를 확인하기 위해 수행하였다. 분석 기간에 따른 선박 밀집도 분석과 유전 알고리즘을 통한 결과는 서로 큰 차이점을 보이지 않았으나 한 계절에 하나의 Cell이라도 선택되어 해당 구역이 최적위치로 적합하지 않은 결과를 방지하기 위해 4계절 적합 구역을 수치화하여 합산하는 방식으로 분석하였다.
해상교통안전진단 수행시 해상교통조사는 모든 사업에서 수행해야하는 요소이며 최소 72시간 이상의 해상교통현장조사를 요구하고 있다(NLIC, 2017). 본 연구에서는 72시간 기준을 충족하는 2019년의 계절별 1주일 데이터를 분석하고, 계절에 따른 차이를 알아보았다.
3일 분석으로 충분히 선박 교통의 특성을 나타내는 의미이다. 본 연구에서는 해상교통안전진단에서 요구하는 기간 이상의 4주 데이터를 이용하였고, 기존의 분석 방법 이외에 다른 방법 적용 및 실측데이터 기반의 확률적 예측을 유전 알고리즘으로 적용 가능성을 확인하였다.
가설 설정
첫째, 동해가스전 AIS 수신기로부터 정보들이 수신된다. 둘째, 수집된 통항 선박 데이터는 아마존 클라우드 서버에 저장 된다. 셋째, 저장된 데이터는 Heidi SQL 프로그램으로부터 추출이 된다.
제안 방법
이 유전자들이 지니고 있는 유전물질은 Cell 내부 중앙에 숫자로 나타나며, 이 유전물질은 Cell 안에 포함된 선박이 지나간 위치AIS 데이터의 개수를 나타낸 것이다. Cell을 구성한 원리는 분석 대상 해역에 설치될 5MW급 풍력기의 회전 반경과 주변 풍력기간의 이격 거리를 국내 영광 낙월 해상풍력발전사례로 Cell을 구성하였다.
6은 부모해로부터 교배와 돌연변이 과정을 거쳐 자손이 생성되는 흐름을 나타낸 것이다. 교배방법으로 Parent A 전방의 50 % 유전자와 Parent B의 후방 50 % 유전자를 분할 후 결합하는 방법을 이용하였다. 결합하여 생긴 새로운 염색체는 돌연변이 0.
셋째, 저장된 데이터는 Heidi SQL 프로그램으로부터 추출이 된다. 넷째, 추출된 데이터는 지리정보시스템(GIS, Geographic Information System)으로 나타내기 위해 세계 지구 좌표 시스템(WGS, World Geodetic System)으로 변환한다.
두가지 유전자 조건 중 개수 선택에 정확한 판단을 위해 GIS를 사용한 선박 밀집도와 선박 항적도를 나타냈다. 유전알고리즘의 수행 결과인 부적합 Cell 표시와 계절별 부유식 해상풍력단지 최적위치 선정 결과를 나타냈다.
본 연구에서는 유전자와 염색체를 구성하기 위해 각각 40개, 80개 유전자를 구성하여 2개의 조건으로 진행하였다.
(2) 계절별 데이터의 변동 계수는 겨울에 큰 값을 보였으며 데이터 신뢰성 확보와 일자별 편차를 확인하기 위해 수행하였다. 분석 기간에 따른 선박 밀집도 분석과 유전 알고리즘을 통한 결과는 서로 큰 차이점을 보이지 않았으나 한 계절에 하나의 Cell이라도 선택되어 해당 구역이 최적위치로 적합하지 않은 결과를 방지하기 위해 4계절 적합 구역을 수치화하여 합산하는 방식으로 분석하였다.
선박의 통항량이 많은 곳은 풍력기 설치에 부적합한 조건이며, 반대로 통항량이 적은 곳은 적합한 조건이 될 것이다. 선박 통항 측면에서 유전알고리즘을 수행하기 위해 분석 대상 해역을 Grid Cell로 구분 하여 유전자를 구성하였으며, 수집된 통항 선박 AIS 위치 데이터를 유전물질로 선정한 후 연구를 수행하였다.
(1) 선박 AIS 데이터로 구성된 유전자 80개를 유전 알고리즘으로 분석 결과 밀집구역, 선박 통항 분포 구역이 실측데이터의 밀집도, 항적도와 패턴이 일치함을 확인 하였다. 유전 알고리즘으로 선택된 해역을 제외하는 방법으로 부유식 해상풍력단지 최적위치 선정에 적용하였다.
본 연구에서 수행한 유전 알고리즘의 한계점은, 시뮬레이션 수행 조건에 따라 최종적으로 동일한 결과를 가져오기라보단 쉽게 국부 지역에 빠져든다는 점이다. 이를 보완하기 위해 돌연변이 확률을 0.1 %로 설정하였으며, 최적위치 선정을 위한 Grid Cell의 개수가 3,600개로 생성되는 유전자의 조건이 다양하여 적합도 값이 더 이상 변화하지 않는 2만 세대까지 진행한 점이다. 이를 보완하기 위해 다양한 교차방법 연구, 유전자 구성의 새로운 방법을 모색할 필요가 있다.
, 2013; NLIC, 2017). 이와 같이 선박의 통항분석은 해상구조물들의 설치이전에 필두로 수행해야하며 선박 밀집도가 높은 해역을 기존 분석 방법 이외에 다양한 방법으로 분석하고, 실측데이터 기반의 확률적 예측이 가능한 유전 알고리즘을 이용하였다. 선박의 통항량이 많은 곳은 풍력기 설치에 부적합한 조건이며, 반대로 통항량이 적은 곳은 적합한 조건이 될 것이다.
부유식 해상풍력단지의 최적 위치 선정을 위한 유전 알고리즘의 분석 결과는 Table 2와 같다. 총 유전자 개수 3,600개중 40개, 2배수인 80개를 선택하여 반복 수행을 20,000번 수행하였다.
대상 데이터
본 연구에서 사용된 데이터는 해양 공간을 계획하고 설계하기 이전에 대상 해역의 적정성을 시스템적으로 평가할 수 있는 해상교통안전평가솔루션인 MaTSAS(Marine Traffic and Safety Assessment Solution)로부터 수집된 AIS 데이터를 기반으로 하였다(Lee et al., 2018).
이와 같이 유전알고리즘을 이용하여 유전자들의 선택, 교배, 돌연변이 결과로 설정한 세대까지 반복 작업을 통해 새로운 세대로의 진화과정을 거친다. 본 연구에서 설정한 세대수는 적합도 값이 더 이상 변화하지 않는 20,000세대까지 나타내었다.
본 연구에서의 분석 대상 해역은 동해가스전 기준 오른쪽 해역, 대한민국 배타적 경제수역을 벗어나지 않은 36,000 m × 36,000 m 크기로 구성되었다.
S8, S14, S19, S25, S29, S30, S31, S33,S34, S35, S36 11개 구역이 부유식 해상풍력단지를 조성하기 위한 최적 위치로 선정되었다. 하지만 S1, S2, S13, S22, S23,S24, S27, S28, S32 9개 구역은 고려해야 할 대상으로 상황에 따라 해상풍력단지의 조성이 가능할 수도 있는 위치로 선정하였다. 이외에 S3, S4, S5, S6, S7, S9, S10, S11, S12, S15, S16,S17, S18, S20, S21, S26 16개 구역은 동해가스전 주변에 존재하는 선박의 밀집도가 높은 구역, 통항 선박이 일정한 패턴으로 항해하는 구역의 존재에 따라서 최적위치에 부적합한 구역으로 선정 하였다.
데이터처리
이외에도 선박의 정적정보와 위치정보를 제외한 동적정보들을 포함하면 무수히 많은 데이터를 포함하고 있다. 이와 같이 AIS 데이터를 분석하고, 유전 알고리즘에 적용하기 위해 파이썬(Python, 1991) 프로그램을 사용하였으며 지리정보시스템으로 표현하기 위해 QGIS(Quantum GIS, 2002) 프로그램을 사용하였다.
이론/모형
적합도 평가에 따라서 값이 높은 유전자는 살아남아 다음 세대에 유전되어지고 값이 낮은 유전자는 도태된다. 그러나 유전자의 다양성을 위해 선박 통항량이 높은 곳만 선택되지 않고 낮은 곳도 확률적으로 선택 될 수 있도록 룰렛 휠 선택(roulette wheel selection) 방법을 사용한다. 유전자들이 선택될 배정 확률은 식(3)과 같다.
S1 ~ S36의 개별 해당 면적은 200MW급 부유식 해상풍력단지의 설치 면적이다. 본 연구에서 진행하는 200MW급 부유식 해상풍력단지의 면적 기준은 영국의 Westermost Rough Wind Farm의 설치 사례를 기준으로 적용하였다.
본 연구에서는 200MW급 부유식 해상풍력발전단지의 최적위치 선정을 위하여 대상 해역을 통항한 선박자동식별장치(AIS, Automatic Indentification System) 데이터를 기반으로 유전 알고리즘(GA, Genetic Algorithm)을 활용하였다. 유전 알고리즘은 John(1975)에 의해서 개발된 전역 최적화 기법으로 최적화 문제를 해결하는 기법 중 하나이다.
본 연구에서는 해상교통관점에서의 부유식 해상풍력단지 최적위치 선정을 위해 유전 알고리즘을 적용하였다.
성능/효과
(1) 선박 AIS 데이터로 구성된 유전자 80개를 유전 알고리즘으로 분석 결과 밀집구역, 선박 통항 분포 구역이 실측데이터의 밀집도, 항적도와 패턴이 일치함을 확인 하였다. 유전 알고리즘으로 선택된 해역을 제외하는 방법으로 부유식 해상풍력단지 최적위치 선정에 적용하였다.
40개의 유전자는 선정된 Cell의 개수가 적어 선박의 통항패턴, 밀집 부분을 선정하기엔 한계점이 존재하며, 적합도 값의 편차가 심하다. 따라서 2배수인 80개의 유전자를 사용하였고, 선박의 통항패턴과 밀집구역이 시각적으로 확인 가능하다. 4계절의 데이터를 이용한 최적위치 선정은 36개의 구역에 단 하나라도 부적합 Cell이 존재하면 최적위치로 적합하지 않도록 하였다.
Table 3은 영국에 조성된 해상풍력단지가 200MW급 해상풍력단지와 유사함을 보여주었다. 본 연구에서 분석해역으로 설정한 총 면적은 1,296 km2이며, 영국의 풍력단지 설치면적은 35 km2으로 영국 풍력 단지 한 개당 37개의 면적을 차지한다. 따라서 분석해역의 일정한 면적으로 나누기 위해 6 × 6으로 나누어 최적위치를 선정하였다.
두가지 유전자 조건 중 개수 선택에 정확한 판단을 위해 GIS를 사용한 선박 밀집도와 선박 항적도를 나타냈다. 유전알고리즘의 수행 결과인 부적합 Cell 표시와 계절별 부유식 해상풍력단지 최적위치 선정 결과를 나타냈다.
후속연구
본 연구에서 수행한 유전 알고리즘의 한계점은, 시뮬레이션 수행 조건에 따라 최종적으로 동일한 결과를 가져오기라보단 쉽게 국부 지역에 빠져든다는 점이다. 이를 보완하기 위해 돌연변이 확률을 0.
향후 선박 교통량 이외에도 선박의 길이, 속력 등 다양한 조건과 자연 조건, 에너지 효율 등에 가중치를 계산할 수 있는 통합 알고리즘을 개발해야 할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
육상풍력발전에 차질을 빚고 있는 원인은?
최근 다양한 신재생에너지원 가운데 가장 강력한 기술 및 시장경쟁력을 갖추고 있는 풍력발전시장은 세계적으로 급속히 성장하고 있다. 풍력발전은 육상과 해상에 설치가 되며 육상에 설치되는 육상풍력발전은 지자체의 인허가 지연 문제, 환경파괴 문제, 소음 및 공간적 한계 등으로 인하여 많은 차질을 빚고 있다(Yeo, 2016). 하지만 해상에 설치되는 해상풍력발전은 풍력이 강력하고 일정하여 오랜 시간 고출력 발전이 가능할 뿐만 아니라 육상풍력발전이 가지고 있는 단점을 보완할 수 있다.
풍력발전의 현황은?
신재생 에너지 자원중 풍력발전은 비약적인 기술 발전과 시장 규모가 급속하게 성장하고 있다. 최근 육상풍력발전단지의 공간적 한계, 환경 문제 등으로 인하여 설치 공간이 해상으로 이동되었고, 더욱 풍부한 풍황 조건을 가진 깊은 수심에 설치되는 부유식 해상풍력단지의 개발이 활발하게 진행되고 있다.
신재생에너지원 중 해상풍력발전의 특징은?
풍력발전은 육상과 해상에 설치가 되며 육상에 설치되는 육상풍력발전은 지자체의 인허가 지연 문제, 환경파괴 문제, 소음 및 공간적 한계 등으로 인하여 많은 차질을 빚고 있다(Yeo, 2016). 하지만 해상에 설치되는 해상풍력발전은 풍력이 강력하고 일정하여 오랜 시간 고출력 발전이 가능할 뿐만 아니라 육상풍력발전이 가지고 있는 단점을 보완할 수 있다. 또한 해상풍력발전은 드넓은 해상에 대규모발전단지로 조성할 수 있어 신동력 성장산업으로발전가능성이 무궁무진하다(Ryu and Kim, 2014).
참고문헌 (13)
Cho, K. M., G. Y. Kong, and I. S. Cho(2013), A Study on the Design of Metaevaluation Model for the Maritime Traffic Safety Assessment Scheme, Journal of the Korean Society of Marine Environment & Safety, Vol. 19, No. 4, pp. 382-390.
Choi, G. H., R. T. Jung, B. H. Lee, and K. B. Shin(2018), Research for Validity of Building Offshore Floating Wind Power Field at East Sea and Compatibility of Floating Wind Turbine Generator, Journal of the Korean Society for Marine Environment & Energy, Vol. 21, No. 2, pp. 64-75.
Inoue, K. and K. Hara(1973), Relations between the Number of Observational Days and the Accuracy on the Estimation of Average Annual Daily Traffic Volume, Japan Institute of Navigation, Vol. 50, pp. 1-8.
John, H. H.(1975), Adaptation in Natural and Artificial Systems, The MIT Press, pp. 1-217.
Jung, C. H., Y. S. Park, D. G. Yoon, and M. S. Choi(2016), A Study on the Development of an Early Detection System for Altering Course of a Target Ship, Journal of the Korean Society of Marine Environment & Safety, Vol. 22, No. 6, p. 626.
Kim, M. S. and K. S. Lee(2013), Hydrodynamic force calculation and motion analysis of OC3 Hywind floating offshore wind turbine platform, Journal of the Korean Society of Marine Engineering, Vol. 37, No. 8, pp. 953-961.
Lee, B. K., I. S. Cho, and D. H. Kim(2018), A Study on the Design of the Grid-Cell Assessment System for the Optimal Location of Offshore Wind Farms, Journal of the Korean Society of Marine Environment & Safety, Vol. 24, No. 7, pp. 848-857.
NLIC(2017), National Law Information Center, Enforcement Regulation on the Maritime Safety Audit Scheme, http://www.law.go.kr/admRulSc.do?tabMenuIdtab107&query%ED%95%B4%EC%83%81%EA%B5%90%ED%86%B5#AJAx (25th Oct. 2018).
Mosetti, G., C. Poloni, and B. Diviaco(1994), Optimization of Wind Turbine Positioning in Large Wind Farms by Means of a Genetic Algorithm, Journal of Wind Enginering and Industrial Aerodynamics, Vol. 51, No. 1, pp. 105-116.
Oh, J. S., W. R. Ryou, S. C. Lee, and J. H. Choi(2011), Prediction of Atomic Configuration in Binary Nanoparticles by Genetic Algorithm, Journal of Korean Ceramic Society, Vol. 48, No. 6, pp. 493-498.
Ryu, J. H. and S. C. Kim(2014), Status of offshore wind power market and technology trends, Journal of Wind Energy, Vol. 5, No. 1, pp. 5-11.
Yang, K. B., K. H. Cho, and J. C. Huh(2018), Study on Layout Optimization of Wind Turbines Using a Genetic Algorithm, Journal of the Korean Society of Mechanical Engineers B, Vol. 42, No. 6, pp. 411-420.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.