KR102264786B1 - Method of selecting optimized wind farm model by using artificial neural network - Google Patents

Method of selecting optimized wind farm model by using artificial neural network Download PDF

Info

Publication number
KR102264786B1
KR102264786B1 KR1020190108290A KR20190108290A KR102264786B1 KR 102264786 B1 KR102264786 B1 KR 102264786B1 KR 1020190108290 A KR1020190108290 A KR 1020190108290A KR 20190108290 A KR20190108290 A KR 20190108290A KR 102264786 B1 KR102264786 B1 KR 102264786B1
Authority
KR
South Korea
Prior art keywords
power generation
grid
wind power
wind
grids
Prior art date
Application number
KR1020190108290A
Other languages
Korean (ko)
Other versions
KR20190125233A (en
Inventor
김경수
Original Assignee
김경수
강주명
양형준
김재준
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
Priority claimed from KR1020170108085A external-priority patent/KR20190022156A/en
Application filed by 김경수, 강주명, 양형준, 김재준 filed Critical 김경수
Priority to KR1020190108290A priority Critical patent/KR102264786B1/en
Publication of KR20190125233A publication Critical patent/KR20190125233A/en
Application granted granted Critical
Publication of KR102264786B1 publication Critical patent/KR102264786B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G06N3/0427—
    • 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
    • G06N3/08—Learning methods
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

본 발명은 인공신경망을 이용한 최적 풍력발전 모델 선정 방법에 관한 것으로, 일 실시예에 따르면, (a) 소정 지역을 격자모형화하고 초기조건을 입력하는 단계; (b) 복수개의 격자를 선택하는 단계; (c) 선택된 복수개 격자의 각각에 대해, 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따른 복수개의 시나리오 중 하나의 시나리오를 풍력발전 모델로 선정하는 단계; (d) 상기 선택된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값에 기초하여, 상기 소정 지역내 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성하는 단계; (e) 상기 풍력자원 맵 상에서 하나 이상의 격자를 선택하는 단계; 및 (f) 선택된 격자에 대한 풍력발전 모델을 선정하는 단계;를 포함하는 풍력발전 모델 선정 방법을 제공한다. The present invention relates to a method for selecting an optimal wind power generation model using an artificial neural network, and according to an embodiment, the steps of: (a) modeling a grid of a predetermined area and inputting initial conditions; (b) selecting a plurality of grids; (c) for each of the selected plurality of grids, selecting one of the plurality of scenarios according to the wind power generation scale, the transmission network construction, and the wind turbine type as the wind power generation model; (d) generating a wind resource map by calculating economic evaluation values for all grids in the predetermined area based on the economic evaluation values of the selected wind power generation model for each grid of the plurality of grids; (e) selecting one or more grids on the wind resource map; and (f) selecting a wind power generation model for the selected grid; provides a wind power generation model selection method comprising.

Description

인공신경망을 이용한 최적 풍력발전 모델 선정 방법 {Method of selecting optimized wind farm model by using artificial neural network} {Method of selecting optimized wind farm model by using artificial neural network}

본 발명은 풍력발전 모델을 선정하는 방법에 관한 것으로, 보다 상세하게는, 인공신경망 알고리즘을 이용하여 최적의 풍력발전 모델을 선정하는 방법에 관한 것이다. The present invention relates to a method for selecting a wind power generation model, and more particularly, to a method for selecting an optimal wind power generation model using an artificial neural network algorithm.

최근의 후쿠시마 원전사고와 파리기후협약 등으로 인해 전세계적으로 신재생 에너지 발전의 증가와 석탄 및 원자력 발전의 감소가 화두가 되고 있다. 우리나라는 제2차 국가에너지 기본계획에서 신재생 에너지의 보급률을 전체 전력공급비의 11%까지 향상시키는 중장기 목표를 설정하고 신재생 에너지를 이용한 발전사업 확대를 추진하고 있다. Due to the recent Fukushima nuclear accident and the Paris climate agreement, the increase in renewable energy generation and the decrease in coal and nuclear power generation are becoming hot topics worldwide. In the 2nd National Energy Basic Plan, Korea has set a mid- to long-term goal to increase the penetration rate of renewable energy up to 11% of the total electricity supply cost, and is promoting the expansion of power generation projects using new and renewable energy.

풍력은 태양광과 함께 상업적 기술수준을 갖춘 현실적인 신재생 에너지원이다. 풍력발전은 아직 국내 기술수준이 제한적이지만 삼면이 바다인 지형적인 여건으로 대규모 발전단지 조성이 태양광에 비해 용이하다. 특히 풍력발전은 좁은 내륙의 제한된 여건을 탈피해 도서지역과 해양에서 대규모 개발이 상대적으로 용이하다.Wind power, along with solar power, is a realistic renewable energy source with a commercial level of technology. Although wind power generation technology is still limited in Korea, it is easier to construct a large-scale power generation complex than solar power due to the geographical condition of the sea on three sides. In particular, wind power generation is relatively easy to develop on a large scale in island areas and offshore, escaping from the limited conditions of the narrow inland.

그러나 현재까지는 풍력발전 확대를 위한 노력에도 불구하고 소규모 풍력단지나 실험단지 개발에 머무르고 있는 수준인데, 그 이유로서, 첫째, 풍력자원을 객관적이고 정량적으로 분석한 후 최적의 입지를 확정하기보다, 선정 후 평가하는 정책주도형 풍력사업의 한계에 기인한다. 즉 그동안의 사업 방식은, 풍력자원이 좋을 것으로 예측되는 곳을 산간 및 도서, 해양지역에서 임의로 선정하고 가능한 풍력자원에 대한 선행 분석 없이 사업을 개시하였다.However, until now, despite the efforts to expand wind power generation, the development of small-scale wind farms or experimental parks is at a level that is why, first, after objective and quantitative analysis of wind power resources, the optimal location is not determined. This is due to the limitations of the policy-driven wind power project that is later evaluated. In other words, the project method in the past was arbitrarily selected from the mountainous, island, and marine areas where wind resources were predicted to be good, and the project was started without prior analysis of possible wind resources.

둘째, 풍력발전 사업 개시 이후에 각종 환경 데이터를 수집 분석하고 사업성을 분석하는 입지선정후 평가방식 때문이다. 면밀한 선행 사업성 분석이 동반되지 않은 채 풍력발전단지를 개발함으로 인해 실제보다 몇 배 이상의 사업준비 및 개발기간이 소요되거나 예상했던 발전량이 나오지 않아 풍력사업의 실패 또는 답보사례가 많았다.Second, it is because of the site selection and evaluation method that collects and analyzes various environmental data after the start of the wind power generation project and analyzes the business feasibility. There were many cases of failure or setbacks in the wind power project because the development of the wind farm without a thorough prior feasibility analysis took several times longer than the actual project preparation and development period or the expected amount of power did not come out.

풍력발전 단지의 위치나 발전규모를 체계적으로 선정하기 위한 선행 연구들이 있었다. 예를 들어 박웅식 등(2015)은 대중 배제분석을 이용하여 강원도 내 풍력발전단지 유망후보지를 선정하고 그 지역에서의 최적 풍력단지규모를 선정하는 방법을 제안하였다. There have been previous studies to systematically select the location or power generation scale of wind farms. For example, Park et al. (2015) proposed a method of selecting a promising wind farm site in Gangwon-do using mass exclusion analysis and selecting the optimal wind farm size in that area.

라티노폴로스(Latinopoulos) 등(2015)은 그리스 지역에서 지리정보시스템에 기초한 다중기준 풍력발전단지 위치선정 시스템을 개발하였고, 모세티(Mosetti) 등(1994)은 대규모 풍력단지에서 발전량을 최대화하는 풍력터빈들의 위치를 유전알고리즘을 사용하여 최적화하는 방법을 제안하였다. Latinopoulos et al. (2015) developed a multi-criteria wind farm location selection system based on geographic information system in Greece, and Mosetti et al. (1994) reported that wind power maximizing power generation in large-scale wind farms. A method for optimizing the location of turbines using a genetic algorithm is proposed.

그러나 기존의 풍력단지 최적화 연구들은 세부적인 풍력발전단지 계획을 세우는데 있어 효율적으로 사용될 수 있으나 넓은 지역에 대해 풍력발전 경제성이 높은 지역을 선별하고 최적의 발전 규모를 결정하여야 하는 풍력발전 초기단계의 중요 의사결정에는 적용하기 어렵다는 한계가 있다. However, the existing wind farm optimization studies can be used efficiently in setting up detailed wind farm plans, but it is important in the early stage of wind power generation that it is necessary to select an area with high wind power economic efficiency for a wide area and determine the optimal power generation scale. Decision-making has limitations that are difficult to apply.

기존의 풍력발전과 관련한 최적화 연구들은 정해진 풍력단지규모에 대해 혹은 정성적이거나 환경적인 요소만을 고려하여 입지선정을 하거나 선정지역에서의 터빈 배치에만 집중한 한계가 있다. Existing optimization studies related to wind power generation have limitations in selecting a location for a given wind farm size or considering only qualitative or environmental factors, or focusing only on the arrangement of turbines in the selected area.

비특허문헌1: 박웅식, 유능수, 김진한, 김관수, 민덕호, 이상우, 백인수, 김현구. 2015. 다중 배제분석을 이용한 강원도 내 풍력발전단지 유망후보지 선정, 한국태양에너지학회 35 (2): 1-10. Non-Patent Document 1: Park Woong-sik, Yu Neung-soo, Kim Jin-han, Kim Kwan-su, Min Deok-ho, Lee Sang-woo, Baek In-su, Kim Hyun-gu. 2015. Selection of promising candidates for wind farms in Gangwon-do using multiple exclusion analysis, Korea Solar Energy Society 35 (2): 1-10. 비특허문헌2: Latinopoulos, D., and Kechgia K. 2015. A GIS-based multi-criteria evaluation for wind farm site selection: A regional scale application in Greece. Renewable Energy 78 (1): 550-560 Non-Patent Document 2: Latinopoulos, D., and Kechgia K. 2015. A GIS-based multi-criteria evaluation for wind farm site selection: A regional scale application in Greece. Renewable Energy 78 (1): 550-560 비특허문헌3: Mosetti, G., Poloni, C., and Diviacco, B. 1994. Optimization of Wind Turbine Positioning in Large Windfarms by Means of a Genetic Algorithm. Journal of Wind Engineering and Industrial Aerodynamics 51 (1): 105-116. Non-Patent Document 3: Mosetti, G., Poloni, C., and Diviacco, B. 1994. Optimization of Wind Turbine Positioning in Large Windfarms by Means of a Genetic Algorithm. Journal of Wind Engineering and Industrial Aerodynamics 51 (1): 105-116.

본 발명의 일 실시예에 따르면, 풍력자원이 존재하는 광범위한 지역에 가장 경제적인 풍력발전 계획을 도출할 수 있는 풍력발전 모델 선정 방법을 제시한다. 분석지역이 넓고 다양한 경제성 요소들을 고려할 경우에 많은 계산시간이 소요되며 실용적으로 유망한 분석지역을 선별하여 분석하기 어렵다. 그러나 본 발명의 일 실시예에서는 인공신경망(artificial neural network)을 활용하여 유망지역을 쉽게 선별하고 효율적인 풍력발전사업 최적화를 수행할 수 있는 풍력발전 모델 선정 방법을 제공한다. According to an embodiment of the present invention, a wind power generation model selection method capable of deriving the most economical wind power generation plan in a wide area where wind resources exist is provided. When the analysis area is wide and various economic factors are considered, a lot of calculation time is required, and it is difficult to select and analyze a practically promising analysis area. However, an embodiment of the present invention provides a method for selecting a wind power generation model that can easily select a promising area and efficiently optimize a wind power generation project by using an artificial neural network.

본 발명의 일 실시예에 따르면, 컴퓨터를 이용하여 풍력발전 모델을 선정하는 방법으로서, (a) 소정 지역을 격자모형화하고 초기조건을 입력하는 단계; (b) 복수개의 격자를 선택하는 단계; (c) 선택된 복수개 격자의 각각에 대해, 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따른 복수개의 시나리오 중 하나의 시나리오를 풍력발전 모델로 선정하는 단계; (d) 상기 선택된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값에 기초하여, 상기 소정 지역내 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성하는 단계; (e) 상기 풍력자원 맵 상에서 하나 이상의 격자를 선택하는 단계; 및 (f) 선택된 격자에 대한 풍력발전 모델을 선정하는 단계;를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법을 제공할 수 있다. According to an embodiment of the present invention, there is provided a method for selecting a wind power generation model using a computer, the method comprising: (a) modeling a grid of a predetermined area and inputting initial conditions; (b) selecting a plurality of grids; (c) for each of the selected plurality of grids, selecting one of the plurality of scenarios according to the wind power generation scale, the transmission network construction, and the wind turbine type as the wind power generation model; (d) generating a wind resource map by calculating economic evaluation values for all grids in the predetermined area based on the economic evaluation values of the selected wind power generation model for each grid of the plurality of grids; (e) selecting one or more grids on the wind resource map; and (f) selecting a wind power generation model for the selected grid.

또한 본 발명의 일 실시예에 따르면, 상기 풍력발전 모델 선정 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. In addition, according to an embodiment of the present invention, it is possible to provide a computer-readable recording medium in which a program for executing the wind power generation model selection method in a computer is recorded.

본 발명의 일 실시예에 따른 풍력발전 모델 선정 방법은 인공신경망 기법을 기반으로 최적 풍력발전사업 규모, 계통연계방안, 최적 풍력터빈 종류, 최적 발전시나리오 및 경제성 등을 모두 도출할 수 있다. 기존의 사업성 분석 방법은 추정과 개인의 경험에 기반하여 사업 여부와 발전규모 등을 결정하였지만 본 발명의 풍력발전 모델 선정 방법은 신뢰성 있는 자원정보 및 지리정보를 활용한 총괄적인 풍력발전 최적화 프로그램으로 최적의 풍력발전단지 사업모델을 도출할 수 있으며 체계적인 대규모 풍력발전단지 개발에 기여할 수 있다. The wind power generation model selection method according to an embodiment of the present invention can derive all of the optimal wind power generation project scale, grid connection plan, optimal wind turbine type, optimal power generation scenario and economic feasibility based on the artificial neural network technique. Although the existing feasibility analysis method decided whether to run a business and the size of power generation based on estimation and personal experience, the wind power generation model selection method of the present invention is optimal as a comprehensive wind power generation optimization program using reliable resource information and geographic information. of wind power farm business model can be derived and can contribute to systematic large-scale wind farm development.

도1은 본 발명의 일 실시예에 따라 풍력발전 모델을 선정하는 예시적 방법의 흐름도,
도2 및 도3은 일 실시예에 따라 소정 지역을 격자화하는 방법을 설명하기 위한 도면,
도4 및 도5는 격자화 모형에 입력할 예시적인 초기조건을 설명하기 위한 도면,
도6은 일 실시예에 따라 인공신경망을 이용하여 생성한 풍력자원 맵을 설명하기 위한 도면,
도7은 일 실시예에 따라 선정된 풍력발전 모델의 출력 데이터를 설명하기 위한 도면,
도8은 일 실시예에 따라 샘플링된 복수개의 격자의 각각에 대한 풍력발전 모델을 선정하는 예시적 방법의 흐름도,
도9은 풍력자원자료를 분석하는 예시적 방법을 설명하기 위한 도면,
도10은 풍력자원 예측에 사용되는 예시적인 지형자료를 나타내는 도면,
도11은 풍력자원 예측에 사용되는 예시적인 풍력터빈 성능곡선을 나타내는 도면,
도12는 일 실시예에 따라 인공신경망을 이용하여 풍력자원 맵을 생성하는 예시적 방법의 흐름도,
도13은 풍력발전 사업에 영향을 끼치는 예시적인 인자들의 리스트,
도14는 일 실시예에 따라 민감도 분석을 통해 주요인자를 선택하는 방법을 설명하기 위한 도면,
도15 및 도16은 본 발명의 최적 풍력발전 모델 선정 방법의 평가를 위해 선택된 지역 및 이 때 사용되는 인자들을 나타내는 도면,
도17은 본 발명의 최적 풍력발전 모델 선정 방법의 평가를 위해 선택된 지역에 대해 생성된 풍력자원 맵을 나타내는 도면,
도18은 본 발명의 최적 풍력발전 모델 선정 방법에서 풍력터빈에 따른 순현재가치를 설명하기 위한 도면,
도19는 종래 방법과 본 발명의 최적 풍력발전 모델 선정 방법의 평가 결과를 비교하기 위한 도면,
도20은 일 실시예에 따른 최적 풍력발전 모델 선정 방법을 구현하는 예시적인 시스템 구성을 설명하기 위한 블록도이다. 1 is a flowchart of an exemplary method for selecting a wind power generation model in accordance with an embodiment of the present invention;
2 and 3 are diagrams for explaining a method of gridding a predetermined area according to an embodiment;
4 and 5 are diagrams for explaining exemplary initial conditions to be input to the grid model;
6 is a view for explaining a wind resource map generated using an artificial neural network according to an embodiment;
7 is a view for explaining the output data of the wind power model selected according to an embodiment;
8 is a flow diagram of an exemplary method for selecting a wind power model for each of a plurality of grids sampled in accordance with one embodiment;
9 is a diagram for explaining an exemplary method of analyzing wind resource data;
10 is a view showing exemplary topographic data used for wind resource prediction;
11 is a diagram showing an exemplary wind turbine performance curve used for wind resource prediction;
12 is a flowchart of an exemplary method for generating a wind resource map using an artificial neural network, according to an embodiment;
13 is a list of exemplary factors influencing a wind power project;
14 is a diagram for explaining a method of selecting a key factor through sensitivity analysis according to an embodiment;
15 and 16 are diagrams showing the regions selected for evaluation of the optimal wind power generation model selection method of the present invention and factors used at this time;
17 is a view showing a wind resource map generated for an area selected for evaluation of the method for selecting an optimal wind power generation model of the present invention;
18 is a view for explaining the net present value according to the wind turbine in the optimal wind power generation model selection method of the present invention;
19 is a view for comparing the evaluation results of the conventional method and the optimal wind power generation model selection method of the present invention;
20 is a block diagram for explaining an exemplary system configuration for implementing a method for selecting an optimal wind power generation model according to an embodiment.

이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.The above objects, other objects, features and advantages of the present invention will be easily understood through the following preferred embodiments in conjunction with the accompanying drawings. However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. Rather, the embodiments introduced herein are provided so that the disclosed subject matter may be thorough and complete, and that the spirit of the present invention may be sufficiently conveyed to those skilled in the art.

본 명세서에서 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다.In this specification, when a component is referred to as being on another component, it means that it may be directly formed on the other component or a third component may be interposed therebetween.

본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.In this specification, when terms such as first, second, etc. are used to describe components, these components should not be limited by these terms. These terms are only used to distinguish one component from another. The embodiments described and illustrated herein also include complementary embodiments thereof.

본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprise)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.As used herein, the singular also includes the plural unless specifically stated otherwise in the phrase. As used herein, the terms 'comprise' and/or 'comprising' do not exclude the presence or addition of one or more other components.

이하에서 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다. Hereinafter, the present invention will be described in detail with reference to the drawings. In describing the specific embodiments below, various specific contents have been prepared to more specifically describe the invention and help understanding. However, a reader having enough knowledge in this field to understand the present invention may recognize that it may be used without these various specific details. In some cases, it is mentioned in advance that parts that are commonly known in describing the invention and that are not largely related to the invention are not described in order to avoid confusion in describing the present invention.

도1은 본 발명의 일 실시예에 따라 최적 풍력발전 사업모델을 선정하는 예시적 방법의 흐름도를 나타낸다. 1 shows a flowchart of an exemplary method for selecting an optimal wind power generation business model according to an embodiment of the present invention.

도면을 참조하면, 단계(S10)에서, 풍력발전 모델을 선정하기 위한 분석대상 지역을 격자모형화하고 초기조건을 입력한다. 분석대상 지역을 격자화하고 초기조건을 입력하기 위해 우선 해당 지역의 지리정보, 풍력자원 분포, 송전망 구축현황 등의 데이터 및 경제성 분석을 위한 경제성 인자(factor)에 관한 데이터가 수집되고 통합되어야 한다. Referring to the drawings, in step S10, the analysis target area for selecting the wind power generation model is lattice modeled and initial conditions are input. In order to grid the analysis target area and input initial conditions, data such as geographic information, wind resource distribution, transmission network construction status, etc. of the area and data on economic factors for economic analysis must be collected and integrated.

일 실시예에서, 이러한 각종 데이터의 수집 및 통합을 위해 지리정보시스템(Geographic Information System, GIS) 및 각종 정부기관자료와 보고서 등을 이용할 수 있다. 지리정보시스템(GIS)은 과거에 인쇄물 형태로 이용하던 지도와 지리정보를 컴퓨터를 이용해 작성 및 관리하기 위해 개발된 것으로, 지리정보를 기초로 데이터를 수집ㆍ분석ㆍ가공을 수행하여 지형과 관련되는 모든 분야에 적용하기 위해 설계된 종합정보시스템이다. 도2는 일 실시예에 따라 구축된 지리정보시스템을 나타낸 것으로, 도2(a)는 전라남도 지역에 대해, 도2(b)는 제주도 지역에 대해 각각 MATLAB에 기반한 지리정보시스템을 구축한 예시를 보여준다. In one embodiment, a geographic information system (GIS) and various government agency data and reports may be used for collection and integration of these various data. Geographic information system (GIS) was developed to create and manage maps and geographic information, which were used in printed form in the past, using a computer. It is a comprehensive information system designed to be applied to all fields. Figure 2 shows a geographic information system constructed according to an embodiment. Figure 2 (a) is for the Jeollanam-do area, and Figure 2 (b) is an example of building a geographic information system based on MATLAB for the Jeju-do area. show

이와 같이 지리정보시스템을 구축하면, 이를 기반으로 지역을 격자 단위로 세분화한 격자모형을 생성한다. 이를 위해, 도3(a) 및 도3(b)에 도시한 것처럼, 분석대상 지역을 소정 간격으로 격자화한다. 일반적으로 우리나라의 풍력발전소는 해안지대에 주로 밀집되어 설치되므로, 해안지대에 대해서는 더 작은 격자로 세분화하여 풍력발전사업을 분석할 필요가 있다. 따라서 도3에 도시한 실시예와 같이 해안지대의 격자 크기를 내륙이나 해상 지역의 격자보다 더 작게 설정할 수도 있다. 일 실시예에서 격자모형에서의 격자의 가로 세로 길이가 각각 수 내지 수십 킬로미터일 수 있다. 그러나 대안적 실시예에서 이러한 격자 크기가 달라질 수 있음은 물론이다. When the geographic information system is constructed in this way, a grid model is created in which the region is subdivided into grid units based on this. To this end, as shown in Figs. 3 (a) and 3 (b), the analysis target area is gridded at predetermined intervals. In general, since wind power plants in Korea are concentrated and installed in coastal areas, it is necessary to analyze wind power generation projects by subdividing them into smaller grids for coastal areas. Accordingly, as in the embodiment shown in FIG. 3 , the grid size of the coastal zone may be set smaller than that of the inland or marine zone. In one embodiment, each of the horizontal and vertical lengths of the grids in the grid model may be several to several tens of kilometers. However, it is to be understood that such grid sizes may vary in alternative embodiments.

한편 단계(S10)에서는 또한 분석대상 지역에 관한 초기조건을 입력할 수 있다. 일 실시예에서 이 초기조건은 예를 들어 도4 및 도5에 도시한 초기조건 데이터를 포함할 수 있다. 도면을 참조하면, 일 실시예에 따른 초기조건은 풍력발전소 설치 및 유지 비용(wind farm cost), 송전망 구축비용(power transmission cost), 경제성 분석 인자(economic analysis parameters), 및 편익산출 인자(energy cost prediction)를 포함할 수 있다. Meanwhile, in step S10, an initial condition for an analysis target region may also be input. In one embodiment, the initial condition may include, for example, the initial condition data shown in FIGS. 4 and 5 . Referring to the drawings, initial conditions according to an embodiment include wind farm cost, power transmission cost, economic analysis parameters, and energy cost. prediction) may be included.

도4(a)는 풍력발전소 설치와 운영에 필요한 비용인자들의 예시적 내역을 나타낸다. 풍력발전소 설치와 관련된 인자들에는 초기사업비용, 부대비용, 풍력터빈 단가, 운영비용, 공사비용, 자켓(해상풍력발전용 구조물) 단가 등의 비용인자들을 포함할 수 있다. 도4(b)는 송전망 구축에 필요한 비용 인자들의 예시를 나타낸다. 송전망 구축과 관련한 인자들에는 육상 및 해상에서의 송전선로 종류별 km당 설치 비용, 육상 및 해상 변전소 설치 비용 등을 포함할 수 있다. Figure 4 (a) shows an exemplary breakdown of the cost factors required for the installation and operation of the wind power plant. Factors related to wind power plant installation may include cost factors such as initial project cost, incidental cost, wind turbine unit cost, operating cost, construction cost, and jacket (offshore wind power generation structure) unit price. Figure 4 (b) shows an example of the cost factors required to build a transmission network. Factors related to transmission network construction may include installation cost per km for each type of transmission line on land and sea, and installation cost of onshore and offshore substations.

도5(a)는 경제성 분석을 위해 가정되는 예시적인 인자들을 보여준다. 경제성 분석을 위해 가정되는 인자에는 할인율, 물가상승률, 총 사업기간, 초기 투자금 투입 기간, 연도별 초기 투자금 투입 비율, 사업 시작연도 등을 포함할 수 있다. 도5(b)는 편익 산출을 위한 예시적인 인자들을 나타내며, 연도별 SMP(System Marginal Price), REC(Renewable Energy Certificates) 비용의 추정 값 등을 포함할 수 있다. 5( a ) shows exemplary factors assumed for economic analysis. Factors assumed for economic analysis may include discount rate, inflation rate, total project period, initial investment period, initial investment rate by year, and project start year. 5( b ) shows exemplary factors for calculating benefits, and may include estimated values of system marginal price (SMP) and Renewable Energy Certificates (REC) costs for each year.

도4와 도5를 참조하여 상술한 초기조건 데이터는 일 실시예에 따른 예시적인 데이터이며 본 발명의 구체적 실시 형태에 따라 상술한 초기조건 데이터 중 일부가 필요하지 않을 수도 있고 도면에 표시되지 않은 데이터가 추가될 수 있음은 물론이다. 또한 일 실시예에서 이러한 초기조건 데이터는 사용자의 편의를 위해 예컨대 엑셀 파일 형식으로 구성될 수 있다. The initial condition data described above with reference to FIGS. 4 and 5 are exemplary data according to an embodiment, and according to a specific embodiment of the present invention, some of the above-described initial condition data may not be required and data not shown in the drawings Of course, it can be added. Also, in one embodiment, such initial condition data may be configured in, for example, an Excel file format for user convenience.

다시 도1을 참조하면, 단계(S20)에서 격자화된 분석대상 지역을 샘플링하여 복수개의 격자를 선택한다. 일 실시예에서 복수개의 격자를 랜덤으로 샘플링하여 선택할 수 있다. 샘플링에 의해 선택할 격자의 개수는 구체적 실시 형태에 따라 달라질 수 있으며, 예를 들어 50개, 100개 등으로 설정할 수 있다. Referring back to FIG. 1 , a plurality of grids are selected by sampling the gridded analysis target region in step S20 . In an embodiment, a plurality of grids may be randomly sampled and selected. The number of grids to be selected by sampling may vary according to a specific embodiment, and may be set to, for example, 50, 100, or the like.

일 실시예에서 육상 지역과 해상 지역으로 구분하여 샘플링 동작을 각각 수행할 수 있다. 즉 분석대상 지역내의 육상 지역의 격자들에서 제1 복수개의 격자를 선택하고 해상 지역의 격자들에서 제2 복수개의 격자를 선택할 수 있다. 예를 들어 일 실시예에서 육상 지역의 격자들에서 50개 그리고 해상 지역의 격자들에서 100개의 격자를 선택하여 전체 150개의 격자를 샘플링 할 수 있다. According to an embodiment, the sampling operation may be performed by dividing the land area and the sea area respectively. That is, the first plurality of grids may be selected from the grids of the land area within the analysis target area, and the plurality of second grids may be selected from the grids of the sea area. For example, in an embodiment, 50 grids may be selected from grids in the land area and 100 grids may be selected from grids in the sea area to sample a total of 150 grids.

다음으로 단계(S30)에서, 샘플링에 의해 선택된 복수개의 격자의 각각에 대해, 풍력발전 모델에 관한 복수개의 시나리오를 생성한 후 복수개의 시나리오 중 최적의 시나리오를 해당 격자의 풍력발전 모델로 선정한다. 일 실시예에서 풍력발전 모델의 경제성 평가에 사용되는 다양한 인자들 중 일부 인자들에 기초하여 복수개의 시나리오를 생성할 수 있다. 이하에서 설명하는 일 실시예에서는 풍력발전의 발전량(발전규모), 송전망 구축, 및 풍력 터빈의 종류에 따라 복수개의 시나리오를 생성한다. Next, in step S30, for each of the plurality of grids selected by sampling, a plurality of scenarios related to the wind power generation model are generated, and then an optimal scenario among the plurality of scenarios is selected as the wind power generation model of the corresponding grid. In an embodiment, a plurality of scenarios may be generated based on some factors among various factors used for economic evaluation of the wind power generation model. In one embodiment to be described below, a plurality of scenarios are generated according to the amount of wind power generation (generation scale), transmission network construction, and the type of wind turbine.

각 격자에 대해 복수개의 시나리오가 생성되면, 풍력발전 모델 선정 알고리즘을 이용하여 복수개의 시나리오의 각각의 경제성을 평가하고, 그 중 경제성 평가 값이 가장 높은 시나리오를 해당 격자의 풍력발전 모델로 선정할 수 있다. 일 실시예에서, 각 시나리오에 따른 연간발전량을 산출한 후 이에 기초하여 경제성을 평가할 수 있다. 풍력발전의 연간발전량은 예를 들어 WAsP(Wind Atlas Analysis and Application Program), WindSim, WindPro 등과 같은 상용의 풍력발전 설계 프로그램들 중 하나를 사용하여 산출할 수 있고, '경제성 평가 값'은 예를 들어 내부수익률(IRR: Internal Rate of Return)일 수 있다. 내부수익률(IRR)은 어떤 사업에 대해 사업기간 동안의 현금수익 흐름을 현재가치로 환산하여 합한 값이 투자지출과 같아지도록 할인하는 이자율을 말한다. 풍력발전 모델을 선정하는 단계(S30)의 예시적 방법에 대해서는 도8 내지 도11을 참조하여 보다 구체적으로 후술하기로 한다. When a plurality of scenarios are generated for each grid, the economic feasibility of each of the plurality of scenarios is evaluated using the wind power model selection algorithm, and the scenario with the highest economic evaluation value among them can be selected as the wind power generation model of the grid. have. In an embodiment, after calculating the annual power generation according to each scenario, economic feasibility may be evaluated based on this. The annual power generation amount of wind power generation can be calculated using one of commercial wind power generation design programs such as, for example, WAsP (Wind Atlas Analysis and Application Program), WindSim, and WindPro, and the 'economic evaluation value' is, for example, It may be an internal rate of return (IRR). Internal rate of return (IRR) is an interest rate discounted so that the sum of cash income flows during the business period is converted to present value for a certain business equal to investment expenditure. An exemplary method of selecting a wind power generation model ( S30 ) will be described later in more detail with reference to FIGS. 8 to 11 .

단계(S30)에서 샘플링된 복수개의 격자마다 풍력발전 모델이 선정되면, 그 후 단계(S40)에서, 선정된 풍력발전 모델의 경제성 평가 값에 기초하여 분석대상 지역 전체의 풍력자원 맵을 생성한다. 일 실시예에서, 샘플링에 의해 선택된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값에 기초하여, 분석대상 지역의 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성할 수 있다. When a wind power generation model is selected for each of the plurality of grids sampled in step S30, then, in step S40, a wind resource map of the entire analysis target area is generated based on the economic evaluation value of the selected wind power generation model. In one embodiment, based on the economic evaluation value of the wind power generation model selected for each grid of the plurality of grids selected by sampling, the economic evaluation value for all grids in the analysis target area can be calculated, respectively, to generate a wind resource map. have.

샘플링된 복수개 격자의 풍력발전 모델의 경제성 평가 값에 기초하여 분석대상 지역내 전체 격자의 경제성 평가 값을 산출하는 방법으로서 본 발명의 일 실시예에서는 인공신경망(ANN) 알고리즘을 이용할 수 있다. An artificial neural network (ANN) algorithm may be used in an embodiment of the present invention as a method of calculating the economic evaluation value of the entire grid in the analysis target region based on the economic evaluation value of the wind power generation model of a plurality of sampled grids.

또한 여기서 '풍력자원 맵'은 분석대상 지역내의 각 격자마다 해당 격자의 경제성 평가 값을 표시한 지도를 의미할 수 있다. 도6은 예시적인 풍력자원 맵을 나타낸다. 도6(a)와 도6(b)는 각각 전라남도와 제주도 지역의 예시적인 풍력자원 맵을 나타낸다. 도6에서 알 수 있듯이, 풍력자원 맵은 격자화된 지도상에서 각 격자의 풍력발전의 경제성 평가 값을 색깔로 구분하여 표시하였다. 도시한 실시예에서 경제성 평가 값으로서 내부수익률(IRR)을 사용하였고, 파란색에서 노란색으로 갈수록 내부수익률이 높아짐(즉 경제성이 좋아짐)을 의미한다. 풍력자원 맵을 생성하는 단계(S40)의 예시적 방법에 대해서는 도12 내지 도14을 참조하여 보다 구체적으로 후술하기로 한다. Also, here, the 'wind power resource map' may mean a map in which the economic evaluation value of the corresponding grid is displayed for each grid in the analysis target area. 6 shows an exemplary wind resource map. 6(a) and 6(b) show exemplary wind resource maps of Jeollanam-do and Jeju-do, respectively. As can be seen from FIG. 6 , the wind resource map displays the economic evaluation values of wind power generation in each grid by color on the grid map. In the illustrated embodiment, the internal rate of return (IRR) was used as an economic evaluation value, and it means that the internal rate of return (IRR) increases from blue to yellow (that is, the economy improves). An exemplary method of generating the wind resource map ( S40 ) will be described later in more detail with reference to FIGS. 12 to 14 .

이와 같이 분석대상 지역에 대한 풍력자원 맵이 생성되면, 사용자는 경제성 평가 값이 높은 격자들 중 적어도 한 곳을 풍력발전소를 설치할 위치로 선정할 수 있고 또한 이 때의 최적의 풍력발전 모델도 산출할 수 있다. When the wind resource map for the analysis target area is generated in this way, the user can select at least one of the grids with high economic evaluation values as the location to install the wind power plant, and also calculate the optimal wind power generation model at this time. can

예를 들어 도1을 다시 참조하면, 단계(S50)에서 경제성 평가 값이 높은 하나 이상의 후보 격자를 선택할 수 있다. 후보 격자의 선택은 예컨대 사용자가 직접 하나 이상의 격자를 선택할 수도 있고, 대안적으로, 경제성 평가 값은 가장 높은 순서대로 기설정된 개수의 격자를 선택할 수도 있다. For example, referring back to FIG. 1 , in step S50 , one or more candidate grids having a high economic evaluation value may be selected. For the selection of candidate grids, for example, a user may directly select one or more grids, or alternatively, a predetermined number of grids may be selected in order of the highest economic evaluation value.

단계(S50)에서 후보 격자가 선택되면, 그 후 단계(S60)에서, 후보 격자 각각에 대해 풍력발전 모델을 하나씩 선정한다. 일 실시예에서 이 선정 단계(S60)는 단계(S30)와 동일 또는 유사한 알고리즘을 사용할 수 있다. 즉 후보 격자의 각각에 대해, 풍력발전 모델에 관한 복수개의 시나리오를 생성한 후 복수개의 시나리오 중 경제성 평가 값이 가장 높은 시나리오를 해당 격자의 풍력발전 모델로 선정할 수 있다. If a candidate grid is selected in step S50, then in step S60, one wind power generation model is selected for each candidate grid. In one embodiment, the selection step (S60) may use the same or similar algorithm to the step (S30). That is, after generating a plurality of scenarios related to the wind power generation model for each of the candidate grids, a scenario having the highest economic evaluation value among the plurality of scenarios may be selected as the wind power generation model of the corresponding grid.

다음으로 단계(S70)에서, 각 후보 격자마다 선정된 풍력발전 모델의 데이터를 출력할 수 있고, 이 출력 데이터를 비교하여 후보 격자 중 하나 이상의 최적의 격자를 선정하고 이 선정된 격자의 풍력발전 모델을 최적의 모델로 선정할 수 있다. Next, in step S70, data of the selected wind power model for each candidate grid may be output, and the output data is compared to select one or more optimal grids among the candidate grids, and the wind power model of the selected grid can be selected as the optimal model.

또는 대안적 실시예에서, 단계(S50)에서 풍력자원 맵에서 하나의 격자만 선택할 수도 있다. 이 경우, 단계(S50)에서 풍력자원 맵에서 경제성 평가 값이 가장 높은 하나의 격자를 선택하고, 그 후 복수개의 시나리오 중 최적의 시나리오를 이 격자에 대한 풍력발전 모델로 선정하고(단계 S60), 선정된 풍력발전 모델의 데이터를 출력할 수 있다(단계 S70).Alternatively, in an alternative embodiment, only one grid may be selected from the wind resource map in step S50. In this case, in step S50, one grid having the highest economic evaluation value is selected from the wind resource map, and then an optimal scenario among a plurality of scenarios is selected as a wind power generation model for this grid (step S60), Data of the selected wind power generation model may be output (step S70).

도7은 단계(S70)에서 출력되는 풍력발전 모델의 출력 데이터를 예시적으로 나타낸다. 도시한 실시예에서, 풍력발전 모델의 출력 데이터는 풍력발전사업 관련 데이터 및 경제성 관련 데이터를 포함할 수 있다. 7 exemplarily shows output data of the wind power generation model output in step S70. In the illustrated embodiment, the output data of the wind power generation model may include data related to the wind power generation project and data related to economic feasibility.

도7(a)에 나타낸 것처럼 풍력발전사업 관련 데이터(Optimized business plan)는 해당 격자의 위치와 육상풍력발전인지 해상풍력발전인지를 알려주며, 최적 풍력발전규모와 풍력터빈 기종, 터빈 설치 개수, 연간 예상발전량 등의 최적 풍력발전소 설치계획에 관한 정보를 포함할 수 있다. 또한 설치되는 송전선로 종류와 길이, 및 연계 변전소에 대한 정보를 포함할 수 있으며, 추가적인 변전소 설치 여부와 설치할 경우에는 그 규모까지 출력할 수 있다. As shown in Fig. 7(a), the data related to the wind power generation business (Optimized business plan) informs the location of the grid and whether it is an onshore or offshore wind power generation, and the optimal wind power generation scale, wind turbine type, number of turbine installations, and annual forecast It may include information about the optimal wind power plant installation plan, such as the amount of power generation. In addition, information on the type and length of the transmission line to be installed, and the substation connected thereto, and whether or not additional substations are installed, and their size, can be printed out.

도7(b)는 경제성 관련 데이터(Economic analysis result)의 예시적 구성을 나타낸다. 경제성 관련 데이터는 도7(a)에 나타낸 사업계획으로 풍력발전 사업을 진행하였을 때 얻을 수 있는 경제성에 관한 데이터를 포함한다. 예를 들어 경제성 관련 데이터는 현금흐름표를 출력하며 그 때의 내부수익률과 순현재가치 등의 정보를 포함할 수 있다. Figure 7 (b) shows an exemplary configuration of economic-related data (Economic analysis result). The economic feasibility-related data includes data on economic feasibility that can be obtained when the wind power generation project is carried out with the business plan shown in FIG. 7 (a). For example, economic data related to the output of a cash flow statement may include information such as internal rate of return and net present value at that time.

CAPEX(Capital expenditures)는 사업에서 미래의 이윤을 창출하기 위해 지출된 비용을 의미한다. 풍력발전사업에서 지출되는 CAPEX는 풍력발전소 설치비용 및 계통연계를 위한 설치비용으로 구분할 수 있다. 풍력발전소 설치 비용은 예를 들어 풍력터빈 설치 및 공사비용, 해상풍력발전소의 경우 자켓 설치비용, 인건비, 초기 부지 매입비용, 인·허가비용 등을 포함할 수 있다. 계통연계를 위한 설치비용은 발전소에서 생산된 전력을 인근 변전소나 계통연계망에 연결하는데 소요되는 비용을 포함할 수 있으며, 예컨대 계통선로 구축비용, 해저 케이블 설치 비용, 변전소 설치 비용, 관련 부지 매입 비용 등을 포함할 수 있다. CAPEX (Capital expenditures) refers to the expenses spent in a business to generate future profits. CAPEX spent in wind power generation business can be divided into wind power plant installation cost and system connection cost. Wind power plant installation costs may include, for example, wind turbine installation and construction costs, and in the case of offshore wind power plants, jacket installation costs, labor costs, initial site purchase costs, licensing/permission costs, and the like. The installation cost for grid connection may include the cost of connecting the power produced in the power plant to a nearby substation or grid connection network, for example, grid line construction cost, submarine cable installation cost, substation installation cost, related site purchase cost, etc. may include.

OPEX(Operating Expenditure)는 갖춰진 설비를 운영하는 데 드는 비용을 의미한다. 풍력발전사업에서의 주요 OPEX로는 O&M(Operation & Maintenance) 비용과 LTSA(Long-term Service Agreement) 비용 등이 있다. O&M 비용은 풍력발전소 운전, 유지 및 보수, 관리 등에 필요한 비용이며, LTSA 비용은 주기적인 풍력터빈 보수 및 장비 교체를 위해 공급업체와의 장기 계약에 소요되는 비용이다. OPEX (Operating Expenditure) refers to the cost of operating an equipped facility. Major OPEX in the wind power generation business includes O&M (Operation & Maintenance) costs and LTSA (Long-term Service Agreement) costs. O&M cost is the cost required for wind power plant operation, maintenance and repair, and management, and LTSA cost is the cost required for a long-term contract with a supplier for periodic wind turbine maintenance and equipment replacement.

매년 발생하는 CAPEX 비용, OPEX 비용, 영업이익의 총합을 통해 연간 순현금흐름(Net cash flow)를 구할 수 있다. 계산된 현금흐름의 경제성은 순현재가치(NPV: Net Present Value), 내부수익률(IRR)을 통하여 평가한다. 순현재가치는 아래 수학식1과 같이 최초 투자 시기부터 사업이 끝나는 시기까지의 연도별 순편익의 흐름을 현재가치로 환산하여 합한 값이다. Annual net cash flow can be calculated from the sum of annual CAPEX expenses, OPEX expenses, and operating profit. The economic feasibility of the calculated cash flows is evaluated through Net Present Value (NPV) and Internal Rate of Return (IRR). The net present value is a value obtained by converting the net benefit flow by year from the initial investment to the end of the project to the present value as shown in Equation 1 below.

Figure 112019090248973-pat00001
--- 수학식1
Figure 112019090248973-pat00001
--- Equation 1

여기서 t는 현금투하기간, N은 사업 전체기간을 의미한다. Ct는 시간 t에서의 총 현금흐름, r은 할인율을 의미한다. Here, t is the cash investment period and N is the entire project period. Ct is the total cash flow at time t , and r is the discount rate.

내부수익률은 어떤 사업에 대해 사업기간 동안의 현금수익 흐름을 현재가치로 환산하여 합한 값이 투자지출과 같아지도록 할인하는 이자율을 말한다.The internal rate of return is an interest rate discounted so that the sum of cash income flows during the business period is converted to present value for a certain business equal to investment expenditure.

이상과 같이 도1 내지 도7을 참조하여 설명한 본 발명의 일 실시예에 따르면, 구에서는 풍력자원이 존재하는 광범위한 지역에 대해 빠른 시간에 가장 경제적인 풍력발전 계획을 도출하여 제시할 수 있다. 분석지역이 넓고 다양한 경제성 요소들을 고려해야 할 경우 많은 계산시간이 소요되며 실용적으로 유망한 분석지역을 선별하여 분석하기가 어렵다. 그러나 본 발명에 따르면 샘플링에 의해 일부 격자에 대해 경제성이 좋은 풍력발전 모델을 선정하고 이 때의 경제성 평가 값을 이용하여 인공신경망을 통해 분석대상 지역내 전체 격자마다의 경제성 평가 값을 도출하고, 이에 기초하여 가장 경제성이 좋은 지역(격자)의 최적의 풍력발전 모델을 선정할 수 있으며, 또한 이렇게 선정된 풍력발전 모델에 관한 풍력발전사업 관련 데이터와 경제성 관련 데이터도 즉시 출력할 수 있다. As described above, according to an embodiment of the present invention described with reference to FIGS. 1 to 7, the district can derive and present the most economical wind power generation plan in a short time for a wide area where wind resources exist. When the analysis area is wide and various economic factors have to be considered, a lot of calculation time is required and it is difficult to select and analyze a practically promising analysis area. However, according to the present invention, a wind power generation model with good economic feasibility is selected for some grids by sampling, and economic evaluation values for each grid in the analysis target area are derived through an artificial neural network using the economic evaluation value at this time, Based on this, it is possible to select the optimal wind power generation model for the region (grid) with the best economic feasibility, and also, data related to the wind power generation business and economic feasibility data related to the selected wind power generation model can be output immediately.

그러므로 종래와 같이 추정과 경험적인 방식으로 사업 여부와 발전규모 등을 결정하는 것이 아니라, 신뢰성 있는 지리정보와 자원분포도를 활용하여 풍력발전 모델 선정 알고리즘과 인공신경망 알고리즘으로 최적의 풍력발전단지 사업모델을 도출함으로써 체계적인 대규모 풍력발전단지 개발에 기여할 수 있다. Therefore, instead of determining the business and the size of power generation by estimation and empirical methods as in the prior art, reliable geographic information and resource distribution maps are used to determine the optimal wind power plant business model using the wind power model selection algorithm and artificial neural network algorithm. By deriving it, it can contribute to the systematic development of large-scale wind farms.

이제 이하에서는 도8 내지 도11을 참조하여 풍력발전 모델을 선정하는 단계(S30)의 예시적 방법을 설명하기로 한다. Hereinafter, an exemplary method of selecting a wind power generation model ( S30 ) will be described with reference to FIGS. 8 to 11 .

도8은 일 실시예에 따라 샘플링된 복수개의 격자의 각각에 대한 풍력발전 모델을 선정하는 방법의 흐름도이다. 최적의 풍력발전 모델을 선정하기 위해 일 실시예에서 각 시나리오마다 연간 발전량을 예측한 후 이 예측값에 기초한 경제성 분석을 수행한다. 설명의 편의를 위해, 도시한 실시예의 경우 상용소프트웨어인 WAsP 11을 사용하여 연간 발전량을 예측하는 것으로 가정한다. 8 is a flowchart of a method of selecting a wind power generation model for each of a plurality of sampled grids according to an embodiment. In order to select an optimal wind power generation model, in one embodiment, the annual power generation amount is predicted for each scenario, and then economical analysis is performed based on the predicted value. For convenience of description, in the case of the illustrated embodiment, it is assumed that annual power generation is predicted using WAsP 11, which is commercial software.

풍력발전에 의한 연간 발전량을 예측하기 위해 우선 소정 기간(예컨대 1년)의 평균 풍속과 풍향 데이터를 포함한 풍력 정보를 산출한다. 보다 구체적으로, 단계(S310)에서, 풍력자원자료를 분석한다. 도9는 풍력자원자료를 분석하는 예시적 방법을 나타내는데, 예컨대 도9(a)와 같이 분석대상인 격자 근처의 기상탑에서 소정 기간(예컨대 1년 또는 그 이상의 기간 동안) 시간단위로 측정한 풍속 및 풍향자료를 입력한다. 그리고 이를 통계적으로 분석하여 도9(b)와 같은 '관측된 바람기후'(observed wind climate) 자료로 변환한다. 이러한 관측된 바람기후 자료는 풍향과 풍속의 연평균 분포를 나타낼 수 있다. In order to predict the annual power generation by wind power generation, first, wind power information including average wind speed and wind direction data for a predetermined period (eg, one year) is calculated. More specifically, in step S310, the wind resource data is analyzed. 9 shows an exemplary method for analyzing wind resource data, for example, wind speed measured in units of time for a predetermined period (eg, for a period of one year or more) at a weather tower near the grid to be analyzed as shown in FIG. Enter wind direction data. And it is statistically analyzed and converted into 'observed wind climate' data as shown in FIG. 9(b). These observed wind climate data can represent the average annual distribution of wind direction and wind speed.

그 후 단계(S320)에서, 풍력자원을 예측한다. 즉 단계(310)에서 얻어진 관측된 바람기후 자료와 분석대상 지역의 도10과 같은 지형자료를 바탕으로 분석대상 격자의 풍속 및 풍향 분포자료를 예측한다. Then, in step S320, the wind resource is predicted. That is, the wind speed and wind direction distribution data of the analysis target grid are predicted based on the observed wind climate data obtained in step 310 and the topographical data as shown in FIG. 10 of the analysis target area.

일 실시예에서 이러한 예측을 위해 지형자료와 수치해석적 유체 유동모델을 사용할 수 있다. 수치해석적 유체 유동모델로서 질량보존모델(Mass-consistent model), 잭슨-헌트 모델(Jackson-Hunt model), CFD(computation fluid dynamics) 모델 등이 널리 사용된다. 잭슨-헌트 모델은 선형화 된 나비에-스토크스(Navier-Stokes) 방정식을 푸는 모델로서 WAsP 11과 같은 상용소프트웨어에 널리 사용된다. 잭슨-헌트 모델은 정상상태유동 및 선형 이송(advection) 조건 및 정상유동 등의 가정을 통하여 매우 계산이 효율적이면서도 비교적 정확한 결과를 출력하는 특징이 있다. 본 발명의 도시한 실시에에서는 잭슨-헌트 모델을 사용하여 분석지역의 풍력자원분포를 예측하였다. In one embodiment, topographic data and numerical fluid flow models may be used for such prediction. As a numerical fluid flow model, a mass-consistent model, a Jackson-Hunt model, and a computation fluid dynamics (CFD) model are widely used. The Jackson-Hunt model is a model for solving the linearized Navier-Stokes equation and is widely used in commercial software such as WAsP 11. The Jackson-Hunt model is characterized by outputting relatively accurate results while being very computationally efficient through assumptions such as steady-state flow and linear advection conditions and steady flow. In the illustrated embodiment of the present invention, the distribution of wind resources in the analysis area is predicted using the Jackson-Hunt model.

다음으로 단계(S330)에서 풍력발전 모델에 관한 복수개의 시나리오를 생성한다. 풍력발전 모델의 경제성 평가에 사용되는 다양한 인자들에 기초하여 복수개의 시나리오를 생성할 수 있다. 도시한 일 실시예에서는 풍력발전의 발전 규모, 송전망 구축, 및 풍력 터빈의 종류에 따라 복수개의 시나리오를 생성하였다. Next, a plurality of scenarios related to the wind power generation model are generated in step S330. A plurality of scenarios may be generated based on various factors used in the economic evaluation of the wind power generation model. In the illustrated embodiment, a plurality of scenarios are generated according to the power generation scale of wind power generation, transmission network construction, and the type of wind turbine.

송전망 구축의 경우에는 최초 접속선로를 22.9kV와 154kV로 선택하는 경우로 나눌 수 있다. 22.9kV 선로를 사용할 경우 인근 변전소에 연결하여 승압한 뒤에 연계되며 최대 풍력발전 규모는 현행 규정상 40MW로 제한되어 있다. 154kV 선로를 사용할 경우에는 풍력발전소 인근에 변압기를 설치하며 총 몇 뱅크(bank)의 변압기를 설치하는지에 따라서 최대 풍력발전규모가 결정될 수 있다. 일반적으로 1뱅크당 25MW까지 전력을 승압할 수 있으며 일 실시예에서 총 4 뱅크 설치할 수 있다고 가정할 경우 최대 풍력발전규모는 100MW가 된다. 풍력발전사업의 규모는 송전망 구축을 어떻게 하는지에 따라 결정된다.In the case of the transmission network construction, it can be divided into the case of selecting the initial connection line as 22.9kV and 154kV. If a 22.9kV line is used, it is connected to a nearby substation after boosting the voltage, and the maximum wind power generation size is limited to 40MW under the current regulations. When using a 154kV line, a transformer is installed near the wind power plant, and the maximum wind power generation size can be determined depending on how many banks of transformers are installed. In general, power can be boosted up to 25MW per bank, and in one embodiment, assuming that a total of 4 banks can be installed, the maximum wind power generation scale is 100MW. The size of the wind power generation project is determined by how the transmission network is built.

송전망 구축 시나리오의 총 개수는 분석지역 인근의 변전소 개수와 최대 몇 뱅크의 변압기가 설치가능한지에 따라 달라질 수 있다. 예를 들어, 인근의 변전소가 총 6개라고 가정하면, 22.9kV 선로를 사용한다면 각각의 변전소에 연결하는 6가지 경우의 수가 있으므로 6개의 시나리오가 나온다. 또한 154kV 선로를 사용한다면 1뱅크에서 4뱅크까지 설치가능 하다고 가정하면 4개의 시나리오가 나온다. 따라서 이 경우 송전망 구축과 풍력발전 규모에 따라 10개의 시나리오가 생성될 수 있다. The total number of transmission network construction scenarios may vary depending on the number of substations near the analysis area and the maximum number of banks of transformers that can be installed. For example, assuming that there are a total of 6 substations nearby, if a 22.9kV line is used, there are 6 scenarios to connect to each substation, so 6 scenarios arise. In addition, if 154kV line is used, 4 scenarios appear assuming that 1 to 4 banks can be installed. Therefore, in this case, 10 scenarios can be created depending on the construction of the transmission network and the size of the wind power generation.

한편 발전량은 어떤 풍력 터빈 기종을 사용하는지에 따라 달라진다. 예를 들어 도11은 두산, 지멘스, 및 베스타스에서 각각 생산하는 풍력 터빈의 성능곡선(풍속에 따라 터빈이 얼마만큼의 발전량을 낼 수 있는지를 나타내는 그래프)을 예시적으로 나타내었다. 도시한 것처럼 풍력터빈 성능곡선은 풍력터빈 제조업체의 각 제품마다 상이하며, 풍력터빈이 설치될 지역의 풍속 조건에 따라 가장 적합한 성능곡선을 갖는 풍력터빈을 사용하는 것이 바람직하다. On the other hand, the amount of power generation depends on the type of wind turbine used. For example, FIG. 11 exemplarily shows performance curves (a graph showing how much power the turbine can generate according to wind speed) of wind turbines produced by Doosan, Siemens, and Vestas, respectively. As shown, the wind turbine performance curve is different for each product of the wind turbine manufacturer, and it is preferable to use the wind turbine having the most suitable performance curve according to the wind speed conditions of the region where the wind turbine is to be installed.

따라서 예를 들어 3가지 종류의 풍력 터빈을 고려한다고 가정하면 풍력터빈 기종과 관련하여 3가지 시나리오가 나올 수 있으며, 상술한 것처럼 송전망 구축과 풍력발전 규모에 따라 10가지 시나리오가 나온다고 가정하였으므로, 전체 10*3 = 30개의 시나리오가 생성될 수 있다. Therefore, for example, assuming that three types of wind turbines are considered, three scenarios can come out in relation to the wind turbine model, and as described above, it is assumed that ten scenarios appear depending on the construction of the transmission network and the scale of wind power generation, so a total of 10 *3 = 30 scenarios can be created.

이상과 같이 3가지 인자, 즉 풍력발전규모, 송전망 구축, 및 풍력터빈 종류에 따라 풍력발전 모델의 시나리오를 생성하는 예시적 방법을 설명하였지만, 위의 3가지 인자 외의 다른 인자를 고려하거나 분석대상 지역의 특성에 따라 다양한 방식으로 시나리오를 생성하는 방법이 존재할 수 있음은 이해할 것이다. As described above, an exemplary method for generating a wind power model scenario according to three factors, namely, wind power generation scale, transmission network construction, and wind turbine type has been described. However, factors other than the above three factors are considered or analysis target area It will be understood that there may exist a method of generating a scenario in various ways depending on the characteristics of the

다시 도8을 참조하면, 복수개의 시나리오가 생성되면, 단계(S340)에서 복수개의 시나리오의 각각의 경제성을 평가한다. 경제성 평가를 위해 우선 풍력발전모델 선정 프로그램(예컨대 WAsP 11)을 이용하여 각 시나리오의 연간 풍력발전량을 계산한다. 이 때, 단계(S310 및 S320)에서 예측된 풍력자원에 기초하여 각 시나리오의 풍력발전량을 계산할 수 있다. Referring back to FIG. 8 , when a plurality of scenarios are generated, the economic feasibility of each of the plurality of scenarios is evaluated in step S340 . For economic evaluation, first, the wind power generation model selection program (eg WAsP 11) is used to calculate the annual wind power generation for each scenario. At this time, the wind power generation amount of each scenario may be calculated based on the wind resource predicted in steps S310 and S320.

일 실시예에서 연간 풍력발전량은 아래 수학식2를 이용하여 산출할 수 있다. In an embodiment, the annual wind power generation amount may be calculated using Equation 2 below.

Figure 112019090248973-pat00002
--- 수학식2
Figure 112019090248973-pat00002
--- Equation 2

상기 수학식2에서 E는 연간풍력발전량, P(V)는 성능곡선에서 풍속 V에서의 발전량이다. f(V)는 분석대상 지역의 풍력분포에서 풍속 V의 확률밀도함수 값이다. Y는 1년의 길이로서 365일 혹은 8,760시간의 값을 갖는다. V cutout 은 풍력터빈의 성능곡선에서 발전량을 산출할 수 있는 최대의 풍속이며, C cutin 은 최소의 풍속이다. In Equation 2, E is the annual wind power generation amount, and P(V) is the power generation amount at the wind speed V in the performance curve. f(V) is the probability density function value of the wind speed V in the wind power distribution in the area to be analyzed. Y is the length of one year and has a value of 365 days or 8,760 hours. V is a cutout of a maximum wind velocity that can be used to calculate the power generation amount in the performance curve of the wind turbine, C cutin is a minimum wind speed.

이와 같이 산출된 연간발전량 결과와 사전에 입력된(예컨대 도1의 단계(S10)에서 입력된) 경제성 인자를 사용하여 시간에 따른 CAPEX, OPEX, 편익 등을 계산할 수 있으며 이를 통해 각 시나리오의 경제성을 평가할 수 있다. 일 실시예에서 경제성 평가를 위해 각 시나리오마다 내부수익률을 산출할 수 있다. CAPEX, OPEX, and benefits over time can be calculated using the result of annual power generation calculated in this way and the economic factor input in advance (eg, input in step S10 of FIG. 1 ), and through this, the economic feasibility of each scenario can be calculated. can be evaluated In an embodiment, the internal rate of return may be calculated for each scenario for economic evaluation.

그 후 단계(S350)에서, 경제성 평가 값에 기초하여 최적의 풍력발전 모델을 선정한다. 일 실시예에서 가장 높은 내부수익률의 시나리오를 해당 격자의 최적의 풍력발전 모델로 선정할 수 있다. After that, in step S350, an optimal wind power generation model is selected based on the economic evaluation value. In an embodiment, the scenario of the highest internal rate of return may be selected as the optimal wind power generation model of the corresponding grid.

이제 이하에서 도12 내지 도14를 참조하여 풍력자원 맵을 생성하는 단계(S40)의 예시적 방법을 설명하기로 한다. Hereinafter, an exemplary method of generating a wind resource map ( S40 ) will be described with reference to FIGS. 12 to 14 .

도12는 일 실시예에 따라 인공신경망을 이용하여 풍력자원 맵을 생성하는 예시적 방법의 흐름도이다. 12 is a flowchart of an exemplary method for generating a wind resource map using an artificial neural network, according to an embodiment.

인공신경망(ANN)은 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘으로, 생물학적 신경세포의 신호전달과정을 모방하여 비선형적 관계를 가진 입력정보와 출력정보에 대한 처리를 수행할 수 있다. An artificial neural network (ANN) is a statistical learning algorithm inspired by neural networks in biology, and can process input and output information that have a non-linear relationship by mimicking the signal transduction process of biological neurons.

인공신경망에서 가장 중요한 인자는 학습과정이다. 인공신경망에서 학습이란 인공신경망을 통해 예측한 예측값과 실제값 사이의 예측 오차를 최소화 하는 비선형 함수를 찾아내기 위하여 가중치를 조절하는 과정이다. 학습 알고리즘으로는 다양한 최적화 알고리즘이 사용될 수 있다. The most important factor in artificial neural networks is the learning process. Learning in an artificial neural network is a process of adjusting weights to find a nonlinear function that minimizes the prediction error between the predicted value and the actual value predicted through the artificial neural network. As the learning algorithm, various optimization algorithms may be used.

신경망 학습을 위한 입출력 자료 세트는 일반적으로 세 가지가 종류가 있다. 첫번째 자료 세트는 학습자료 세트(training set)로서, 자료를 이용하여 가중치를 변화시켜가며 학습을 하기 위한 자료이다. 두번째 자료 세트는 검증자료 세트(validation set)로서, 학습이 타당하게 진행되고 있는지를 판별하기 위한 자료 세트이다. 세번째 자료 세트는 테스트 자료 세트(test set)로서, 신경망의 성능을 평가 및 비교하기 위해 사용된다. 각각의 자료 세트들은 학습 가능한 자료세트의 수에 따라 분배할 수 있다. There are generally three types of input/output data sets for neural network training. The first data set is a training set, which is used to learn by changing weights using data. The second data set is a validation data set, which is a data set for determining whether learning is proceeding properly. The third data set is a test data set, which is used to evaluate and compare the performance of the neural network. Each data set can be distributed according to the number of learnable data sets.

인공신경망을 학습하기 위해서는 학습의 입력자료와 출력자료가 필요하다. 분석대상 지역의 경제성을 나타내는 값을 출력자료로 사용할 수 있으며, 본 발명의 일 실시예에서 내부수익률(IRR)을 출력자료로 사용하였다. 입력자료의 경우 분석대상 지역의 풍력발전 모델의 경제성 차이를 결정하는 주요 인자들로 선정할 수 있으며, 따라서 단계(S410)에서 우선적으로 이러한 경제성 인자를 선정한다. 일반적으로 육상지역과 해상지역에 따라 경제성 차이를 결정하는 인자가 상이할 수 있으므로, 본 발명의 실시예에서는 도13과 같이 육상 및 해상 지역에 따라 구분하여 예시적인 경제성 인자들을 선정할 수 있다. In order to learn an artificial neural network, input data and output data of learning are required. Values representing the economic feasibility of the analysis target region can be used as output data, and the internal rate of return (IRR) was used as output data in an embodiment of the present invention. In the case of input data, it can be selected as major factors that determine the economic difference of the wind power generation model in the analysis target region, and therefore, these economic factors are preferentially selected in step S410. In general, since factors determining the difference in economic feasibility may be different depending on the land area and the sea area, in the embodiment of the present invention, exemplary economic factors may be selected according to the land area and the sea area as shown in FIG. 13 .

도13을 참조하면, 분석대상 지역의 인접 기상탑에서 측정한 평균풍속, 주 풍향은 풍력터빈의 연간발전량을 결정하는 인자로 예상되므로 육상과 해상에서 모두 고려하였다. 풍속분포의 개형과 관련한 인자들은 풍력터빈의 연간발전량에 영향을 미치는 인자들로 예상되며 따라서 개형과 관련한 풍속분포의 왜도(skewness)를 육상과 해상에서 모두 고려하였다. 왜도는 아래 수학식3과 같이 나타낼 수 있다. Referring to FIG. 13 , the average wind speed and main wind direction measured at the meteorological tower adjacent to the analysis target area are expected to be factors that determine the annual power generation of the wind turbine, so both land and sea were considered. Factors related to the shape of the wind speed distribution are expected to be factors influencing the annual power generation of wind turbines. Therefore, the skewness of the wind speed distribution related to the shape shape was considered both on land and at sea. Skewness can be expressed as Equation 3 below.

Figure 112019090248973-pat00003
--- 수학식3
Figure 112019090248973-pat00003
--- Equation 3

여기서 E는 기대값을 나타낸다. x는 측정된 풍속 값이고

Figure 112019090248973-pat00004
는 평균풍속을 의미한다.where E represents the expected value. x is the measured wind speed value
Figure 112019090248973-pat00004
is the average wind speed.

풍향이 얼마나 고르게 분포하는지를 나타내는 풍향분산은 연간발전량에 영향을 미치는 인자이므로 고려하였다. 인접 계통연계망까지 거리는 해상 및 육상 송전망 구축 비용에 있어 중요한 인자이므로 해상과 육상에서 모두 고려하였다.Wind direction dispersion, which indicates how evenly the wind direction is distributed, was considered as it is a factor that affects the annual power generation. Since the distance to the adjacent grid is an important factor in the cost of constructing an offshore and onshore transmission network, it was considered both onshore and offshore.

육상풍력발전의 경우 풍력터빈이 설치되는 고도에 따라서 해당지역의 공기 밀도, 온도, 풍속 등의 연간발전량과 공사비용이 결정되므로, 육상지역에서는 고도가 지역별 풍력발전의 경제성 차이를 결정할 것으로 예상하였다. 해상풍력발전의 경우 풍력터빈이 설치되는 고도는 모두 동일한 반면, 수심에 따라 자켓 및 풍력터빈 설치단가가 크게 좌우되므로 수심을 경제성 차이를 결정하는 인자로 선정하였다. In the case of onshore wind power generation, the annual amount of generation and construction cost such as air density, temperature, wind speed, etc., are determined according to the altitude at which the wind turbine is installed. In the case of offshore wind power generation, the height at which wind turbines are installed is the same, but the installation cost of jackets and wind turbines greatly depends on the depth of the water, so water depth was selected as a factor determining the economic difference.

이와 같이 단계(S410)에서 선정된 경제성 결정 인자들을 인공신경망 학습에 모두 사용할 수 있다. 그러나 대안적 실시예에서 인공신경망의 보다 효율적인 학습과 이용을 위해, 여러 인자들 중 경제성 평가에 크게 영향을 끼치는 주요 인자를 선정하여 이들 주요 인자들을 인공신경망 학습에 이용하는 것이 바람직할 수 있다. 도시한 일 실시예에서는 단계(S420)에서 민감도 분석을 수행하여 주요 인자를 선정하였다. In this way, all of the economic determinants selected in step S410 can be used for artificial neural network learning. However, in an alternative embodiment, for more efficient learning and use of the artificial neural network, it may be desirable to select major factors that greatly affect economic evaluation among various factors and use these major factors for artificial neural network learning. In the illustrated embodiment, a sensitivity analysis was performed in step S420 to select a major factor.

민감도 분석을 위해 임의의 복수개의 지역(격자)에 대해 내부수익률(IRR)을 평가한 후 내부 수익률과 인자들간의 상관계수(correlation coefficient)를 계산하였다. 이 때 사용된 복수개의 격자는 예컨대 도1의 단계(S20)에서 샘플링된 복수개의 격자일 수 있고 도1의 단계(S30)에서 생성된 각 격자마다의 내부수익률을 사용할 수 있다. For sensitivity analysis, the internal rate of return (IRR) was evaluated for a plurality of regions (lattice), and then the correlation coefficient between the internal rate of return and the factors was calculated. The plurality of grids used at this time may be, for example, a plurality of grids sampled in step S20 of FIG. 1 , and the internal rate of return for each grid generated in step S30 of FIG. 1 may be used.

상관계수는 두 자료 사이의 상관관계를 나타내는 수치로서 아래 수학식4와 같이 정의된다. The correlation coefficient is a numerical value indicating the correlation between two data and is defined as in Equation 4 below.

Figure 112019090248973-pat00005
--- 수학식4
Figure 112019090248973-pat00005
--- Equation 4

여기서 x와 y는 비교하고자 하는 두 자료의 종류를 의미하며 σ x , σ y 는 각 자료의 표준편차를 의미한다. Here, x and y denote the types of two data to be compared, and σ x , σ y denote the standard deviation of each data.

도14는 상술한 민감도 분석을 수행한 예시적인 결과를 나타내며, 도14(a)는 육상 풍력발전에 대한 민감도 분석 결과이고 도14(b)는 해상 풍력발전에 대한 민감도 분석 결과이다. 14 shows an exemplary result of performing the above-described sensitivity analysis, FIG. 14 (a) is a sensitivity analysis result for onshore wind power generation, and FIG. 14 (b) is a sensitivity analysis result for offshore wind power generation.

도14(a)를 참조하면, 육상 풍력발전의 경우 고도, 인접 변전소까지의 거리, 평균풍속에 의해 경제성이 가장 많이 영향 받는다는 것을 알 수 있다. 고도가 높을수록, 평균풍속이 클수록, 그리고 인접 변전소까지의 거리가 짧을수록 내부수익률이 증가한다. 이를 통해 육상 풍력발전에 대한 인공신경망의 입력자료로서 고도, 인접 변전소까지의 거리, 및 평균 풍속을 선정할 수 있다. Referring to FIG. 14( a ), it can be seen that in the case of onshore wind power generation, economic efficiency is most affected by altitude, distance to an adjacent substation, and average wind speed. The higher the altitude, the greater the average wind speed, and the shorter the distance to the adjacent substation, the greater the internal rate of return. Through this, the altitude, the distance to the adjacent substation, and the average wind speed can be selected as input data of the artificial neural network for onshore wind power generation.

이 때 '고도'는 예를 들어 해당 지역(격자) 내의 기설정된 지점의 고도이거나 또는 해당 지역(격자)의 평균 고도 중 하나일 수 있다. '인접 변전소까지의 거리'는 격자내 기설정된 지점(예컨대 격자의 중심점)에서부터 변전소까지의 거리를 의미할 수 있다. 또한 '평균 풍속'은 격자내 전체 지역의 평균 풍속 또는 격자내 기설정된 지점의 평균 풍속을 의미할 수 있다. In this case, the 'altitude' may be, for example, one of the altitude of a preset point in the corresponding area (grid) or the average altitude of the corresponding area (grid). The 'distance to an adjacent substation' may mean a distance from a predetermined point in the grid (eg, the center point of the grid) to the substation. In addition, the 'average wind speed' may mean an average wind speed of the entire region within the grid or an average wind speed of a preset point within the grid.

도14(b)를 참조하면, 해상 풍력발전의 경우 수심, 인접 변전소까지의 거리, 평균 풍속에 의해 경제성이 가장 많이 영향을 받음을 알 수 있다. 즉 수심이 낮을수록, 인접 변전소까지의 거리가 짧을수록, 그리고 평균풍속이 클수록 내부수익률이 증가하며, 따라서 해상 풍력발전에 대한 인공신경망의 입력자료로서 수심, 인접 변전소까지의 거리, 및 평균풍속을 선정할 수 있다. Referring to Figure 14 (b), In the case of offshore wind power generation, it can be seen that the economic feasibility is most affected by the water depth, the distance to the adjacent substation, and the average wind speed. That is, the lower the water depth, the shorter the distance to the adjacent substation, and the larger the average wind speed, the higher the internal rate of return increases. can be selected

이 때 '수심'은 예를 들어 해당 지역(격자) 내의 기설정된 지점의 수심이거나 또는 해당 지역(격자)의 평균 수심 중 하나일 수 있다. '인접 변전소까지의 거리'는 격자내 기설정된 지점(예컨대 격자의 중심점)에서부터 변전소까지의 거리를 의미할 수 있고, '평균 풍속'은 격자내 전체 지역의 평균 풍속 또는 격자내 기설정된 지점의 평균 풍속을 의미할 수 있다. In this case, the 'water depth' may be, for example, one of a water depth of a preset point within a corresponding area (grid) or an average depth of a corresponding area (grid). The 'distance to an adjacent substation' may mean a distance from a predetermined point in the grid (eg, the center point of the grid) to the substation, and the 'average wind speed' is the average wind speed of the entire area in the grid or the average of the predetermined points in the grid. It could mean wind speed.

이와 같이 주요인자가 선정되면, 단계(S430)에서 인공신경망을 학습시킨다. 인공신경망의 학습을 위해, 상술한 단계(S420)에서 선정된 주요인자 및 복수개 격자에 대해 각기 선정된 풍력발전모델의 경제성 평가 값(예컨대 내부수익률)에 기초하여 인공신경망을 학습할 수 있다. 즉, 도1의 단계들(S20)에서 선정된 복수개의 격자들에 대한 고도/수심, 인접 변전소까지의 거리, 및 평균 풍속을 인공신경망 학습의 입력자료로 사용하고, 이들 복수개의 격자들에 대해 단계(S30)에서 산출된 내부수익률을 인공신경망 학습의 출력자료로 사용하여 인공신경망을 학습시킬 수 있다. When the main factor is selected in this way, the artificial neural network is trained in step S430. For learning of the artificial neural network, the artificial neural network may be learned based on the economic evaluation value (eg, internal rate of return) of the wind power generation model selected for the main factor and the plurality of grids selected in the above-described step S420 . That is, the altitude/depth of the plurality of grids selected in step S20 of FIG. 1 , the distance to the adjacent substation, and the average wind speed are used as input data for artificial neural network learning, and for these plurality of grids, The artificial neural network may be trained by using the internal rate of return calculated in step S30 as output data of artificial neural network learning.

인공신경망 학습이 완료되면, 다음으로 단계(S440)에서 분석대상 지역 전체에 대한 풍력자원 맵을 생성할 수 있다. 즉 분석대상 지역내 모든 격자의 각각에 대해, 각 격자의 상기 경제성 결정의 주요 인자 값들을 인공신경망 알고리즘에 입력하여 해당 격자의 경제성 평가 값(예컨대 내부수익률)을 인공신경망 알고리즘으로부터 출력하며, 이에 따라 도6에 도시한 것처럼 분석대상 지역 전체 격자마다 경제성 평가 값을 색깔로 구분하여 표시한 풍력자원 맵을 생성할 수 있다. When the artificial neural network learning is completed, a wind resource map for the entire analysis target region may be generated in step S440 . That is, for each of all grids in the analysis target region, the values of the main factors for determining the economic feasibility of each grid are input to the artificial neural network algorithm, and the economic evaluation value (eg, internal rate of return) of the grid is output from the artificial neural network algorithm, and accordingly As shown in FIG. 6 , it is possible to generate a wind resource map in which economic evaluation values are color-coded and displayed for each grid of the entire analysis target area.

이제 도15 내지 도19를 참조하여 본 발명의 일 실시예에 따른 풍력발전 모델 선정 방법을 실제 지역에 적용한 실험 결과를 설명하기로 한다. Now, an experimental result of applying the wind power generation model selection method according to an embodiment of the present invention to an actual area will be described with reference to FIGS. 15 to 19 .

도15는 본 발명의 풍력발전 모델 선정 방법의 평가를 위해 선택된 지역이고 도16은 이 때 사용되는 인자들을 나타내었다. 구체적인 분석대상 지역은 도15에 표시한 것처럼 전라남도 신안군의 위도 34.9도 경도 126도 근방의 해안가로 정하였다. 15 is an area selected for evaluation of the method for selecting a wind power generation model of the present invention, and FIG. 16 shows factors used at this time. As shown in Fig. 15, the specific analysis target area was determined to be the coastal area near latitude 34.9 degrees and longitude 126 degrees in Sinan-gun, Jeollanam-do.

해당 지역은 수개월 이상의 세부적인 사업 타당성 검토가 사전에 수행되었고, 이 지역의 경제성과 함께 최적의 풍력발전사업 모델을 도출하였다. 그 결과 세전 내부수익률이 15.8% 정도의 높은 경제성을 가질 것으로 예상되어 실제 사업지역으로 선정되어 100MW 급의 풍력발전단지를 설치하는 것으로 결정되었다. A detailed project feasibility study was carried out in advance for more than several months in the region, and the optimal wind power generation business model was derived along with the economic feasibility of the region. As a result, the pre-tax internal rate of return is expected to have a high economic feasibility of 15.8%, so it was selected as the actual project area and decided to install a 100MW class wind farm.

해당 지역에 대한 기존 사업성 분석에서는 총 프로젝트 기간을 22년으로 가정하였으며 초기 투자는 2년안에 모두 이루어진다고 가정하였다. 다른 경제성 분석 인자들은 도16(a)와 같이 가정하였고 매년 SMP와 REC 가격의 변동을 도16(b)와 같이 가정하였다. 기존 사업성 분석과의 비교를 위해, 본 발명의 실험에서도 위와 동일한 가정을 사용하였다. In the existing feasibility analysis for the region, the total project period was assumed to be 22 years, and it was assumed that the initial investment would be made within 2 years. Other economic analysis factors were assumed as shown in FIG. 16(a), and changes in SMP and REC prices were assumed every year as shown in FIG. 16(b). For comparison with the existing business feasibility analysis, the same assumptions were used in the experiment of the present invention.

본 발명의 일 실시예에 따라 도1의 단계(S10 내지 S40)를 수행한 결과 도17과 같은 풍력자원 맵이 생성되었다. 풍력자원 맵에서 노란색에 가까울수록 높은 경제성을 가진다. 도17에서 빨간색 원으로 표시한 지역이 분석대상 지역이며, 다른 지역들과 비교할 때 비교적 높은 경제성을 가지고 있음을 알 수 있다. As a result of performing the steps S10 to S40 of FIG. 1 according to an embodiment of the present invention, a wind resource map as shown in FIG. 17 was generated. The closer to yellow on the wind resource map, the higher the economic efficiency. The area indicated by the red circle in FIG. 17 is the analysis target area, and it can be seen that it has a relatively high economic feasibility compared to other areas.

다음으로, 도17의 풍력자원 맵의 분석대상 지역의 격자를 선택하여(S50) 이 격자에서의 최적의 풍력발전 모델을 선정한 후(S60), 선정된 풍력발전 모델에 관한 출력데이터, 즉 풍력발전사업 관련 데이터와 경제성 관련 데이터를 산출하였고(S70), 이 산출결과를 기존 사업성 분석 결과와 비교하였다. Next, after selecting the grid of the analysis target area of the wind resource map of FIG. 17 ( S50 ) and selecting the optimal wind power generation model in this grid ( S60 ), output data related to the selected wind power generation model, that is, wind power generation Business-related data and economic feasibility-related data were calculated (S70), and the calculated results were compared with the existing feasibility analysis results.

먼저 풍력발전 모델부터 비교하면, 본 발명의 실시예에 따른 방법에서는 최적의 풍력발전사업 규모가 100MW급으로 도출되었다. 이는 기존 사업성 분석결과와 일치한다. First, comparing the wind power generation model, in the method according to the embodiment of the present invention, the optimal wind power generation business scale was derived as 100 MW class. This is consistent with the existing feasibility analysis results.

본 발명의 실시예에 따른 방법에서 도출된 풍력터빈 기종 최적화 결과와 기존 사업성 검토에서 선정한 풍력터빈 기종을 비교한 결과, 기존 사업성 검토에서는 해당 지역에서의 최적 풍력터빈 기종에 관한 분석 없이 지멘스의 SWT 3.2 18대 및 두산의 WinDS3000 TC2를 14대를 사용하는 것으로 결정하였다. 이에 대해, 본 발명의 방법에 따르면 지멘스의 SWT 3.2, 두산의 WinDS3000 TC2, 및 베스타스의 V112, 총 세 종류의 풍력터빈에 대하여 분석을 수행하여 최적의 풍력터빈기종을 결정하였고, 각각의 풍력터빈 기종에 따른 풍력발전사업의 순현재가치(NPV)가 도18과 같이 도출되었다. As a result of comparing the wind turbine model optimization result derived from the method according to the embodiment of the present invention and the wind turbine model selected in the existing feasibility review, in the existing feasibility review, Siemens' SWT 3.2 without analyzing the optimal wind turbine model in the region It was decided to use 18 units and 14 units of Doosan's WinDS3000 TC2. In contrast, according to the method of the present invention, the optimal wind turbine type was determined by performing analysis on three types of wind turbines: Siemens' SWT 3.2, Doosan's WinDS3000 TC2, and Vestas' V112. The net present value (NPV) of the wind power generation project according to

도18의 결과에 따르면, 두산의 WinDS3000 TC2 모델이 가장 낮은 경제성을 보였으며 최적의 풍력터빈 기종은 베스타스의 V112 모델인 것으로 분석되었다. 베스타스 V112를 사용할 경우의 경제성을 두산의 WinD3000 TC2 모델을 사용할 때와 비교해보면 NPV 값에서 37.8% 정도의 큰 차이가 있음을 알 수 있다. 즉 본 발명에서 제안한 바와 같이 풍력터빈 기종에 따라서도 각기 다른 시나리오를 생성하여 최적화를 수행하는 것이 정확한 사업성 검토를 위해 중요하며, 본 발명의 실시예에 따른 풍력발전 모델 선정 방법을 활용하면 기존 사업성 검토 결과에 대한 개선 역시 가능하다는 것을 확인하였다. According to the result of FIG. 18, it was analyzed that Doosan's WinDS3000 TC2 model showed the lowest economic feasibility, and the optimal wind turbine model was Vestas' V112 model. Comparing the economic feasibility of using Vestas V112 with that of Doosan's WinD3000 TC2 model, it can be seen that there is a big difference of 37.8% in NPV value. That is, as suggested in the present invention, it is important to perform optimization by creating different scenarios depending on the wind turbine model for accurate feasibility study. If the wind power generation model selection method according to the embodiment of the present invention is utilized, the existing feasibility is reviewed. It was confirmed that improvement of the results is also possible.

기존 사업성 분석 방법과 본 발명에 따른 풍력발전 모델 선정 방법의 비교결과를 요약하면 도19와 같다. 송전망 구축의 경우, 기존 사업성 분석 결과 및 본 발명의 방법에 따른 분석 결과가 동일하였다. 즉 풍력발전소 인근에 154kV 변전소를 신설하는 것으로 도출되었다. 두 결과 모두 변전소 내 승압기는 총 4뱅크 설치하는 것으로 나타났고, 승압된 전력을 기존 154kV 계통연계망에 연결하는 것으로 제안되었다. The comparison result of the existing feasibility analysis method and the wind power generation model selection method according to the present invention is summarized as shown in FIG. 19 . In the case of the transmission network construction, the results of the existing feasibility analysis and the analysis results according to the method of the present invention were the same. In other words, it was derived that a new 154kV substation was built near the wind power plant. In both results, it was found that a total of 4 banks were installed in the substation, and it was proposed to connect the boosted power to the existing 154kV grid.

이와 같이 본 발명의 풍력발전 모델 선정 방법에 따라 선정된 최종 풍력발전사업 모델과 기존 사업성 분석 결과에서 도출된 풍력발전사업 모델은 풍력터빈 기종을 제외하면 거의 유사함을 알 수 있었다.As described above, it was found that the final wind power generation business model selected according to the method of selecting a wind power generation model of the present invention and the wind power generation business model derived from the existing feasibility analysis results were almost similar except for the wind turbine model.

본 발명의 풍력발전 모델 선정 방법은 신안군 해안지역에 대해 대략 수십 초의 연산만으로 최적화된 풍력발전 모델을 선정하고 이 선정된 풍력발전 모델의 풍력발전사업 관련 데이터와 경제성 관련 데이터를 즉시 출력할 수 있었고, 수개월에 걸쳐 이루어진 기존의 사업성 분석 방식과 비교할 때 훨씬 짧은 시간에 기존 방식과 유사한 분석 결과를 도출할 수 있음을 알 수 있다. 또한 본 발명에 따르면 기존 사업성 분석 방식에서는 검토하지 않았던 최적 풍력터빈 기종까지 제안할 수 있음을 확인하였다. The wind power generation model selection method of the present invention was able to select an optimized wind power generation model for the coastal area of Sinan-gun only by calculation of about several tens of seconds, and immediately output the data related to the wind power generation business and economic feasibility related data of the selected wind power generation model, It can be seen that similar analysis results to the existing method can be derived in a much shorter time compared to the existing business feasibility analysis method that took several months. In addition, according to the present invention, it was confirmed that even the optimal wind turbine model, which has not been reviewed in the existing feasibility analysis method, can be proposed.

도20은 일 실시예에 따른 최적 풍력발전 모델 선정 방법을 구현하는 예시적인 시스템 구성을 나타내는 블록도이다. 20 is a block diagram illustrating an exemplary system configuration for implementing a method for selecting an optimal wind power generation model according to an embodiment.

도20을 참조하면, 일 실시예에 따른 풍력발전 모델 선정 방법을 수행하는 시스템(100)은 도1, 도8, 및 도12에 도시한 흐름도의 단계들을 실행할 수 있는 임의의 컴퓨터 장치일 수 있고, 도시한 것처럼 프로세서(110), 메모리(120), 및 저장장치(130)를 포함할 수 있다. Referring to Fig. 20, the system 100 for performing the method for selecting a wind power generation model according to an embodiment may be any computer device capable of executing the steps of the flowcharts shown in Figs. 1, 8, and 12, and , as shown, may include a processor 110 , a memory 120 , and a storage device 130 .

저장장치(130)는 하드 디스크 드라이브 또는 플래시 메모리 등과 같이 데이터를 반영구적으로 저장할 수 있는 저장매체로서, 도1, 도8, 및 도12의 흐름도를 수행하는 풍력발전 모델 선정 알고리즘을 포함할 수 있다. 예를 들어 저장장치(130)는 예컨대 WAsP 11과 같은 연간 발전량 산출 프로그램(131), 민감도 분석 알고리즘(132), 인공신경망 알고리즘(133) 등의 소프트웨어 중 적어도 하나를 저장할 수 있다. The storage device 130 is a storage medium capable of semi-permanently storing data, such as a hard disk drive or flash memory, and may include a wind power generation model selection algorithm performing the flowcharts of FIGS. 1, 8, and 12 . For example, the storage device 130 may store at least one of software such as an annual generation amount calculation program 131 such as WAsP 11 , a sensitivity analysis algorithm 132 , and an artificial neural network algorithm 133 .

이 구성에서 이러한 각종 프로그램이나 알고리즘이 저장장치(130)에 저장되어 있다가 프로세서(110)의 제어 하에 메모리(120)에 로딩되어 실행될 수 있다. 대안적으로, 일부 프로그램이나 알고리즘이 시스템(100)과는 별도로 존재하는 외부 장치나 서버에 존재할 수 있고, 시스템(100)에서 데이터나 변수를 해당 외부 장치나 서버에 요청하면 이 외부 장치나 서버가 프로그램 또는 알고리즘을 실행한 뒤 그 결과 데이터를 시스템(100)에 전달할 수도 있다. In this configuration, these various programs or algorithms may be stored in the storage device 130 and loaded into the memory 120 under the control of the processor 110 to be executed. Alternatively, some programs or algorithms may exist in an external device or server that exists separately from the system 100, and when the system 100 requests data or variables from the external device or server, the external device or server After executing the program or algorithm, the result data may be transmitted to the system 100 .

상기와 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되지 않는다. 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 상술한 기재로부터 다양한 수정 및 변형이 가능함을 이해할 것이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다. As described above, although the present invention has been described with reference to the limited embodiments and drawings, the present invention is not limited to the above embodiments. Those of ordinary skill in the art to which the present invention pertains will understand that various modifications and variations are possible from the above description. Therefore, the scope of the present invention should not be limited to the described embodiments, but should be defined by the following claims as well as the claims and equivalents.

100: 풍력발전 모델 선정 시스템
110: 프로세서
120: 메모리
130: 저장장치 100: wind power generation model selection system
110: processor
120: memory
130: storage device

Claims (11)

컴퓨터를 이용하여 풍력발전 모델을 선정하는 방법으로서,
(a) 소정 지역을 복수개의 격자들로 격자모형화하고 초기조건을 입력하는 단계;
(b) 상기 소정 지역 내 모든 격자들 중 일부의 복수개의 격자를 샘플링하는 단계;
(c) 샘플링된 복수개 격자의 각각에 대해, 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따른 복수개의 시나리오를 생성하고 이 복수개의 시나리오마다 경제성 평가 값을 산출하고, 산출된 경제성 평가 값에 기초하여 상기 복수개의 시나리오 중 하나의 시나리오를 풍력발전 모델로 선정하는 단계;
(d) 상기 샘플링된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 상기 경제성 평가 값에 기초하여, 상기 컴퓨터에서 실행되는 인공신경망 알고리즘에 의해 상기 소정 지역내 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성하는 단계;
(e) 상기 풍력자원 맵 상에서 하나 이상의 격자를 선택하는 단계; 및
(f) 선택된 격자에 대한 풍력발전 모델을 선정하는 단계;를 포함하고,
상기 (a) 단계에서 격자모형화할 때 복수개의 격자의 일부는 격자 크기가 서로 다르게 설정되고,
상기 인공신경망 알고리즘은, 상기 샘플링된 복수개의 격자의 각각의 격자에 대해, 풍력발전 모델의 경제성 평가를 위해 미리 선정된 하나 이상의 주요 인자를 입력자료로 하고 상기 샘플링된 복수개의 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값을 출력자료로 하여 학습된 것이고,
상기 풍력자원 맵을 생성하는 (d) 단계에서, 상기 소정 지역내 모든 격자의 각각에 대해, 각 격자의 상기 주요 인자를 상기 인공신경망 알고리즘에 입력하여 각 격자의 경제성 평가 값을 산출하는 것을 특징으로 하는 풍력발전 모델 선정 방법. As a method of selecting a wind power generation model using a computer,
(a) grid modeling a predetermined area into a plurality of grids and inputting initial conditions;
(b) sampling a plurality of grids of some of all grids in the predetermined area;
(c) For each of the plurality of sampled grids, a plurality of scenarios according to the wind power generation scale, transmission network construction, and wind turbine type are generated, and an economic evaluation value is calculated for each of the plurality of scenarios, and based on the calculated economic evaluation value to select one of the plurality of scenarios as a wind power generation model;
(d) Based on the economic evaluation value of the wind power generation model selected for each grid of the plurality of sampled grids, the economic evaluation value for all grids in the predetermined area is calculated by an artificial neural network algorithm executed on the computer, respectively to generate a wind resource map;
(e) selecting one or more grids on the wind resource map; and
(f) selecting a wind power generation model for the selected grid;
When modeling the grid in step (a), some of the plurality of grids have different grid sizes,
The artificial neural network algorithm, for each grid of the sampled plurality of grids, selects one or more main factors previously selected for economic evaluation of the wind power generation model as input data, and selects for each grid of the plurality of sampled grids It is learned by using the economic evaluation value of the wind power generation model as output data,
In the step (d) of generating the wind resource map, for each of all grids in the predetermined area, the main factor of each grid is input to the artificial neural network algorithm to calculate the economic evaluation value of each grid wind power generation model selection method. 제 1 항에 있어서,
상기 풍력자원 맵은, 상기 소정 지역내 각 격자마다 해당 격자의 경제성 평가 값을 표시한 지도인 것을 특징으로 하는 풍력발전 모델 선정 방법. The method of claim 1,
The wind resource map is a wind power generation model selection method, characterized in that for each grid within the predetermined area, the economic evaluation value of the grid is displayed. 제 1 항에 있어서, 상기 초기조건이, 풍력발전소 설치 및 유지 비용, 송전망 구축비용, 경제성 분석 인자, 및 편익산출 인자를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method according to claim 1, wherein the initial conditions include wind power plant installation and maintenance costs, transmission network construction costs, economic feasibility analysis factors, and benefit calculation factors. 제 1 항에 있어서,
복수개의 격자를 샘플링하는 상기 (b) 단계가, 육상 지역의 격자들에서 제1 복수개의 격자를 샘플링하고 해상 지역의 격자들에서 제2 복수개의 격자를 샘플링하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method of claim 1,
The step (b) of sampling a plurality of grids, a method for selecting a wind power generation model, characterized in that the first plurality of grids are sampled from grids in the land area and a second plurality of grids are sampled from grids in the offshore area . 제 1 항에 있어서,
상기 각각의 격자에 대해 풍력발전 모델을 선정하는 상기 (c) 단계가, 각 격자에 대해,
(c-1) 소정 기간의 평균 풍속과 풍향 데이터를 포함한 풍력 정보를 산출하는 단계;
(c-2) 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따라 복수개의 시나리오를 생성하는 단계;
(c-3) 생성된 복수개의 시나리오마다 경제성 평가 값을 산출하는 단계; 및
(c-4) 산출된 경제성 평가 값에 기초하여 하나의 시나리오를 해당 격자의 풍력발전 모델로 선정하는 단계;를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method of claim 1,
The step (c) of selecting a wind power generation model for each grid is, for each grid,
(c-1) calculating wind power information including average wind speed and wind direction data for a predetermined period;
(c-2) generating a plurality of scenarios according to the wind power generation scale, transmission network construction, and wind turbine type;
(c-3) calculating an economic evaluation value for each of a plurality of generated scenarios; and
(c-4) selecting one scenario as the wind power generation model of the grid based on the calculated economic evaluation value; Wind power generation model selection method comprising: a. 제 5 항에 있어서,
상기 경제성 평가 값이 내부수익률이고,
상기 (c-4) 단계에서, 내부수익률이 가장 높은 시나리오를 해당 격자의 풍력발전 모델로 선정하는 것을 특징으로 하는 풍력발전 모델 선정 방법. 6. The method of claim 5,
The economic evaluation value is the internal rate of return,
In the step (c-4), a wind power generation model selection method, characterized in that the scenario with the highest internal rate of return is selected as the wind power generation model of the corresponding grid. 삭제delete 제 1 항에 있어서,
상기 미리 선정된 하나 이상의 주요 인자는, 풍력발전의 경제성 결정에 영향을 끼치는 복수개의 인자들 중 민감도 분석에 의해 선정된 인자인 것을 특징으로 하는 풍력발전 모델 선정 방법. The method of claim 1,
The one or more pre-selected main factors are a factor selected by sensitivity analysis among a plurality of factors affecting the economic decision of wind power generation. 제 8 항에 있어서, 상기 미리 선정된 하나 이상의 주요 인자가,
육상 지역의 격자인 경우, (i) 격자내 지역의 고도, (ii) 격자내 기설정된 지점에서부터 변전소까지의 거리, 및 (iii) 격자내 지역의 평균 풍속을 포함하고,
해상 지역의 격자인 경우, (i) 격자내 지역의 수심, (ii) 격자내 기설정된 지점에서부터 변전소까지의 거리, 및 (iii) 격자내 지역의 평균 풍속을 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method of claim 8, wherein the preselected one or more major factors are:
In the case of a grid of land areas, (i) the elevation of the area within the grid, (ii) the distance from a predetermined point within the grid to the substation, and (iii) the average wind speed of the area within the grid;
In the case of a grid of offshore areas, a wind power model comprising (i) the depth of the area within the grid, (ii) the distance from a preset point in the grid to the substation, and (iii) the average wind speed of the area within the grid. Selection method. 제 9 항에 있어서,
상기 격자내 지역의 고도는, 상기 격자내 지역의 평균 고도 또는 상기 격자내 기설정된 지점의 고도 중 하나이고,
상기 격자내 지역의 수심은, 상기 격자내 지역의 평균 수심 또는 상기 격자내 기설정된 지점의 수심 중 하나인 것을 특징으로 하는 풍력발전 모델 선정 방법. 10. The method of claim 9,
The altitude of the area within the grid is one of an average altitude of the area within the grid or an altitude of a predetermined point within the grid,
The method for selecting a wind power generation model, characterized in that the water depth of the region within the grid is one of an average depth of the region within the grid or a depth of a preset point within the grid. 제1항 내지 제6항 및 제8항 내지 제10항 중 어느 한 항에 기재된 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체. A computer-readable recording medium in which a program for executing the method according to any one of claims 1 to 6 and 8 to 10 in a computer is recorded.
KR1020190108290A 2017-08-25 2019-09-02 Method of selecting optimized wind farm model by using artificial neural network KR102264786B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190108290A KR102264786B1 (en) 2017-08-25 2019-09-02 Method of selecting optimized wind farm model by using artificial neural network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170108085A KR20190022156A (en) 2017-08-25 2017-08-25 Method of selecting optimized wind farm model by using artificial neural network
KR1020190108290A KR102264786B1 (en) 2017-08-25 2019-09-02 Method of selecting optimized wind farm model by using artificial neural network

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020170108085A Division KR20190022156A (en) 2017-08-25 2017-08-25 Method of selecting optimized wind farm model by using artificial neural network

Publications (2)

Publication Number Publication Date
KR20190125233A KR20190125233A (en) 2019-11-06
KR102264786B1 true KR102264786B1 (en) 2021-06-16

Family

ID=68541663

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190108290A KR102264786B1 (en) 2017-08-25 2019-09-02 Method of selecting optimized wind farm model by using artificial neural network

Country Status (1)

Country Link
KR (1) KR102264786B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230057804A (en) 2021-10-22 2023-05-02 한국전력공사 Method and system for making decisions of optimal input data for artificial neural network model

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296411A (en) * 2002-04-05 2003-10-17 Kyowa Engineering Consultants Co Ltd Support system for planning and sales of wind energy generation business

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101316576B1 (en) * 2011-05-26 2013-10-15 대한민국 Site Analysis System and Method for Wind Power
KR20130083053A (en) * 2011-12-28 2013-07-22 연세대학교 산학협력단 Warning system for bad project of overseas constructions
KR101665634B1 (en) * 2015-04-01 2016-10-13 (주)제이피엠 System for selecting construction site of offshore wind generator

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003296411A (en) * 2002-04-05 2003-10-17 Kyowa Engineering Consultants Co Ltd Support system for planning and sales of wind energy generation business

Also Published As

Publication number Publication date
KR20190125233A (en) 2019-11-06

Similar Documents

Publication Publication Date Title
Pillai et al. Application of an offshore wind farm layout optimization methodology at Middelgrunden wind farm
Lumbreras et al. Optimal transmission network expansion planning in real-sized power systems with high renewable penetration
Afanasyeva et al. Technical, economic and uncertainty modelling of a wind farm project
Costa et al. A review on the young history of the wind power short-term prediction
Besnard et al. An optimization framework for opportunistic maintenance of offshore wind power system
Keivanpour et al. The sustainable worldwide offshore wind energy potential: A systematic review
Ferreira et al. A survey on wind power ramp forecasting.
Helseth et al. Detailed long‐term hydro‐thermal scheduling for expansion planning in the Nordic power system
Besnard et al. A stochastic model for opportunistic maintenance planning of offshore wind farms
Değirmenci et al. MCDM analysis of wind energy in Turkey: decision making based on environmental impact
Douard et al. A probabilistic approach to introduce risk measurement indicators to an offshore wind project evaluation–improvement to an existing tool ecume
KR20190022156A (en) Method of selecting optimized wind farm model by using artificial neural network
Ioannou et al. Stochastic financial appraisal of offshore wind farms
Ang et al. Multi-objective optimization of hybrid renewable energy systems with urban building energy modeling for a prototypical coastal community
Cranmer et al. A portfolio model for siting offshore wind farms with economic and environmental objectives
Koch Contested overruns and performance of offshore wind power plants
Said et al. Improved framework for techno-economical optimization of wind energy production
Bezbradica et al. Introducing multi-criteria decision analysis for wind farm repowering: A case study on Gotland
KR102264786B1 (en) Method of selecting optimized wind farm model by using artificial neural network
Caralis et al. Lessons learnt from the evaluation of the feed-in tariff scheme for offshore wind farms in Greece using a Monte Carlo approach
Caputo et al. Offshore wind power system economic evaluation framework under aleatory and epistemic uncertainty
Majumder et al. Climate change and urbanization impact on hydropower plant by neural network-based decision-making methods: identification of the most significant parameter
Diaz et al. Micro-siting of floating turbines through multiple-criteria decision-making
Cali Grid and market integration of large-scale wind farms using advanced wind power Forecasting: technical and energy economic aspects
Centeno-Telleria et al. Computationally efficient analytical O&M model for strategic decision-making in offshore renewable energy systems

Legal Events

Date Code Title Description
A107 Divisional application of patent
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant