NWP-CFD 결합 방법에 의한 육·해상풍력자원지도 구축 및 저고도 기상자료 기반 기계학습 풍력예측 :Onshore and offshore wind resource map using NWP-CFD coupled method and wind power forecasting using low altitude meteorological data based on machine learning algorithms

김정현

추천

검색

자료유형: 학위논문

저자정보: 김정현 (서울과학기술대학교 )

지도교수: 박성군

발행연도: 2023

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수9

초록· 키워드

NWP(Numerical Weather Prediction) 방법은 풍력예측을 위해 많은 연구자들이 사용해온 수치적 방법이다. 그러나 NWP 방법은 복잡한 지형지물을 고려할 수 없고 계산비용문제로 해상도가 낮다는 단점을 지니고 있다. 이러한 단점으로 인해 NWP 방법은 지형이 복잡한 산간지역이 많은 대한민국의 풍력예측에 적합하지 않을 가능성이 있다. 본 논문에서는 NWP 방법으로 도출된 기상자료 KIER-WindMap을 활용하여 2가지 방법으로 풍력예측을 수행하였다.
NWP-CFD 결합 방법은 복잡한 지형지물 및 표면조도 데이터를 고려한 CFD 결과에 NWP 방법으로 도출된 기상자료를 초기조건으로 결합하는 방법이다. 대한민국 전체 지역을 39개 도메인으로 나누어 계산을 수행하여 하드웨어적 한계를 극복하였으며 각 도메인 경계에 중첩구역을 두고 두 도메인의 값을 산술평균 시킴으로서 도메인 경계에서의 불연속성을 제거하였다. NWP-CFD 결합 방법을 통해 공간해상도 100m를 가진 육·해상풍력자원지도를 도출할 수 있었으며 기존의 NWP 자료에 비해 에너지생산량이 전반적으로 줄어들었다. 이는 기존의 NWP 방법이 에너지생산량을 실제값보다 과대평가하고 있었음을 의미한다. NWP-CFD 결합 방법은 인해 기상데이터의 해상도를 크게 늘리면서 지형지물에 대한 정보도 고려할 수 있게 되어 대한민국의 풍력예측에 적합한 방법으로 기대된다.
풍력 터빈 허브 높이에서의 기상자료 측정은 좋은 풍력예측 방법이지만 터빈 허브 높이만한 기상탑이 필요하고 측정에 많은 시간이 소요된다. 터빈 허브 높이보다 상대적으로 낮은 고도의 기상데이터를 활용하여 높은 정확도의 풍력예측이 가능하다면 풍력단지 부지선정 평가에 소요되는 비용을 크게 줄일 수 있을 것으로 기대된다. NWP 방법으로 도출된 풍속자료를 활용하여 4개의 기계학습 알고리즘을 통해 풍력예측을 수행하였다. 터빈 허브 높이에서의 일일 평균풍속을 입력자료로 사용한 기계학습 모델은 0.97-0.98의 R-square(R2) 값을 보였으며 입력자료에 일일 풍속 표준편차를 추가했을 때 예측정확도가 약 1% 증가하여 0.99 이상의 높은 값이 도출되었다. 저고도 기상자료를 사용하여 기계학습을 수행할 때 일일 최대 및 최소 풍속을 입력자료에 추가하였으며 0.95 이상의 유의미한 예측정확도를 보였다.

The Numerical Weather Prediction (NWP) method is a numerical method that has been used by many researchers to predict wind power. However, the NWP method cannot consider complex terrain and has low resolution due to computational cost. The NWP method may not be suitable for wind forecasting in Korea, where there are many mountainous areas with complex topography. In this paper, wind forecasting is performed in two ways using the meteorological data KIER-WindMap derived by the NWP method.
The NWP-CFD coupled method is a method of combining the meteorological data derived by the NWP method with the CFD results. Hardware limitations are overcome by dividing the entire region of Korea into 39 domains. The discontinuity is eliminated by placing an overlap region at each domain boundary and arithmetic averaging the values of the two domains. Through the NWP-CFD combination method, offshore and onshore wind resource maps with a spatial resolution of 100 m is derived. Energy production is generally reduced compared to the NWP data. This means that the NWP method is overestimating the energy production than the actual value. The NWP-CFD coupled method is expected to be a suitable method for forecasting wind power in Korea. The NWP-CFD coupled method increase the resolution of meteorological data and consider information on geographic features.
Measuring meteorological data at the height of the wind turbine hub is an accurate wind forecasting method, but it requires a meteorological tower as high as the turbine hub and takes a lot of time to measure. If high-accuracy wind power forecasting is possible using meteorological data at an altitude relatively lower than the height of the turbine hub, the cost required for wind farm selection and evaluation can be drastically reduced. Wind power prediction is performed through four machine learning algorithms using the wind speed data derived by the NWP method. The machine learning model using the daily average wind speed at the turbine hub height as input data showed an R-square (R2) value of 0.97-0.98. The prediction accuracy increased by about 1% when the daily wind speed standard deviation was added to the input data. When machine learning is performed using low-altitude wind speed data, it shows a significant prediction accuracy of 0.95 or more.

I. 서 론 1
II. 연구자료 4
1. Numerical Weather Prediction(NWP) method 4
III. NWP-CFD 결합방법에 의한 육·해상풍력자원지도 구축 및 신뢰성 분석 5
1. NWP-CFD 결합방법의 개요 5
2. 계산 도메인 및 지형지물 자료 6
3. 전산유체역학 : 수치방법 및 신뢰성 분석 7
4. NWP-CFD 결합 과정 10
5. 계산 후처리 과정 및 육·해상풍력자원지도 구축 11
IV. 저고도 기상 자료 기반 기계학습 풍력자원예측 13
1. NWP 기상 자료 처리 과정 13
2. 기계학습 알고리즘 14
2.1 Artificial Neural Networks (ANN) 14
2.2 k Nearest Neighbor (kNN) 15
2.3 Random Forest (FM) 16
2.4 Support Vector Regression (SVR) 16
3. 풍력자원예측 결과 17
3.1 결과 분석 : 터빈 허브 고도의 기상 자료 기반 기계학습 모델 17
3.2 결과 분석 : 저고도 기상 자료 기반 기계학습 모델 19
V. 결 론 21
1. NWP-CFD 결합방법에 의한 육·해상풍력자원지도 구축 및 신뢰성 분석 21
2. 저고도 기상 자료 기반 기계학습 풍력자원예측 21
참고문헌 22
영문초록(Abstract) 24
감사의 글 26

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)