• Proceedings of the Korea Water Resources Association Conference
• /
• 2012.05a
• /
• pp.318-318
• /
• 2012

인도네시아의 Citarum 유역을 대상으로 구축된 RRFS를 이용하여 해당유역의 상류에 위치한 다목적 댐인 Saguling 댐에 대한 2005년 월 유입량예측을 수행하여 보았다. 실제 예측과정에는 ESP 기법을 적용하였고 여기에 기상전망을 고려할 수 있는 사전처리기법인 PDF ratio 방법을 이용하여 유출량 시나리오의 발생확률을 갱신하였다. 이를 위하여 대상유역의 월 강우량 관측 자료에 대한 초보예측을 통하여 2005년 관측 강우량에 따라 기상전망을 생성하였다. 또한 Saguling 댐의 월 유입량 과거 관측자료에 대한 초보예측을 통하여 High Flow, Normal Flow, Low Flow에 대한 예측구간을 구성하여 보았다. Fig. 1과 Fig. 2는 각각 ESP 기법과 PDF ratio 방법을 이용하여 산정한 Normal Flow와 Low Flow의 상한계 유입량의 발생확률의 변화를 도시한 것이다. 관측 유입량이 발생한 구간의 예측확률을 기반으로 예측점수를 산정해 본 결과 ESP 기법에 의한 예측점수가 0.333을 상회하고 있음을 볼 수 있었다. 이는 ESP 기법에 의한 예측결과가 초보예측보다 정확도가 높음을 의미하는 것으로 본 연구에서 구성한 ESP 시스템의 적용성을 확인할 수 있다. 또한 고무적인 결과로서 PDF ratio 방법에 의한 예측점수가 ESP 기법에 의한 예측점수를 상회하고 있음을 확인할 수 있다. 이는 ESP 기법에 의한 예측결과를 확률기상전망을 이용하여 갱신할 경우 예측 정확도를 개선시킬 수 있음을 의미하는 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.358-358
• /
• 2023

본 연구에서는 그동안 수자원분야 강우유출 해석분야에 활용되었던 대표적인 머신러닝&딥러닝(ML&DL) 모델을 활용하여 모델의 하이퍼파라미터 튜닝뿐만 아니라 모델의 특성을 고려한 기상 및 수문데이터의 조합과 전처리(lag-time, 이동평균 등)를 통하여 데이터 특성과 ML&DL모델의 조합시나리오에 따른 일 유입량 예측성능을 비교 검토하는 연구를 수행하였다. 이를 위해 소양강댐 유역을 대상으로 1974년에서 2021년까지 축적된 기상 및 수문데이터를 활용하여 1) 강우, 2) 유입량, 3) 기상자료를 주요 영향변수(독립변수)로 고려하고, 이에 a) 지체시간(lag-time), b) 이동평균, c) 유입량의 성분분리조건을 적용하여 총 36가지 시나리오 조합을 ML&DL의 입력자료로 활용하였다. ML&DL 모델은 1) Linear Regression(LR), 2) Lasso, 3) Ridge, 4) SVR(Support Vector Regression), 5) Random Forest(RF), 6) LGBM(Light Gradient Boosting Model), 7) XGBoost의 7가지 ML방법과 8) LSTM(Long Short-Term Memory models), 9) TCN(Temporal Convolutional Network), 10) LSTM-TCN의 3가지 DL 방법, 총 10가지 ML&DL모델을 비교 검토하여 일유입량 예측을 위한 가장 적합한 데이터 조합 특성과 ML&DL모델을 성능평가와 함께 제시하였다. 학습된 모형의 유입량 예측 결과를 비교·분석한 결과, 소양강댐 유역에서는 딥러닝 중에서는 TCN모형이 가장 우수한 성능을 보였고(TCN>TCN-LSTM>LSTM), 트리기반 머신러닝중에서는 Random Forest와 LGBM이 우수한 성능을 보였으며(RF, LGBM>XGB), SVR도 LGBM수준의 우수한 성능을 나타내었다. LR, Lasso, Ridge 세가지 Regression모형은 상대적으로 낮은 성능을 보였다. 또한 소양강댐 댐유입량 예측에 대하여 강우, 유입량, 기상계열을 36가지로 조합한 결과, 입력자료에 lag-time이 적용된 강우계열의 조합 분석에서 세가지 Regression모델을 제외한 모든 모형에서 NSE(Nash-Sutcliffe Efficiency) 0.8이상(최대 0.867)의 성능을 보였으며, lag-time이 적용된 강우와 유입량계열을 조합했을 경우 NSE 0.85이상(최대 0.901)의 더 우수한 성능을 보였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2016.05a
• /
• pp.98-98
• /
• 2016

본 연구에서는 유입량의 불확실성을 고려하여 미래 저수량을 확률론적으로 예측하였다. 월별 유입량을 표본으로 한 확률밀도함수를 핵밀도함수(kernel function)를 이용하여 추정하고, 추정된 확률분포로 월별 유입량을 모의 발생하였다. 모의 발생된 유입량을 통해 연속적인 조건부 확률을 산정하였고, 이의 누적확률분포(F(x))는 해당 저수량에 도달하지 못할 확률, 즉 실패확률을 의미하므로 1-F(x)로 해당 저수량 이상을 확보할 수 있는 확률을 산정하였다. 보령댐을 대상으로 분석한 결과 2016년 2월 말 저수량 27.8 백만$m^3$ 기준으로 3월부터 6월까지 정상용수공급환원 기준 저수량을 만족할 확률이 각각 2.3%, 12.5%, 24.2%, 33.5%로 나타났다. 지역적 가뭄에 대응하기 위해 하천유지용수 감량, 용수 대체공급, 자율 급수조정 및 금강-보령댐 도수로를 이용한 용수공급으로 20.6만$m^3/day$의 용수가 비축될 경우, 정상용수공급환원 기준 저수량을 만족할 확률이 10.2%, 40.3%, 73.8%, 78.7%로 용수비축의 효과가 크게 나타나는 것을 확인하였다. 저수량의 확률론적 예측을 통해 미래 저수량의 확률적 발생가능성을 추정할 수 있으며, 가뭄이 발생할 경우, 가뭄 대응효과를 정량적으로 나타낼 수 있어 가뭄 위험 상황 전달 및 용수공급조정 의사결정 시 활용할 수 있을 것으로 판단된다.

• Journal of Korea Water Resources Association
• /
• v.51 no.12
• /
• pp.1217-1227
• /
• 2018

This paper aims to evaluate the applicability of dam inflow prediction model using recurrent neural network theory. To achieve this goal, the Artificial Neural Network (ANN) model and the Elman Recurrent Neural Network(RNN) model were applied to hydro-meteorological data sets for the Soyanggang dam and the Chungju dam basin during dam operation period. For the model training, inflow, rainfall, temperature, sunshine duration, wind speed were used as input data and daily inflow of dam for 10 days were used for output data. The verification was carried out through dam inflow prediction between July, 2016 and June, 2018. The results showed that there was no significant difference in prediction performance between ANN model and the Elman RNN model in the Soyanggang dam basin but the prediction results of the Elman RNN model are comparatively superior to those of the ANN model in the Chungju dam basin. Consequently, the Elman RNN prediction performance is expected to be similar to or better than the ANN model. The prediction performance of Elman RNN was notable during the low dam inflow period. The performance of the multiple hidden layer structure of Elman RNN looks more effective in prediction than that of a single hidden layer structure.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2005.05b
• /
• pp.289-293
• /
• 2005

본 연구에서는 일별 저수지군 최적연계운영 모형(CoMOM 4.0 : Coordinated Multireservoir Operating Model version 4.0)을 낙동강 수계 실시간 일별 운영에 CoMOM을 적용할 경우를 상정하여, 불확실성을 고려한 실시간 모의 운영을 수행하였다. 실시간 일 운영 시 며칠 정도의 유입량 예측은 가능할 것으로 예상하여 유입량 예측일수의 정확도 증가에 따른 연계 운영 효과를 산정해 본 결과, 전반적으로 과거 실적치에 비하여는 좋지만, 예측일 수가 늘어남에 따라 수계 내 연간 평균 저수량은 감소하는 대신 평균 발전량은 증가하여, 연계운영 총체적 효과가 기하급수적으로 증가됨을 알 수 있었다. 미래 유입량을 전혀 예측하지 못할 경우에는 일평균 유입량을 예측 유입량으로 하여 실시간 댐군 연계모의운영을 하였고, 그 경우에도 여수로 방류로 인한 수계 외 유출을 연 평균 약 214백만$m^3$ 정도 감소시키는 반면, 수계 내 전체 댐 군의 평균저수량을 55백만$m^3$ 증가 시키며, 연간 평균 발전량은 25GWh (약 22.5억원/년의 추가 발전수입) 증가 시킬 수 있을 것으로 분석되었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.347-347
• /
• 2022

최근 데이터 사이언스의 비약적인 발전과 함께 다양한 형태의 딥러닝 알고리즘이 개발되어 수자원 분야에도 적용되고 있다. 이 연구에서는 LSTM(Long Short-Term Memory) 네트워크와 BO-LSTM이라는 베이지안 최적화(BO) 기술을 결합하여 일단위 앙상블 미래 댐유입량을 projection하는 딥 러닝 모델을 제안하였다. BO-LSTM 하이퍼파라미터 및 손실 함수는 베이지안 최적화 기법을 통해 훈련 및 최적화되며, BO 접근법은 모델의 하이퍼파라미터와 손실 함수를 높은 정확도로 빠르게 최적화할 수 있었다(R=0.92 및 NSE=0.85). 또한 미래 댐 유입량을 예측하기 위한 LSTM의 구조는 Forecasting 모형과 Proiection 모형으로 구분하여 두 모형의 장단점을 분석하였으며, 본 연구의 결과로부터 데이터 처리 단계가 모델 훈련의 효율성을 높이고 노이즈를 줄이는 데 효과적이고 미래 예측에 있어 LSTM 구조에 따른 영향을 확인할 수 있었다. 본 연구는 소양강 유역, 2020-2100년 기간 동안의 미래 예측에 적용되었다. 전반적으로, CIMIP6 데이터에 따르면 10%에서 50%의 미래 유입량 증가가 발생하는 것으로 확인되었으며, 이는 미래 강수량의 증가의 폭과 유사함을 확인하였다. 유입량 산정에 있어 신뢰할 수 있는 예측은 저수지 운영, 계획 및 관리에 있어 정책 입안자와 운영자에게 도움이 될 것입니다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.29-29
• /
• 2015

수자원의 지속적인 관리 및 효율적인 활용을 위하여 수문량의 예측과 분석은 필수적인 과정이라 할 수 있으며 이에 따라 다양한 수문 모형이 구축되고 강우, 유량 등 대표적인 수문량의 예측이 수행되어져 왔다. 그 중에서도 수문 시계열 모형은 시간의 흐름에 따라 일정하게 기록되어온 수문 자료를 확률적인 과정을 통하여 모형을 구축하고 이를 바탕으로 미래 수문량을 예측하는 데활용되는 모형으로, 과거에 기록된 수문 패턴이 미래에도 지속된다는 가정 하에 구축된다. 일반적으로 시계열 모형은 하나의 자료계열로 모형을 구축하는 단변량 모형과 원 자료계열 외에 다른 자료계열을 고려하여 모형을 구축하는 다변량 모형이 있으며, 다변량 모형은 원 자료계열에 영향을 미치는 외부변수를 고려함으로써 두 자료계열간의 상관성을 모형에 반영할 수 있는 장점을 가지고 있다. 또한 자료계열의 계절성을 고려하여 시계열 모형을 구축할 경우, 수문 시계열이 가지고 있는 계절적 영향을 잘 반영할 수 있다. 따라서 본 연구에서는 계절성을 고려한 다변량 시계열 모형인 SARIMAX(Seasonal AutoRegressive Integrated Moving Average with eXogenous) 모형을 이용하여 대표적인 수공구조물인 댐의 유입량 예측을 수행하였다. 일반적으로 댐 유입량 예측에는 댐의 유입량과 상관성이 높은 강우가 외부변수로 사용되어져 왔으나, 이 외에도 영향을 미칠 수 있는 지점특성치를 고려하여 모형을 구축한 후 비교하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2004.05b
• /
• pp.1208-1212
• /
• 2004

다목적댐을 효율적이고 체계적으로 운영하기 위해서는 수문순환에 대한 지역별, 기간별 이해와 더불어 댐저수지로의 정확한 유입량 산정이 필요하다. 수문모델링을 비교하기 위해서는 개념적 모형과 추계학적 모형으로 나눌 수 있는데 개념적 모형은 상당히 많은 입력요소로 말미암아 사용자로 하여금 이해를 하는데 있어서 어려움을 겪을 수 밖에 없는 실정이나 추계학적 모형은 확률적 철상 및 기초적 예측이론을 습득하게 되면 쉽고 간단하여 검토를 용이하게 할 수 있는 장점이 있다. 수자원시스템의 설계, 계획, 운영에 있어서 핵심적인 수문변수의 미래거동의 보다 나은 추정치가 필요하다. 예를 들어, 수력발전, 레크리에이션 이용과 하류지역의 오염희석과 같은 다중 목적을 유지하기 위하여 다목적댐을 운영할 때에, 다가오는 미래시간에 대한 계획된 유입량의 예측이 요구된다. 예측의 목적은 미래에 발생한 정확한 예측을 제공하는 것이다. 따라서 월유입량 예측을 위해 추계학적 모형(ARMA(1,1), ARMAX, TFN, SARIMA)과 신경망 모형(BP, CASCADE 등)의 적용을 통해 한강수게 주요 다목적댐에 가장 적합한 방법을 선정하고자 하는데 본 연구의 목적이 있다.

• Journal of Korea Water Resources Association
• /
• v.31 no.1
• /
• pp.45-57
• /
• 1998

The purpose of this paper is to develop a neural network model in order to forecast flood inflow into the reservoir that has the nature of uncertainty and nonlinearity. The model has the features of multi-layered structure and parallel multi-connections. To develop the model. backpropagation learning algorithm was used with the Momentum and Levenberg-Marquardt techniques. The former technique uses gradient descent method and the later uses gradient descent and Gauss-Newton method respectively to solve the problems of local minima and for the speed of convergency. Used data for learning are continuous fixed real values of input as well as output to emulate the real physical aspects. after learning process. a reservoir inflows forecasting model at flood period was constructed. The data for learning were used to calibrate the developed model and the results were very satisfactory. applicability of the model to the Chungju Mlultipurpose Reservoir proved the availability of the developed model.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.123-123
• /
• 2018

가뭄은 홍수와 달리 진행속도가 비교적 느리기 때문에 초기에 감지한다면 피해를 최소화 할 수 있다. 국내에서는 가뭄전망을 위해 물리적 기반의 기상-수문연계해석 시스템을 구축하여 월 내지 계절전망을 수행하고 있다. 물리적 기반의 가뭄전망은 수치예보모델의 불확실성을 가지고 있으므로 예보 정확도 개선의 측면에서는 통계적 모델을 같이 활용하는 것이 바람직하다. 최근 국외에서는 통계적 방법인 AI (Artificial Intelligence) 기술을 사용하여 가뭄을 전망하는 연구가 활발히 진행 중이나, 아직까지 국내에서는 관련연구가 미흡한 실정이다. 이에 본 연구에서는 ANFIS (Adaptive Neuro-Fuzzy Inference System) 기반의 댐 유입량 예측 모델을 구축하고 SRI (Standardized Runoff Index)를 활용하여 수문학적 가뭄전망을 수행하였다. 대상유역은 국내 주요 다목적댐이 위치한 충주댐 유역과 소양강댐 유역을 선정하였다. 수문 및 기상자료는 국토 교통부 및 기상청의 관측 댐 유입량, 관측 강수량, 관측 기온 및 장기기상예보 자료를 사용하였다. ANFIS 모델 구축을 위한 훈련 및 보정기간과 검정기간은 각각 1987~2010년과 2011~2016년을 선정하였다. 수문학적 가뭄전망은 지속기간 3개월의 1개월 전망 SRI3를 활용하였으며, SRI3는 관측유입량과 예측유입량을 결합하여 산정하였다. 댐 예측유입량 및 수문학적 가뭄전망의 정확도 평가를 위해 상관계수, 평균제곱근오차를 활용하였다. 댐 예측유입량 평가 결과 예측값과 관측값의 상관계수가 높게 나타났으며, 평균제곱근오차는 낮아 예측성이 뛰어났다. SRI3의 경우 관측값과 예측값의 가뭄발생시기가 유사하여 가뭄을 적절하게 반영하는 것으로 나타났다. 본 연구의 결과는 통계적 기반의 수문학적 가뭄전망기법을 개발하였다는 측면에서 의의가 있으며, 향후 물리적 기반의 가뭄전망정보와 결합한다면 보다 실효성이 향상될 것으로 기대된다.