• 한국컴퓨터정보학회논문지
• /
• 제16권11호
• /
• pp.245-253
• /
• 2011

화석 연료의 무분별한 사용으로 환경이 심각하게 오염되고, 화석 연료의 고갈에 대한 문제가 대두됨에 따라서 화석 연료에 대한 문제를 해결 할 수 있는 대체 에너지원에 대해 관심이 집중되기 시작하였다. 현재 신재생 에너지 중에서 가장 각광을 받고 있는 에너지는 중에 하나가 풍력에너지이다. 풍력에너지 발전단지와 기존의 전력 발전소는 소비되는 전력에 대한 생산의 균형을 맞춰야하며, 풍력에너지단지에서 균형적인 생산을 하기 위해서는 풍력에너지에 대한 분석 및 예측이 필요하다. 이를 위해서 데이터마이닝 분야의 예측 기법이 활용 될 수 있다. 본 논문에서는 풍력 데이터를 이용하여 발전 패턴을 예측하기 위해 SOM(Self-Organizing Feature Map) Clustering 기법과 의사결정나무(decision tree)를 이용한 연구를 진행하였다. 즉, 1) 풍력 데이터의 누락된 데이터와 이상치 데이터를 처리하기 위하여, 전처리 과정을 수행하였고, 이 과정에서 특징 벡터를 추출하였다. 2) 전처리 단계를 거쳐 정제되고 정규화된 데이터 집합을 MIA(Mean Index Adequacy) 척도와 SOM Clustering 기법에 적용하여 대표 발전 패턴을 찾아내고 각각의 데이터에 해당하는 대표 패턴을 클래스 레이블로 할당하도록 하였다. 3) 의사결정나무 기반의 분류 기법에 데이터 집합을 적용시켜 새로운 풍력에너지에 대한 분석 및 예측 모델을 생성하였다. 실험 결과, 의사결정나무를 통한 풍력에너지 발전 패턴을 예측하기 위한 모델을 구축하였다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2008년도 하계학술대회 논문집
• /
• pp.298-300
• /
• 2008

고립된 소규모 전력시스템에 소형 풍력발전기를 계통연계 운전할 때 나타날 수 있는 전압변동을 예측하기 위한 방법에 관해 연구하였다. 이를 위하여 고립된 계통에 연결된 기존발전소 및 부하, 변압기, 풍력발전기의 간략화된 시뮬레이션 모델을 PSCAD/EMTDC를 기반으로 구성하고 실제 설치된 풍력발전기의 운전 특성과 비교하였다. 특히, 연계점의 전압변동을 해석적으로 예측하기 위하여 전원측 등가 임피던스와 부하측 등가 임피던스로 구성된 간략화한 모델을 제안하였으며 제안된 방법으로 계산된 전압변동량이 시뮬레이션 및 실측 데이터와 잘 일치하는 것을 확인하였다. 이 결과는 소형 풍력발전기 계통연계 시스템 설계 및 사전검토 단계에서 안정성과 신뢰성을 확보 하기위한 도구로 활용될 수 있다.

• 한국지구과학회지
• /
• 제38권1호
• /
• pp.11-23
• /
• 2017

풍력 자원의 단기 예측 가능성은 풍력 발전 단지의 경제적 타당성을 평가하는 중요한 요소이다. 본 연구에서는 풍력 자원의 단기 예측 가능성을 향상시키는 방법의 하나로 베이지안 칼만 필터를 후처리 과정으로 적용하였다. 이때 추정된 모델과 관측 데이터의 상관관계를 평가하기 위하여 일정 시간 동안 베이지안 칼만 훈련 기간이 요구된다. 본 연구는 여러 훈련 기간에 따라 예측 특성을 정량적으로 분석하였다. 태백 지역에서는 3일 단기 베이지안 칼만 훈련으로 기온과 풍속을 예측하는 것이 다른 훈련 기간을 적용할 때보다 우수한 예측 성능을 보였다. 반면 이어도는 6일 이상의 베이지안 칼만 필터의 훈련 기간을 적용한 경우 가장 좋은 예측 성능을 나타낸다. WRF 예측 성능이 떨어지는 사례에서 베이지안 칼만 필터의 예측 성능향상이 뚜렷하게 나타나며, 반대로 WRF 예측이 정확한 지점에서는 필터적용에 따른 성능향상 정도가 약한 경향을 가진다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2015년도 제46회 하계학술대회
• /
• pp.165-166
• /
• 2015

본 논문에서는 제주풍력단지에 대한 측정 데이터(measured wind power outputs)를 기반으로 제주 실측 풍력데이터를 이용하여 공간적인 상관관계 분석을 수행하고, 상관관계 감쇠거리(CDD; Correlation Decay Distance)를 적용하여 새로운 풍력발전단지에 대한 공간모델 적용 시 기존 풍력발전단지의 포함여부(set 또는 subset)를 결정하는 기준(Threshold)으로 활용하고자 한다. 이를 통해 풍력발전출력 예측에 공간모델을 적용하고, 정확도를 향상시키는 방안을 연구하고자한다.

• 풍력에너지저널
• /
• 제15권2호
• /
• pp.10-22
• /
• 2024

This research is a comprehensive analysis of wind power prediction sensitivity using a Long Short-Term Memory (LSTM) deep learning neural network model, accounting for the inherent uncertainties in wind speed estimation. Utilizing a year's worth of operational data from an operational wind farm, the study forecasts the power output of both individual wind turbines and the farm collectively. Predictions were made daily at intervals of 10 minutes and 1 hour over a span of three months. The model's forecast accuracy was evaluated by comparing the root mean square error (RMSE), normalized RMSE (NRMSE), and correlation coefficients with actual power output data. Moreover, the research investigated how inaccuracies in wind speed inputs affect the power prediction sensitivity of the model. By simulating wind speed errors within a normal distribution range of 1% to 15%, the study analyzed their influence on the accuracy of power predictions. This investigation provided insights into the required wind speed prediction error rate to achieve an 8% power prediction error threshold, meeting the incentive standards for forecasting systems in renewable energy generation.

• 한국통신학회논문지
• /
• 제42권5호
• /
• pp.1085-1092
• /
• 2017

본 논문은 풍력발전예측의 정확도 개선을 위하여 바람의 특성을 반영한 풍력발전량예측 방법을 제안한다. 제안한 방법은 크게 바람의 특성을 추출하는 부분과 발전량을 예측하는 부분으로 구성된다. 바람의 특성을 추출하는 부분은 발전량, 풍향과 풍속의 상관분석을 이용한다. 풍향과 풍속의 상관관계를 근거로 K-means 방법으로 클러스터링하여 특징 벡터를 추출한다. 예측하는 부분은 임의의 실수값을 예측 할 수 있도록 SVM을 일반화 한 SVR을 이용하여 기계학습을 한다. 기계학습은 바람의 특성을 반영한 제안한 방법과 바람의 특성을 반영하지 않은 기존방법을 비교 실험하였다. 또한, 제안한 방법의 정확도와 타당성을 검증하기 위하여 장소가 상이한 제주도 풍력발전단지 3지역에서 수집된 데이터를 사용하였다. 실험결과, 제안한 방법의 오차가 일반적인 풍력발전예측 오차보다 개선되었다.

• 한국신재생에너지학회:학술대회논문집
• /
• 한국신재생에너지학회 2011년도 춘계학술대회 초록집
• /
• pp.61.1-61.1
• /
• 2011

풍력 터빈은 복잡한 바람 조건에 노출되어 운용 되는 시스템으로서 경제성과 신뢰성을 확보하기 위해서는 이러한 조건하에서 시스템에 작용하는 정확한 공력 하중 예측이 필요하다. 여러 조건 중에서도 요에러는 풍향이 수시로 바뀌기 때문에 피할 수 없는 비정상 유동 중에 하나이다. 본 연구에서는 이러한 요에러 발생시 공력 하중예측을 적절히 예측하기 위해서 와류 격자 기법을 기반으로 하는 비선형 와류 보정기법을 적용하였다. 비선형 와류 보정기법은 실속 이후의 공력 예측을 위해 기지의 공력 테이블을 이용하는 방법으로서 실속 이후의 공력 테이블 값의 양력과 와류 격자 기법에서의 양력 값이 일치하도록 순환(circulation)을 분포시키는 기법이다. 또한 요에러시에 발생할 수 있는 동적 실속을 계산하기 위해 Beddoes-Leishmen 동적 실속 모델을 비선형 와류 보정 기법에 적용하는 연구를 수행하였다. 요에러시 공력 하중 예측에 관한 수치해석 기법 연구의 적절성을 알아보기 위해 NREL-Phase VI Rotor 실험 결과와 비교 하였다. 그 결과 기존의 여타의 기법들과 비교하여 본 연구에서 제안한 기법의 적절성을 확인 할 수 있었다. 앞으로 본 연구를 바탕으로 다양한 비정상 공력 조건에 대한 풍력 블레이드의 공력 하중 해석에 대해 수행할 계획이다.

• 한국신재생에너지학회:학술대회논문집
• /
• 한국신재생에너지학회 2011년도 추계학술대회 초록집
• /
• pp.33.1-33.1
• /
• 2011

풍력발전기가 점차 대형화되어가는 추세에 따라 블레이드 역시 점차 길어지고 무거워지는 경향을 보이고 있다. 이는 블레이드뿐만 아니라 풍력발전기 시스템 전체의 하중 및 비용의 증가를 불러오게 되므로, 시스템의 성능 및 하중에 가장 큰 영향을 끼치는 블레이드의 공력특성에 대한 연구가 전 세계적으로 지속되고 있다. 그 중에서도 특히 작동 중 오염에 의한 블레이드 표면 거칠기 변화는 블레이드의 공력특성을 변화시켜, 발전기 전체의 성능뿐만 아니라 전체 하중에도 영향을 끼치는 주요 인자이다. 따라서 풍력발전기 블레이드 설계 시에 예측된 설계하중과 실제 운용 환경에 의해 변화된 운용하중 간의 차이를 예측할 수 있다면, 블레이드 설계 시에 표면 거칠기 변화에 따른 영향을 고려함으로써 실제 운용 환경에 맞는 최적의 블레이드 및 풍력발전기 시스템 설계를 수행할 수 있다. 본 연구에서는 블레이드의 표면 거칠기 변화에 따라 풍력발전기 하중이 어떻게 영향을 받는지에 대하여 분석하였다. 이를 위하여 표면 거칠기 민감도를 고려하지 않고 설계된 기준 블레이드와, 운용 중 표면 거칠기가 변화된 블레이드의 2개 모델에 대한 하중해석을 수행하고 그 결과를 비교하였다. 보다 실제적인 해석을 위해 Multi-MW 급 풍력발전기 시스템 모델을 대상으로 최적 설계된 블레이드를 기준 모델로 삼았다. 하중계산방법은 IEC 및 GL 2010 가이드라인을 참고하였으며, 일부 주요 극한하중 상황에 대하여 해석을 수행하여 설계하중상황(design load case, DLC) 별로 하중의 증감 및 경향을 비교하였다.

• 대한기계학회논문집B
• /
• 제41권7호
• /
• pp.469-480
• /
• 2017

풍력발전단지에서 연간 에너지 생산량 예측의 정확도를 위해서는 바람 방향별 후류영향에 의한 풍속감소와 이에 따른 발전량 손실을 효과적으로 계산하여야 한다. 본 연구에서는 연간 에너지 생산량 예측을 위하여 방향별 후류영향을 고려한 계산 프로그램을 개발하고, 예측 적합성을 확인하기 위해 실제 풍력발전단지의 연간 에너지 생산량 분석 결과 및 기존 상용 소프트웨어의 계산결과와 비교하였다. 적용된 계산식들은 기존 이론들을 바탕으로 하고 있어 상용 소프트웨어와 동일하지만 풍향별 후류영향 범위의 계산과정에서 차이가 있다. 비교결과 개발 프로그램은 실제 풍력발전단지 전체 시스템 이용율에 1% 이내로 근접하였고 기존 상용 프로그램을 이용한 예측 결과보다 2% 이상 실제 연간 시스템 이용율에 근접하는 결과를 보여주었다.

• 응용통계연구
• /
• 제34권5호
• /
• pp.723-734
• /
• 2021

빠르게 발전하고 있는 재생에너지 중 하나인 풍력에너지는 기후변화 대응에 맞추어 개발 및 투자가 이루어지고있다. 신재생에너지 정책과 발전소 설치가 추진됨에 따라 국내 풍력 보급이 점차 확대되어 수요를 정확히 예측하기 위한 시도들이 확대되고 있다. 본 논문에서는 전남지역과 경북지역의 풍력 발전량 예측을 위하여 시계열 기법인 ARIMA, ARIMAX 모형과 기계학습 모형인 SVR, Random Forest, XGBoost 모형들을 비교 분석하였다. 모형의 예측 결과를 비교하기 위한 지표로서 mean absolute error (MAE)와 mean absolute percentage error (MAPE)를 사용하였다. 2018년 1월 1일부터 2020년 10월 24일까지의 시간별 원 데이터를 차분한 후 모형을 훈련시켜 2020년 10월 25일부터 2020년 10월 31일까지의 168시간에 대한 풍력 발전량을 예측하였다. 모형의 예측력 비교 결과, Random Forest와 XGBoost 모형이 전남지역, 경북지역 순으로 가장 우수한 성능을 보였다. 향후 연구에서는 기계학습뿐 아니라 최근 활발한 연구가 이루어지는 데이터 마이닝 기법 기반의 풍력 발전량 예측을 시도할 것이다.