KR101246044B1 - 주성분 분석 기법을 이용한 풍력 밀도 예측 방법 - Google Patents

주성분 분석 기법을 이용한 풍력 밀도 예측 방법 Download PDF

Info

Publication number
KR101246044B1
KR101246044B1 KR1020120086228A KR20120086228A KR101246044B1 KR 101246044 B1 KR101246044 B1 KR 101246044B1 KR 1020120086228 A KR1020120086228 A KR 1020120086228A KR 20120086228 A KR20120086228 A KR 20120086228A KR 101246044 B1 KR101246044 B1 KR 101246044B1
Authority
KR
South Korea
Prior art keywords
variable
principal component
altitude
wind
variable input
Prior art date
Application number
KR1020120086228A
Other languages
English (en)
Inventor
김현구
이영섭
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to KR1020120086228A priority Critical patent/KR101246044B1/ko
Application granted granted Critical
Publication of KR101246044B1 publication Critical patent/KR101246044B1/ko
Priority to EP13828344.5A priority patent/EP2884413B1/en
Priority to CN201380041901.9A priority patent/CN104520861B/zh
Priority to US14/420,190 priority patent/US20150204922A1/en
Priority to ES13828344T priority patent/ES2764826T3/es
Priority to PCT/KR2013/007077 priority patent/WO2014025188A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것으로, 더욱 상세하게는 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 종속변수인 풍력밀도, 향(a1~a7)과 지면거칠기(r1~r6)인 가변수 및 고도, 상대고도차, 개방도, 광역개방도, 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 독립변수들을 입력하는 변수 입력 단계(S100), 상기 변수 입력 단계(S100)에서 입력된 독립변수들을 고유값(Eigenvalue) 및 누적값(Cumulative)을 이용한 주성분 분석을 통해 복수 개의 주성분으로 분석하는 주성분 분석 단계(S200), 상기 변수 입력 단계(S100)에서 입력된 종속변수 및 가변수와, 상기 주성분 분석 단계(S200)에서 복수개의 주성분으로 분석된 독립변수들을 이용하여, 단계적 선택법에 의한 회귀분석을 수행하는 회귀분석 단계(S300) 및 상기 회귀분석 단계(S300)에서 산출된 회귀계수들을 이용하여 R2(R-square) 값이 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S400)를 포함하여 이루어지는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법 에 관한 것이다.

Description

주성분 분석 기법을 이용한 풍력 밀도 예측 방법{Wind power density prediction method using Principle component analysis technique}
본 발명은 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것으로, 더욱 상세하게는 독립변수들을 분산ㅇ공분산 관계를 이용하여, 선형결합으로 이루어지는 복수 개의 주성분으로 분류하고, 분류된 주성분 독립변수들을 다중공성선이 존재하지 않는 새로운 독립변수로 사용하여 종속변수인 풍력 밀도와의 선형관계를 추정할 수 있는 선형 회귀분석 모형을 제공하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것이다.
세계 풍력 에너지 개발의 중심축이 유럽에서 태평양으로 이동하고 있다. 유럽의 전통적 풍력 선진국의 지위에 도전하는 미국, 중국, 인도의 추격이 주목을 받고 있고 해상 풍력에 대한 영국 등 후발 주자들의 괄목할 만한 성과가 나타나고 있다.
미국은 육상 풍력 자원 잠재량을 판단하기 위해 지형학적, 기상학적 인자를 핵심 요소로 선정하여 분석하고 있다. 미국 재생에너지연구소(NREL; National Renewable Energy Labortory)에서는 풍력 밀도를 기준으로 풍력 등급을 구분하여 풍력 발전 타당성에 대한 참조 지표를 제공하고 있다.
덴마크는 풍력 자원의 정확한 진단과 평가, 계획 수립을 위해 실측 바람과 수치 바람, 즉 미시규모의 대기유동 모델과 광범위한 지역에 대응하는 중규모의 대기유동 모델을 이용하여 풍력 밀도의 공간 분포 특성을 연구한 바 있다. 그 중 본 발명에서 검토할 만한 의미를 갖는 것은 실측 바람과 수치 바람을 산출하는 가장 기본적이면서 공통적인 데이터가 지형 고도, 지형 경사도, 지면 거칠기 등과 같은 지형 인자라고 설명한 것이다. 산 또는 계곡과 같은 지형 특성을 표현하는 위도, 경도, 등고선 등의 지형 데이터, 초지, 산림, 도시와 같은 지면 특성을 표현하는 지면 거칠기 등의 지면 데이터를 핵심적인 입력 데이터로 활용함을 밝히고 있다. 미시규모 또는 중규모 수치 바람의 산출에 있어서 공통적으로 지형 및 지면 데이터가 사용되고 있다는 것은 풍력 자원이 지형 및 지면 특성과 높은 연관성을 갖고 있다는 것을 전제하고 있다고 판단되어, 본 발명에서는 이러한 과학적 추론에 기반을 두고 기상 관련 인자와 더불어 지형 고도, 지형 경사도, 지면 거칠기 등과 같은 지형 관련 인자를 분석 데이터에 포함하는 것을 고려한다.
우리나라의 경우에는 좁은 면적에 다양하고 복잡한 지형 특성이 나타나기 때문에 국지적인 규모의 지형과 풍력 자원과의 관계를 고찰한 연구가 대부분이다. 특히 매우 강한 바람이 나타나는 강원도 태백 산맥에 대한 연구가 주류를 이루고 있다. 또한 다양한 지형 인자에 대한 분석보다는 실측 바람을 이용하여 풍력 발전기를 설치하였을 때 생산 가능한 전력량을 계산한 연구가 대부분이다.
김정훈 외(2006)의 연구에 따르면 봄철 영동 지역에서 나타나는 강풍은 대부분 서풍 계열로 산악과 관련이 있다고 한다. 한선호 외(2007)는 태백 산맥의 지형이 서쪽으로 완만한 경사를 동쪽으로는 급경사를 이루고 있는 것과 관련하여 이러한 지형의 비대칭성이 바람장에 미치는 영향을 수치 모의 실험을 통해 분석하였다. 그 결과 좌우 대칭형 산악 지형에 비래 비대칭형 산악 지형에서 최대 강 풍력이 2시간 정도 빠르게 출현하여 연직적으로는 약 0.5km 정도 낮은 곳에서 약 4시간 동안 강 풍력이 지속되었다고 하였다. 또한 지표면 풍속의 경우에는 풍하측 산 경사면의 기울기가 비대칭적으로 가파른 지형의 풍속이 어느 정도의 지역에서까지는 증가하나 그 지점을 지나면 오히려 풍속이 감소한다고 한다. 이 연구는 단순히 경사도뿐만 아니라 지형의 비대칭성을 고려함으로써 다양한 지형 인자가 풍력 자원에 영향을 미치고 있음을 제시한 사례라고 볼 수 있다.
정우식 외(2009)는 수치 바람을 이용하여 동일한 기상학적 특성을 가지는 지역을 하나의 풍계로 구분함으로써 남한에는 10가지 이상의 풍계 지역이 존재하며 이들 풍계 지역을 구분하는 중요한 인자는 지형적 특성임을 설명하였다.
한편 우리나라의 풍력 자원 잠재량을 계산하고 풍력 발전 단지를 건설하기에 적합한 후보지를 선정하기 위한 목적으로 다양한 기상 및 지형 인자를 고려하여 중규모의 대기유동 모델을 이용하여 수치 바람을 산출함으로써 한반도 풍력 자원 지도를 작성한 김현구(2011)의 연구가 있다.
향후 치열해질 국가 간 풍력 발전 경쟁 대열에 주도적인 위치를 선점하기 위해 각국은 경쟁적으로 풍력 자원 지도를 작성하여 풍력 발전 국가 전략과 실행 정책을 수립하는 핵심 자료로 사용하는 추세이다.
이에, 풍력 자원 지도의 정밀화 작업에 발맞추어 육상 지역의 기상, 지형 및 지면 특성 중 풍력 밀도에 영향을 미치는 주요 변수를 추출하여 통계적 모형을 확보하는 것은 풍력 자원에 대한 이해도를 높이는 풍력 분야의 기초 연구에 해당된다.
한국등록특허[10-1020638]에는 미래 에너지 소비량 예측 방법에 관한 기술 내용이 개시되어 있으며, 한국공개특허[10-0095035]에는 수치 바람을 이용한 풍력 자원 지도화 방법에 관한 기술 내용이 개시되어 있다.
그러나 덴마크 및 한국공개특허[10-0095035] 등의 미시규모 또는 중규모의 대기유동 모델을 이용하여 수치 바람을 계산하여 풍력 밀도를 산출하는 종래 기술은 대기유동의 지배 방정식을 수치 해석적으로 해석하기 위하여 막대한 전산 자원 및 계산 시간을 필요로 하기 때문에 임의 지역의 풍력 밀도를 예측하기 위해서는 막대한 비용을 지불한다는 단점이 있다.
한국등록특허[10-1020638] 한국공개특허[10-0095035]
따라서, 본 발명은 상기한 바와 같은 종래 기술의 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 지리적인 요소인 독립변수들을 주성분 분석 기법을 수행하여 복수 개의 주성분 독립변수로 분류하고, 분류된 주성분 독립변수 및 가변수를 회귀분석함으로서, 종속변수인 풍력 밀도에 관한 지리 통계 방법론을 제공할 수 있도록 하는 주성분 분석 기법을 이용한 임의 지점의 풍력 밀도 예측 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법은, 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 종속변수인 풍력밀도, 향(a1~a7)과 지면거칠기(r1~r6)인 가변수 및 고도, 상대고도차, 개방도, 광역개방도, 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 독립변수들을 입력하는 변수 입력 단계(S100), 상기 변수 입력 단계(S100)에서 입력된 독립변수들을 고유값(Eigenvalue) 및 누적값(Cumulative)을 이용한 주성분 분석을 통해 복수 개의 주성분으로 분석하는 주성분 분석 단계(S200), 상기 변수 입력 단계(S100)에서 입력된 종속변수 및 가변수와, 상기 주성분 분석 단계(S200)에서 복수개의 주성분으로 분석된 독립변수들을 이용하여, 단계적 선택법에 의한 회귀분석을 수행하는 회귀분석 단계(S300) 및 상기 회귀분석 단계(S300)에서 산출된 회귀계수들을 이용하여 R2(R-square) 값이 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S400)를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태는 나타내며, 상기 향(a1~a7)은 경사면의 방향을 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 고도(DEM, Digital Elevation Model)는 지형을 일정 크기의 격자로 나누어 표고값을 나타내며, 상기 상대고도차는 해당 지역의 고도와 주변 지역의 고도의 비교값을 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 평균표고는 해당 지역의 고도의 평균을 나타내며, 상기 최고표고는 해당 지역의 고도의 최고치를 나타내고, 상기 최저표고는 해당 지역의 고도의 최저치를 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 기복량은 상기 최고표고와 최저표고의 차를 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 개방도는 해당 지역과 주변 지역들을 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정한 값을 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정하는 값을 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 경사도는 해당 지역의 가장 급한 활강면을 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 해안으로부터의 거리는 한국의 동해, 서해 및 남해 각각에서 해당 지역까지의 직선거리를 나타내는 것을 특징으로 한다.
바람직하게는, 상기 변수 입력 단계(S100)의 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되는 것을 특징으로 하되, 상기 재해석 기상자료는 NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 적어도 어느 하나인 것을 특징으로 한다.
바람직하게는, 상기 회귀분석 단계(S300)는 상기 주성분 분석 단계(S200)에서 분석된 복수 개의 주성분 중에 상기 고유값(Eigenvalue)이 미리 입력된 제 1 소정값 이상이거나, 상기 누적값(Cumulative)이 미리 입력된 제 2 소정값 이내인 적어도 하나 이상의 주성분을 선정하는 변수 선정 단계(S210), 상기 변수 입력 단계(S100)에서 입력된 종속변수에 변수 변환하는 변수 변환 단계(S220), 상기 변수 변환 단계(S220)에서 변환된 상기 종속변수에 대한 정규성을 판단하는 정규성 판단 단계(S230), 상기 변수 입력 단계(S100)에서 입력된 종속변수 및 상기 정규성 판단 단계(S230)에서 정규성이 있다고 판단된 상기 표준화된 종속변수 중 선택되는 어느 하나의 종속변수를 입력하는 종속변수 입력 단계(S240), 상기 변수 선정 단계(S210)에서 선정된 주성분를 이루고 있는 독립변수 중 선택되는 적어도 하나 이상의 독립변수를 입력하는 독립변수 입력 단계(S250) 및 상기 종속변수 입력 단계(S240)에서 입력된 종속변수와 상기 독립변수 입력 단계(S250)에서 입력된 독립변수 및 상기 변수 입력 단계(S100)에서 입력된 가변수들을 각각 입력받아 단계적 선택법에 의한 회귀분석을 적어도 한번 이상 수행하는 회귀분석 다중 수행 단계(S260)를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게는, 상기 변수 변환 단계(S220)의 변수 변환은 로그(Log) 변환, 루트(Sqrt) 변환 중 선택되는 어느 하나인 것을 특징으로 한다.
바람직하게는, 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식은 log(풍력밀도) = 4.87579 + (0.11583 × 제 1 주성분 독립변수) + (0.06275 × 제 2 주성분 독립변수) + (0.13119 × 제 3 주성분 독립변수) + (-0.17187 × 제 4 주성분 독립변수) + (0.40142 × r1) + (0.24001 × r2) + (0.20801 × r3) + (0.25655 × r4) + (0.26863 × r5) + (0.08658 × r6) + (-0.11419 × a1) + (-0.05256 × a2) + (-0.06328 × a3) + (-0.09685 × a4) + (-0.10314 × a5) + (-0.11079 ×a6) + (-0.06658 × a7)인 것을 특징으로 한다. (r1~r6은 지면거칠기, a1~a7은 향)
더 바람직하게는, 상기 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식의 결정계수(R2, R-square) 값은 0.5838인 것을 특징으로 한다.
상기와 같은 구성에 의한 본 발명의 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 향후 육상 풍력 자원 잠재량 산정 및 풍력 발전을 위한 단지 입지 전략 수립을 위한 과학적 토대를 마련하기 위하여, 재해석 기상자료 및 다양한 지형 데이터 등을 활용한 육상 밀도 분석에 관한 지리 통계 모형을 개발할 수 있도록 하는 효과를 얻을 수 있다.
또한, 풍력 밀도 통계 모형은 임의(선택) 지점의 풍력 밀도를 예측함에 있어 종래 기술은 막대한 비용과 시간을 소보함에 비하여, 적은 비용과 즉각적인 계산결과를 제공한다는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 대한 순서도이다.
도 2는 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법을 상세하게 나타낸 순서도이다.
도 3은 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법의 종속변수인 풍력밀도를 나타내는 지도이다.
도 4는 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법의 주성분 중에 제 1 소정값 이상인 주성분 독립변수 선정에 따른 결과를 나타낸 도면이다.
도 5는 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에서 독립변수들의 선형결합으로 인해 분류되는 복수 개의 주성분을 생성하는 과정을 나타낸 도면이다.
도 6은 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에서 수행한 회귀분석 결과를 나타낸 도면이다.
도 7은 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 주성분 분석 기법을 이용한 풍력 밀도 예측 방법의 회귀분석의 R2(R-square) 값을 나타낸 도면이다.
이하 첨부한 도면들을 참조하여 본 발명의 주성분 분석 기법을 이용한 풍력 밀도 예측 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
도 1은 본 발명의 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법을 나타낸 순서도이며, 도 1을 참조로 하여, 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 대해서 상세히 설명한다.
본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법은 변수 입력 단계(S100), 주성분 분석 단계(S200), 회귀분석 단계(S300) 및 다중 회귀식 추정 단계(S400)를 포함하여 이루어질 수 있다.
또한, 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어질 수 있다.
일반적으로 회귀분석(Regression analysis)이란, 둘 또는 그 이상의 변수들 간의 상관관계를 파악하여, 다시 말하자면, 어떤 특정한 변수(종속변수)의 값을 다른 한 개 또는 그 이상의 변수(독립변수)들과의 상관관계를 파악하여, 이를 통해서 종속변수에 대해서 설명할 수 있고, 예측할 수 있는 통계적 기법을 의미한다.
따라서, 회귀분석을 상관관계의 연관성(Association)과 인과모형의 인과성(Causation)을 종합한 개념으로 정리할 수도 있으며, 계량적 종속 변수와 하나 혹은 그 이상의 독립변수들 간의 관계, 즉, 관련성을 분석하는 데 있어서, 매우 강력한 분석력을 갖고 있다. 또한, 적응성이 뛰어난 특성을 가지고 있으며, 회귀분석의 일반적인 형태는 1차 방정식의 함수관계로 나타낼 수 있다.
이러한 회귀분석은 단순회귀분석(Simple regression analysis)와 다중회귀분석(Multiple regression analysis)으로 나눌 수 있으며, 상기 단순회귀분석은 하나의 독립변수를 이용하여 종속변수를 설명, 예측하는 것을 의미하며, 상기 다중회귀분석은 여러 개의 독립변수와 종속변수 사이의 관계를 이용하여, 종속변수를 설명, 예측하는 것을 의미한다.
상기 변수 입력 단계(S100)는 종속변수인 풍력밀도와, 가변수화된 향(Aspect)과 지면거칠기를 입력할 수 있으며, 또한, 지형정보인 고도, 평균표고, 최고표고, 최저표고, 상대고도, 기복량, 해안으로부터의 거리, 경사도, 상대경사도, 개방도, 광역개방도 및 재해석 기상자료인 독립변수들을 입력할 수 있다.
상기 풍력밀도(Wind power density)의 수치 바람 데이터는 도 3에 도시된 바와 같이, 한국에너지기술연구원에서 구축한 1kmㅧ1km의 공간해상도를 갖는 국가 바람지도를 사용할 수 있으며, 상기 풍력밀도는 종속변수로 사용될 수 있다. 아울러, 풍력밀도가 높다는 것은 바람의 파워가 높다는 의미를 가지며, 풍력밀도의 단위는 W/m2를 사용할 수 있다.
가변수화된 상기 향은 경사면의 방향을 나타내는 것으로, 특정 지점에서 가장 경사도가 큰 방향으로 정의된다. 일반적으로 지형의 주 방향에 따른 특성을 파악하기 위해 사용된다. 향 변수는 데이터가 0∼360도로 되어있다. 데이터의 일관성을 유지하기 위해서 360도는 0도로, 음수인 값은 양수로 변환한다. 분석을 용이하게 하기 위해 8개로 범주화하여 사용하며 8개의 범주는 북~북동(0도 이상 45도 미만), 북동~동(45도 이상 90도 미만), 동~남동(90도 이상 135도 미만), 남동~남(135도 이상 180도 미만), 남~남서(180도 이상 225도 미만), 남서~서(225도 이상 270도 미만), 서~북서(270도 이상 315도 미만) 및 북서~북(315도 이상 360도 미만)으로 구분한다. 이때, 8개의 범주를 7개(a1~a7)의 가변수로 변환하여 사용할 수 있다.
하기의 표 1을 참고로 하여 가변수화된 상기 향을 확인할 수 있다.
풍향 a1 a2 a3 a4 a5 a6 a7
[0,45) N~NE 1 0 0 0 0 0 0
[45,90) NE~E 0 1 0 0 0 0 0
[90,135) E~SE 0 0 1 0 0 0 0
[135,180) SE~S 0 0 0 1 0 0 0
[180,225) S~SW 0 0 0 0 1 0 0
[225,270) SW~W 0 0 0 0 0 1 0
[270,315) W~NW 0 0 0 0 0 0 1
[315,360) NW~N 0 0 0 0 0 0 0
또한, 가변수화된 상기 지면거칠기는 토지이용도에 따른 지표면의 거칠기 형태를 의미하는 것으로, 환경부에서 구축한 토지피복분류도를 사용할 수 있다. 지면거칠기는 수역, 농경지, 전답지, 목초지, 과수지, 산림, 도심지 등으로 분류할 수 있으며 지표면 분류에 따라 그에 해당하는 거칠기 요소의 높이를 m로 변환하여 사용할 수 있다. 우리나라는 지형의 복잡성뿐만 아니라 산림과 도시, 농작지가 복합적으로 산재하고 있어 피복상태가 대단히 복잡하다. 이러한 피복상태가 바람의 흐름을 가속화시키기거나 더디게 하는 요인으로 작용할 것이라고 가정하여 지면거칠기와 풍력밀도의 상관성을 측정하기 위한 독립변수로 사용할 수 있다. 지면거칠기의 분석을 용이하게 하기 위해 상기 7개의 범주를 사용하는 경우 각각의 범주에 해당하는 거칠기 높이는 0.0001m, 0.05m, 0.1m, 0.15m, 0.25m, 0.5m 및 0.8m가 대응될 수 있다. 이때, 7개의 범주를 6개(r1~r6)의 가변수(dummy variable)로 변환하여 사용할 수 있다.
하기의 표 2을 참고로 하여 가변수화된 상기 지면거칠기를 확인할 수 있다.
토지 이용도 지면거칠기 높이 r1 r2 r3 r4 r5 r6
수역 0.0001m 1 0 0 0 0 0
농경지 0.05m 0 1 0 0 0 0
전답지 0.1m 0 0 1 0 0 0
목초지 0.15m 0 0 0 1 0 0
과수지 0.2m 0 0 0 0 1 0
산림 0.5m 0 0 0 0 0 1
도심지 0.8m 0 0 0 0 0 0
독립변수인 상기 고도, 즉, 지형고도(terrain elevation)의 디지털 데이터 형식인 수치고도모형(DEM, Digital Elevation Model)은 지형을 일정 크기의 격자로 나누어 표고값을 기록한 것으로, 각 지점의 표고는 해수면으로부터의 높이로 측정될 수 있다. 상기 고도의 공간해상도는 1kmㅧ1km로 제작할 수 있으며, 국ㅇ내외 연구에서 지형의 고도는 바람 강도에 상당히 영향을 주는 것으로 알려져 있기 때문에, 실제로 국내의 경우 많은 육상 풍력 발전 단지가 대관령, 태백, 태기산 등과 같은 고지대에 위치하고 있다.
상기 평균표고는 1km 고도 자료를 사용하여 생성할 경우, 4ㅧ4 격자 내의 고도를 평균하여 나타낼 수 있으며,
상기 최고표고는 1km 고도 자료를 사용하여 생성할 경우, 4ㅧ4 격자 내의 고도 중 최고치를 통해 나타낼 수 있다.
또한, 상기 최저표고는 1km 고도 자료를 사용하여 생성할 경우, 4ㅧ4 격자 내의 고도 중 최저치를 통해 나타낼 수 있다.
상기 상대고도차는 해당 지역의 고도과 주변 지역의 고도를 비교하여, 높은지 낮은지 판별하여 주며, 주변 지역과의 고도 차이 때문에 발생할 수 있는 난기류 및 풍속 증감의 영향을 고려하기 위해 구축할 수 있다. 즉, 다시 말하자면, 고도를 기반으로 하여 특정 지역의 고도값과, 이 지역의 8 방위에 존재하는 지형들의 고도값의 차이를 계산하여 구축할 수 있다. GIS 공간데이터를 중심으로 설명하자면, 특정 셀의 고도 값에서 해당 셀에 인접해 있는 8개의 셀들이 갖고 있는 고도값의 평균값 차이를 계산할 것으로, 양수(+)는 해당 지역의 고도가 주변보다 높은 것을 의미하며, 음수(-)는 해당 지역의 고도가 주변보다 낮은 것으로 해석될 수 있다.
상기 기복량은 지형의 특성을 나타내는 지표의 하나로써, 상기 최고표고와 최저표고의 차를 나타낸다. 예를 들자면, 해발고도가 같은 산지와 대지에서는 산지가 대지보가 기복이 크다. 즉, 일정한 기준에 의해서 측정한 기복의 대소, 즉, 상기 기복량은 지형의 분류나 지형구의 설정 및 지형의 발달 정도의 식별 등의 유력한 지표가 될 수 있다.
상기 해안으로부터의 거리는 동해, 서해, 남해 각각에서 한반도 중앙지역까지의 직선거리를 계산하여 나타낼 수 있다.
상기 경사도는 해당 지역의 가장 급한 활강면을 나타내며, 국내 연구 사례에서 한선호 외(2007)는 경사도가 비대칭인 산맥에서의 바람 강도 변화를 연구하였는데, 연구 결과에 따라서, 경사도의 차이가 바람의 세기에 영향을 줄 것으로 가정할 수 있다. GIS 공간데이터를 중심으로 설명하자면, 해당 셀을 중심으로 주변 셀들의 고도 값의 최대 변화율로 계산될 수 있으며, 즉, 해당 셀과 그 인접한 8개의 셀들의 거리에 따른 고도의 최대 변화량이 셀의 가파른 정도로 정의된다.
상기 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내며, 해당 지역의 경사도 뿐만 아니라, 이를 에워싼 주변 지역의 경사도를 고려하여 상대경사도를 구축할 수 있다. 이는 바람이라는 것은 지표면을 따라 연속적으로 흐르는 것이며, 공간적으로 급격히 변화하지 않기 때문에 광역적인 지형의 변화 속에서 바람을 해석해야 한다고 판단할 수 있기 때문에다. GIS 공간데이터를 중심으로 설명하자면, 해당 셀과 그에 인접한 8개의 셀의 평균 경사도와 해당 셀에서 가장 가까운 주변 24개의 셀의 평균 경사도 차이를 계산하여 상대경사도 데이터를 구축할 수 있다.
상기 개방도는 해당 지역과 주변 지역을 비교하였을 때, 지형적으로 얼마나 막혀있지 않은가를 나타내는 것으로써, 바람이 지형에 부딪혀 그 세기가 감소하는 것에 연관되어 있다. 미국의 사례에서 고도뿐만 아니라, 해당 지역이 얼마나 바람이 쉽게 통과할 수 있는 지형인가에 따라 바람의 강도가 상이했던 사례를 고려하여, 지형 개방도 데이터를 구축하고 있다. 예를 들자면, 격자 모양의 셀들로 지형을 구분하였을 경우, 개방도=(중심 셀 + 주변 8개의 셀 / 9)-(중심 셀 + 주변 24개의 셀 / 25) 같이 나타낼 수 있다.
또한, 상기 개방도는 구축된 고도 데이터를 기반으로 할 수 있으며, 특정 셀(Cell)을 중심으로 주변 셀들과의 고도값의 차이를 계산하여 나타낼 수 있다. 다시 말하자면, 값이 높을수록 해당 지역은 주변 지역들과 비교하여 고도가 높아 상기 개방도가 높은 것으로 판단할 수 있으며, 값이 낮을수록 주변 지역들과 비교하여 고도가 낮아 상기 개방도가 낮은 것으로 판단할 수 있다.
상기 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 지형적으로 얼마나 막혀있지 않은가를 나타내는 것으로, 다시 말하자면, 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하였을 때, 지형적으로 얼마나 막혀있지 않은가를 측정하여, 바람이 지형에 부딪혀 그 세기가 감소하는 것과 연관할 수 있다. 사용된 고도 자료의 공간해상도가 1km라고 가정할 경우, 상기 개방도보다 1km 넓어진 영역에서의 지형적 특성을 수치적으로 계산할 수 있다. 예를 들자면, 격자 모양의 셀들로 지형을 구분하였을 경우, 광역개방도 = (중심 셀 + 주변 8개의 셀 / 9) - (중심 셀 + 주변 48개의 셀 / 49) 같이 계산할 수 있다. 즉, 다시 말하자면, 값이 높을수록 해당 지역은 주변 지역들과 비교하여, 고도가 높아 상기 광역개방도가 높은 것으로 판단할 수 있으며, 낮을수록 주변 지역들과 비교하여, 고도가 낮아 상기 광역개방도가 낮은 것으로 판단할 수 있다.
상기 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되며, NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 어느 하나일 수 있다. 또한, 지표면의 영향을 배제한 지표층 표준압력면에서 산출된 풍력밀도로서, 단위는 W/m2이며, 상기 재해석 기상자료의 주된 용도는 일기예보를 위하여 물리방정식을 수치적으로 해석하는 중규모의 대기유동 모델의 입력자료로 사용된다. 그러나, 상기 재해석 기상자료는 공간해상도가 수십 km 이상으로 매우 넓을 뿐 아니라, 지표면의 영향이 배제되었기 때문에 상기 재해석 기상자료만으로 선택 지점의 풍력밀도를 산정하기에는 부적합하다.
상기 주성분 분석 단계(S200)는 상기 변수 입력 단계(S100)에서 입력된 독립변수들을 고유값(Eigenvalue) 및 누적값(Cumulative)을 이용한 주성분 분석을 통해 복수 개의 주성분 독립변수로 분석할 수 있다. 예를 들자면, 도 5에 도시된 바와 같이, 각각의 독립변수들이 가지고 있는 고유값을 이용하여 복수 개의 주성분 독립변수로 분석한다. 본 발명의 일 실시예에 따른 주성분 독립변수 분석은 도 4에 도시된 바와 같이, 4개의 주성분 독립변수, 즉, Prin1, 2, 3 및 4로 분석할 수 있으며, 상기 Prin1은 고도 관련 변수, 상기 Prin2는 개방도 관련 변수, 상기 Prin3은 경사도와 재해석 기상자료 관련 변수 및 상기 Prin4는 해안으로부터의 거리 관련 변수의 특징을 가지고 있는 것을 확인할 수 있다. 상기 4개의 주성분 독립변수는 본 발명의 일 실시예에 불과하다.
상기 회귀분석 단계(S300)는 도 2에 도시된 바와 같이, 변수 입력 단계(S210), 변수 변환 단계(S220), 정규성 판단 단계(S230), 종속변수 입력 단계(S3240), 독립변수 입력 단계(S250), 회귀분석 다중 수행 단계(S260) 및 최적 회귀분석 선택 단계(S270)를 포함하여 이루어질 수 있으며, 상기 변수 입력 단계(S100)에서 입력된 종속변수 및 가변수화된 독립변수와, 주성분 분석을 이용하여 선정된 주성분 독립변수를 입력받아 단계적 선택법에 의한 회귀분석을 수행할 수 있다.
상기 변수 선정 단계(S210)는 상기 주성분 분석 단계(S200)에서 분석된 복수 개의 주성분 독립변수 중에 상기 고유값(Eigenvalue)이 미리 입력된 제 1 소정값 이상이거나, 또는 누적값(Cumulative)이 미리 입력된 제 2 소정값 이내인 적어도 하나 이상의 주성분 독립변수를 선정할 수 있다.
이때, 상기 제 1 소정값은 1이며, 상기 제 2 소정값은 0.7~0.8 일 수 있다.
상기 변수 변환 단계(S220)는 상기 종속변수에 대해 각가의 정규성을 확보하기 위해서, 상기 변수 입력 단계(S100)에서 입력된 종속변수의 변수 변환을 적어도 한 가지 이상 수행할 수 있다.
회귀분석은 정규 분포를 가정해서 만든 것이므로, 비정규성이 특징인 데이터를 분석하려면 데이터의 변환 과정을 통해서 정규화하는 작업을 수행해야 한다. 예를 들자면, 상기 종속변수, 즉, 풍력밀도에 대해서는, 로그 변환 또는 루트 변환을 수행할 수 있다.
더불어, 수역, 농작지, 산림지, 도심지 등의 상기 지면거칠기와 NE_E, E_SE, N_NE, S_SW 등의 상기 향은 불연속 변수로서 변수값을 표준화할 경우 통계 해석에 어려움이 있으므로, 상기 지면거칠기와 향을 더미 변수로 변환함으로써, 가변수화하여 분석을 실행할 수 있다. 이때, 상기 더미 변수는 어떤 조건에 해당할 때만 1이고, 그 이외의 경우에는 0이 되는 변수를 의미한다.
상기 정규성 판단 단계(S230)는 상기 변수 변환 단계(S220)에서 변환된 상기 종속변수에 대한 정규성을 판단할 수 있다.
상기 종속변수 입력 단계(S240)는 상기 변수 입력 단계(S100)에서 입력된 종속변수 및 상기 정규성 판단 단계(S230)에서 정규성이 있다고 판단된 상기 표준화된 종속변수 중 선택되는 어느 하나의 종속변수를 입력할 수 있다.
상기 독립변수 입력 단계(S250)는 상기 변수 선정 단계(S210)에서 선정된 주성분 독립변수를 이루고 있는 독립변수 중 선택되는 적어도 어느 하나 이상의 독립변수를 입력할 수 있다.
회귀분석 다중 수행 단계(S260)는 상기 종속변수 입력 단계(S240)에서 입력된 종속변수와 상기 독립변수 입력 단계(S250)에서 입력된 독립변수 및 상기 변수 입력 단계(S100)에 입력된 가변수들을 각각 입력받아 단계적 선택법에 의한 회귀분석을 적어도 한번 이상 수행할 수 있다.
이때, 회귀분석이란, 종속변수가 다른 몇 개의 독립변수로 어떻게 설명, 예측되는지를 알아보는 통계적 방법을 의미하며, 일반적으로, 종속변수에 영향을 미치거나 원인이 될 만한 독립변수의 수는 매우 많을 것이다. 가능한 모든 후보 변수들을 독립변수로 이용하여, 예측 모형을 만들게 되면, 데이터를 수집하고 관리하는데 많은 노력과 비용이 필요하게 될 뿐만 아니라, 소위 다중 공선성과 같은 문제가 발생하게 되어 일부 회귀계수 추정치의 분산과 예측값의 분산이 매우 커지게 되어, 많은 독립변수를 이용함에도 불구하고, 이를 신뢰할 수 없게 된다.
이에 따라, 불필요한 변수들이 들어 있는 완전 모형보다는 필요한 변수들만 들어 있는 축소 모형이 보다 바람직한 회귀모형이라 할 수 있으며, 이러한 모형을 선택하는 방법으로는 전진 선택법, 후진 소거법 및 단계적 선택법이 있다.
상기 전진 선택법은 독립변수를 종속변수에 대해 각 변수의 기여도가 큰 순서에 따라 하나씩 추가하면서 선택하는 방법이며, 이 방법은 계산 시간이 빠르다는 장점은 있지만, 한 번 선택된 변수는 절대로 제거되지 않는다는 단점이 있다.
상기 후진 소거법은 모든 변수를 포함하는 완전 모형으로부터 시작하여, 종속변수에 대해 기여도가 낮은 독립변수를 하나씩 제거해 나가는 방법이며, 이 방법은 중요한 변수가 모형에서 제외될 가능성이 적으므로 비교적 안전한 방법일 수 있지만, 한 번 제외된 변수는 다시 선택되지 못한다는 단점이 있다.
상기 단계적 선택법은 상기 전진 선택법에 후진 소거법을 결합한 것으로써, 매 단계마다 선택과 제거를 반복하면서, 중요한 독립변수를 찾아내는 방법이다. 이 방법은 중요한 변수를 하나씩 추가로 선택하면서, 이미 선택된 변수들이 제거될 수 있는지를 매 단계마다 검토할 수 있다. 다시 말하자면, 중요한 변수를 하나씩 추가, 선택하되, 이미 모형에 들어간 변수들이 제거될 수 있는 지를 단계별로 검토할 수 있다.
이에 따라, 선택된 특정 독립변수들 및 종속변수와 가변수로 단계적 선택법에 의한 회귀 분석을 수행할 수 있다.
상기 다중 회귀식 추정 단계(S400)는 상기 회귀분석 다중 수행 단계(S260)를 수행하면서, 산출된 각각의 회귀계수들을 이용하여, 이 중 상기 다중 회귀식의 결정계수(R2, R-square)값이 가장 높게 나오는 주성분 다중 회귀식을 선택할 수 있다.
도 7에 도시된 바와 같이, 결정계수(R2)는 표본회귀선이 종속변수인 Y의 변동량을 어느정도 설명해주느냐를 나타낼 수 있으며, SSR/SST(SSR: Model의 Sum of Square 값, SST: Corrected Total 의 Sum of Square 값)의 결과값으로 구할 수 있다.
상기 회귀분석 다중 수행 단계(S260)를 통해서, 도 6에 도시된 바와 같이, 단계적 선택법에 의한 회귀분석의 결과값인 각 회귀계수에 대한 추정치와 표준오차, t 값 및 유의확률을 산출할 수 있다. 아울러, 회귀분석의 일반적인 형태는 1차 방정식의 함수관계로 나타낼 수 있으며, 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 따른 주성분 다중 회귀식은 하기의 식으로 나타낼 수 있다.
log(풍력밀도) = 4.87579 + (0.11583 × 제 1 주성분 독립변수) + (0.06275 × 제 2 주성분 독립변수) + (0.13119 × 제 3 주성분 독립변수) + (-0.17187 × 제 4 주성분 독립변수) + (0.40142 × r1) + (0.24001 × r2) + (0.20801 × r3) + (0.25655 × r4) + (0.26863 × r5) + (0.08658 × r6) + (-0.11419 × a1) + (-0.05256 × a2) + (-0.06328 × a3) + (-0.09685 × a4) + (-0.10314 × a5) + (-0.11079 × a6) + (-0.06658 × a7)
이 때, r1~r6은 가변수화된 지면거칠기이며,
a1~a6은 가변수화된 향을 의미한다.
이 때, 상기 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식의 결정계수(R2, R-square) 값은 상기 주성분 다중 회귀식의 결정계수(R2) 값은 0.5838인 것을 특징으로 할 수 있다.
상기 주성분 다중 회귀식은 언급된 기상요소 및 지형요소 이외에 다양한 독립변수의 데이터를 슈퍼 컴퓨터에 입력하고 중규모 대기유동의 물리방정식을 수치 해석함으로써, 엄청난 전산 자원과 계산 시간을 활용하여 풍력밀도를 예측할 수 있는 종래의 방법과 비교하여, 간편하고 빠르게 실제 데이터 분포를 62.67%의 신뢰도를 갖는 상기 주성분 다중 회귀식을 구할 수 있다는 장점이 있다.
즉, 다시 말하자면, 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 따른 회귀분석을 실시하는 경우, 상기 변수 변환 단계(S220)에서 로그 변환한 종속변수와 상기 변수 선정 단계(S210)에서 독립변수를 주성분 분석하여 선정된 4개의 주성분 독립변수 및 향과 지면거칠기를 통한 13개의 가변수를 이용할 수 있다. 또한, 분석시 제거되는 변수는 존재하지 않으며, 상기 풍력밀도에는 고도 관련 변수인 상기 Prin1이 가장 큰 영향을 미치며, 해안으로부터의 거리 관련 변수인 상기 Prin4, 경사도와 재해석 기상자료 관련 변수인 Prin3, 지면거칠기 0.15, 지면거칠기 0.05 순으로 풍력 밀도에 영향을 미칠 수 있다. 이에 따라, 주성분 다중 회귀식의 R2(R-square) 값이 0.5838인 경우, 가장 최적의 회귀분석일 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
S100 내지 S400 : 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.

Claims (15)

  1. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서,
    종속변수인 풍력밀도, 향(a1~a7)과 지면거칠기(r1~r6)인 가변수 및 고도, 상대고도차, 개방도, 광역개방도, 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 독립변수들을 입력하는 변수 입력 단계(S100);
    상기 변수 입력 단계(S100)에서 입력된 독립변수들을 고유값(Eigenvalue) 및 누적값(Cumulative)을 이용한 주성분 분석을 통해 복수 개의 주성분으로 분석하는 주성분 분석 단계(S200);
    상기 변수 입력 단계(S100)에서 입력된 종속변수 및 가변수와, 상기 주성분 분석 단계(S200)에서 복수개의 주성분으로 분석된 독립변수들을 이용하여, 단계적 선택법에 의한 회귀분석을 수행하는 회귀분석 단계(S300); 및
    상기 회귀분석 단계(S300)에서 산출된 회귀계수들을 이용한 다중 회귀식들 중에서 R2(R-square) 값이 가장 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S400);
    를 포함하여 이루어지는 것을 특징으로 하며,
    상기 회귀분석 단계(S300)는
    상기 주성분 분석 단계(S200)에서 분석된 복수 개의 주성분 중에 상기 고유값(Eigenvalue)이 미리 입력된 제 1 소정값 이상이거나, 상기 누적값(Cumulative)이 미리 입력된 제 2 소정값 이내인 적어도 하나 이상의 주성분을 선정하는 변수 선정 단계(S210);
    상기 변수 입력 단계(S100)에서 입력된 종속변수에 변수 변환하는 변수 변환 단계(S220);
    상기 변수 변환 단계(S220)에서 변환된 상기 종속변수에 대한 정규성을 판단하는 정규성 판단 단계(S230);
    상기 변수 입력 단계(S100)에서 입력된 종속변수 및 상기 정규성 판단 단계(S230)에서 정규성이 있다고 판단된 상기 종속변수 중 선택되는 어느 하나의 종속변수를 입력하는 종속변수 입력 단계(S240);
    상기 변수 선정 단계(S210)에서 선정된 주성분를 이루고 있는 독립변수 중 선택되는 적어도 하나 이상의 독립변수를 입력하는 독립변수 입력 단계(S250); 및
    상기 종속변수 입력 단계(S240)에서 입력된 종속변수와 상기 독립변수 입력 단계(S250)에서 입력된 독립변수 및 상기 변수 입력 단계(S100)에서 입력된 가변수들을 각각 입력받아 단계적 선택법에 의한 회귀분석을 적어도 한번 이상 수행하는 회귀분석 다중 수행 단계(S260);
    로 이루어지는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  2. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태는 나타내며,
    상기 향(a1~a7)은 경사면의 방향을 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  3. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 고도(DEM, Digital Elevation Model)는 지형을 일정 크기의 격자로 나누어 표고값을 나타내며,
    상기 상대고도차는 해당 지역의 고도와 주변 지역의 고도의 비교값을 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  4. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 평균표고는 해당 지역의 고도의 평균을 나타내며,
    상기 최고표고는 해당 지역의 고도의 최고치를 나타내고,
    상기 최저표고는 해당 지역의 고도의 최저치를 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력밀도 예측 방법.
  5. 제 4항에 있어서,
    상기 변수 입력 단계(S100)의 기복량은
    상기 최고표고와 최저표고의 차를 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력밀도 예측 방법.
  6. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 개방도는
    해당 지역과 주변 지역들을 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정한 값을 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  7. 제 6항에 있어서,
    상기 변수 입력 단계(S100)의 광역개방도는
    해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정하는 값을 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  8. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 경사도는
    해당 지역의 가장 급한 활강면을 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  9. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 상대경사도는
    해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  10. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 해안으로부터의 거리는
    한국의 동해, 서해 및 남해 각각에서 해당 지역까지의 직선거리를 나타내는 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  11. 제 1항에 있어서,
    상기 변수 입력 단계(S100)의 재해석 기상자료는
    일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되는 것을 특징으로 하되,
    상기 재해석 기상자료는 NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 적어도 어느 하나인 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  12. 삭제
  13. 제 1항에 있어서,
    상기 변수 변환 단계(S220)의 변수 변환은
    로그(Log) 변환, 루트(Sqrt) 변환 중 선택되는 어느 하나인 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  14. 제 1항에 있어서,
    한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식은
    log(풍력밀도) = 4.87579 + (0.11583 × 제 1 주성분 독립변수) + (0.06275 × 제 2 주성분 독립변수) + (0.13119 × 제 3 주성분 독립변수) + (-0.17187 × 제 4 주성분 독립변수) + (0.40142 × r1) + (0.24001 × r2) + (0.20801 × r3) + (0.25655 × r4) + (0.26863 × r5) + (0.08658 × r6) + (-0.11419 × a1) + (-0.05256 × a2) + (-0.06328 × a3) + (-0.09685 × a4) + (-0.10314 × a5) + (-0.11079 × a6) + (-0.06658 × a7)
    (r1~r6은 지면거칠기, a1~a7은 향)
    인 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
  15. 제 14항에 있어서,
    상기 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식의 결정계수(R2, R-square) 값은
    0.5838인 것을 특징으로 하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
KR1020120086228A 2012-08-07 2012-08-07 주성분 분석 기법을 이용한 풍력 밀도 예측 방법 KR101246044B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020120086228A KR101246044B1 (ko) 2012-08-07 2012-08-07 주성분 분석 기법을 이용한 풍력 밀도 예측 방법
EP13828344.5A EP2884413B1 (en) 2012-08-07 2013-08-06 Method for predicting wind power density
CN201380041901.9A CN104520861B (zh) 2012-08-07 2013-08-06 风功率密度预测方法
US14/420,190 US20150204922A1 (en) 2012-08-07 2013-08-06 Method for Predicting Wind Power Density
ES13828344T ES2764826T3 (es) 2012-08-07 2013-08-06 Método para predecir la densidad de energía eólica
PCT/KR2013/007077 WO2014025188A1 (ko) 2012-08-07 2013-08-06 풍력 밀도 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120086228A KR101246044B1 (ko) 2012-08-07 2012-08-07 주성분 분석 기법을 이용한 풍력 밀도 예측 방법

Publications (1)

Publication Number Publication Date
KR101246044B1 true KR101246044B1 (ko) 2013-03-26

Family

ID=48182316

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120086228A KR101246044B1 (ko) 2012-08-07 2012-08-07 주성분 분석 기법을 이용한 풍력 밀도 예측 방법

Country Status (1)

Country Link
KR (1) KR101246044B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180041363A (ko) * 2016-10-14 2018-04-24 국방과학연구소 비행체의 유동속도 및 유동각을 도출하는 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
풍력발전 예보시스템 KIER Forecaster의 개발, 2006.06. *
한국태양에너지학회논문집 vol.23, No1, 2003(복잡지형에서의 WAsP 예측성 평가) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180041363A (ko) * 2016-10-14 2018-04-24 국방과학연구소 비행체의 유동속도 및 유동각을 도출하는 방법
KR101852686B1 (ko) 2016-10-14 2018-06-04 국방과학연구소 비행체의 유동속도 및 유동각을 도출하는 방법

Similar Documents

Publication Publication Date Title
CN111401634B (zh) 一种获取气候信息处理方法、系统、存储介质
Carvalho et al. Offshore winds and wind energy production estimates derived from ASCAT, OSCAT, numerical weather prediction models and buoys–A comparative study for the Iberian Peninsula Atlantic coast
CN104520861B (zh) 风功率密度预测方法
CN111651885A (zh) 一种智慧型海绵城市洪涝预报方法
CN104462660B (zh) 一种野外输电线路冬季覆冰厚度分布绘制方法
KR101264873B1 (ko) 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법
CN111665575B (zh) 一种基于统计动力的中长期降雨分级耦合预报方法及系统
CN113591572A (zh) 基于多源数据和多时相数据的水土流失定量监测方法
CN111428942A (zh) 基于变网格技术提取微地形因子的线路覆冰厚度预测方法
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
CN104268429A (zh) 基于星载sar的近海岸海上风能资源遥感方法及系统
Neri et al. Importance of the informative content in the study area when regionalising rainfall-runoff model parameters: the role of nested catchments and gauging station density
CN115099162A (zh) 一种复杂地形下风场的订正方法
CN112700349A (zh) 测风塔选址方法和装置
KR101246044B1 (ko) 주성분 분석 기법을 이용한 풍력 밀도 예측 방법
CN112001090A (zh) 一种风场数值模拟方法
CN115758856A (zh) 一种景观格局及气候变化对流域未来水质影响的研究方法
KR102518134B1 (ko) 기후 예보 및 분석을 위한 구역 설정 방법 및 그 시스템
CN114818857A (zh) 一种积雪深度融合方法
Neykov et al. Linking atmospheric circulation to daily precipitation patterns over the territory of Bulgaria
da Silveira et al. Observational Investigation of the Statistical Properties of Surface-Layer Turbulence in a Suburban Area of São Paulo, Brazil: Objective Analysis of Scaling-Parameter Accuracy and Uncertainties
Dhanya et al. Improved rainfall simulation by assimilating Oceansat-2 surface winds using ensemble Kalman filter for a heavy rainfall event over South India
Assouline et al. Machine learning and geographic information systems for large-scale wind energy potential estimation in rural areas
Zhang et al. Spatial Distribution of High-temperature Risk with a Return Period of Different Years in the Yangtze River Delta Urban Agglomeration
Mambu GIS-based rainfall estimator evaluation and interpolation analysis using ArcGIS

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20160304

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170102

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20180209

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181211

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20191210

Year of fee payment: 8