• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.122-122
• /
• 2021

전 세계적인 기후변화로 인해 태풍과 집중호우의 빈도와 규모가 증가하고 있으며 그로 인해 수재해 대응과 수자원 관리에 많은 어려움이 따른다. 댐 운영은 이러한 수자원 관리의 중요한 요소이며 정확한 댐 유입량의 예측은 효율적인 댐 운영과 관리의 필수적인 부분이다. 최근에는 여러 분야에서 활용되고 있는 딥러닝 모델을 활용하여 댐 유입량 예측에 관한 다수의 연구들이 수행되고 있다. 특히, 수문 시계열의 장기적인 특성과 비선형적인 관계를 고려하기 위해 연속형 모의를 기반으로 하는 딥러닝 모델의 적용 및 평가와 관련 연구의 필요성이 대두되고 있다. 본 연구에서는 연속형 모의를 기반으로 하는 딥러닝 모델을 활용하여 댐 유입량 예측을 수행하고자 하며 이의 적용성을 평가하고자 한다. 적용 대상 지역으로는 안동댐 상류 유역을 선정하였으며 2006년부터 2020년까지의 시 단위 강우 및 댐 유입량 자료를 활용하였다. 선행시간(1~6시간)별 예측 유입량과 관측 유입량의 비교를 통한 정량적 평가를 수행하였다. 또한 입력 자료에 대한 과거 기간, 모델 구성, 손실함수 등에 대한 조건별 평가를 통해 예측 정확도의 변화에 대한 분석을 수행하였다. 본 연구결과를 통해, 딥러닝 기반의 댐 유입량 예측 정확도에 대한 향상과 실시간 예측을 위한 딥러닝 모델의 활용성 증대에 기여할 것으로 기대된다. 향후, 강우 예보 자료를 연계한 딥러닝 기반의 실시간 댐 유입량 예측 기법을 제안하고 이의 활용성을 평가하고자 한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.87-87
• /
• 2017

최근 이상기후로 인해 국내 가뭄피해가 증가하고 있는 추세이며, 미래 가뭄의 심도 및 지속시간은 증가할 것으로 예측되고 있다. 특히 우리나라는 용수공급의 56.5%를 댐에 의존하여 댐 유역의 가뭄은 생 공 농업용수 공급제한 등의 광범위한 피해를 발생시킬 수 있다. 다만 가뭄은 홍수와 달리 진행속도가 비교적 느리기 때문에 사전에 정확한 댐 유입량 예측이 가능하다면, 용수공급량 조정을 통해 피해를 최소화할 수 있다. 국내에서는 댐 유입량 예측에 ESP (Ensemble Streamflow Prediction) 기법을 활용하고 있으며, ESP 기법은 과거 기상자료를 기반으로 미래를 예측하기 때문에 기상자료, 초기수문조건, 매개변수 등에 불확실성을 가지고 있다. 본 연구에서는 베이지안 이론을 이용하여 댐 예측유입량의 정확도 향상기법을 개발하고 예측성을 평가하고자 하며, 강우유출모델은 ABCD를 활용하였다. 대상유역은 국내의 대표 다목적댐인 충주댐 유역을 선정하였으며, 기상자료는 기상청, 국토교통부 및 한국수자원공사의 지점자료를 수집하였다. 예측성 평가기법으로는 도시적 분석방법인 시계열 분석, 통계적 분석방법인 Skill Score (SS)를 활용하였다. 시계열 분석 결과 ESP 댐 예측유입량(ESP)은 매년 월별 전망값의 큰 차이가 없었으며, 다우년 및 과우년의 예측성이 떨어지는 것으로 나타났다. 베이지안 기반의 댐 예측유입량(BAYES-ESP)는 ESP의 과소모의하는 경향을 보정하였으며, 다우년에 예측성이 향상되었다. 월별 평균 댐 관측유입량과 ESP, BAYES-ESP의 SS 비교분석 결과 ESP는 유입량 값이 적은 1, 2, 3월에 SS가 양의 값을 가졌으며, 이외의 월에는 음의 값으로 나타났다. BAYES-ESP는 ESP와 관측값이 비교적 선형관계를 나타내는 1, 2, 3월에 ESP의 예측성을 개선시키는 것으로 나타났다. ESP 기법은 강수량의 월별, 계절별 변동성이 큰 우리나라에 적용하기에는 예측성의 한계가 있었으며, 이를 개선한 BAYES-ESP 기법은 댐 유입량 예측 연구에 가치가 있는 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2010.05a
• /
• pp.1395-1399
• /
• 2010

최근 들어 전 세계적으로 태풍과 가뭄 그리고 국지적인 호우 등의 기상변화로 인하여 수자원 종합적인 개발과 이용계획에 대한 전문적인 예측이 필요하다. 우리나라는 홍수기에 집중적인 강우 발생으로 인하여 평수기와 유입량 차이가 심한 수문특성을 가지고 있어 안정적인 수자원 공급에 대한 장기적인 관점에서 이수와 치수정책을 수립해야 한다. 본 연구는 1985년 1월부터 2008년 12월까지 24년에 해당하는 한정된 기간의 짧은 유출량 자료를 갖는 대청댐 유역에서의 시계열 유입량 특성을 Box-Jenkins모형 또는 ARIMA모형을 적용하여 추계학적 분석을 실시하였다. 월유입량과 같은 비정상성 시계열에 적용될 수 있는 적절한 추계학적 모형을 찾기 위하여 모형의 식별과 모형의 추정, 모형의 검진 등의 3단계에 걸친 분석을 실시하였다. 연구결과 대청댐 월유입량 예측모형으로 승법계절 ARIMA$(0,1,2){\times}(1,1,0)_{12}$이 유도되었으며, 이 모형으로 1, 3, 6, 12개월의 선행기간에 대한 실시간 유입량을 예측하였다. 예측된 유입량을 2008년 실측유입량과 비교한 결과 6개월에 대한 예측의 정확성이 가장 높게 나타났다. 또한 평수기와 홍수기를 구분한 예측도 실시하였으며, 평수기는 1개월 홍수기는 3개월 간격으로 예측하는 것이 가장 적절한 것으로 분석되었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.319-319
• /
• 2019

기후변화로 인한 극한 기후 상황의 증가로 홍수기 홍수피해와 갈수기 가뭄피해가 심화되고 있으며, 수자원 관리에 대한 어려움이 발생하고 있다. 효율적인 수자원 관리를 위해 국내에는 약 1,8000여개의 댐을 운영하고 있으며, 댐의 유입량과 저수량을 감안하여 물을 적절하게 방류하는 것을 목적으로 한다. 그러기 위해서는 유입량이 우선적으로 확보되어야 하며, 더 나아가 유입량을 미리 예측할 수 있다면 더욱 효율적인 댐 운영이 가능할 것이다. 기존에는 수위나 유량을 예측하기 위해서는 주로 물리적 모형이 사용되어 왔으며, 물리적 모형은 매개변수 결정을 위한 많은 자료를 필요로 하고 그 과정에서 많은 불확실성을 포함하고 있기 때문에 계산 과정을 거치는 동안 다양한 오차가 반복 누적되는 단점이 있다. 반면에 시계열 데이터 예측을 위한 알고리즘 LSTM(Long Short-Term Memory)은 입력된 데이터와 출력된 데이터를 동시에 이용하여 보다 정확한 예측 값을 얻을 수 있다. 따라서 본 연구는 다목적댐의 유입유량 예측을 위해 구글에서 제공하는 딥러닝 오픈소스 라이브러리를 활용하여 LSTM모형을 구축하고 댐 유입유량을 예측하였다. 분석 자료로는 wamis에서 제공하는 용담댐의 2006년부터 2018년까지의 시간당 유입량 자료를 사용하였으며, 입력 데이터로 모형을 학습한 후 2018년의 유입량을 예측하였다. 예측 값의 정확도를 판단하기 위해 2018년의 실제 유입량 자료와 비교하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.307-307
• /
• 2022

최근 기후변화와 댐 상류 토지이용 변화 등과 같은 다양한 원인에 의해 댐 유입량의 변동성이 증가하면서 댐 관리 및 운영조작 의사 결정에 어려움이 발생하고 있다. 따라서 이러한 댐 유입량의 변동 특성을 반영하여 댐 유입량을 정확하고 효율적으로 예측할 수 있는 방안이 필요한 실정이다. 머신러닝 기술이 발전하면서 Auto-ML(Automated Machine Learning)이 다양한 분야에서 활용되고 있다. Auto-ML은 데이터 전처리, 최적 알고리즘 선택, 하이퍼파라미터 튜닝, 모델 학습 및 평가 등의 모든 과정을 자동화하는 기술이다. 그러나 아직까지 수문 분야에서 댐 유입량을 예측하기 위한 모델을 개발하는데 있어서 Auto-ML을 활용한 사례는 부족하고, 특히 댐 유입량의 예측 정확성을 확보하기 위해 High-inflow and low-inflow 의 변동 특성을 고려한 하이브리드 결합 방식을 통해 Auto-ML 기반 앙상블 모델을 개발하고 평가한 연구는 없다. 본 연구에서는 Auto-ML의 패키지 중 Auto-sklearn을 통해 홍수기, 비홍수기 유입량 변동 특성을 반영한 하이브리드 앙상블 댐 유입량 예측 모델을 개발하였다. 소양강댐을 대상으로 적용한 결과, 하이브리드 Auto-sklearn 앙상블 모델의 댐 유입량 예측 성능은 R² 0.868, RMSE 66.23 m³/s, MAE 16.45 m³/s로 단일 Auto-sklearn을 통해 구축 된 앙상블 모델보다 전반적으로 우수한 것으로 나타났다. 특히 FDC (Flow Duration Curve)의 저수기, 갈수기 구간에서 두 모델의 유입량 예측 경향은 큰 차이를 보였으며, 하이브리드 Auto-sklearn 모델의 예측 값이 관측 값과 더욱 유사한 것으로 나타났다. 이는 홍수기, 비홍수기 구간에 대한 앙상블 모델이 독립적으로 구축되는 과정에서 각 모델에 대한 하이퍼파라미터가 최적화되었기 때문이라 판단된다. 향후 본 연구의 방법론은 보다 정확한 댐 유입량 예측 자료를 생성하기 위한 방안 수립뿐만 아니라 다양한 분야의 불균형한 데이터셋을 이용한 앙상블 모델을 구축하는데도 유용하게 활용될 수 있을 것으로 사료된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.317-317
• /
• 2021

효율적인 물관리를 위한 댐 유입량 대한 연구는 필수적이다. 본 연구에서는 다양한 머신러닝 알고리즘을 통해 40년동안의 기상 및 댐 유입량 데이터를 이용하여 소양강댐 유입량을 예측하였으며, 그 중 고유량과 저유량예측에 적합한 알고리즘을 각각 선정하여 머신러닝 알고리즘을 결합한 CombML을 개발하였다. 의사 결정 트리 (DT), 멀티 레이어 퍼셉트론 (MLP), 랜덤 포레스트(RF), 그래디언트 부스팅 (GB), RNN-LSTM 및 CNN-LSTM 알고리즘이 사용되었으며, 그 중 가장 정확도가 높은 모형과 고유량이 아닌 경우에서 특별히 예측 정확도가 높은 모형을 결합하여 결합 머신러닝 알고리즘 (CombML)을 개발 및 평가하였다. 사용된 알고리즘 중 MLP가 NSE 0.812, RMSE 77.218 m3/s, MAE 29.034 m3/s, R 0.924, R2 0.817로 댐 유입량 예측에서 최상의 결과를 보여주었으며, 댐 유입량이 100 m3/s 이하인 경우 앙상블 모델 (RF, GB) 이 댐 유입 예측에서 MLP보다 더 나은 성능을 보였다. 따라서, 유입량이 100 m3/s 이상 시의 평균 일일 강수량인 16 mm를 기준으로 강수가 16mm 이하인 경우 앙상블 방법 (RF 및 GB)을 사용하고 강수가 16 mm 이상인 경우 MLP를 사용하여 댐 유입을 예측하기 위해 두 가지 복합 머신러닝(CombML) 모델 (RF_MLP 및 GB_MLP)을 개발하였다. 그 결과 RF_MLP에서 NSE 0.857, RMSE 68.417 m3/s, MAE 18.063 m3/s, R 0.927, R2 0.859, GB_MLP의 경우 NSE 0.829, RMSE 73.918 m3/s, MAE 18.093 m3/s, R 0.912, R2 0.831로 CombML이 댐 유입을 가장 정확하게 예측하는 것으로 평가되었다. 본 연구를 통해 하천 유황을 고려한 여러 머신러닝 알고리즘의 결합을 통한 유입량 예측 결과, 알고리즘 결합 시 예측 모형의 정확도가 개선되는 것이 확인되었으며, 이는 추후 효율적인 물관리에 이용될 수 있을 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.31-31
• /
• 2017

북한강은 한강의 제 1 지류로 지리적 이점과 풍부한 유량으로 많은 댐들이 건설 되었다. 북한강 본류에는 6개의 크고 작은 댐이 있는데 이들 중 4개가 홍수조절 능력이 없는 발전용댐이다. 이 댐들은 발전효율 향상과 범람으로 인한 저수지 붕괴에 대비하기 위하여 수위를 일정하게 유지하는 방식으로 운영되고 있다. 그러나 최근에 발생하는 집중호우와 게릴라성 폭우는 이러한 목표를 달성하기 힘들게 하고 있다. 지금까지 댐 운영을 위한 유입량 예측에 관련된 연구는 많이 있었지만 대부분 예측 단위가 1시간 이상이었다. 본 연구의 대상이 된 북한강 발전용댐은 저수용량이 작아 적은 양의 유입에도 수위가 급변하는 특징이 있기 때문에 1시간 단위로 유입량을 예측하는 모형은 실제 운영에 적용하기 어렵다. 본 연구에서는 댐의 운영자가 수문 개도 의사결정에 참고할 수 있는 유입량 자료를 생성하기 위하여 10분 단위 유입량을 예측하였다. 또한 댐들이 직렬로 배치된 유역의 특징을 고려하여 상류에 댐이 있는 경우에는 상류 댐의 방류량을 고려하였다. 본 연구는 뉴로 퍼지 기법을 사용하였으며 2004~2016년까지 발생한 호우 사상을 이용하여 모형을 구성하고 검증하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2004.05b
• /
• pp.759-764
• /
• 2004

본 연구는 Deng(1989)이 제시한 Grey 모형을 이용하여 성진강댐의 월유입량을 예측하였고 그 방법을 제시하였다. Grey 모형은 시계열모형이나 다른 모형에 비해 비교적 적은 수의 자료를 이용하고, 간단할 수식으로 구성되어 있는 장점이 있으나, 적은 수의 자료로 인해 입력자료가 가지는 증감의 경향(trend)으로 오차가 발생하기 쉽다. 그러므로 예측오차를 극복하기 위해서 Fuzzy 시스템을 결합한 Fuzzy-Grey 모형을 구성하였고 Fuzzy 시스템에 필요한 매개변수를 추정하기 위해 최적화기법인 유전자 알고리즘(GA; Genetic Algorithm)을 이용하였다. Grey 모형과 결합된 Fuzzy 시스템은 현재의 입력자료가 가지는 패턴과 가장 유사한 패턴의 과거자료를 이용하여 현재의 입력자료의 예측오차를 추론해내는 기능을 가진다. 오차를 추론하기 위해서 과거 월유입량 자료중 현재 입력 자료와 유사한 패턴을 Grey 상관도를 이용하여 검색하고, 보다 높은 유사성을 가지는 패턴을 선별하고자 노름(norm)을 사용하였고, 유전자 알고리즘의 탐색공간을 제한하였다. 이렇게 구성한 Fuzzy-Grey 모형을 이용하여 전국적인 가뭄년도였던 1992년, 1988년, 2001년에 대해 섬진강댐의 월유입량을 예측하였다. 오차는 1982년, 2001년, 1988년 순으로 비슷한 크기의 오차가 발생하였는데 결과를 분석하여 보면, 급격한 월유입량의 변화가 있었던 경우에 오차가 크게 발생하였으나 가뭄년도에 대해 월유입량의 불확실성이 큼에도 불구하고 비교적 월유입량의 추세를 잘 예측한 것으로 판단된다. 본 연구에서 적용한 Fuzzy-Grey 모형은 적은 수의 자료를 이용하여 예측하고 예측결과를 다시 입력자료로 사용하는 업데이트 방식을 사용하기 때문에 예측결과의 오차가 완전하게 보정되지 않으면 다음 결과에 역시 오차를 주게 되어 오차보정이 상당히 중요하다는 것을 알 수 있었다. 오차를 보다 효과적으로 보정하기 위해서는 퍼지제어에 사용되는 퍼지규칙의 수를 늘리고, 유입량에 직접적인 영향을 주는 강우량과 연계한 2변수의 Fuzzy-Grey 모형을 이용한다면 보다 정확한 유입량 예측이 가능할 것으로 사료된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2017.05a
• /
• pp.27-27
• /
• 2017

신뢰성 있는 수개월 선행시간의 댐 유입량 예측은 가뭄 상황으로 진입하는 시점에서 효율적인 댐 운영을 위해 필수적이다. 최근 기후변화로 인한 강수량의 경년 및 계절 내 변동성이 증가됨에 따라서 기존의 과거 통계치를 이용한 댐 운영 의사결정은 많은 도전을 받고 있다. 최근 엘리뇨-남방진동(ENSO) 등의 전구기후지수와 지역수문기후와의 원격상관성을 활용하여 수개월 이후에 대한 수문조건을 통계적으로 예측하기 위한 연구가 시도되고 있다. 또한 매월 제공되는 역학적 예측모형으로부터 생산된 월단위 예측정보를 유량예측을 위한 유역모형에 활용하기 위하여 편이보정 및 상세화 기법이 개발되어 활용되고 있다. 본 연구에서는 댐 유입량 예측을 위해 SWAT 모형을 선정하였고 최장 6개월 선행 강수량 및 기온의 예측을 위해서 하이브리드 계절예측 시스템을 활용하였다. 이 시스템은 전지구역학적 예측모형의 자료를 편이보정을 거쳐 직접적으로 사용하는 단순 편이보정(Simple Bias Correction, SBC) 방법에 회귀모형을 이용하여 통계적인 방법으로 예측자료를 생산하는 전구기후지수 기반의 Climate Index Regression (CIR), 실시간 재분석자료 기반의 Observation-based Moving Window Regression (MWR-Obs), 역학적 예측모형의 예측자료 기반의 Moving Window Regression (MWR) 방법을 통합하여 사용하고 있다. 충주댐을 대상으로 우선 관측자료를 이용하여 SWAT 모형을 검 보정한 후, 관측기간에 대하여 하이브리드 시스템에 의한 예측 기상자료를 적용하여 모의된 댐 유입량과 관측 유입량과의 비교를 통해 예측성을 평가하였다. 본 연구는 다양한 기후정보를 활용하여 댐 유입량 예측에 있어서 예측성을 높이고자 시도되었으며, 도출된 결과는 향후 충주댐 운영에 유용한 정보를 제공할 수 있는 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2009.05a
• /
• pp.23-26
• /
• 2009

효과적인 저수지 운영을 위해 가장 중요한 절차는 저수지 유입량을 적절하게 모의하는 것이다. 실시간 저수지 운영의 경우 기존의 물리적인 강우-유출현상에 기초한 수학적인 모형을 이용해서 유입량을 예측하는데 한계가 있으므로 인공신경망과 같이 자료의 특성에 기반한 모형이 효율적인 대안이 될 수 있다. 본 연구에서는 인공신경망(Artificial neural network, ANN)을 이용하여 실시간 저수지 운영을 위해 현재시간을 기준으로 3시간 후, 6시간 후, 9시간 후, 12시간 후의 유입량을 예측하였다. 본 연구의 대상지역은 한강수계의 화천댐 유역으로 기상청 수치예보자료인 RDAPS(Regional Data Assimilation and Prediction System)자료 중에서 강우예측자료를 사용하였다. RDAPS 강우예측자료를 이용한 예측값 결과와 비교하기 위해 지점 강우자료를 사용하였으며, 이 지점 강우자료는 화천댐 유역에 있는 AWS, 기상청, 국토해양부의 지점자료을 이용하였다. RDAPS 강우예측값만을 이용한 유입량 예측결과가 과거 12시간 강우 누적값을 이용한 유입량 예측값과 비슷한 정확도를 가지는 것을 알 수 있었으며, 자료의 효율적인 취득을 고려해야만 하는 실시간 운영의 경우, RDAPS 강우예측자료와 인공신경망을 이용한 모형이 충분히 효과적인 대안이 될 수 있음을 알 수 있다.