• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.226-226
• /
• 2023

하천유량, 댐유입량 등을 예측하기 위해 다양한 Long Short-Term Memory (LSTM) 방법들이 활발하게 적용 및 개발되고 있다. 최근 연구들은 s2s (sequence-to-sequence), Attention 기법 등을 통해 LSTM의 성능을 개선할 수 있음을 제시하고 있다. 이에 따라 본 연구에서는 LSTM-s2s와 LSTM-s2s에 attention까지 첨가한 모델을 구축하고, 시간 단위 자료를 사용하여 유입량 예측을 수행하여, 이의 실제 댐 운영에 모델들의 활용 가능성을 확인하고자 하였다. 소양강댐 유역을 대상으로 2013년부터 2020년까지의 유입량 시자료와 종관기상관측기온 및 강수량 데이터를 학습, 검증, 평가로 나누어 훈련한 후, 모델의 성능 평가를 진행하였다. 최적 시퀀스 길이를 결정하기 위해 R², RRMSE, CC, NSE, 그리고 PBIAS을 사용하였다. 분석 결과, LSTM-s2s 모델보다 attention까지 첨가한 모델이 전반적으로 성능이 우수했으며, attention 첨가 모델이 첨두값 예측에서도 높은 정확도를 보였다. 두 모델 모두 첨두값 발생 동안 유량 패턴을 잘 반영하였지만 세밀한 시간 단위 변화량 패턴 모의에는 한계가 있었다. 시간 단위 예측의 한계에도 불구하고, LSTM-s2s에 attention까지 추가한 모델은 향후 댐유입량 예측에 활용될 수 있을 것으로 판단한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.348-348
• /
• 2022

미래에 대한 기후는 과거와 비교하여 변동성이 더 크고 불확실성 또한 더 크기 때문에 미래의 기후변화를 예측하기 위해서는 기후변화의 절대적인 크기뿐 아니라 불확실한 정도도 함께 고려되어야 한다. 본 연구에서는 CMIP6(Coupled Model Intercomparison Project Phase 6) DB에서 제공된 일 단위 18개의 GCMs(General Circulation Models)의 결과를 분석하였으며 또한 3개의SSP(Shared Socioeconomic Pathway)시나리오와 3개의 미래 구간에 대하여 100개의 앙상블을 각각 생성하였다. 불확실성을 초래하는 원인을 3가지로 구분하고, 각각의 원인에 대한 불확실성의 정도를 앙상블 시나리오에 반영하고자 한다. 현재 기간 및 미래 기간에 대해 100개의 20년 시계열 날씨변수 앙상블을 생성하여 LSTM(Long short-term memory)의 입력자료로 사용하여 댐유입량, 저수위, 방류량을 산정하였다. 댐 유입량 및 방류량의 예측성능을 향상시키기 위해 Input predictor의 종류를 선정하는 방법과 그 변수들의 lag time을 결정하는 방법, 입력자료들을 재구성하는 방법, 하이퍼 매개변수를 효율적으로 최적화하는 방법, 목적함수 설정 방법들을 제시하여 댐 유입량 및 방류량의 예측을 크게 향상시키고자 하였다. 본 연구에서 예측된 미래의 댐유입량 및 방류량 정보는 홍수 또는 가뭄 등 다양한 수자원 관련 문제의 전략을 수립하는 데 있어서 적절한 도움이 될 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2005.05b
• /
• pp.85-89
• /
• 2005

도시발달과 인구증가로 인해 오늘날의 수자원 관리와 계획은 복잡하고 그 중요성은 더욱더 커지고 있으며, 인구와 재산의 집중현상으로 인하여 사소한 수문재해로 인해 막대한 인명과 재산피해를 초래될 수 있다. 이런 이유들로 인해 정확한 수문예측과 이를 통한 적절한 수자원 관리는 그 어느 때보다 중요한 인자로 인식되고 있다. 본 연구에서는 수문예측을 통한 소규모 댐으로의 정확한 월유입량 예측을 실시하여 실측유입량과 비교$\cdot$분석함으로서 수자원관리의 효율성을 향상시키고자 하였다. 수문예측을 위해서 확률론적 예측이 가능한 앙상블 예측기법(Ensemble Prediction Method)을 적용하였으며 과거 1968-1997년까지의 강우데이터와 수정 TANK모형을 이용하여 1998부터 2002년까지의 성주댐의 월유입량 앙상블을 생성하였다. 수문예측뿐만 아니라 유입량예측의 정확성을 향상시키기 위해 수정 TANK모형의 매개변수를 최적화기법 중의 하나인 유전자알고리즘을 이용하여 매개변수를 최적화하였으며 평창강유역과 보청천유역의 실측데이터를 이용하여 모형의 검증을 실시하였다. 또한 강우발생시 과소하게 유출량이 산정되는 것을 보완하기 위해 매개변수를 평수기와 홍수기의 구분하여 모형을 적용하였다. 본 연구에서 제시된 앙상블 예측기법과 최적화된 수정 TANK모형을 이용하여 댐의 수자원을 관리한다면 효율적인 관리가 이루어 질 것으로 판단된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.406-406
• /
• 2022

댐은 물을 담아두어 강수량에 따른 유량을 조절하거나, 하천의 물을 끌어와 사용할 수 있게 하는 역할 또는 모래, 자갈 등을 막아 걸러주는 역할 등을 수행한다. 우리나라의 경우 지역별, 계절별 강수량의 차이가 크며, 그로 인해 유량이 지역과 계절에 영향을 크게 받는다. 이런 변동성을 조절하기 위해 치수와 이수, 두 분야 모두에서 댐의 중요성이 크다. 이뿐만 아니라 기후변화로 인한 변동성의 극대화로 인해 그 중요성이 나날이 커지고 있다. 댐을 운영하기 위해서는 강수량에 따른 댐 유입량의 예측을 하여, 적절한 방류 시기 및 방류량을 결정하는 것이 가장 중요한 요소이다. 기후변화로 인한 변동성의 증대로 홍수와 가뭄과 같은 재해의 빈도와 심도가 커지면서 댐 유입량의 예측이 어려워지고 있다. 댐의 설계나 유지관리를 위해 홍수에 대해서는 많은 연구가 이루어졌던 것에 비해, 갈수기의 경우 물 부족으로 인해 유량이 적어져 댐 유입량에 대한 정확한 산정이 어려워 가뭄 시 댐 유입량에 관한 연구가 홍수 시에 비해 적게 연구된 것이 실정이다. 따라서 가뭄 시 댐 연구를 위해 갈수기의 댐 유입량에 대한 정확한 산정 및 예측의 필요성이 대두되고 있다. 이번 연구에서는 댐 주변의 지하수위와 하천수위의 관계성을 보이고 각각 다른 변량 간의 시간적 종속성을 고려하는 동시에 상호연관된 변량의 시간적 종속성을 동시에 고려한VARX(vector autoregressive-exogenous) 모델을 이용하여 정확한 댐의 유입량을 산정 및 예측하고 그에 대한 검증을 시행하여, 댐 분야에서 가뭄에 대비할 수 있는 근간을 마련하였다.

• Journal of Korea Water Resources Association
• /
• v.37 no.1
• /
• pp.67-75
• /
• 2004

In this study, real-time forecasting model(Neural Dam Inflow Forecasting Model; NDIFM) based on neural network to predict the dam inflow which is occurred by flood runoff is developed and applied to check its availability for the operation of multi-purpose reservoir Developed model Is applied to predict the flood Inflow on dam Nam-Gang in Nak-dong river basin where the rate of flood control dependent on reservoir operation is high. The input data for this model are average rainfall data composed of mean areal rainfall of upstream basin from dam location, observed inflow data, and predicted inflow data. As a result of the simulation for flood inflow forecasting, it is found that NDIFM-I is the best predictive model for real-time operation. In addition, the results of forecasting used on NDIFM-II and NDIFM-III are not bad and these models showed wide range of applicability for real-time forecasting. Consequently, if the quality of observed hydrological data is improved, it is expected that the neural network model which is black-box model can be utilized for real-time flood forecasting rather than conceptual models of which physical parameter is complex.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2007.05a
• /
• pp.1905-1909
• /
• 2007

최근 도시발달과 인구증가로 인하여 수자원의 중요성이 더욱 커지고 있으며 이를 효율적으로 이용하고자하는 노력은 계속되고 있다. 또한 전 세계가 가뭄과 홍수 등 물과 관련된 재해를 예방하기 위하여 지속적인 수자원계획관리가 이루어지고 있으며, 특히 댐은 수자원의 효율적인 관리와 안정적인 용수공급을 위하여 건설된 것으로서 유역의 수문특성에 따른 변동성이 고려되어야 한다. 따라서 댐의 최적운영을 위해서는 정확한 강우 예측과 이에 따른 유입량 예측이 선행되어야 하며, 유입량 예측을 위한 강우-유출과정을 모형화 하여야 한다. 그러나 모형화에 따르는 복잡한 과정과 수문자료의 비선형성과 비정규성으로 인하여 많은 오차가 발생할 수 있다. 본 연구에서는 이러한 문제점을 개선하기 위하여 임하댐 유역에 신경망 이론을 강우-유출모형에 수학적으로 모형화 하였으며, 이를 통하여 효율적인 댐 운영을 위한 유입량 예측기법에 관한 기초연구를 수행하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.33-33
• /
• 2022

팔당댐 유역은 수도권 2600만 인구의 상수원으로, 수도권 전체 물 소비량의 90.2%에 달하는 물을 공급하고 있어 중요성이 상당히 크다. 하지만 기후변화로 한반도에 극한기후의 발생 빈도가 증가하면서 미래 수자원 관리가 더욱 어려워질 전망이다. 이에 본 연구에서는 모형 구축을 통해 기후변화가 팔당댐 유역의 수자원에 미치는 영향을 정량적으로 평가하고자 하였다. 본 연구는 저수량이 높은 다목적댐이자 상류에 위치하는 소양강댐, 충주댐의 유역의 유입량을 수문모형인 VIC model로 모의하였다. 댐의 존재에 따른 하류의 유량 교란을 고려하기 위해 딥러닝 기반의 LSTM 예측 모형을 활용하였고 각 댐의 방류량을 예측하였다. 보정 기간(1986-2019), 검증 기간(2020)에 대한 방류량 예측 모형의 NSE는 0.9407, 0.6449로 높은 예측성능을 보였다. 팔당댐 유입량 예측에도 LSTM이 활용되었고 소양강댐, 충주댐의 방류량과 두 유역을 제외한 잔여유역의 기상변수인 강우량, 온도, 풍속이 입력되었다. 팔당댐 유입량 예측 모형의 NSE는 보정 기간(1986-2019), 검증 기간(2020)에 대해 각 0.9990, 0.7878로 유입량을 정확도 높게 예측하였다. 기후변화의 영향을 평가하기 위해 기상청에서 제공하는 RCP4.5의 상세화된 고해상도(1km) 미래 기상자료를 구축된 모형에 입력하여 미래의 팔당댐 유입량을 모의하였다. 모의 결과, 미래 기간에는 팔당댐 일 유입량의 변동성이 증가하면서 유황이 불안정해지고 극한에 해당하는 빈도 갈수량이 크게 감소하는 것으로 예측되었다. 따라서 극한기후로 인해 물 공급이 제한되는 재난 상황에 대비하여 물 공급에 대한 자립성을 높일 수 있는 새로운 물관리 정책이 필요할 것이다.

• Journal of Korea Water Resources Association
• /
• v.50 no.7
• /
• pp.489-502
• /
• 2017

The objective of this study is to propose and evaluate the BAYES-ESP, which is a dam inflow prediction method based on Ensemble Streamflow Prediction method (ESP) and Bayesian theory. ABCD rainfall-runoff model was used to predict monthly dam inflow. Monthly meteorological data collected from KMA, MOLIT and K-water and dam inflow data collected from K-water were used for the model calibration and verification. To estimate the performance of ABCD model, ESP and BAYES-ESP method, time series analysis and skill score (SS) during 1986~2015 were used. In time series analysis monthly ESP dam inflow prediction values were nearly similar for every years, particularly less accurate in wet and dry years. The proposed BAYES-ESP improved the performance of ESP, especially in wet year. The SS was used for quantitative analysis of monthly mean of observed dam inflows, predicted values from ESP and BAYES-ESP. The results indicated that the SS values of ESP were relatively high in January, February and March but negative values in the other months. It also showed that the BAYES-ESP improved ESP when the values from ESP and observation have a relatively apparent linear relationship. We concluded that the existing ESP method has a limitation to predict dam inflow in Korea due to the seasonality of precipitation pattern and the proposed BAYES-ESP is meaningful for improving dam inflow prediction accuracy of ESP.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2010.05a
• /
• pp.1164-1168
• /
• 2010

수자원이 우리 생활의 전반적으로 중요한 역할을 차지하면서 댐의 효율적인 운영과 안정적인 용수공급에 대한 연구는 지속적으로 수행되어지고 있다. 1990년대 이후 비선형적인 특성을 잘 모의하는 장점을 가진 인공신경망(ANN)을 이용하여 유입량 예측에 대한 많은 연구가 수행되었다. 하지만 ANN 모형을 포함한 회귀모형은 월 강우 및 유입량의 예측에 대해 간편하게 사용을 할 수 있지만, 예측의 정확성에 한계를 가지고 있다. 본 연구에서는 ANN 모형과 회귀모형의 예측오차를 후처리 과정을 통하여 오차를 줄임으로써 예측모형의 성과를 향상시키는 방법을 제안하였다. 연구지역은 금강수계의 대청댐 유역으로, 1982년 9월부터 2005년 12월에 해당하는 유역 내 11개 지점의 강우관측소에서 관측한 월 강우와 댐 유입량을 수집하여 모형을 구축하였다. 강우량과 유입량 자료에 대해 자기상관함수와 교차상관함수를 이용하여 입력변수를 결정하였고, 정규화를 통한 전처리 과정을 거쳐 ANN 모형과 회귀모형을 이용한 예측모형을 구축하였으며, 예측성과의 향상을 위하여 군집 분석을 이용하여 오차를 재조정하였다. 이러한 오차 후처리 과정을 포함한 모형은 RMSE와 상관계수를 이용하여 비교 평가한 결과, 예측성과를 약 40% 정도 향상시켰다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.319-319
• /
• 2020

최근 데이터 과학의 획기적인 발전 덕분에 딥러닝 (Deep Learning) 알고리즘이 개발되어 다양한 분야에 널리 적용되고 있다. 본 연구에서는 인공신경망 중 하나인 LSTM(Long-Short Term Memory) 네트워크를 사용하여 댐 유입량을 예측하였다. 구체적인 내용으로, (1) LSTM에 필요한 입력 데이터를 효율적으로 사전 처리하는 방법, (2) LSTM의 하이퍼 매개변수를 결정하는 방법 및 (3) 다양한 손실 함수(Loss function)를 선택하고 그 영향을 평가하는 방법 등을 다루었다. 제안된 LSTM 모델은 강우량(R), 댐유입량(Q) 기온(T), 기저유량(BF) 등을 포함한 다양한 입력 변수들의 함수로 가정하였으며, CCF(Cross Correlations), ACF(Autocorrelations) 및 PACF(Partial Autocorrelations) 등의 기법을 사용하여 입력 변수를 결정하였다. 다양한 sequence length를 갖는 (즉 t, t-1, … t-n의 시간 지연을 갖는) 입력 변수를 적용하여 데이터 학습에 최적의 시퀀스 길이를 결정하였다. LSTM 네트워크 모델을 적용하여 2014년부터 2020년까지 한강 유역 9개의 댐 유입량을 추정하였다. 본 연구로부터 댐 유입량을 예측하는 것은 홍수 및 가뭄 통제를 위한 필수 요건들 중 하나이며 수자원 계획 및 관리에 도움이 될 것이다.