KR102500311B1 - Tower shadow calibration method and system using machine learning algorithm based on wind speed data - Google Patents

Tower shadow calibration method and system using machine learning algorithm based on wind speed data Download PDF

Info

Publication number
KR102500311B1
KR102500311B1 KR1020210169588A KR20210169588A KR102500311B1 KR 102500311 B1 KR102500311 B1 KR 102500311B1 KR 1020210169588 A KR1020210169588 A KR 1020210169588A KR 20210169588 A KR20210169588 A KR 20210169588A KR 102500311 B1 KR102500311 B1 KR 102500311B1
Authority
KR
South Korea
Prior art keywords
wind speed
machine learning
section
tower
speed data
Prior art date
Application number
KR1020210169588A
Other languages
Korean (ko)
Inventor
고경남
문경록
이건우
운다르마 투멘바야르
Original Assignee
제주대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 제주대학교 산학협력단 filed Critical 제주대학교 산학협력단
Priority to KR1020210169588A priority Critical patent/KR102500311B1/en
Priority to PCT/KR2022/015116 priority patent/WO2023101190A1/en
Application granted granted Critical
Publication of KR102500311B1 publication Critical patent/KR102500311B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
    • G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming
    • 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
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Indicating Or Recording The Presence, Absence, Or Direction Of Movement (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

The present invention relates to a method for tower shadow correction using a machine learning algorithm on the basis of wind speed data and a system thereof, and the tower shadow correction system using a machine learning algorithm on the basis of wind speed data according to an embodiment of the present invention comprises: a data collection unit for collecting wind speed data measured by a plurality of anemometers installed on a meteorological tower; a section determination unit for classifying a tower shadow section where the measured wind speed is higher or lower than the actual wind speed with respect to the collected wind speed data and a normal section excluding the tower shadow section; a machine learning unit for allowing a machine learning model to perform machine learning with respect to the normal section of the collected wind speed data; and a correction unit for correcting the wind speed data using the machine learning model. Therefore, anemometer data affected by the tower shadow may be corrected by using machine learning.

Description

풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정 방법 및 시스템{Tower shadow calibration method and system using machine learning algorithm based on wind speed data}Tower shadow calibration method and system using machine learning algorithm based on wind speed data}

본 발명은 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정방법 및 시스템에 관한 것으로, 보다 상세하게는 통계적 기법과 기계학습 알고리즘을 이용해 보다 정확한 풍력 발전 정보를 제공할 수 있는 타워 쉐도우 보정방법 및 시스템에 관한 것이다.The present invention relates to a tower shadow correction method and system using a machine learning algorithm based on wind speed data, and more particularly, to a tower shadow correction method capable of providing more accurate wind power generation information using a statistical technique and a machine learning algorithm, and It's about the system.

풍력발전단지 설계에서 AEP(Annual Energy Production)와 CF(Capacity Factor)를 추정하기 위해서는 풍력발전기의 허브 높이의 풍속을 필요로 한다. In order to estimate AEP (Annual Energy Production) and CF (Capacity Factor) in wind farm design, the wind speed at the hub height of the wind turbine is required.

도 1은 일반적으로 풍력발전단지를 건설하기 전 풍속을 측정하기 위해 설치된 기상탑을 도시한 것으로서, 기상탑에서 측정된 1년이상의 데이터를 기반으로 풍력발전단지 건설 예정지에 대한 연간 발전량(AEP), 이용률(CF) 등을 분석하는데 활용된다.1 generally shows a meteorological tower installed to measure the wind speed before constructing a wind farm, and based on data measured for more than one year from the meteorological tower, the annual power generation (AEP) for the planned construction site of the wind farm, It is used to analyze utilization rate (CF), etc.

도 1의 기상탑은 라티스 타워 형태의 기상탑으로서, 그 외에도 튜블러형 기상탑이 사용되기도 한다. 또한, 기상탑에는 풍속계(1, 2, 3)와 풍향계(5)가 설치되고, 각 풍속계와 풍향계에서 측정된 바람데이터는 데이터 로거(data logger: 4)에 저장된다.The weather tower in FIG. 1 is a lattice tower type weather tower, and a tubular weather tower is also used. In addition, anemometers (1, 2, 3) and a wind vane (5) are installed in the meteorological tower, and wind data measured by each anemometer and wind vane are stored in a data logger (4).

기상탑에서 수집된 데이터를 기반으로 분석하여 산출된 연간발전량과 이용률 등을 통해 사업성 유무 판단과 정부 및 지자체의 승인 및 사업 투자 유치 등을 할 때 활용되므로 정확한 풍속의 측정은 매우 중요하다.Accurate measurement of wind speed is very important as it is used to determine business feasibility through analysis based on data collected from weather towers and calculated annual power generation and utilization rates, government and local government approval, and business investment attraction.

하지만 최근 풍력발전기의 크기가 대형화됨에 따라 기상탑의 높이가 높아짐에 따라 많은 비용이 요구되어 풍력발전기 허브 높이와 동일한 높이의 기상탑을 설치하는데 어려움을 겪고 있다.However, it is difficult to install a weather tower having the same height as the hub of the wind turbine because a lot of cost is required as the height of the weather tower increases as the size of the wind turbine has recently increased.

따라서, 풍력발전기의 허브 높이의 풍속을 추정하기 위해 다양한 방법이 활용되고 있다. 대표적으로 멱법칙(Power Law)과 로그법칙(Log Law)이 사용된다. 하지만 기상탑의 제일 상단에 설치되어 있는 풍속계는 자유 풍속을 측정하지만 그 외의 높이에서 측정된 풍속계는 설치 위치와 방향 등의 다양한 원인으로 인해 특정 방위각에서 기상탑 타워의 후류 영향을 받는 타워쉐도우(Tower Shadow) 영향을 받을 수 있다. 이러한 영향을 받는 구간에서 풍속계는 실제 자유 풍속보다 증가 또는 감소된 풍속을 측정한다.Accordingly, various methods have been used to estimate the wind speed at the hub height of the wind turbine. Typically, the power law and the log law are used. However, the anemometer installed at the top of the meteorological tower measures the free wind speed, but the anemometer measured at other heights has a tower shadow (Tower Shadow) affected by the wake of the meteorological tower at a specific azimuth due to various causes such as the installation location and direction. Shadow) can be affected. In this affected section, the anemometer measures a wind speed that is either increased or decreased compared to the actual free wind speed.

도 2는 일반적인 기상탑의 종류에 따른 타워쉐도우 영향을 받는 구간에 따른 풍속의 변화를 나타낸다. (출처: M.C.Brower, "Wind Resource Assessment: A Practical Guide to Developing a Wind Project", Wiley, 1st edition (June 19, 2012))Figure 2 shows the change in wind speed according to the section affected by the tower shadow according to the type of general meteorological tower. (Source: M.C.Brower, "Wind Resource Assessment: A Practical Guide to Developing a Wind Project", Wiley, 1st edition (June 19, 2012))

이러한 데이터 기반으로 산출된 윈드쉬어를 활용하여 허브 높이의 풍속 추정하는 경우 실제 허브 높이의 풍속과 오차가 크게 발생할 수 있다는 문제점이 있다.When estimating the wind speed at the hub height using the wind shear calculated based on these data, there is a problem in that a large error may occur with the wind speed at the actual hub height.

등록특허공보 제10-1239659호(2013.02.27)Registered Patent Publication No. 10-1239659 (2013.02.27)

본 발명은 전술한 문제를 해결하기 위해 안출된 것으로서, 통계적 기법을 활용하여 풍속계 데이터의 타워쉐도우 영향 발생 유무에 대한 판단을 제공하고, 기계학습을 활용하여 타워쉐도우 영향을 받은 풍속계 데이터를 보정하는 방법을 제공하고자 한다.The present invention has been devised to solve the above-mentioned problems, and a method of using statistical techniques to provide a determination on whether or not tower shadow influence of anemometer data has occurred, and a method of correcting anemometer data affected by tower shadow by using machine learning. want to provide

전술한 문제를 해결하기 위한 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템은 기상탑에 설치되는 다수의 풍속계들에서 측정되는 풍속 데이터를 수집하는 데이터 수집부; 상기 수집된 풍속 데이터에 대하여 실제 풍속보다 높거나 낮게 측정되는 타워쉐도우 구간과, 상기 타워쉐도우 구간을 제외한 정상 구간을 분류하는 구간 판단부; 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 기계 학습 모델이 기계 학습을 하는 기계 학습부; 및 상기 기계 학습 모델을 이용해 상기 풍속 데이터를 보정하는 보정부;를 포함하여 구성된다.A tower shadow correction system using a machine learning algorithm based on wind speed data according to an embodiment of the present invention for solving the above problem is a data collection unit that collects wind speed data measured by a plurality of anemometers installed in a weather tower. ; a section determiner for classifying a tower shadow section measured higher or lower than an actual wind speed with respect to the collected wind speed data and a normal section excluding the tower shadow section; a machine learning unit for performing machine learning on a machine learning model for the normal section of the collected wind speed data; and a correction unit correcting the wind speed data using the machine learning model.

본 발명의 다른 일실시예에 따르면, 상기 구간 판단부는 상기 다수의 풍속계들에 포함되는 제1 풍속계와 제2 풍속계의 풍속비를 산출하고, 상기 산출된 풍속비를 설정된 각도(°)의 빈(Bin)으로 분류하여 각 빈에 속해 있는 풍속비에 대해 중앙값(Median)을 산출하고, 상기 산출된 중앙값이 전체 풍속비의 사분위수 25% 이상이거나 75% 이하인 구간을 타워쉐도우의 경향을 받지 않는 정상 구간으로 분류할 수 있다.According to another embodiment of the present invention, the section determiner calculates the wind speed ratio of the first anemometer and the second anemometer included in the plurality of anemometers, and sets the calculated wind speed ratio to a bin ( bin) to calculate the median for the wind speed ratio belonging to each bin, and the calculated median value is the upper 25% or higher than the 75% quartile of the total wind speed ratio It can be classified into sections.

본 발명의 다른 일실시예에 따르면, 상기 기계 학습부는 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 KNN(K-Nearest Neighbor), LightGBM 또는 SVM(support vector machine)을 이용해 기계 학습할 수 있다.According to another embodiment of the present invention, the machine learning unit may perform machine learning on the normal section of the collected wind speed data using a K-Nearest Neighbor (KNN), LightGBM, or a support vector machine (SVM).

본 발명의 다른 일실시예에 따르면, 상기 데이터 수집부는 라티스형 기상탑 또는 튜블러형 기상탑으로 구성되는 상기 기상탑에 설치되는 데이터 로거(data logger)로 구성될 수 있다.According to another embodiment of the present invention, the data collection unit may be composed of a data logger installed in the meteorological tower composed of a lattice-type meteorological tower or a tubular meteorological tower.

본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정방법은 데이터 수집부 기상탑에 설치되는 다수의 풍속계들에서 측정되는 풍속 데이터를 수집하는 데이터 수집 단계; 구간 판단부가 상기 수집된 풍속 데이터에 대하여 실제 풍속보다 높거나 낮게 측정되는 타워쉐도우 구간과, 상기 타워쉐도우 구간을 제외한 정상 구간을 분류하는 구간 분류 단계; 기계 학습부가 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 기계 학습 모델이 기계 학습을 하는 기계 학습 단계; 및 보정부가 상기 기계 학습 모델을 이용해 상기 풍속 데이터를 보정하는 단계;를 포함하여 구성된다.A tower shadow correction method using a machine learning algorithm based on wind speed data according to an embodiment of the present invention includes a data collection step of collecting wind speed data measured by a plurality of anemometers installed in a weather tower of a data collection unit; a section classification step in which a section determiner classifies a tower shadow section measured higher or lower than an actual wind speed with respect to the collected wind speed data and a normal section excluding the tower shadow section; a machine learning step in which a machine learning unit performs machine learning on a machine learning model for the normal section of the collected wind speed data; and correcting the wind speed data by a correction unit using the machine learning model.

본 발명의 다른 일실시예에 따르면, 상기 구간 분류 단계는 상기 구간 판단부가 상기 다수의 풍속계들에 포함되는 제1 풍속계와 제2 풍속계의 풍속비를 산출하고, 상기 산출된 풍속비를 설정된 각도(°)의 빈(Bin)으로 분류하여 각 빈에 속해 있는 풍속비에 대해 중앙값(Median)을 산출하고, 상기 산출된 중앙값이 전체 풍속비의 사분위수 25% 이상이거나 75% 이하인 구간을 타워쉐도우의 경향을 받지 않는 정상 구간으로 분류할 수 있다.According to another embodiment of the present invention, in the section classification step, the section determination unit calculates the wind speed ratio of the first anemometer and the second anemometer included in the plurality of anemometers, and sets the calculated wind speed ratio at an angle ( °) and calculates the median for the wind speed ratio belonging to each bin, and the section where the calculated median value is 25% or more or 75% or less of the quartile of the total wind speed ratio is the tower shadow. It can be classified as a normal interval without a trend.

본 발명의 다른 일실시예에 따르면, 상기 기계 학습 단계는 상기 기계 학습부가 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 KNN(K-Nearest Neighbor), LightGBM 또는 SVM(support vector machine)을 이용해 기계 학습할 수 있다.According to another embodiment of the present invention, the machine learning step is performed by the machine learning unit using K-Nearest Neighbor (KNN), LightGBM, or SVM (Support Vector Machine) for the normal section of the collected wind speed data. can do.

본 발명에 따르면 통계적 기법을 활용하여 풍속계 데이터의 타워쉐도우 영향 발생 유무에 대한 판단을 제공하고, 기계학습을 활용하여 타워쉐도우 영향을 받은 풍속계 데이터를 보정하는 방법을 제공할 수 있다.According to the present invention, it is possible to use a statistical technique to provide a determination on whether anemometer data has a tower shadow effect, and to provide a method of correcting the anemometer data affected by a tower shadow by using machine learning.

도 1은 일반적으로 풍력발전단지를 건설하기 전 바람을 측정하기 위해 일반적으로 사용되는 라티스 형태의 기상탑을 도시한 도면이다.
도 2는 일반적인 기상탑의 종류에 따른 타워쉐도우 영향을 받는 구간에 따른 풍속의 변화를 나타낸 그래프이다.
도 3는 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정방법을 설명하기 위한 흐름도이다.
도 4 내지 도 10는 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정방법을 설명하기 위한 도면이다.
도 11은 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템의 구성도이다.1 is a view showing a weather tower in the form of a lattice generally used to measure wind before constructing a wind farm.
Figure 2 is a graph showing the change in wind speed according to the section affected by tower shadow according to the type of general meteorological tower.
3 is a flowchart illustrating a tower shadow correction method using a machine learning algorithm based on wind speed data according to an embodiment of the present invention.
4 to 10 are views for explaining a tower shadow correction method using a machine learning algorithm based on wind speed data according to an embodiment of the present invention.
11 is a block diagram of a tower shadow correction system using a machine learning algorithm based on wind speed data according to an embodiment of the present invention.

이하에서는 첨부한 도면을 참조하여 바람직한 본 발명의 일실시예에 대해서 상세히 설명한다. 다만, 실시형태를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 또한, 도면에서의 각 구성요소들의 크기는 설명을 위하여 과장될 수 있으며, 실제로 적용되는 크기를 의미하는 것은 아니다.Hereinafter, with reference to the accompanying drawings, a preferred embodiment of the present invention will be described in detail. However, in describing the embodiments, if it is determined that a detailed description of a related known function or configuration may unnecessarily obscure the gist of the present invention, a detailed description thereof will be omitted. In addition, the size of each component in the drawings may be exaggerated for description, and does not mean a size that is actually applied.

도 3는 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정방법을 설명하기 위한 흐름도이다.3 is a flowchart illustrating a tower shadow correction method using a machine learning algorithm based on wind speed data according to an embodiment of the present invention.

먼저, 데이터 수집부가 기상탑에 설치되는 다수의 풍속계들에서 측정되는 풍속 데이터를 수집하고(S101), 수집된 데이터를 체크하여 전처리할 수 있으며(S102), 구간 파단부가 상기 수집된 풍속 데이터에 대하여 실제 풍속보다 높거나 낮게 측정되는 타워쉐도우 구간과, 상기 타워쉐도우 구간을 제외한 정상 구간으로 나누어 분류하여 검출할 수 있다(S103).First, the data collection unit collects wind speed data measured by a plurality of anemometers installed in the meteorological tower (S101), checks the collected data and preprocesses it (S102), It is possible to classify and detect a tower shadow section measured higher or lower than the actual wind speed and a normal section excluding the tower shadow section (S103).

이후, 기계 학습부가 상기 타워쉐도우 구간을 제외한 정상 구간에 대해서 기계학습을 수행한다(S110).Thereafter, the machine learning unit performs machine learning on the normal section excluding the tower shadow section (S110).

이후에는, 보정부가 상기 기계 학습 모델을 이용해 상기 풍속 데이터를 보정한다(S111). 즉, 기계학습된 모델에 타워쉐도우 영향을 받는 구간의 데이터를 투입하여 보정 값을 산출하고 보정한다.Thereafter, the correction unit corrects the wind speed data using the machine learning model (S111). That is, the data of the section affected by the tower shadow is input into the machine learning model to calculate and correct the correction value.

따라서, 이와 같이 보정된 타워쉐도우 영향을 받는 구간의 데이터에 대하여, 같은 높이의 타워쉐도우 영향을 받지 않은 다른 풍속계의 데이터를 활용하여 검증을 수행할 수 있다(S112).Therefore, for the data of the section affected by the corrected tower shadow, verification may be performed using data of another anemometer at the same height and not affected by the tower shadow (S112).

표 1은 본 발명의 분석을 위해 사용된 데이터를 나타내며 선정된 기상탑의 풍속계를 활용한다.Table 1 shows the data used for the analysis of the present invention and utilizes the anemometer of the selected meteorological tower.

ItemItem HeightHeight [ m ][ m ] MeasuredMeasured
PeriodPeriod AnemometerAnemometer 111.5, 82.5①, 82.5②111.5, 82.5①, 82.5② 2013.08.12.
∼ 2016.10.28.2013.08.12.
∼ 2016.10.28. Wind VaneWind Vane 106.5106.5

선정된 기상탑에는 가장 높은 상단 111.5m에 자유 풍속을 측정하는 풍속계가 설치되어 있으며 82.5m에는 두 개의 풍속계가 설치되어 있다.An anemometer measuring free wind speed is installed at the top of the selected meteorological tower at 111.5m, and two anemometers are installed at 82.5m.

도 4은 본 발명의 일실시예에 따른 기상탑 82.5m의 같은 높이에 설치된 두 개의 풍속계의 설치된 방향을 나타내고 있다.4 shows the installation direction of two anemometers installed at the same height of 82.5 m of the meteorological tower according to an embodiment of the present invention.

111.5m의 풍속계와 82.5m의 풍속계의 풍속비를 산출하기 위한 식은 다음의 수학식 1과 같다.The equation for calculating the wind speed ratio between the anemometer at 111.5 m and the anemometer at 82.5 m is shown in Equation 1 below.

[수학식 1][Equation 1]

Figure 112021139048934-pat00001
Figure 112021139048934-pat00001

여기서 Anemometer1(vi)는 풍속계(1번 풍속계)의 i번째의 풍속, Anemometer2(vi) 풍속계(2번 풍속계)의 i번째의 풍속을 나타낸다.Here, Anemometer 1 (v i ) represents the ith wind speed of the anemometer (anemometer No. 1), and Anemometer 2 (v i ) represents the ith wind speed of the anemometer (anemometer No. 2).

또한, 도 5는 본 발명의 일실시예에 따른 산출된 풍속비를 5°빈(Bin)으로 분류하여 산포도를 도시한 것이다.In addition, FIG. 5 shows a scatter diagram by classifying the calculated wind speed ratio into 5° bins according to an embodiment of the present invention.

본 발명의 일실시예에 따르면 수학식 1을 활용하여 111.5m 풍속계와 82.5m 풍속계의 풍속비를 산출하였고 풍속비가 1에 근사할수록 111.5m 풍속계와 82.5m의 풍속계의 풍속의 차이가 작음을 의미한다. 82.5m 높이의 두 개의 풍속계의 특정 방위각에서 타워쉐도우 영향이 발생한 것을 확인할 수 있다.According to an embodiment of the present invention, the wind speed ratio of the 111.5m anemometer and the 82.5m anemometer was calculated using Equation 1, and the closer the wind speed ratio is to 1, the smaller the difference between the wind speed of the 111.5m anemometer and the 82.5m anemometer. . It can be seen that the tower shadow effect occurred at a specific azimuth of the two anemometers at a height of 82.5 m.

본 발명의 일실시예에서는 통계적 기법을 활용하여 타워쉐도우 영향을 받는 구간을 검출하기 위해 사분위수(Quantile)와 중앙값(Median)을 활용하였다. 먼저 5°빈으로 분류하여 각 빈에 속해 있는 풍속비에 대해 중앙값(Median)을 산출하였다. 중앙값(Median)이 전체 풍속비의 사분위수 25% 이상이거나 75% 이하인 경우를 타워쉐도우 영향을 받지 않는 정상적인 구간으로 먼저 분류하였다. 수학식 2는 사분위수를 활용 한 기준에 대해 풍속의 변동성을 적용하기 위한 가중치를 나타낸다.In one embodiment of the present invention, a quartile and a median are used to detect a section affected by tower shadow using a statistical technique. First, it was classified into 5° bins, and the median was calculated for the wind speed ratio belonging to each bin. Cases where the median was above 25% or below 75% of the quartile of the total wind speed ratio were first classified as normal sections not affected by tower shadow. Equation 2 represents the weight for applying the variability of wind speed with respect to the criterion using quartiles.

[수학식 2][Equation 2]

Figure 112021139048934-pat00002
Figure 112021139048934-pat00002

여기서 ω는 기준에 대한 가중치이고, Mnormal(i)는 i번째 빈(bin)의 타워쉐도우 영향을 받지 않는 구간의 중앙값(Median)이다.Here, ω is the weight for the criterion, and M normal (i) is the median value (Median) of the interval not affected by the tower shadow of the ith bin.

또한, 풍속계의 폐쇄 영향(Blockage Effect), 난류 등의 다양한 변동으로 인한 풍속의 변화는 기상탑에 의한 영향을 받지 않는 요인임에도 불구하고 타워쉐도우 영향을 받는 구간으로 검출될 수 있으므로 본 발명의 일실시예에서는 정상구간 이내의 중앙값(Median)의 전체 평균을 구하고 이를 활용하여 편차의 절대값 평균을 기준에 가중치로 정의할 수 있다. 수학식 3은 사분위수에 가중치를 적용한 타워 쉐도우 검출을 위한 기준을 나타낸다.In addition, the wind speed change due to various fluctuations such as the blockage effect of the anemometer and turbulence can be detected as a section affected by the tower shadow even though it is a factor that is not affected by the weather tower, so one implementation of the present invention In the example, the overall average of the median within the normal range can be obtained, and the average absolute value of the deviation can be defined as a weight for the criterion. Equation 3 represents a criterion for tower shadow detection by applying weights to quartiles.

[수학식 3][Equation 3]

Figure 112021139048934-pat00003
Figure 112021139048934-pat00003

여기서 T는 타워쉐도우 영향을 받는 구간, Q(25)는 사분위수 25%, Q(75)는 사분위수 75%, Mi는 i번째 빈(bin)의 중앙값(Median)을 나타낸다.Here, T is the interval affected by tower shadow, Q(25) is the 25% quartile, Q(75) is the 75% quartile, and M i represents the median of the ith bin.

도 6는 본 발명의 일실시예에 따른 82.5m의 풍속계(1번 풍속계)의 5° 빈(bin)별 중앙값(Median)과 수학식 2를 활용하여 산출된 타워쉐도우 검출 구간을 보여주며 225°~ 240°의 빈(bin)이 타워쉐도우 구간으로 산출되었다.6 shows a tower shadow detection section calculated using Equation 2 and the median for each 5 ° bin of an 82.5 m anemometer (anemometer No. 1) according to an embodiment of the present invention, and shows a 225 ° bin A bin of ~ 240° was calculated for the tower shadow section.

도 7 본 발명의 일실시예에 따른 82.5m의 2번 풍속계의 5° 빈별 중앙값(Median)과 수학식 2를 활용하여 산출된 타워쉐도우 검출 구간을 보여준다. 구간을 보여주며 5°~ 15°구간과 55°~ 75°의 빈이 타워쉐도우 구간으로 산출되었으며, 그 외 구간에서는 타워쉐도우의 영향이 없는 것으로 확인되었다.7 shows a tower shadow detection section calculated using Equation 2 and the 5° bin-by-bin median of the 82.5m No. 2 anemometer according to an embodiment of the present invention. It showed the section, and the 5°~15° section and the 55°~75° bin were calculated as tower shadow sections, and it was confirmed that there was no effect of tower shadow in other sections.

타워쉐도우 영향은 지형, 기상탑 붐대 설치 각도 등으로 인해 타워쉐도우의 형태가 상이하게 나타날 수 있다. 따라서 수학식 4는 분석 시의 상황 또는 결정에 따라 수학식 2에서 검출된 타워쉐도우 구간에 대한 빈을 확 장할 수 있다.As for the effect of tower shadow, the shape of the tower shadow may appear differently due to the topography, installation angle of the meteorological tower boom, etc. Therefore, Equation 4 can expand the bin for the tower shadow section detected in Equation 2 according to the situation or decision at the time of analysis.

[수학식 4][Equation 4]

Figure 112021139048934-pat00004
Figure 112021139048934-pat00004

여기서 TS는 확장된 타워쉐도우 구간, T는 타워쉐도우 영향을 받는 구간, α는 타워쉐도우 영향을 받는 구간에 대해 추가적으로 고려하고자 하는 빈의 크기를 나타낸다.Here, TS represents the extended tower shadow period, T represents the period affected by tower shadow, and α represents the size of the bin to be additionally considered for the period affected by tower shadow.

본 발명에서는 검출된 구간에 대해 5°빈을 추가적으로 고려하였고 따라서 타워쉐도우 보정을 필요로 하는 구간은 220°~ 245°로 설정하였다.In the present invention, a 5° bin was additionally considered for the detected section, and therefore, the section requiring tower shadow correction was set to 220° to 245°.

도 8은 본 발명의 일실시예에 따른 타워쉐도우에 따른 보정이 수행될 구간을 보여준다.8 shows a section to be corrected according to tower shadow according to an embodiment of the present invention.

또한, 본 발명에 따르면 타워쉐도우 구간을 제외하고 타워쉐도우 영향을 받지 않는 구간에 대해 기계학습을 수행한다. 또한 4m/s 이하의 풍속은 큰 변동성과 풍력발전기의 시동풍속이하의 풍속이므로 연간발전량에 많은 영향을 주지 않기 때문에 기계학습과 보정 대상에서 제외하여 기계학습을 수행하였다.In addition, according to the present invention, machine learning is performed on a section not affected by tower shadow except for a tower shadow section. In addition, since the wind speed of 4 m/s or less has a large variability and a wind speed less than the start-up wind speed of the wind turbine, it does not have much effect on the annual power generation, so machine learning was excluded from the subject of machine learning and calibration.

도 9은 본 발명의 일실시예에 따른 타워 쉐도우 보정에 따른 입출력 변수를 보여준다.9 shows input/output variables according to tower shadow correction according to an embodiment of the present invention.

본 발명의 일실시예에 따르면, 기계 학습부는 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 KNN(K-Nearest Neighbor), LightGBM 또는 SVM(support vector machine)을 이용해 기계 학습할 수 있다.According to an embodiment of the present invention, the machine learning unit may perform machine learning on the normal section of the collected wind speed data using a K-Nearest Neighbor (KNN), LightGBM, or a support vector machine (SVM).

Figure 112021139048934-pat00005
Figure 112021139048934-pat00005

표 2는 타워쉐도우 구간이 아닌 정상 구간의 데이터로 기계학습한 결과를 나타낸다. 모든 기계 학습 모델의 학습 정확도가 좋았으며 SVM(support vector machine)이 RMSE가 0.4753, R2은 0.9817로 학습 정확도가 좋다.Table 2 shows the results of machine learning with data in the normal section, not the tower shadow section. The training accuracy of all machine learning models was good, and the support vector machine (SVM) had RMSE of 0.4753 and R 2 of 0.9817, which showed good learning accuracy.

이와 같이, 본 발명의 일실시예에 의하면 3개의 학습된 모델을 활용하여 타워쉐도우 영향을 받는 구간을 보정을 수행하였다.In this way, according to an embodiment of the present invention, correction is performed for a section affected by tower shadow using three learned models.

도 10는 본 발명의 일실시예에 따른 학습 정확도가 좋았던 SVM 모델을 활용한 82.5m의 1번 풍속계의 타워쉐도우 영향을 받는 구간의 보정 전후를 보여준다.10 shows before and after correction of a section affected by tower shadow of anemometer No. 1 at 82.5 m using an SVM model having good learning accuracy according to an embodiment of the present invention.

보정의 정도를 검증하기 위해 220°~ 245°에서 타워쉐도우 영향을 받지 않는 82.5m 높이의 2번 풍속계 데이터를 활용하였으며, 표 3은 220°~ 245° 빈 구간에 대해 RMSE와 R2을 활용하여 2 번 풍속계와 타워쉐도우 영향에 따른 1번 풍속계의 보정 전후 결과를 비교한 것이다.In order to verify the degree of correction, the data of No. 2 anemometer at a height of 82.5 m, which is not affected by tower shadow, was used at 220° to 245°, and Table 3 uses RMSE and R 2 for the empty section between 220° and 245°. This is a comparison of the results before and after correction of the anemometer No. 2 and the anemometer No. 1 according to the effect of the tower shadow.

Figure 112021139048934-pat00006
Figure 112021139048934-pat00006

타워쉐도우 영향을 보정하기전 1번 풍속계와 2번 풍속계의 RMSE는 1.009이고 R2은 0.891로 산출되었다. 기계학습 모델을 활용하여 타워쉐도우 영향 구간에 대해 보정을 수행하였고, 3가지 모델 모두 높은 성능을 보이는 것으로 확인되었다. 그 중 SVM은 타워쉐도우 보정 결과 RMSE는 0.2611으로 보정되었고 R 2은 0.9926으로 높았다. 또한 KNN은 타워쉐도우 보정 결과 RMSE는 0.3009로 R 2은 0.9902로 산출되어 3개의 모델 중 가장 낮은 값이 산출되었다.Before correcting for the effect of tower shadow, the RMSE of anemometer 1 and anemometer 2 was 1.009 and R 2 was calculated as 0.891. A correction was performed for the tower shadow influence section using a machine learning model, and it was confirmed that all three models showed high performance. Among them, SVM was calibrated to 0.2611 as a result of tower shadow correction and R 2 was as high as 0.9926. In addition, KNN calculated RMSE as 0.3009 and R 2 as 0.9902 as a result of tower shadow correction, resulting in the lowest value among the three models.

도 11은 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템의 구성도이다.11 is a block diagram of a tower shadow correction system using a machine learning algorithm based on wind speed data according to an embodiment of the present invention.

이후부터는 도 11을 참조하여 본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템의 구성을 설명하기로 한다.Hereinafter, the configuration of a tower shadow correction system using a machine learning algorithm based on wind speed data according to an embodiment of the present invention will be described with reference to FIG. 11 .

본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템(100)은 컴퓨터 단말, 서버 또는 별도의 전용 장치로 구성되거나, 이와 같은 컴퓨터 단말, 서버 또는 별도의 전용 장치로 이루어진 시스템으로 구성될 수 있다. 또한, 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템(100)을 구성하는 각 구성(모듈)은 각각 소프트웨어, 하드웨어 또는 소프트웨어와 하드웨어의 결합으로 이루어질 수 있다.The tower shadow correction system 100 using a machine learning algorithm based on wind speed data according to an embodiment of the present invention is composed of a computer terminal, a server, or a separate dedicated device, or such a computer terminal, server, or a separate dedicated device. It can be configured as a system consisting of In addition, each component (module) constituting the tower shadow correction system 100 using a machine learning algorithm based on wind speed data may be composed of software, hardware, or a combination of software and hardware.

본 발명의 일실시예에 따른 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템(100)은 데이터 수집부(110), 구간 판단부(120), 기계 학습부(130) 및 보정부(140)를 포함하여 구성될 수 있다.A tower shadow correction system 100 using a machine learning algorithm based on wind speed data according to an embodiment of the present invention includes a data collection unit 110, a section determination unit 120, a machine learning unit 130, and a correction unit ( 140) may be configured.

상기 데이터 수집부(110)는 기상탑에 설치되는 다수의 풍속계들에서 측정되는 풍속 데이터를 수집한다. 이때, 본 발명의 일실시예에 따르면 상기 데이터 수집부(100)는 라티스형 기상탑 또는 튜블러형 기상탑으로 구성되는 상기 기상탑에 설치되는 데이터 로거(data logger)로 구성될 수 있다.The data collection unit 110 collects wind speed data measured by a plurality of anemometers installed in the meteorological tower. At this time, according to an embodiment of the present invention, the data collection unit 100 may be configured as a data logger installed in the weather tower composed of a lattice-type weather tower or a tubular weather tower.

상기 구간 판단부(120)는 상기 수집된 풍속 데이터에 대하여 실제 풍속보다 높거나 낮게 측정되는 타워쉐도우 구간과, 상기 타워쉐도우 구간을 제외한 정상 구간을 분류한다.The section determiner 120 classifies the collected wind speed data into a tower shadow section measured higher or lower than an actual wind speed and a normal section excluding the tower shadow section.

보다 구체적으로, 상기 구간 판단부(120)는 상기 다수의 풍속계들에 포함되는 제1 풍속계와 제2 풍속계의 풍속비를 산출할 수 있다. 또한, 상기 구간 판단부(120)는 상기 산출된 풍속비를 설정된 각도(°)의 빈(Bin)으로 분류하여 각 빈에 속해 있는 풍속비에 대해 중앙값(Median)을 산출할 수 있으며, 이와 같이 산출된 중앙값이 전체 풍속비의 사분위수 25% 이상이거나 75% 이하인 구간을 타워쉐도우의 경향을 받지 않는 정상 구간으로 분류할 수 있다.More specifically, the section determiner 120 may calculate a wind speed ratio between a first anemometer and a second anemometer included in the plurality of anemometers. In addition, the section determination unit 120 may classify the calculated wind speed ratio into bins of a set angle (°) and calculate a median of the wind speed ratios belonging to each bin. A section in which the calculated median value is 25% or more or 75% or less of the quartile of the total wind speed ratio can be classified as a normal section that is not affected by tower shadow.

상기 기계 학습부(130)는 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 기계 학습 모델이 기계 학습을 한다.The machine learning unit 130 performs machine learning on a machine learning model for the normal section of the collected wind speed data.

보다 구체적으로, 상기 기계 학습부(130)는 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 KNN(K-Nearest Neighbor), LightGBM 또는 SVM(support vector machine)을 이용해 기계 학습할 수 있다.More specifically, the machine learning unit 130 may perform machine learning on the normal section of the collected wind speed data using K-Nearest Neighbor (KNN), LightGBM, or support vector machine (SVM).

상기 보정부(140)는 상기 기계 학습 모델을 이용해 상기 풍속 데이터를 보정한다.The correction unit 140 corrects the wind speed data using the machine learning model.

이와 같이, 본 발명에 따르면 통계적 기법을 활용하여 풍속계 데이터의 타워쉐도우 영향 발생 유무에 대한 판단을 제공하고, 기계학습을 활용하여 타워쉐도우 영향을 받은 풍속계 데이터를 보정하는 방법을 제공할 수 있다.As described above, according to the present invention, it is possible to provide a method for determining whether anemometer data has a tower shadow effect by using a statistical technique, and to correct anemometer data affected by tower shadow by using machine learning.

전술한 바와 같은 본 발명의 상세한 설명에서는 구체적인 실시예에 관해 설명하였다. 그러나 본 발명의 범주에서 벗어나지 않는 한도 내에서는 여러 가지 변형이 가능하다. 본 발명의 기술적 사상은 본 발명의 전술한 실시예에 국한되어 정해져서는 안 되며, 청구범위뿐만 아니라 이 청구범위와 균등한 것들에 의해 정해져야 한다.In the detailed description of the present invention as described above, specific embodiments have been described. However, various modifications are possible without departing from the scope of the present invention. The technical spirit of the present invention should not be limited to the above-described embodiments of the present invention and should not be defined, and should be defined by not only the claims but also those equivalent to these claims.

100: 풍속 데이터 기반 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템
110: 데이터 수집부
120: 구간 판단부
130: 기계 학습부
140: 보정부100: Tower shadow correction system using wind speed data-based machine learning algorithm
110: data collection unit
120: section judgment unit
130: machine learning unit
140: correction unit

Claims (7)

기상탑에 설치되는 다수의 풍속계들에서 측정되는 풍속 데이터를 수집하는 데이터 수집부;
상기 수집된 풍속 데이터에 대하여 실제 풍속보다 높거나 낮게 측정되는 타워쉐도우 구간과, 상기 타워쉐도우 구간을 제외한 정상 구간을 분류하는 구간 판단부;
상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 기계 학습 모델이 기계 학습을 하는 기계 학습부; 및
상기 기계 학습 모델을 이용해 상기 풍속 데이터를 보정하는 보정부;를 포함하고,
상기 구간 판단부는,
상기 다수의 풍속계들에 포함되는 제1 풍속계와 제2 풍속계의 풍속비를 산출하고,
상기 산출된 풍속비를 설정된 각도(°)의 빈(Bin)으로 분류하여 구성한 산포도상에서 각 빈에 속해 있는 풍속비에 대해 중앙값(Median)을 산출하고,
상기 산출된 중앙값이 전체 풍속비의 사분위수 25% 이상이거나 75% 이하인 구간을 타워쉐도우의 영향을 받지 않는 정상 구간으로 분류하고,
상기 타워쉐도우의 영향을 받는 구간(T)에 추가적으로 빈(Bin)의 크기(α)를 반영하여 타워쉐도우 구간을 확장하며,
상기 기계 학습부는,
상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 KNN(K-Nearest Neighbor), LightGBM 또는 SVM(support vector machine)을 이용해 기계 학습하는, 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템.
a data collection unit that collects wind speed data measured by a plurality of anemometers installed in the meteorological tower;
a section determiner for classifying a tower shadow section measured higher or lower than an actual wind speed with respect to the collected wind speed data and a normal section excluding the tower shadow section;
a machine learning unit for performing machine learning on a machine learning model for the normal section of the collected wind speed data; and
A correction unit correcting the wind speed data using the machine learning model;
The interval determination unit,
Calculate a wind speed ratio of a first anemometer and a second anemometer included in the plurality of anemometers,
On a scatter plot constructed by classifying the calculated wind speed ratio into bins of set angles (°), a median is calculated for the wind speed ratios belonging to each bin,
A section in which the calculated median value is 25% or more or 75% or less of the quartile of the total wind speed ratio is classified as a normal section that is not affected by tower shadow,
The tower shadow section is extended by reflecting the size (α) of a bin in addition to the section (T) affected by the tower shadow,
The machine learning unit,
A tower shadow correction system using a wind speed data-based machine learning algorithm for machine learning using KNN (K-Nearest Neighbor), LightGBM, or SVM (support vector machine) for the normal section of the collected wind speed data.
 삭제delete 삭제delete 청구항 1에 있어서,
상기 데이터 수집부는,
라티스형 기상탑 또는 튜블러형 기상탑으로 구성되는 상기 기상탑에 설치되는 데이터 로거(data logger)로 구성되는 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정시스템.
The method of claim 1,
The data collection unit,
A tower shadow correction system using a machine learning algorithm based on wind speed data composed of a data logger installed on the meteorological tower composed of a lattice-type meteorological tower or a tubular meteorological tower.
 데이터 수집부 기상탑에 설치되는 다수의 풍속계들에서 측정되는 풍속 데이터를 수집하는 데이터 수집 단계;
구간 판단부가 상기 수집된 풍속 데이터에 대하여 실제 풍속보다 높거나 낮게 측정되는 타워쉐도우 구간과, 상기 타워쉐도우 구간을 제외한 정상 구간을 분류하는 구간 분류 단계;
기계 학습부가 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 기계 학습 모델이 기계 학습을 하는 기계 학습 단계; 및
보정부가 상기 기계 학습 모델을 이용해 상기 풍속 데이터를 보정하는 단계;를 포함하고,
상기 구간 분류 단계는,
상기 구간 판단부가 상기 다수의 풍속계들에 포함되는 제1 풍속계와 제2 풍속계의 풍속비를 산출하고,
상기 산출된 풍속비를 설정된 각도(°)의 빈(Bin)으로 분류하여 구성한 산포도 상에서 각 빈에 속해 있는 풍속비에 대해 중앙값(Median)을 산출하고,
상기 산출된 중앙값이 전체 풍속비의 사분위수 25% 이상이거나 75% 이하인 구간을 타워쉐도우의 영향을 받지 않는 정상 구간으로 분류하고,
상기 타워쉐도우의 영향을 받는 구간(T)에 추가적으로 빈(Bin)의 크기(α)를 반영하여 타워쉐도우 구간을 확장하고,
상기 기계 학습 단계는,
상기 기계 학습부가 상기 수집된 풍속 데이터의 상기 정상 구간에 대하여 KNN(K-Nearest Neighbor), LightGBM 또는 SVM(support vector machine)을 이용해 기계 학습하는 풍속 데이터 기반의 기계학습 알고리즘을 활용한 타워 쉐도우 보정방법.
A data collection step of collecting wind speed data measured by a plurality of anemometers installed in the data collection unit meteorological tower;
a section classification step in which a section determiner classifies a tower shadow section measured higher or lower than an actual wind speed with respect to the collected wind speed data and a normal section excluding the tower shadow section;
a machine learning step in which a machine learning unit performs machine learning on a machine learning model for the normal section of the collected wind speed data; and
Correcting the wind speed data by a correction unit using the machine learning model;
In the section classification step,
The section determination unit calculates a wind speed ratio of a first anemometer and a second anemometer included in the plurality of anemometers,
On a scatter plot constructed by classifying the calculated wind speed ratio into bins of set angles (°), a median is calculated for the wind speed ratios belonging to each bin,
A section in which the calculated median value is 25% or more or 75% or less of the quartile of the total wind speed ratio is classified as a normal section that is not affected by tower shadow,
The tower shadow section is extended by reflecting the size (α) of a bin in addition to the section (T) affected by the tower shadow,
The machine learning step,
Tower shadow correction method using a wind speed data-based machine learning algorithm in which the machine learning unit performs machine learning using KNN (K-Nearest Neighbor), LightGBM, or SVM (support vector machine) for the normal section of the collected wind speed data. .
 삭제delete 삭제delete
KR1020210169588A 2021-11-30 2021-11-30 Tower shadow calibration method and system using machine learning algorithm based on wind speed data KR102500311B1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210169588A KR102500311B1 (en) 2021-11-30 2021-11-30 Tower shadow calibration method and system using machine learning algorithm based on wind speed data
PCT/KR2022/015116 WO2023101190A1 (en) 2021-11-30 2022-10-07 Method and system for tower shadow correction using machine learning algorithm on basis of wind speed data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210169588A KR102500311B1 (en) 2021-11-30 2021-11-30 Tower shadow calibration method and system using machine learning algorithm based on wind speed data

Publications (1)

Publication Number Publication Date
KR102500311B1 true KR102500311B1 (en) 2023-02-14

Family

ID=85220920

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210169588A KR102500311B1 (en) 2021-11-30 2021-11-30 Tower shadow calibration method and system using machine learning algorithm based on wind speed data

Country Status (2)

Country Link
KR (1) KR102500311B1 (en)
WO (1) WO2023101190A1 (en)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5783745A (en) * 1997-02-26 1998-07-21 Bergman; John D. Anemometer/thermometer
KR20090083539A (en) * 2008-01-30 2009-08-04 한국에너지기술연구원 Wind speed measurement system with tower shading correction by using computational flow analysis
US20130228010A1 (en) * 2010-11-18 2013-09-05 Ssb Wind Systems Gmbh & Co. Kg Meteorological measurement arrangement
KR101383792B1 (en) * 2013-01-02 2014-04-10 한국에너지기술연구원 Method for calibration of nacelle anemometer using lidar measurements
JP2017161392A (en) * 2016-03-10 2017-09-14 東京電力ホールディングス株式会社 Observation tower
KR101853122B1 (en) * 2017-09-27 2018-04-30 제주대학교 산학협력단 GROUNDED-BASED LiDAR, APPARATUS AND METHOD FOR CORRECTING MEASUREMENT ERROR FOR LIDAR
WO2019181032A1 (en) * 2018-03-20 2019-09-26 Mitsubishi Electric Corporation Wind flow sensing system and method for determining velocity fields of wind flow

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2130051B1 (en) * 2007-03-28 2010-07-21 IRDAM Institut de Recherches et Développements Aérologiques Marketing SA Wind speed and direction measuring apparatus

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5783745A (en) * 1997-02-26 1998-07-21 Bergman; John D. Anemometer/thermometer
KR20090083539A (en) * 2008-01-30 2009-08-04 한국에너지기술연구원 Wind speed measurement system with tower shading correction by using computational flow analysis
KR101239659B1 (en) 2008-01-30 2013-03-08 한국에너지기술연구원 Wind Speed Measurement System with Tower Shading Correction by Using Computational Flow Analysis
US20130228010A1 (en) * 2010-11-18 2013-09-05 Ssb Wind Systems Gmbh & Co. Kg Meteorological measurement arrangement
KR101383792B1 (en) * 2013-01-02 2014-04-10 한국에너지기술연구원 Method for calibration of nacelle anemometer using lidar measurements
JP2017161392A (en) * 2016-03-10 2017-09-14 東京電力ホールディングス株式会社 Observation tower
KR101853122B1 (en) * 2017-09-27 2018-04-30 제주대학교 산학협력단 GROUNDED-BASED LiDAR, APPARATUS AND METHOD FOR CORRECTING MEASUREMENT ERROR FOR LIDAR
WO2019181032A1 (en) * 2018-03-20 2019-09-26 Mitsubishi Electric Corporation Wind flow sensing system and method for determining velocity fields of wind flow

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
고석환, 장문석, 이윤섭. "기상탑 차폐 영향에 따른 측정 풍속의 오차 분석", 한국태양에너지학회 논문집. Vol. 31, No. 3. (2011.6.) 1부.* *
정형세. "기상관측자료를 고려한 기계학습 기반의 단기 풍속 예측". 한국데이터정보과학회지. Vol. 31, No. 5. (2020.9.) 1부.* *

Also Published As

Publication number Publication date
WO2023101190A1 (en) 2023-06-08

Similar Documents

Publication Publication Date Title
WO2017092297A1 (en) Method for evaluating power characteristics of wind turbines, apparatus and storage medium
Zhan et al. LiDAR measurements for an onshore wind farm: Wake variability for different incoming wind speeds and atmospheric stability regimes
El‐Asha et al. Quantification of power losses due to wind turbine wake interactions through SCADA, meteorological and wind LiDAR data
Hansen et al. The impact of turbulence intensity and atmospheric stability on power deficits due to wind turbine wakes at Horns Rev wind farm
US20210262439A1 (en) Method of identification and compensation of inherent deviation of yaw error of wind turbine based on true power curve
CN106321368B (en) Marine wind electric field wake losses measurement method based on operation blower SCADA data
Barthelmie et al. Modelling and measuring flow and wind turbine wakes in large wind farms offshore
US20160025070A1 (en) Method for calculating theoretical power of a wind farm based on extrapolation of anemometer tower data
EP2637046B1 (en) Method for predicting wind conditions in a wind farm
CN105160060B (en) A kind of wind power plant theoretical power (horse-power) based on actual power curve matching determines method
Hulsman et al. Optimizing wind farm control through wake steering using surrogate models based on high-fidelity simulations
US11460003B2 (en) Wind turbine damage detection system using machine learning
CN105628977A (en) Calibration method, device and system of anemometer correction coefficient
CN109167387A (en) Wind field wind power forecasting method
US20200264313A1 (en) Lidar-based turbulence intensity error reduction
Agarwal Structural reliability of offshore wind turbines
Gonzalez-Longatt Wind Resource Potential in Los Taques-Venezuela
KR102500311B1 (en) Tower shadow calibration method and system using machine learning algorithm based on wind speed data
Cabezon et al. Comparison of methods for power curve modelling
Bertelè et al. Brief communication: Wind inflow observation from load harmonics–wind tunnel validation of the rotationally symmetric formulation
CN115640737A (en) Wind power prediction method and system for abnormal weather state
KR20240019546A (en) Time Series Output Prediction Method of Wind Generator Using Weather Data
Ziter et al. Predicting hub-height wind speed for small wind turbine performance evaluation using tower-mounted cup anemometers
CN110008583B (en) Wind power plant wind power resource condition prediction method and system
Dai et al. Study on Obtaining Real Power Curve of Wind Turbines Using SCADA Data

Legal Events

Date Code Title Description
GRNT Written decision to grant