기상청 공공데이터를 활용한 대한민국 서해안 일대의 바람자원 분석

Analysis of Wind Energy Potential on the West Coast of South Korea Using Public Data from the Korea Meteorological Administration

Abstract

The significance of renewable energy has been on the rise, as evidenced by the 3020 renewable energy plan and the 2050 carbon neutrality strategy, which seek to advance a low-carbon economy by implementing a power supply strategy centered around renewable energy sources. This study examines the wind resources on the west coast of South Korea and confirms the potential for wind power generation in the area. Wind speed data was collected from 22 automatic weather system stations and four light house automatic weather system stations provided by the Korea Meteorological Administration to evaluate potential sites for wind farms. Weibull distribution was used to analyze the wind data and calculate wind power density. Annual energy production and capacity factors were estimated for 15-20 MW-class large wind turbines through the height correction of observed wind speeds. These findings offer valuable information for selecting wind power generation sites, predicting economic feasibility, and determining optimal equipment capacity for future wind power generation sites in the region.

기호설명

A : Swept area [m²]

B : Air pressure [Pa]

c : Scale factor [m/s]

CF : Capacity factor [%]

f(V) : Weibull distribution [-]

k : Shape factor [-]

P : Wind power [W]

P_AEP : Annual energy production [W]

P_W : Vapour pressure [Pa]

R₀ : Gas constant of dry air [J/kgK]

R_W : Gas constant of water vapour [J/kgK]

T : Absolute temperature [K]

V : Wind speed [m/s]

\(\begin{align}\overline {V}\end{align}\) : Average wind speed [m/s]

WD : Wind direction [-]

WPD : Wind power density [W/m²]

Z : Height [m]

Z_ref : Reference height [m]

α : Power law exponent [-]

ρ : Air density [kg/m³]

σ : Standard deviation [m/s]

Φ : Relative humidity [%]

1. 서론

기후변화, 화석연료의 한정된 공급 등 여러 가지 환경적 요인으로 인해 재생에너지에 대한 수요가 증가하고 있다. 그중 풍력산업은 전 세계적으로 확장되고 있으며[1], 2021년 세계 풍력터빈의 총 설치용량은 837 GW로 2020년 대비 12.4 % 증가했다[2]. 우리나라 역시 2030년까지 재생에너지 비중을 20 %로 높이겠다는 재생에너지 3020 계획과 2050 탄소중립 추진전략 등을 통해 신재생에너지 중심의 전력 공급 계획으로 경제구조의 저탄소화를 도모하는 등 신재생에너지의 중요성은 점점 커지고 있다. 우리나라는 2022년까지 총 1.713 GW(110개 단지, 758기)의 풍력터빈이 설치되어 운영중이며, 서남해 해상풍력단지, 신안 해상풍력 단지 등의 개발을 통해 앞으로 육상 풍력단지 10.5 GW, 해상풍력단지 38 GW가 추가 건설될 예정이다[3].

풍력터빈은 설치 이전에 풍력발전의 가능성을 평가하고, 적절한 풍력터빈 모델을 선정하기 위해 바람자원 측정 및 분석이 이루어져야 한다. 풍력터빈의 전력생산량은 평균풍속이 동일하더라도 풍속분포에 따라 매우 다르게 나타난다. 바람에너지는 풍속의 3제곱에 의해 결정되지만, 평균풍속은 산술평균에 의해 결정되기 때문이다. 바람자원은 최소 1년 이상 실측이 이루어져야 하는데[4, 5], 이를 위해서는 측정 위치 선정 및 기초구조물 등 비용적인 문제, 해양 물리/지반조사 후 기상탑 혹은 LiDAR의 설치, 추가적인 유지보수 등 여러 제한적인 상황이 존재한다. 따라서 재해석데이터를 활용하여 풍력에너지 잠재량을 확인하는 다양한 연구가 이루어지고 있다[6-8]. 재해석데이터는 offshore와 flat onshore에서는 신뢰할 수 있지만, coastal sites와 같이 거칠기 등의 지형적 특성이 있는 공간에서는 불확실성이 커질 수 있다. 따라서 서해안과 같이 거칠기가 존재하는 지역에서는 보다 정확한 바람자원 분석을 위해 실측데이터가 필요하다[9]. 이러한 대안으로 오기용 등[10]과 강금석 등[11]은 대한민국의 기상청에서 제공하는 해양기상부이 데이터, 등표기상관측 데이터 등을 활용하여 대한민국 연안의 광범위한 바람자원을 분석하였으며, 대한민국 풍력발전 부존량 평가에 대한 큰 기여를 했다. 하지만 해당 기간의 데이터는 30분~1시간 단위의 바람데이터로, 연속 측정된 자료의 10분 평균값을 권장하는 사항[12]을 만족하지 못하는 단점이 있다. 따라서 연속 측정된 자료의 10분 평균값을 기본으로 하는 데이터를 활용하여 불확도를 감소시킬 필요가 있다[13].

본 연구에서는 기상청 공공데이터인 방재기상관측(Automatic Weather System, 이하 AWS) 데이터와 등표기상관측(Light House Automatic Weather System, 이하 LHAWS) 데이터[14]를 활용하여 대한민국 서해안 일대의 바람자원을 평가하고, 초대형 풍력터빈 설치 시 예측되는 발전량과 이용률의 분석을 통해 서해안 일대의 발전단지 개발 가능성이 있는 위치가 확인되었다.

2. 바람자원

AWS는 홍수·가뭄·태풍 등 기상현상에 따른 자연재해를 막기 위해 설치된 지상 관측 시스템으로 대한민국 약 510여 지점에 설치되어 있다. AWS는 Fig. 1(a)와 같이 측정탑, 측정센서, 자료처리기, 전원공급장치, 기상상황판 등으로 구성되어 있으며 온도, 풍속, 습도, 기압 등을 자동 관측한다. AWS는 지면으로부터 10m 높이의 측정탑 상단에서 풍속 및 풍향감지기가 좌우에 수평으로 설치되어 있어 풍속 및 풍향이 계측된다. 지면으로부터 1.5m 높이에 기온‧습도계가 설치되어 있고, 반대편에는 강수유무계가 설치되어 있다. 기압계는 자료처리기 내부에 설치되어 있고, 강수량계는 지면으로부터 약 50~60 cm 높이에 위치한다. 기압은 정전용량 반도체 기압계에 의해 자동으로 관측된다. 측정된 자료는 자료처리기에서 신호 및 자료처리를 통해 일정한 양식으로 측정지점에 설치된 기상상황판에 표출되고 자료처리 PC로 전송된다. 해당 시스템은 전원 장애 등에 따른 관측자료 손실을 방지하기 위해 비상전원을 공급하는 축전지를 갖추고 있다[5, 15].

Fig. 1 Automatic weather system of Korea meteorological administration[15, 16]

LHAWS는 Fig. 1 (b)와 같이 등표 혹은 관측탑 등의 해양구조물에 기상관측장비를 설치하고 수중에는 해상상태를 측정할 수 있는 파고계 등을 설치하여 관측기에서 측정된 값을 일정한 물리량으로 변환·처리한 후에 사용 가능한 통신장비를 이용하여 자료를 전송하는 장비로 대한민국에 약 10개가 설치되어 있다[15, 16].

풍속과 풍향 센서의 아날로그 출력은 0.25초마다 수신되어 디지털 값으로 변환된다. 10초 동안 획득한 40개의 데이터 포인트 세트가 평균화된다. 이러한 풍속과 풍향은 10초마다 측정되어 1분과 10분 데이터의 산출 평균이 계산된다. 기압, 기온, 습도자료는 각 센서의 아날로그 출력을 10초마다 수신하여 디지털 값으로 변환하고, 1분 동안 얻은 6개의 데이터 포인트 세트가 평균화된다. 이후 10분 동안 측정된 10개 데이터의 산출 평균이 계산된다[15, 16]. 이러한 기상청 공공데이터는 주변 환경 영향 등으로 인해, 풍력발전에 필요한 정확한 바람자원 분석을 진행하기에는 한계가 있지만, 실측 풍황계측기를 설치하기 이전에 상대적으로 풍황이 좋은 지점을 찾는데 유용하게 활용될 수 있다[17].

본 연구에서는 대한민국 서해안 일대 해안가, 도서지역, 등표 등 총 26개 지점에서 2022년 1월부터 2022년 12월까지 총 1년 동안 측정된 바람자원에 대한 평가와 발전단지 개발 가능성에 대한 연구가 이루어졌다. Fig. 2에 각 지점을 도시하였으며, Table 1에 각 지점위치 및 바람자원 측정 높이(해발고도)를 표시하였다.

Table 1 Basic information on wind resource locations

Fig. 2 Location map of wind resource measurement

3. 분석방법

3.1 풍속

평균풍속은 식 (1)과 같이 표현되며, 변동하는 풍속의 특성은 식 (2)와 같이 표준편차와 평균풍속의 비인COV(Coefficient Of Variation)로 표현할 수 있다[5]. COV는 풍속의 불확실성을 보여준다[18].

\(\begin{align}\bar{V}=\frac{\sum_{i=1}^{n} V_{i}}{n}\end{align}\)       (1)

\(\begin{align}C O V=\frac{\sigma}{\overline{V}} \times 100 \%\end{align}\)       (2)

3.2 와이블분포

와이블분포는 측정된 풍속자료를 근거로 산출할 수 있으며, 풍속이 어느 특정 풍속일 확률을 표시하는 확률밀도함수로 식 (3)과 같다.

\(\begin{align}f(V)=\frac{k}{c}\left(\frac{V}{c}\right)^{k-1} \exp \left[-\left(\frac{V}{c}\right)^{k}\right]\end{align}\)       (3)

여기에서 와이블 파라미터 형상계수(k)와 척도계수(c)는 각각 풍속의 분포, 평균풍속과 관계되는 계수로 이것들을 산출하면 임의의 풍속에 대한 f(V)가 산출된다. 따라서 형상계수와 척도계수로 측정 지역의 풍속 특성을 확인할 수 있다[5, 19].

3.2.1 Moment method (MM)

Moment method는 와이블 파라미터의 평가를 위해 보편적으로 사용되는 방법으로 모집단의 확률분포 변수를 추정하는 방법이다. 형상계수는 식 (4), 척도계수는 식 (5)와 같이 gamma 함수와 형상계수로 표현할 수 있다[18].

\(\begin{align}k=\left(\frac{0.9874}{\frac{\sigma}{V}}\right)^{1.0983}\end{align}\)       (4)

\(\begin{align}c=\frac{\bar{V}}{\Gamma\left(1+\frac{1}{k}\right)}\end{align}\)       (5)

3.2.2 Empirical method of Justus (EMJ)

Justus[20]에 의해 제안된 Empirical Method는 형상계수를 식 (6)과 같이 평균풍속과 표준편차의 함수로 표현하고, 척도계수는 Moment method와 동일하게 식 (5)와 같이 표현된다.

\(\begin{align}k=\left(\frac{\sigma}{\bar{V}}\right)^{-1.086}\end{align}\)       (6)

3.2.3 Standard deviation method (STDM)

Standard deviation method는 바람자료의 평균과 표준편차를 활용하는 방법으로 식 (7)과 식 (8)로 형상계수와 척도계수를 산출할 수 있다[21].

\(\begin{align}k=\left(\frac{\sigma}{\bar{V}}\right)^{-1.090}\end{align}\)       (7)

\(\begin{align}c=\frac{\bar{V} k^{2.6674}}{0.184+0.816 k^{2.73855}}\end{align}\)       (8)

3.3 풍력에너지밀도

풍력에너지밀도는 단위면적 당 바람이 갖는 에너지로 사이트의 풍력에너지 잠재량을 나타낸다. 풍력에너지밀도는 식 (9)와 같이 공기밀도, 풍속, 와이블분포로 산출된다[22].

\(\begin{align}\frac{P}{A}=\int_{0}^{\infty} \frac{1}{2} \rho V^{B} f(V) d V\end{align}\)       (9)

이때 밀도는 IEC 61400-12-1에서 제공하는 데이터 정규화 방정식에 따라 식 (10)과 같이 산출되었다[23]. 이때 AWS는 현지기압이, LHAWS는 해면기압이 활용되었다.

\(\begin{align}\rho=\frac{1}{T}\left[\frac{B}{R_{o}}-\Phi P_{W}\left(\frac{1}{R_{0}}-\frac{1}{R_{W}}\right)\right]\end{align}\)       (10)

이때 R₀는 287.05 J/kgK, R_W는 461.5 J/kgK, P_W는 0.0000205exp(0.0631846T)가 활용되었다[22].

3.4 풍속보정

높이에 따른 풍속 변화를 계산하기 위한 다양한 방법이 연구되고 있지만 식 (11)과 같은[24] wind power law가 가장 일반적으로 사용되는 방법이다[25].

\(\begin{align}V_{Z}=V_{Z_{\text {ref }}}\left(\frac{Z}{Z_{\text {ref }}}\right)^{\alpha}\end{align}\)       (11)

풍속 보정 시 해상에서는 일반적으로 α=0.143이 제안되며[25], 지형에 따라 Table 2와 같이 0.1~0.4가 활용된다[26, 27]. 본 논문에서는 높이에 따른 풍속 변화가 가장 작은 α=0.100를 활용하여, 풍속을 보수적으로 확인하였다.

Table 2 Power law exponent a for various types terrain[26]

3.5 연간에너지생산량

풍력터빈의 연간에너지생산량은 식 (12)와 같이 풍력터빈의 성능곡선과 풍력터빈 허브 높이에서의 풍속 출현율을 이용하여 산출할 수 있다.

P_AEP = ∫^∞₀ P(V)f(V) × 8,760dV       (12)

본 연구에서 활용된 풍력터빈은 IEA wind 15MW offshore reference wind turbine model[28]과 Upwind 20MW wind turbine pre-design model[29]로 각 풍력터빈의 사양과 성능곡선은 Table 3과 Fig. 3에 나타내었다.

Table 3 Specification of 15MW and 20MW wind turbines

Fig. 3 Power curves of 15MW and 20MW wind turbines

3.6 이용률

이용률은 실제 발전량을 정격 용량으로 상시 작동하였을 경우 생성되는 이론적 출력에 대한 비율로 재생에너지의 발전 특성을 가장 명확하게 나타내는 척도로 식 (13)과 같이 산출된다[25].

\(\begin{align}C F=\frac{P_{A E P}[M W h]}{\text { Ratedpower }[M W] \times 8,760[h]} \times 100 \%\end{align}\)       (13)

4. 분석결과

4.1 Measurement data

26개 지점의 분석 결과를 정리하면 다음과 같다. Table 4는 각 관측 지점에서의 평균풍속, 최대풍속, 표준편차, COV 및 주풍향이다. 주풍향의 경우 출현율(Occurrence Rate, OR)을 나타내었다.

Table 4 Wind speed and direction at the measurement height

Fig. 4는 각 관측 지점별로 빈도수에 따라 산정한 풍향을 그림으로 나타낸 것으로, 서해안 일대는 북서풍, 북동풍 등 주풍향이 북풍 계열인 지역이 다수 확인되었으며, 그 외 남서풍 계열이 비교적 높게 출현하는 것으로 나타났다.

Fig. 4 Wind rose at the measuring locations

Table 5에 3가지 방법으로 추정된 와이블 파라미터와 이를 활용하여 산출된 풍력에너지밀도를 나타내었다. 3가지 방법으로 추정된 와이블 파라미터는 통계분석을 통해 실측빈도 값과 비교하였다. 통계분석은 와이블분포가 계측된 데이터와 얼마나 정확한지 판단하기 위한 기준으로 작용하며, 본 논문에서는 식 (14)와 같이 RMSE(Root Mean Square Error)가 활용되었다. RMSE는 추정 값 또는 모델이 예측한 값과 실제 환경에서 관찰되는 값의 차이를 다룰 때 흔히 사용되며, 0에 가까울수록 오차가 작다[5]. 전체적으로 3가지 방법으로 추정된 와이블분포는 서로 간의 차이가 미비하지만, STDM과 MM의 추정 방법이 상대적으로 오차가 낮은 것으로 확인되었다.

Table 5 Wind speed and direction at the measurement height

\(\begin{align}R M S E=\sqrt{\frac{1}{n} \sum_{i=1}^{n}\left(V_{\text {Predicted }_{i}}-V_{\text {target }_{i}}\right)^{2}}\end{align}\)       (14)

산출된 풍력에너지밀도를 활용하여 바람등급을 산출하였다. 바람등급은 지면 높이가 아닌 해발고도 기준으로 확인되었으며, 대부분의 연구에서는 10m 및 50m의 바람등급을 사용하였지만 본 논문에서는 서로 다른 높이에서 바람등급을 산출하기 위해 Fig. 5와 같이 5~160m까지의 바람등급을 추가로 계산하여 도시하였다. 바람등급은 wind power law에 wind shear exponent를 1/7을 사용하여 각 측정지점에서의 풍속을연직방향으로 외삽하였으며, 풍력에너지밀도는 식 (9)를 이용하여 계산하였다. 풍력에너지밀도 계산 시 밀도는 표준밀도인 1.225kg/m³, 형상계수는 2를 사용하여 레일리분포로 가정하여 계산하였다[30].

Fig. 5 Classes of wind power density at different heights​​​​​​​

바람등급 확인 결과, 측정 높이에서 홍도 6등급, 갈매여, 가대암, 해수서, 가거도가 4등급으로 확인되었다. 서수도, 목덕도, 북격렬비도, 어청도, 말도, 하태도가 2등급으로 확인되었으며, 나머지 지역은 1등급으로 확인되었다. 특히 만의 형태를 갖는 Area A에서는 대부분 1등급인 것으로 확인되었다.

4.2 연간에너지생산량 및 이용률

각 지점별 풍속 측정 높이가 달라 풍속보정을 통해 각 측정 높이에서의 풍속을 풍력터빈 허브 높이인 150m로 변환하였다[31]. 각 지점별 150m에서의 평균풍속을 Fig. 6에 나타냈으며, 그 결과 홍도의 연평균풍속이 8.22 m/s로 가장 높게 확인되었다. 그 다음은 가거도(8.01 m/s), 가대암(7.47 m/s), 갈매여(7.28 m/s), 해수서(7.26 m/s) 순으로 확인되었다.

Fig. 6 Annual average wind speed at the hub height of 150 m​​​​​​​

각 지점별 높이 150m로 보정된 풍속은 앞서 활용한 3가지 와이블분포 추정 방법들 중 RMSE가 가장 작은 방법을 활용하여 와이블 파라미터인 형상계수와 척도계수를 산출하였으며, Fig. 7과 같이 나타났다. 형상계수는 북격렬비도가 가장 높은 1.869로 확인되었으며, 왕산 (1.800), 가대암 (1.790), 외연도 (1.746), 하태도 (1.727) 순으로 확인되었다. 척도계수는 연평균풍속이 높은 순서와 동일하게 홍도 (9.10 m/s), 가거도 (8.98 m/s), 가대암 (8.40 m/s), 갈매여 (8.14 m/s), 해수서 (8.12 m/s) 순으로 확인되었다.

Fig. 7 Weibull parameters at the hub height of 150 m​​​​​​​

서해안 지역의 척도계수와 형상계수의 분포는 Fig. 8 (a)와 같으며, Fig. 8 (b)~(c)에 각 Area 별 와이블분포 형상을 나타내었다. 만과 같은 형태를 갖는 Area A의 1~9, Area B의 15, 18 등에서는 상대적으로 척도계수와 형상계수가 낮아 최빈 풍속이 약 2m/s에 가까운 형상을 갖는다. 대체적으로 육지에서 멀리 떨어진 도서지역이나 등표에서는 척도계수와 형상계수가 상대적으로 큰 값을 가지며, 최빈 풍속이 약 5m/s에 가까운 형상을 갖는다. 기상청 공공데이터로 확인된 서해안 일대는 대체적으로 서쪽으로 갈수록, 육지에서 멀어질수록 척도계수와 형상계수가 큰 값을 갖는 것으로 확인되었다.

Fig. 8 Compare Weibull distributions of different areas​​​​​​​

Fig. 9는 척도계수와 형상계수에 따른 15 MW와 20 MW 풍력터빈의 연간에너지생산량을 나타내었고, Fig. 10에 각 지점별 연간에너지생산량과 이용률을 나타내었다. 연간에너지생산량은 정격용량이 큰 20MW가 15 MW보다 평균적으로 약 20.6 % 높은 것으로 확인되었다. 이용률은 정격풍속이 낮은 15 MW가 평균적으로 5.0 % 높은 것으로 확인되었다.

Fig. 9 Annual energy production according to Weibull parameters

Fig. 10 Annual energy production and capacity factor at locations

이때 이용률이 높은 상위 5개의 지점은 가거도, 홍도, 가대암, 갈매여, 해수서 순으로 각각 15 MW 풍력터빈의 이용률은 39.0~44.7 %, 20 MW 풍력터빈의 이용률은 36.3~41.9 %로 확인되었다. 상위 5개 지점에서 생산되는 에너지를 보다 상세하게 확인하기 위해 Fig. 11과 Fig. 12에 15 MW와 20 MW 풍력터빈의 풍속별 에너지생산량 나타내었으며, 풍속 증가에 따라 에너지생산량을 누적시켜, 최대풍속 지점에서는 연간에너지생산량을 확인할 수 있도록 하였다. 가거도의 연평균풍속은 8.01 m/s로 홍도의 연평균풍속인 8.22 m/s 보다 낮지만, 가거도의 형상계수가 홍도보다 약 13 % 크기 때문에 더 높은 연간에너지생산량과 이용률을 갖는 것으로 확인되었다.

Fig. 11 Energy production by wind speed for a 15 MW wind turbine at the top 5 locations

Fig. 12 Energy production by wind speed for a 20MW wind turbine at the top 5 locations

해당 5개 지점의 AWS는 가거도의 경우 해안가에 인접한 능선에 설치되어 있고, 홍도는 해안가에 인접한 건물 옥상에 설치되어 있다. 가대암, 갈매여, 해수서는 해상에 설치된 등표 위에 설치되어 있다. 기상청 공공데이터를 활용하여 획득한 위와 같은 결과는 주변환경 영향 등으로 인해, 풍력발전에 필요한 정확한 바람자원 분석을 진행하기에는 한계가 있지만, 실측 풍황계측기를 설치하기 이전에 상대적으로 풍황이 좋은 지점을 찾는데 유용하게 활용[17]될 수 있을 것으로 판단된다.

5. 결론

본 연구에서는 대한민국 서해안 일대의 풍력발전단지 개발 가능성을 확인하기 위해 기상청에서 제공하는 해안가 및 도서지역 22개 지점의 방재기상관측(AWS) 데이터와 4개 지점의 등표기상관측(LHAWS) 데이터를 활용하여 서해안 일대의 바람자원이 분석되었다. 먼저 각 측정 높이에서 측정된 바람자원을 활용하며 와이블 분포와 풍력에너지밀도의 산출을 통해 각 지점별 측정높이에서의 바람등급이 확인되었다.

이후, 각 측정지점에서 측정된 풍속은 15~20 MW급 초대형 풍력터빈 허브 높이인 150 m로 보정하고, 이를 활용하여 15 MW와 20 MW 풍력터빈 설치 시 예측되는 연간에너지생산량과 이용률이 분석되었다. 총 26개의 지점 중 이용률이 높은 상위 5개 지점은 가거도, 홍도, 가대암, 갈매여, 해수서 순이며, 해당 지점에서 15 MW 풍력터빈의 이용률은 39.0~44.7 %, 20 MW 풍력터빈의 이용률은 36.3~41.9 %로 확인되었다.

기상청 공공데이터를 활용한 이러한 결과는 풍력발전에 필요한 정확한 바람자원 분석을 진행하기에는 한계가 있지만, 서해안 일대의 풍력발전 후보지 선정 및 실측 풍황계측기를 설치 이전에 상대적으로 바람자원이 우수한 지점을 파악하고, 풍력터빈의 설비용량 평가를 위한 기초자료의 역학을 할 수 있을 것으로 판단된다.

후기

This work was supported by KOREA HYDRO & NUCLEAR POWER CO., LTD(No. 22-Tech-06) and by Basic Science Research Program through the National Research Foundation of Korea(NRF) funded by the Ministry of Education(NRF 2017R1D1A3B06032145).