KR101313822B1 - 신경망 분석 기법을 이용한 풍력 밀도 예측 방법 - Google Patents

신경망 분석 기법을 이용한 풍력 밀도 예측 방법 Download PDF

Info

Publication number
KR101313822B1
KR101313822B1 KR1020120086236A KR20120086236A KR101313822B1 KR 101313822 B1 KR101313822 B1 KR 101313822B1 KR 1020120086236 A KR1020120086236 A KR 1020120086236A KR 20120086236 A KR20120086236 A KR 20120086236A KR 101313822 B1 KR101313822 B1 KR 101313822B1
Authority
KR
South Korea
Prior art keywords
neural network
network analysis
variable
input
wind
Prior art date
Application number
KR1020120086236A
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 KR1020120086236A priority Critical patent/KR101313822B1/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
Application granted granted Critical
Publication of KR101313822B1 publication Critical patent/KR101313822B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것으로, 더욱 상세하게는 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 출력변수인 풍력밀도와 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S100), 상기 변수 입력 단계(S100)에서 입력된 출력변수 및 단계적 선택법(stepwise selection)을 통해 선택한 입력변수들을 사용하여, 신경망 분석을 수행하는 신경망 분석 단계(S200) 및 상기 신경망 분석 단계(S200)에서 산출된 RMSE(Root Mean Square Error) 값에 따른 은닉 노드(hidden node)의 개수를 이용하여, 상관 계수 값을 통해서 신경망 분석 모형을 추정하는 신경망 모형 추정 단계(S300)를 포함하여 이루어지는 임의 지점의 풍력 밀도를 예측하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것이다.

Description

신경망 분석 기법을 이용한 풍력 밀도 예측 방법{Wind power density prediction method using Neural Network technique}
본 발명은 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것으로, 더욱 상세하게는 단계적 변수 선택법에 의해 선택된 변수들을 입력변수로, 풍력 밀도를 변환한 값을 출력변수로 하는 신경망 분석 기법을 통해서, 복잡한 구조를 가진 변수들 간의 비선형 관계를 모형화함으로서, 임의 지점의 풍력 밀도를 예측하는 신경망 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 태백산맥에 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 태백산맥의 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 상술한 바와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은 단계적 선택법을 사용하는 신경망 분석 기법을 통해서, 풍력 밀도에 관한 지리 통계 방법론을 제공할 수 있도록 하는 임의 지점의 풍력 밀도를 예측할 수 있는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은, 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 출력변수인 풍력밀도와 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S100), 상기 변수 입력 단계(S100)에서 입력된 출력변수 및 단계적 선택법(stepwise selection)을 통해 선택한 입력변수들을 사용하여, 신경망 분석을 수행하는 신경망 분석 단계(S200) 및 상기 신경망 분석 단계(S200)에서 산출된 RMSE(Root Mean Square Error) 값에 따른 은닉 노드(hidden node)의 개수를 이용하여, 상관 계수 값을 통해서 신경망 분석 모형을 추정하는 신경망 모형 추정 단계(S300)를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게는, 상기 신경망 분석 단계(S200)는 로그 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 1 분석 단계(S210)를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게는, 상기 신경망 분석 단계(S200)는 원자료 형태의 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 2 분석 단계(S220)를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게는, 상기 신경망 분석 단계(S200)는 루트 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 3 분석 단계(S230)를 포함하여 이루어지는 것을 특징으로 한다.
바람직하게는, 상기 신경망 분석 단계(S200)는 로그 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 4 분석 단계(S240)를 포함하여 이루어지되, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료는 루트 변환한 것을 특징으로 한다.
바람직하게는, 상기 신경망 분석 단계(S200)는 루트 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 5 분석 단계(S250)를 포함하여 이루어지되, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료를 루트 변환한 것을 특징으로 한다.
상기와 같은 구성에 의한 본 발명의 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 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 풍력 밀도 분석에 관한 지리 통계 모형을 개발할 수 있는 효과가 있다.
또한, 풍력 밀도 통계 모형은 임의(선택) 지점의 풍력 밀도를 예측함에 있어 종래 기술은 막대한 비용과 시간을 소비함에 비하여, 적은 비용과 즉각적인 계산결과를 제공한다는 장점이 있다.
도 1은 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법의 순서도이다.
도 2는 MLP 신경망 구조를 간략하게 나타낸 도면이다.
이하 첨부한 도면들을 참조하여 본 발명의 일 실시예에 따른 신경망 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.
일반적으로 신경망 또는 인공 신경망(artificial neural networks)에 관한 연구는 뇌 신경생리학(Neurophysiology)으로부터 영감을 얻어 시작되었다. 이러한 신경망 분석을 이용한 자료 분석은, 복잡한 구조를 가진 자료에서의 결과값 예측(prediction)을 하기 위하여 사용되는 유연한 비선형모형(nonlinear models)의 하나로 분류될 수 있다. 신경망은 은닉 마디(hidden units)라고 불리는 독특한 구성 요소에 의해서 일반적인 통계모형과 구별되어지며, 상기 은닉 마디는 인간의 신경세포를 모형화한 것으로써, 각각의 상기 은닉 마디는 입력변수(input variable)들의 결합을 수신하여 목표 변수에 전달할 수 있다. 이러한 신경망에는 여러 가지 다양한 모형이 있으나, 그 중에서도 자료 분석을 위해서 가장 널리 사용되는 모형은 MLP(Multi-Layer Perceptron) 신경망 모형이다.
MLP 신경망 모형은 입력층(input Layer), 은닉층(hidden layer) 및 출력층(output layer)로 구성되며, 상기 은닉층은 은닉 노드(hidden node)라 불리는 노드들을 포함하고 있다. 또한, MLP 신경망 중에서 가장 많이 쓰이는 전방향(feed-forward) 신경망은 한 층의 노드는 다음 층(next layer)의 노드와만 연결되며, 그 반대 방향으로는 연결되지 않는다.
본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 MLP 신경망을 이용하며, 상기 은닉 노드의 수가 작으면서, RMSE(Root Mean Square Error)값이 큰 폭으로 떨어지는 은닉 노드수를 가지는 신경망 분석 모형을 추정한다. 또한, 입력변수와 출력변수의 다양한 변수변환을 통하여 구축된 여러 개의 신경망 모형 중 각 모형으로부터 추정된 출력변수값과 실제 출력변수값 사이의 상관계수가 가장 높은 신경망 모형을 풍력 밀도 예측을 위한 최종 신경망 모형으로 결정한다.
도 1은 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 나타낸 순서도이며, 도 1을 참조로 하여, 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 대해서 상세히 설명한다.
본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 변수 입력 단계(S100), 신경망 분석 단계(S200) 및 신경망 모형 추정 단계(S300)를 포함하여 이루어질 수 있다.
또한, 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어질 수 있다.
상기 변수 입력 단계(S100)는 출력변수 및 지형정보가 선택되는 입력변수들을 입력한다.
이때, 상기 출력변수는 풍력 밀도(wind power density)를 의미하며, 상기 풍력밀도(wind power density)의 수치 바람 데이터는 한국에너지기술연구원에서 구축한 1kmㅧ1km의 공간해상도를 갖는 국가 바람지도를 사용할 수 있으며, 상기 풍력밀도는 출력변수로 사용될 수 있다. 아울러, 풍력밀도가 높다는 것은 바람의 파워가 높다는 의미를 가지며, 풍력밀도의 단위는 W/m2를 사용할 수 있다.
상기 입력변수들은 가변수로 변환한 향(aspect), 지면거칠기(roughness)를 포함하는 제 1 지형 정보, 고도(DEM), 상대고도차(r_DEM)를 포함하는 제 2 지형 정보, 개방도(relative), 광역개방도(relative2)를 포함하는 제 3 지형 정보, 경사도(slope), 상대경사도(r-slope)를 포함하는 제 4 지형 정보, 최저 표고(DEM_min), 최고 표고(DEM_max) 및 평균 표고(DEM_mean)를 포함하는 제 5 지형 정보, 기복량, 해안으로부터의 거리(distance) 및 재해석 기상자료(NCAR_NCEP) 중 선택되는 어느 하나를 의미한다.
가변수화된 입력변수인 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, 상기 변수 입력 단계(S100)에서 입력되는 가변수화된 상기 향에 대한 7개의 변수값을 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 입력변수인 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 입력변수로 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, 상기 변수 입력 단계(S100)에서 입력되는 가변수화된 상기 지면거칠기에 대한 6개의 변수값을 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
또한, 상기 고도는 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 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 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 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 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 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 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 신경망 분석 단계(S200)는 상기 변수 입력 단계(S100)에서 입력된 상기 출력변수 및 단계적 선택법(stepwise selection)을 통해서 선택한 입력변수들을 사용하여, 신경망 분석을 수행한다.
이때, 상기 단계적 선택법이란, 전진 선택법에 후진 소거법(backward elimination)을 결합한 것으로서, 매 단계마다 선택과 제거를 반복하면서 중요한 입력변수를 찾아내는 방법이다. 다시 말하자면, 중요한 입력변수를 하나씩 추가로 선택하면서 이미 선택된 입력변수들이 제거될 수 있는지를 매 단계마다 검토하는 방법이다. 일반적으로 단계적 선택법을 많이 이용하고 있으며, 특히, 다중 공선성의 문제를 해결하는 장점을 가지고 있다.
즉, 상기 단계적 선택법이란, 중요한 입력변수를 하나씩 추가, 선택하되, 이미 모형에 들어간 입력변수들이 제거될 수 있는지를 단계별로 검토함으로써, 단계적 변수 선택에서 진입과 제거의 기준에 따라, 그 결과가 달라질 수 있다. 예를 들자면, 단계적 입력 변수 선택법의 기설정된 기준은 진입할 p 값 ≤0.10, 제거할 p 값 ≥0.15일 수 있다.
또한, 상기 신경망 분석이란, 도 2에 도시된 바와 같이, 입력층(X), 은닉층(H) 및 출력층(Y)로 구성될 수 있으며, 상기 신경망 분석 단계(S200)를 통한 신경망 분석 모형은 하나의 은닉층에 4개의 은닉마디를 가지는 신경망 모형일 수 있으며, 이는 일 실시예에 불과하다.
본 발명의 일 실시예에 따른 신경망 모형은 각 입력 변수, 즉, 상기 변수 입력 단계(S100)에서 입력된 상기 출력변수 및 입력변수들이 표준화되어 상기 입력층에 전달되며, 표준화된 변수들은 쌍곡선 탄젠트 함수(hyperbolic tangent function)과 결합되어 상기 은닉층으로 전달된다.
상기 은닉층은 상기 입력층으로부터 전달된 변수값들의 선형 결합(linear combination)을 비선형 함수(nonlinear function)로 처리하여 상기 출력층으로 전달하며, 상기 출력층은 목표 변수에 대응하는 출력값을 전달한다.
이때, 도 2의 은닉층 및 출력층의 변수값들을 수식화하자면, 하기의 수식과 같다.
Figure 112012063035745-pat00001

상기 신경망 분석 단계(S200)는 제 1 분석 단계(S210), 제 2 분석 단계(S220), 제 3 분석 단계(S230), 제 4 분석 단계(S240) 및 제 5 분석 단계(S250)로 이루어질 수 있으며, 상기 제 1 분석 단계 내지 제 5 분석 단계(S210 내지 S250)을 통해서, 각 신경망 모형 별로 RMSE(Root Mean Square Error) 값과 은닉 노드(hidden node)의 개수를 산출한다.
이 때, 상기 RMSE 값은 관측치와 예측치의 차이 정도를 나타낸 값으로, 상기 RMSE 값이 작을수록 신경망 모형이 잘 적합되었다고 할 수 있다. 즉, 은닉 노드의 개수가 적고, RMSE 값이 작을수록 좋은 신경망 모형이라 할 수 있다.
상기 제 1 분석 단계(S210)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 log(풍력 밀도) 형태, 즉, 풍력 밀도를 로그 변환하고 정규화 시켜 사용하며, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 상기 단계적 선택법의 결과에 따라서, 상기 신경망 분석에 이용되는 상기 입력변수 중에서 상기 최고표고 및 기복량이 제외될 수 있다. 상기 제 1 분석 단계(S210)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라서, 상기 제 1 분석 단계(S210)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다.
상기 제 2 분석 단계(S220)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 원변수 형태 그대로 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 상기 단계적 선택법의 결과에 따라서, 상기 신경망 분석에 이용되는 상기 입력변수 중에서 상기 기복량이 제외될 수 있다. 상기 제 2 분석 단계(S220)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 2 분석 단계(S220)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다.
상기 제 3 분석 단계(S230)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 sqrt(풍력 밀도) 형태, 즉, 풍력 밀도를 루트 변환한 후, 정규화 시켜 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 상기 단계적 선택법의 결과에 따라서, 상기 신경망 분석에 이용되는 상기 입력변수 중에서 상기 최고 표고가 제외될 수 있다. 상기 제 3 분석 단계(S230)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 3 분석 단계(S230)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다. 여기서, sqrt(풍력 밀도)(square root(풍력 밀도))로서, 풍력밀도를 루트 변환한 값을 나타낸다. 이 때, sqrt(풍력 밀도)란 표현은 본 발명의 일 실시예에 불과하다.
상기 제 4 분석 단계(S240)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 log(풍력 밀도) 형태, 즉, 풍력 밀도를 로그 변환한 후, 정규화 시켜 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 12개의 상기 입력변수 중 정규성을 만족하지 못하는 8개의 입력변수, 즉, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상자료 변수를 루트로 변환한다. 상기 제 4 분석 단계(S240)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 4 분석 단계(S240)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다. 여기서, log(풍력 밀도)란, 풍력밀도를 로그 변환한 값을 의미한다.
상기 제 5 분석 단계(S250)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 sqrt(풍력 밀도) 형태, 즉 풍력 밀도를 루트 변환한 후, 정규화 시켜 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 12개의 상기 입력변수 중 정규성을 만족하지 못하는 8개의 입력변수, 즉, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상자료 변수를 루트로 변환한다. 상기 제 5 분석 단계(S250)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 5 분석 단계(S250)에 의한 신경망 분석의 결과, 4개의 은닉 노드가 가장 적절한 것으로 나타난다.
다시 정리하자면, 하기의 표 3에 나타나 있듯이, 사용되는 출력변수, 입력변수 및 가변수에 따라서, 다른 은닉 노드의 개수를 확인할 수 있다.
순서 변수 형태 은닉 노드의 수
S210 log(출력변수) + 가변수 + 입력변수 3개
S220 출력변수 + 가변수 + 입력변수 3개
S230 sqrt(출력변수) + 가변수 + 입력변수 3개
S240 log(출력변수) + 가변수 + sqrt(입력변수) 3개
S250 sqrt(출력변수) + 가변수 + sqrt(입력변수) 4개
상기 신경망 모형 추정 단계(S300)는 상기 신경망 분석 단계(S200), 즉, 상기 제 1 분석 단계 내지 제 5 분석 단계(S210 내지 S250)를 통해서 산출된 RMSE 값을 이용하여, 큰 폭으로 작아지는 은닉 노드의 개수를 가지는 신경망 분석 모형을 추정할 수 있으며, 또한, 입력변수와 출력변수의 다양한 변수변환을 통하여 추정된 여러 개의 신경망 모형 중 각 모형으로부터 추정된 출력변수값과 실제 출력변수값 사이의 상관계수가 가장 높은 신경망 모형을 풍력 밀도 예측을 위한 최종 신경망 모형으로 결정하게 된다.
상기 상관 계수(Correlation)는 실제 출력변수 관측값과 예측된 출력변수 값 사이의 상관관계를 나타낸 값으로, -1과 1 사이의 값을 갖고 있다. 절대값이 클수록 모형이 적합한 것을 의미한다. 하기의 표 4는 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 통해서, 산출된 상기 상관계수의 값을 나타낸다.
순서 변수 형태 상관 계수
(
Figure 112012063035745-pat00002
)		 은닉 노드의 수
S210 log(출력변수) + 가변수 + 입력변수 0.8438 3개
S220 출력변수 + 가변수 + 입력변수 0.8398 3개
S230 sqrt(출력변수) + 가변수 + 입력변수 0.8502 3개
S240 log(출력변수) + 가변수 + sqrt(입력변수) 0.8267 3개
S250 sqrt(출력변수) + 가변수 + sqrt(입력변수) 0.8481 4개
즉, 다시 말하자면, 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 통해서, 추정된 예측력이 가장 뛰어난 신경망 분석 모형은 상기의 표 4에 나타난 바와 같이, 상기 제 3 분석 단계(S230)를 통해서 추정할 수 있는, 상기 출력변수를 sqrt(풍력 밀도) 형태로 변환하여 정규화 시키며, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 선택법을 사용하여 상기 최고 표고 변수를 제외한 신경망 분석 모형이 가장 좋은 모형임을 알 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 S300 : 신경망 분석 기법을 이용한 풍력 밀도 예측 방법

Claims (7)

  1. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서,
    출력변수인 풍력밀도와 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S100);
    상기 변수 입력 단계(S100)에서 입력된 출력변수 및 단계적 선택법(stepwise selection)을 통해 선택한 입력변수들을 사용하여, 신경망 분석을 수행하며, 상기 신경망 분석 모형별로 RMSE(Root Mean Square Error) 값과 은닉 노드(hidden node)의 개수를 산출하는 신경망 분석 단계(S200); 및
    상기 신경망 분석 단계(S200)에서 산출된 상기 RMSE(Root Mean Square Error) 값 및 상기 은닉 노드(hidden node)의 개수를 이용하여 상관 계수 값을 계산하고, 상기 RMSE 값 및 상기 은닉 노드의 개수가 적으면서 상기 상관 계수 값이 1에 가장 가까운 신경망 분석 모형을 추정하는 신경망 모형 추정 단계(S300);
    를 포함하여 이루어지며,
    상기 신경망 분석 단계(S200)는
    상기 변수 입력 단계(S100)에서 입력된 상기 출력변수를 루트 변환한 형태, 로그 변환한 형태 또는 원자료 형태로 사용하는 것을 특징으로 하는 신경망 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 형태를 나타내며,
    상기 향(a1~a7)은 경사면의 방향을 나타내는 것을 특징으로 하며,
    상기 지면거칠기 및 상기 향을 가변수로 변환한 것을 특징으로 하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법.
  3. 제 1항에 있어서,
    상기 신경망 분석 단계(S200)는
    로그 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 1 분석 단계(S210)를 포함하여 이루어지는 것을 특징으로 하는 신경망 분석을 이용한 풍력 밀도 예측 방법.
  4. 제 1항에 있어서,
    상기 신경망 분석 단계(S200)는
    원자료 형태의 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 2 분석 단계(S220)를 포함하여 이루어지는 것을 특징으로 하는 신경망 분석을 이용한 풍력 밀도 예측 방법.
  5. 제 1항에 있어서,
    상기 신경망 분석 단계(S200)는
    루트 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 3 분석 단계(S230)를 포함하여 이루어지는 것을 특징으로 하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법.
  6. 제 1항에 있어서,
    상기 신경망 분석 단계(S200)는
    로그 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 4 분석 단계(S240)를 포함하여 이루어지되,
    상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료는 루트 변환한 것을 특징으로 하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법.
  7. 제 1항에 있어서,
    상기 신경망 분석 단계(S200)는
    루트 변환한 상기 출력변수 및 단계적 선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 5 분석 단계(S250)를 포함하여 이루어지되,
    상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료를 루트 변환한 것을 특징으로 하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법.
KR1020120086236A 2012-08-07 2012-08-07 신경망 분석 기법을 이용한 풍력 밀도 예측 방법 KR101313822B1 (ko)

Priority Applications (6)

Application Number Priority Date Filing Date Title
KR1020120086236A KR101313822B1 (ko) 2012-08-07 2012-08-07 신경망 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
KR1020120086236A KR101313822B1 (ko) 2012-08-07 2012-08-07 신경망 분석 기법을 이용한 풍력 밀도 예측 방법

Publications (1)

Publication Number Publication Date
KR101313822B1 true KR101313822B1 (ko) 2013-09-30

Family

ID=49457000

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120086236A KR101313822B1 (ko) 2012-08-07 2012-08-07 신경망 분석 기법을 이용한 풍력 밀도 예측 방법

Country Status (1)

Country Link
KR (1) KR101313822B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990064606A (ko) * 1999-04-13 1999-08-05 이정민 액체 배출용 배출대를 갖고 있는 포장용기
KR100550687B1 (ko) * 1999-04-26 2006-02-08 김순홍 내용물 유출용 작동부가 있는 병뚜껑의 긴요홈 구조
CN105160396A (zh) * 2015-07-06 2015-12-16 东南大学 一种利用现场数据建立神经网络模型的方法
KR20190080587A (ko) 2017-12-28 2019-07-08 인천대학교 산학협력단 해수면의 변화를 실시간으로 예측하는 시스템 및 방법
CN113239646A (zh) * 2021-05-25 2021-08-10 华能新能源股份有限公司 一种基于等效粗糙度风电场建模方法、介质和设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
한국풍공학회논문집 제14권 제3호(해상풍력 구조물 설계를 위한 제주도 월정지역 풍황특성 분석, 2010.) *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990064606A (ko) * 1999-04-13 1999-08-05 이정민 액체 배출용 배출대를 갖고 있는 포장용기
KR100550687B1 (ko) * 1999-04-26 2006-02-08 김순홍 내용물 유출용 작동부가 있는 병뚜껑의 긴요홈 구조
CN105160396A (zh) * 2015-07-06 2015-12-16 东南大学 一种利用现场数据建立神经网络模型的方法
CN105160396B (zh) * 2015-07-06 2018-04-24 东南大学 一种利用现场数据建立神经网络模型的方法
KR20190080587A (ko) 2017-12-28 2019-07-08 인천대학교 산학협력단 해수면의 변화를 실시간으로 예측하는 시스템 및 방법
CN113239646A (zh) * 2021-05-25 2021-08-10 华能新能源股份有限公司 一种基于等效粗糙度风电场建模方法、介质和设备
CN113239646B (zh) * 2021-05-25 2023-08-22 华能新能源股份有限公司 一种基于等效粗糙度风电场建模方法、介质和设备

Similar Documents

Publication Publication Date Title
Effat Selection of potential sites for solar energy farms in Ismailia Governorate, Egypt using SRTM and multicriteria analysis
CN104520861B (zh) 风功率密度预测方法
Zhu et al. Flood disaster risk assessment based on random forest algorithm
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN104462660B (zh) 一种野外输电线路冬季覆冰厚度分布绘制方法
Oñate-Valdivieso et al. Application of GIS and remote sensing techniques in generation of land use scenarios for hydrological modeling
CN110298411A (zh) 一种城市群生态空间受损识别评价方法
CN105184423B (zh) 一种风电场集群风速预测方法
Onat et al. Analysis of wind climate and wind energy potential of regions in Turkey
KR20190057013A (ko) 상세기상 예측정보 실시간 운영 시스템과 이를 이용하는 폭염 및 열대야 영향 예보 활용 방법
CN105095589B (zh) 一种山区电网风区分布图绘制方法
Carreno-Madinabeitia et al. Long-term changes in offshore wind power density and wind turbine capacity factor in the Iberian Peninsula (1900–2010)
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
CN111428942B (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
KR101264873B1 (ko) 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법
Schoetter et al. Multi-layer coupling between SURFEX-TEB-v9. 0 and Meso-NH-v5. 3 for modelling the urban climate of high-rise cities
CN108090285A (zh) 一种适用于复杂地形输电线路风灾监测的微气象观测布点方法
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
Nasehi et al. Application of fuzzy GIS and ANP for wind power plant site selection in East Azerbaijan Province of Iran
CN112016696A (zh) 融合卫星与地基观测的pm1浓度反演方法及系统
Effat Mapping solar energy potential zones, using SRTM and spatial analysis, application in Lake Nasser Region, Egypt
CN115099162A (zh) 一种复杂地形下风场的订正方法
CN108808671A (zh) 一种风电场短期风速集合预报方法
CN114417724A (zh) 一种山地城市土地利用演变的模拟方法
CN114528672A (zh) 基于3s技术的城市水文站网布设方法及系统

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
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: 20160922

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170921

Year of fee payment: 5