KR20070119285A

KR20070119285A - 풍속패턴 분류를 통한 풍력발전 예보방법

Info

Publication number: KR20070119285A
Application number: KR1020060053716A
Authority: KR
Inventors: 김현구; 경남호; 장문석
Original assignee: 한국에너지기술연구원
Priority date: 2006-06-15
Filing date: 2006-06-15
Publication date: 2007-12-20
Also published as: KR100802402B1

Abstract

본 발명은 풍속패턴 분류를 통한 풍력발전 예보방법에 관한 것으로, 가동경력이 짧고, 풍력발전 예보에 필요한 충분한 기간의 기상통계자료가 없는 풍력발전단지에서 인근 기상관측소에서 측정된 장기간의 기상관측자료를 사용하여 풍력발전단지의 풍력패턴을 분석하여 최적 패턴분류 차수에 의한 풍속 패턴을 분류한 후, 이를 바탕으로 풍력발전단지의 실시간 기상을 관측하여 풍속을 예보하고, 동시에 이 예보값에 실시간 기상청의 예보값을 참조하여 풍속을 보정한 후 개별 풍력발전기별 발전량을 합산하여 풍력발전단지의 총발전량을 신뢰성 있게 예측하는 풍력발전 예보방법에 관한 것이다.

풍속, 풍력발전, 풍력발전기, 풍속패턴, 풍력발전예보

Description

풍속패턴 분류를 통한 풍력발전 예보방법{Forecasting method of wind power generation by classification of wind speed patterns}

도 1은 본 발명에 따른 기상관측자료에 의한 풍력발전 예보모델 구축을 위한 처리 흐름도이고,

도 2는 도 1의 예보모델을 적용하여 실제 발전단지에서의 풍력발전 예보방법을 보인 처리 흐름도이고,

도 3a, b는 본 발명에 따라 분류된 시간변화에 따른 풍속패턴 모형의 다양한 실시예들이고,

도 4는 본 발명 실시예 1에 따른 월령단지의 풍력발전기 3기로 구성된 풍력발전단지와 풍력발전기를 설치위치에서의 풍력밀도 바람장미도이고,

도 5a는 본 발명에 따른 풍속의 예보값(심볼)과 실측값(실선)을 비교검증한 결과그래프이고,

도 5b는 본 발명에 따른 풍력발전량 예보값(심볼)과 실측값(실선)을 비교검증한 결과그래프이다.

본 발명은 풍속패턴 분류를 통한 풍력발전 예보방법에 관한 것으로, 자세하게는 가동경력이 짧고, 풍력발전 예보에 필요한 충분한 기간의 기상통계자료가 없는 풍력발전단지일 경우 기존에서 측정된 장기간의 기상관측자료를 사용하여 풍력발전단지의 풍력패턴을 분석 후 이를 바탕으로 신뢰성 있는 풍력발전량을 예측하는 방법에 관한 것이다.

풍력 발전은 어느 곳에나 존재하는 무공해, 무한정의 바람을 이용하기 때문에, 환경에 미치는 악영향이 거의 없고 국토의 효율적인 이용이 가능한 신재생에너지 발전기술로, 1997년 12월 일본에서 체결된 교토 의정서에 의해 지구 온난화의 주범인 온실가스에 대한 전세계적인 배출규제가 구체화되면서 선진국을 중심으로 이미 많은 국가에서 경쟁적으로 이산화탄소 배출량 저감을 위한 노력의 일환으로 경쟁적으로 풍력설비를 보급하고 있다.

특히 국내는 산업자원부에서 2002년 5월 28일 "대체에너지이용 발전전력의 기준가격 지침"을 시행하고 풍력발전을 포함한 대체에너지 발전전력의 매전 가격을 지정함에 따라 실질적인 풍력발전사업의 활발하게 전개되고 있다.

상기와 같은 풍력발전의 동력원인 풍력은 바람의 자연적인 특성으로 인하여 지속적으로 발전이 이루어지지 못하고 일정 풍속 이상으로 바람이 불어올 때만 불규칙적으로 발전이 가능한 간헐적(intermittent) 동력원이다. 이러한 풍력의 발전특성으로 인하여 전력시장에서 풍력발전의 분담비율이 일정 수준이상으로 증가하게 되면 전력계통의 변동을 유발하는 부하요인이 되기 때문에 안정적인 전력계통의 운 영과 풍력발전의 지속적인 보급을 위하여 풍력발전량 예보는 매우 중요한 핵심기술이다. 즉, 풍력발전예보가 뒷받침된다면 전력시장에서 전력거래의 향상과, 최적화된 전력계통의 기획운영과, 발전단지의 탄력적인 기획운영이 가능하게 된다.

구체적으로 풍력발전 예보모형이란 풍력발전단지에서 풍력에 의하여 생산되는 전력량을 사전에 예측하는 모형을 말하는 것으로, 풍력발전단지의 발전량을 산출하기 위해서는 풍력발전단지를 구성하고 있는 개개의 풍력발전기가 설치된 위치의 허브(hub) 높이에서의 풍속을 정확하게 예측하여야 하므로 풍력발전 예보모형의 핵심은 바로 풍속예보라고 할 수 있다.

풍속예보에 사용되는 모형으로는 통계모형과 물리모형이 있으며, 현재 주로 사용되는 모형은 통계모형인 신경망회로(neural network) 예보모형이며, 신경망회로는 복잡하고 정확하지 않는 자료로부터 변수들 간의 비선형적 상관관계를 찾아내는 방법으로 현재 가장 널리 사용되는 통계적인 예측방법이지만 신경망회로는 이론의 원리적인 한계 때문에 예측결과에 대한 물리적인 설명을 할 수 없으며 다소 과대예측하는 경향이 있으며 다중회귀(multiple regression) 모형과 같은 다른 통계모형과 비교하여 예보모형을 구축하는 과정이 더 복잡하고 어렵다는 단점도 있다.

풍속예보 통계모형의 정확도를 높이기 위해서는 최우선적으로 풍력발전단지 위치에서의 누적된 기상관측자료가 필요하다. 하지만 우리나라의 풍력발전단지 또는 신설 풍력발전단지의 경우 대부분 가동경력이 짧기 때문에 통계모형의 구축에 필요한 충분한 기간의 기상관측자료가 확보된 경우가 매우 적으며, 또한 기상청의 기상예보지점과 풍력발전단지가 동일 위치가 아닌 경우가 대부분이므로 기상청의 기상예보를 참조하기 위해서는 복잡한 지형에 의한 풍속변화에 대한 기상학적 보정이 필수적으로 요구된다는 문제점이 발생한다.

상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 가동경력이 짧고, 풍력발전 예보에 필요한 충분한 기간의 기상관측자료가 없는 풍력발전단지에서 인근 기상관측소에서 측정된 장기간의 기상관측자료를 풍력발전단지의 위치로 변환한 후 변환된 기상통계자료의 풍속패턴을 분석하되 최적 패턴분류 차수를 산정하여 이에 의해 풍속패턴을 분류함으로써 풍속 예보모형을 구축하고, 풍력발전단지의 기상 모니터링 센서로부터 전송되는 실시간 기상자료를 예보모형에 입력하여 출력값으로부터 풍속을 예보하고, 동시에 이 예보값에 기상청에서 제공하는 인근지역의 실시간 예보값을 참조하여 풍속을 보정한 후 풍력발전단지를 구성하고 있는 개별 풍력발전기별 발전량을 합산함으로써 풍력발전단지의 총발전량을 예측하는 신뢰도가 높은 풍력발전 예보방법을 제공하는데 있다.

상기한 바와 같은 목적을 달성하고 종래의 결점을 제거하기 위한 과제를 수행하는 본 발명은 풍력발전 예보방법에 있어서, 도 2에 따르면, 풍속패턴 분류에 의한 풍력발전단지의 실시간 대표풍속 예측단계(S100)와; 상기 대표풍속 예측단계에 대응하여 측정-상관-예측(MCP: Measure-Correlate-Predict)에 의한 인근지역의 실시간 참조풍속 예측단계(S200)와; 상기 대표풍속 예측단계와 참조풍속 예측단계에 따라 예보풍속을 보정하는 단계(S300)와; 이후 풍력발전기의 배치를 고려한 후류(wake) 손실율을 계산하는 단계(S400)와; 이후 풍력발전기별 허브 높이에서의 풍속과 풍력발전기별 출력곡선(power curve)에 따라 풍력발전기별 발전량을 예측하는 단계(S500)와; 이후 풍력발전단지의 총발전량을 예보하는 단계(S600);로 이루어져 가동경력이 짧고, 풍력발전 예보에 필요한 충분한 기간의 기상통계자료가 없는 풍력발전단지에서 풍력발전량을 예보를 하는 것을 특징으로 한다.

상기 풍력발전단지의 실시간 대표풍속 예측단계(S100)는, 풍력발전단지의 모니터링 기상센서로부터 실시간으로 풍향, 풍속 등의 기상요소를 관측하여 예보시스템에 전송하는 단계(S101)와; 이후 전송받은 실시간 기상관측자료로부터 현재 관측된 풍속의 패턴을 분류하는 단계(S102)와; 이후 분류된 풍속패턴별로 다중회귀 모형계수를 적용하는 단계(S103)와; 이후 대표풍속을 예측하는 단계(S104)로 이루어진다.

상기 인근지역의 실시간 참조풍속 예측단계(S200)는, 인근지역의 실시간 기상청 예보값을 전송받는 단계(S201)와; 이후 측정-상관-예측 방법을 적용하여 인근지역의 기상청 예보값을 풍력발전단지 위치의 예보값으로 보정하는 단계(S202)와; 이후 유동모델 또는 경험적인 보정값을 적용하여 개별 풍력발전기 허브 높이에서의 참조풍속을 예측하는 단계(S203)로 이루어진다.

상기 다중회귀 모형계수는, 도 1에 따르면, 풍력발전단지의 대표위치에서 관측된 장기간 기상자료 데이터베이스를 구비하는 단계(Q100)와; 상기 기상관측자료 데이터베이스를 예보모형 구축용도 데이터베이스와 검증용도 데이터베이스로 분할하는 단계(Q200)와; 상기 예보모형 구축용으로 분할된 예보모형 구축용도 데이터베이스의 시계열 기상자료로부터 각각의 시간단계에 따른 풍속패턴을 분류하는 단계(Q300)와: 상기 시간단계에 따라 풍속패턴별로 분류된 자료는 각각의 패턴별로 다중회귀분석에 의한 모형계수를 산출하는 단계(Q400)와; 결정된 풍속패턴별 모형계수를 적용한 예측모형을 모형검증용 기상자료를 이용하여 검증함으로써 현 단계에서의 불확도(uncertainty)를 구하는 단계(Q500)와; 현 단계의 불확도와 전 단계의 불확도를 비교하여 최적 차수를 결정하거나 상기 과정의 반복을 결정하는 단계(Q600);로 구분된다.

이때 전 단계의 불확도에 비해 현 단계의 불확도가 상승하는 경우, 전 단계의 차수를 최적차수로 결정하며, 반대로 현 단계의 불확도 보다 전 단계의 불확도가 크기 때문에 차수의 상승에 의한 불확도의 감소가 기대되는 경우에는 차수를 증가시켜 상기 과정을 반복한다.

전 단계의 불확도가 가장 불확도가 낮음을 판별한 경우에는 전 단계의 차수를 최적차수로 결정하게 된다. 일반적으로 2 에서 5 차수가 최적차수이므로 차수를 5차 이상으로 증가시키지 않는 것이 바람직다.

이하 본 발명의 실시 예인 풍력발전 예보모형의 구성과 그 작용을 첨부도면 에 연계시켜 상세히 설명하면 다음과 같다.

도 1은 본 발명에 따른 기상관측자료의 통계분석에 의한 풍력발전 예보모델 구축을 위한 처리흐름도를 도시하고 있는데, 도시된 바와 같이 풍력발전단지 대표위치에서의 장기간 기상자료 데이터베이스를 우선적으로 구축하여야 한다(Q100). 이를 위해 현장에 기상탑을 설치하여 측정한 단기간 기상관측자료 및 인근에 위치한 기상청 기상관측소의 장기간 기상관측자료를 모두 이용하되, 측정-상관-예측에 의해 인근 기상관측소의 장기간 기상관측자료를 풍력발전단지 위치에서의 장기간 기상자료로 변환하여 데이터베이스를 구축한다.

구축된 장기간 기상자료 데이터베이스로부터 예보모형 구축용도와 검증용도로 기상자료를 분할한다(Q200). 이때 일반적으로 70%:30% 비율로 기상자료를 분할함으로써 예보모형 구축에 사용된 기상자료가 검증 시에도 또다시 적용됨으로써 예측정확도가 인위적으로 향상되지 않도록 한다.

다음 단계에서는 예보모형 구축용으로 분할된 시계열 기상자료로부터 각각의 시간단계에 따른 풍속패턴을 분류한다(Q300). 풍속패턴은 분류차수 N에 대하여 {t-N-1, t-N-2, ..., t-1, t}의 시계열 자료에 해당되는 풍속크기의 조합으로 정의된다. 예를 들어서 N=2인 경우라면 {t-1, t} 시계열 자료가 되며 풍속크기의 조합 {V(t-1), V(t)}으로 다음과 같이 세 가지 풍속패턴이 존재한다. 즉,

(A) V(t-1) > V(t),

(B) V(t-1) = V(t),

(C) V(t-1) < V(t) 이다.

예보모형 구축용도 기상자료에 대하여 주어진 시계열 차수 N 일때의 풍속의 시계열 패턴별로 분류된 자료는 각각의 패턴별로 다중회귀분석에 의한 모형계수를 산출한다(Q400).

우리가 알고자 하는 것은 미래의 풍속 즉 V(t+1) (1시간 이후 풍속) 또는 V(t+2) (2시간 이후 풍속), V(t+3) (3시간 이후 풍속) 등 이다. 예를 들어 N=2인 경우에는 다중회귀분석의 독립변수는 V(t-1), V(t)이며 N=3인 경우에는 V(t-2), V(t-1), V(t)가 된다.

N=2인 경우의 다중회귀분석을 실시하여 얻게 되는 미래풍속의 예측식은 다음과 같다.

V(t+1) = a1 * V(t-1) + b1 * V(t) + c1

또는

V(t+2) = a2 * V(t-1) + b2 * V(t) + c2

V(t+3) = a3 * V(t-1) + b3 * V(t) + c3

모형계수를 구한다는 것은 바로 (a1, b1, c1) 또는 (a2, b2, c2), (a3, b2, c2)를 구하는 것인데, 앞서 구분한 바와 같이 세 가지 풍속패턴에 대해 개별 풍속패턴별로 이러한 모형계수를 구하는 것이다. 즉, 1시간 이후 미래풍속인 V(t+1)을 계산하기 위해서는 상기 (A)의 패턴에 대한 a1_A, b1_A, c1_A 와 (B)의 패턴에 대한 모형계수 a1_B, b1_B, c1_B 그리고 (C)의 패턴에 대한 모형계수 a1_C, b1_C, c1_C 를 구하여야 한다.

이렇게 모형계수 구성이 완료되면 현재 시각 t에서의 풍속 V(t)와 1시간 이 전의 풍속인 V(t-1)가 주어지면 이 둘의 관계에서 풍속패턴이 (1), (2), (3) 중 어느 경우인지를 판별하고 그때의 모형계수 a1, b1, c1을 적용하여 위의 식 V(t+1) = a1 * V(t-1) + b1 * V(t) + c1 을 이용하여 1시간 이후의 미래풍속을 예보할 수 있으며, 2, 3시간 이후의 미래풍속도 동일한 방식으로 예보값을 구하는 것이다.

기존의 다중회귀분석에서는 풍속크기의 변화패턴을 고려하지 않고 회귀분석을 수행하여 모형계수를 구하였음과 비교하여 본 발명에서는 풍속의 변화특성이 기상통계학적으로 일정한 패턴과 연관이 있다는 가정 하에 풍속패턴을 분류하여 각각의 패턴에 대해 다중회귀분석을 수행함으로써 예보결과의 정확도를 대폭적으로 향상시킬 수 있는 것이다.

풍속패턴별 모형계수가 산출되면 예보모형 검증용도 기상자료를 이용하여 모형의 불확도를 계산한다(Q500).

계산된 현재 차수 N에서의 불확도와 이전 차수 N-1에서의 불확도는 비교하여 현재 차수 N에서의 불확도가 이전 차수 N-1에서의 불확도 보다 큰 경우에는 이전 차수를 최적차수로 결정하고 작은 경우에는 차수 증가에 따른 모형 정확도의 추가적인 향상이 가능하므로 차수를 증가시켜 N+1에서의 풍속패턴 분류 및 모형계수 산출 그리고 불확도 산출 및 비교의 과정을 반복함으로써 최종적으로 불확도가 가장 적은 최적차수를 결정하여 모형구축을 완료한다(Q600).

도 2는 도 1의 과정에 의해 구축된 풍속 예보모형을 적용하여 실제 풍력발전단지에서의 풍력발전 예보방법을 보인 처리흐름도를 도시하고 있는데, 이러한 도 2 의 과정은 측정-상관-예측을 이용하는 단계(S200)을 제외하면 풍력발전 예보시스템의 일반적인 순서처럼 보일 수도 있지만(S300~S600), 도 1에 도시된 단계(S100)가 포함됨으로써 종래 일반적인 풍속 예보모형과 비교하여 향상된 예보결과를 제공하게 된다.

구체적으로 도시된 바에 따라 설명하면, 풍력발전단지의 모니터링을 위하여 설치된 기상센서로부터 실시간으로 전송된 기상관측자료는(S101) 예보시스템에서 자동적으로 현재 시각의 풍속패턴이 어떠한 패턴분류에 해당되는가를 판정한다(S102). 이때 판정을 위한 참조 풍속패턴은 도 1의 과정을 통하여 결정된 최적 패턴차수에 대응하는 풍속패턴이 된다.

현재 시점에서의 풍속패턴이 분류되면 그에 대응하는 다중회귀모형의 모형계수가 결정되며(S103), 이를 적용하여 현 시각 t를 기준으로 1시간 후, 2시간 후 그리고 3시간 후인 t+1. t+2. t+3 시각에서의 풍속 예보값을 미래풍속 예측식으로부터 계산하게 된다(S104).

풍력발전단지의 실시간 기상관측값으로부터 대표풍속 예보값을 계산함과 동시에 기상청으로부터 풍력발전단지로부터 가장 가까운 예보지점의 실시간 풍속 예보값을 전송받는다(S201). 기상청에서는 격자점 방식으로 기상예보를 실시하고 있으며 1시간, 2시간, 3시간 등으로 미래풍속 예보값을 제공하고 있다.

이때 기상청의 예보풍속은 풍력발전단지의 대표위치로 변환되어야 풍력발전 예보모형에 입력될 수 있으므로 본 발명에서는 측정-상관-예측(MCP) 방법에 의해 기상청 예보지점과 풍력발전단지 위치간의 기상학적 상관분석에 의한 보정계수를 적용함으로써(S202) 기상청 예보지점에서의 대표풍속 예보값을 풍력발전단지 현장에서의 참조풍속 변환값으로 변환한다(S203).

다음 단계로 풍력발전단지 대표위치에서의 실측값에 의한 대표풍속 예보값 Vs와 기상청 예보값을 변환한 참조풍속 예보값을 가중평균함으로써 풍력발전단지 현장의 대표풍속 예보값 Vm을 최종적으로 결정한다(S300). 미래풍속은 가중평균식 즉, V = w * Vs + (1-w) * Vm 로부터 계산되며, 이때 w는 가중치 0에서 1까지 사이의 값으로 경험적인 최적값을 사용한다.

그 다음으로 풍력발전단지의 풍력발전기 배치를 고려한 유동모델을 적용하여 각각의 풍력발전기에서의 후류 손실률을 산출하고 또한 전 단계에서 결정된 대표풍속 예보값으로부터 각각의 풍력발전기 허브 높이에서의 풍속값을 산정한다(S400).

풍력발전기별 허브 높이에서의 풍속과 풍력발전기 출력곡선으로부터 발전량을 산출하며(S500) 이를 모든 풍력발전기에 대하여 합산함으로써 풍력발전단지의 총발전량의 예보값을 얻는다(S600).

도 3a,b는 본 발명에 따라 분류된 시간변화에 따른 풍속패턴 모형의 한 실시예를 도시하고 있는데, 도시된 바와 같이 풍속패턴 분류예를 N=2, N=3인 경우에 해 제시하였으며, 이때 N=2인 경우에는 풍속패턴이 3 가지가 존재하고 N=3인 경우에는 9 가지의 풍속패턴이 존재한다.

즉, 기본적으로 풍속패턴은 풍속 시계열의 변화형태를 구분한 것으로, 예를 들어 N=2일 경우 독립변수는 V(t-1), V(t)이고 이 경우에 패턴은

(A) V(t-1) > V(t),

(B) V(t-1) = V(t),

(C) V(t-1) < V(t)의 3 가지 형태가 되고,

N=3인 경우 독립변수는 V(t-2), V(t-1), V(t)이고, 이 경우 9 가지 패턴으로 분류되는데 즉,

(A) V(t-2) < V(t-1) < V(t),

(B) V(t-2) > V(t-1) > V(t),

(C) V(t-2) < V(t-1) > V(t),

(D) V(t-2) > V(t-1) < V(t),

(E) V(t-2) = V(t-1) = V(t),

(F) V(t-2) < V(t-1) = V(t),

(G) V(t-2) > V(t-1) = V(t),

(H) V(t-2) = V(t-1) > V(t),

(I) V(t-2) = V(t-1) < V(t)의 9 가지 형태가 된다.

이하 본 발명의 바람직한 실시예이다.

(실시예 1)

실시예 1은 제주도 북제주군 한림읍 월령리 해안가의 월령단지에 대하여 본 발명을 적용하여 개발된 풍력발전 예보모형을 적용한 사례로, 현재 풍력발전 예보모형으로 가장 많이 사용되는 신경망회로와 비교하여 본 발명에 의한 패턴분류모형 의 예보정확도가 우수함을 입증할 수 있다.

실시예 1의 적용 대상지는 제주도 북제주군 한림읍 월령리 해안평지에 위치한 한국에너지기술연구원의 풍력발전기 성능평가를 위한 월령단지(북위 33도 22분 54초, 동경 126도 13분 2초)이다. 도 4에는 적용 대상지의 레이아웃이 도시되어 있는데, 3기의 풍력발전기와 유동모델을 사용하여 계산된 풍력발전기 위치에서의 풍력밀도 바람장미가 도시되어 있다. 또한 도면의 풍력밀도 바람장미 중 회색부분은 유동모델에 의해 계산된 후류손실에 해당되는 부분이다.

실시예 1의 실시 순서는 우선적으로 도 1에 따른 단계에 의해 풍속 예보모형을 구축한 후 도 2에 따른 단계에 의해 풍력발전단지의 발전량을 예보하는 순서로 실시한다.

이하 실시예 1의 도 1에 따른 풍속 예보모형 구축 단계를 구체적으로 설명한다.

(1) 월령단지에 기상탑을 설치하여 측정한 기상관측자료는 2004년 9월 1일부터 2005년 6월 3일까지의 9개월간으로 통계모형 구축에 충분한 기간이 아니므로 인근의 고산 기상관측소의 1999년 1월 1일부터 2005년 6월 3일까지의 장기간 기상관자료를 측정-상관-예측에 의해 변환하여 월령단지 지점에서의 1999년 1월 1일부터 2005년 6월 3일까지의 풍속자료로 변환하였다. 이때 측정-상관-예측에 의한 기상자료의 변환은 통상적인 방법 중 최선의 방법을 따른다. 월령단지 지점으로 변환된 풍속자료 중 1999년 1월 1일부터 2004년 12월 31일까지의 풍속자료는 예보모형 구 축용도로 사용하고 2005년 1월 1일부터 2005년 6월 3일까지의 풍속자료는 예보모형 검증용도로 사용하였다.

(2) 풍속 예보모형은 1시간, 2시간, 3시간 선행 예보모형을 구분하여 구축하된 각각은 동일한 순서와 방식을 따른다. 즉, 1시간 선행 예보모형의 경우 종속변수 즉 예보풍속이 1시간 이후의 풍속인 V(t+1)이 되며, 2시간 또는 3시간 선행 예보모형의 경우 종속변수는 각각 V(t+2), V(t+3)이 되며 독립변수는 최적차수가 결정되면 종속변수에 상관없이 동일하다.

도 1의 예보 모형구축 순서에 따라 최적 패턴분류 차수를 결정하기 위해서는 패턴별 모형계수를 산출하고 모형불확도를 산정하여 이전 차수의 불확도와 비교하여 판정하는 단계를 반복하여야 한다.

실시예 1의 경우 예보모형 검증용도 기상자료로 검증한 결과에 의하면 N=2인 경우보다 N=3인 경우에 불확도가 감소하였고, N=4인 경우에는 N=3인 경우보다 불확도가 증가하였기 때문에 최적차수를 N=3으로 결정되었다.

(3) 반복 단계는 N=2, N=3, N=4인 경우가 모두 동일하므로 최적차수로 결절된 N=3인 경우에 대하여만 설명하기로 하며, N=3인 경우 시계열 풍속자료로부터 예보모형 구축을 위해 표로 정리한 실시예를 표 1에 도시하였다.

<표 1> 1시간 선행 예보모형 구축을 위한 풍속자료의 예

DATE	TIME	t	V(t-2)	V(t-1)	V(t)	Pattern	O=V(t+1)	P=V(t+1)
2002-02-15	1:00	1	10.2	7.7	10.7	D	12.2	8.0
2002-02-16	2:00	2	7.7	10.7	12.2	A	9.0	10.1
2002-02-17	3:00	3	10.7	12.2	9.0	C	10.7	11.8
2002-02-18	4:00	4	12.2	9.0	10.7	D	10.8	9.7
2002-02-19	5:00	5	9.0	10.7	10.8	A	11.7	10.4
2002-02-20	6:00	6	10.7	10.8	11.7	A	9.0	10.6
2002-02-21	7:00	7	10.8	11.7	9.0	C	9.8	11.4
2002-02-22	8:00	8	11.7	9.0	9.8	D	9.7	9.6
2002-02-23	9:00	9	9.0	9.8	9.7	C	10.0	9.7
2002-02-24	10:00	10	9.8	9.7	10.0	D	9.2	9.5
:	:	:	:	:	:	:	:	:

1시간 선행 예보모형을 구축하는 경우라고 한다면 시각 t인 경우에 종속변수는 V(t+1), 독립변수는 각각 V(t), V(t-1), V(t-2)가 되며, 독립변수의 크기형태로부터 풍속패턴을 상기 (A), (B), ..., (H), (I) 와 같이 9 가지로 구분한다.

임의 시각 t에 따라 그에 해당하는 각각의 종속변수와 독립변수의 조합이 구성되며, 이들 조합은 다시 풍속패턴의 분류에 따라 9 개의 그룹으로 나누어진다. 각각의 그룹에 대하여 통상적인 방법에 따라 다중회귀분석을 실시하면 표 1의 자료에 대한 모형계수인 a1_A, b1_A, c_1A 부터 a1_I, b1_I, c1_I 까지 구해진다. 즉,

(A) V(t+1) = 0.111 + 0.846 * V(t) + 0.111 * V(t-1) + 0.0206 * V(t-2)

(B) V(t+1) = 0.446 + 0.771 * V(t) + 0.0608 * V(t-1) + 0.0971 * V(t-2)

(C) V(t+1) = 0.258 + 0.671 * V(t) + 0.213 * V(t-1) + 0.0718 * V(t-2)

(D) V(t+1) = 0.288 + 0.740 * V(t) + 0.109 * V(t-1) + 0.103 * V(t-2)

이하 (E)에서 (I)까지는 동일한 방식이므로 생략한다. V(t+2)와 V(t+3)인 경우의 모형계수를 산출하는 순서는 종속변수를 V(t+1)에서 V(t+2) 또는 V(t+3)으로 치환한 동일한 방식이므로 생략한다.

(4) 풍속패턴별 그룹에 대하여 모형계수가 산출되면 (3)단계의 미래풍속 예측식에 예보모형 검증용도 기상자료의 시계열 풍속을 독립변수로 입력하여 미래풍속을 계산하고 이를 해당 미래시각의 관측풍속과 비교함으로써 해당 차수에서의 풍속 예보모형의 불확도를 산출한다.

표 2는 본 발명에 의한 풍속 예보모형의 우수성을 검증하기 위하여 통상적인 예보모형에 의한 예측결과의 불확도와 상호비교한 결과를 정리한 것으로, 본 발명에 의한 패턴분류모형의 풍속 누적 오차는 가장 널리 사용되는 신경망회로모형의 풍속 누적오차에 비하여 1/4 수준이며, 풍력발전량 누적오차는 1/5 수준으로 훨씬 뛰어난 예보성능을 보인다.

<표 2> 풍속 예보모형 간의 불확도 비교

불확도	신경망회로	자기회귀	본 발명 패턴분류
CORR	0.95	0.95	0.95
RMSE	1.60	1.60	0.43
IOA	0.97	0.97	0.99

상기에서 CORR는 상관계수를 나타내는 것으로 실측값과 예측값의 상관성을 나타내는 척도로 1이면 완벽한 상관관계가 있다는 것을 의미한다.

상기에서 RMSE(Root Mean Square Error)는 표준편차를 나타내는 것으로 작을수록 예측오차가 적다는 것을 의미한다.

상기에서 IOA(Index of Accordance)는 일치도를 나타내는 것으로 1이면 완벽한 일치를 의미한다.

상기 대비와 같이 상관도는 모두 동일한 수준이지만 본 발명에 의한 패턴분류 풍속 예보모형은 표준오차가 타 예보모형의 25% 수준으로 적으며 일치도도 가장 높게 나타나고 있어 본 발명에 의한 실질적인 예측정확도가 가장 우수함을 입증하였다.

아래 식은 상기 값을 도출하는 식이다.

n: 시간별 풍속값의 총 개수

P_t: t 시각에서의 예측풍속값

O_t: t 시각에서의 관측풍속값

O_mean: 관측풍속의 평균값

상기 단계에 의해 풍속 예보모형이 구축되면 이하 실시예 1의 도 2에 따른 풍속 예보모형을 운영하여 풍력발전량을 예보하는 단계를 구체적으로 설명한다.

(5) 월령단지의 기상탑으로부터 실시간 기상관측자료를 입력받아 예보풍속을 계산하는 단계 및 인근의 고산 기상관측소의 기상관측자료를 측정-상관-예측에 의해 월령단지에서의 풍속으로 변환한 후 참조풍속을 계산하는 단계는 이미 설명한 도 1의 단계와 유사하므로 설명을 생략하며, 실제로 현재 시각에서의 풍속 예보값은 상기 예보풍속 및 참조풍속의 가중평균으로 산출한다. 본 실시예에서는 가중치 w=0.8로 설정하였다. 또한 예보풍속의 불확도 도 1의 단계에서 통상의 다중회귀분석에 의해 결정되는 불확도를 적용한다.

(6) 풍력발전단지의 대표풍속 예보값이 결정되면 통상의 풍력발전단지 해석프로그램을 이용하여 도 4와 같이 통상의 방법에 따라 풍력발전단지 레이아웃을 입력하여 각 풍력발전기 위치에서의 풍속과 후류손실을 계산하며, 이는 풍력발전단지 해석방법의 통상적인 절차에 따른다.

표 2는 통상적인 방법에 따라 계산된 월령단지 풍력발전기별 허브높이에서의 풍속값을 보여주는 것이다.

<표 2> 각 풍력발전기 위치에서의 풍속

(7) 상기 단계에 의해 개별 풍력발전기의 허브 높이에서의 예보풍속이 산출되면 통상의 방법에 따라 개별 풍력발전기의 출력곡선을 적용하여 풍력발전량을 계산하고, 개별 풍력발전기의 발전량을 합산하여 풍력발전단지의 총발전량 예보값을 산출한다.

표 3은 통상적인 방법에 따라 계산된 월령단지 풍력발전기별 에너지 생산량과 후류손실을 보여주는 것이다.

<표 3> 각 풍력발전기 위치에서의 후류손실

도 5a는 본 발명에 따른 풍속의 실측값(실선)과 예보값(심볼)을 비교검증한 결과 그래프이고, 도 5b는 본 발명에 따른 풍력발전량 실측값(실선)과 예보값(심볼)을 비교 검증한 결과 그래프인데, 본 발명에 의한 예보의 정확도가 높음을 알 수 있다.

본 발명은 상술한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.

상기와 같은 본 발명은 풍력발전이 전체 전력시장에서 차지하는 비중이 증가함에 따라 풍력발전의 근원적인 특성인 간헐성에 의하여 전력계통의 변동요인으로 작용하는 것을 방지하고 사전 예보에 의한 계획발전이 가능함으로써 전력안정화 및 전력생산 사전계획에 의한 운영비용의 효과적인 절감이 가능한 유용한 발명으로 전력산업 상 그 이용에 의한 경제적인 이득이 클 것으로 기대되는 발명인 것이다.

Claims

풍력발전 예보방법에 있어서.

풍속 패턴분류에 의한 풍력발전단지의 실시간 대표풍속 예측단계와;

상기 실시간 대표풍속 예측단계에 대응하여 측정-상관-예측(MCP: Measure-Correlate-Predict)에 의한 인근지역의 실시간 참조풍속 예측단계와;

상기 대표풍속 예측단계와 참조풍속 예측단계에 따라 예보풍속을 보정하는 단계와;

이후 풍력발전기 배치를 고려한 후류 손실율을 계산하는 단계와;

이후 풍력발전기별 허브 높이에서의 풍속과 출력곡선에 따라 풍력발전기별 발전량을 예측하는 단계와;

이후 풍력발전단지의 총발전량을 예보하는 단계;로 이루어져 가동경력이 짧고, 풍력발전 예보에 필요한 충분한 기간의 기상통계자료가 없는 풍력발전단지에서 풍력예보를 하는 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 1항에 있어서,

상기 풍력발전단지의 실시간 대표풍속 예측단계는,

풍력발전단지의 기상요소를 실시간으로 관측하여 예보시스템에 전송하는 단계와;

이후 현시점의 풍속패턴을 분류하는 단계와;

이후 분류된 풍속패턴별로 다중회귀 모형계수를 적용하는 단계와;

이후 대표풍속을 예측하는 단계로 이루어지는 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 1항에 있어서,

상기 실시간 인근지역의 실시간 참조풍속 예측단계는,

인근지역의 기상청 실시간 예보풍속값을 전송받는 단계와;

이후 측정-상관-예측 방법을 적용하여 인근지역의 기상청 예보풍속값을 풍력발전단지 위치에서의 예보풍속값으로 보정하는 단계와;

이후 참조풍속을 예측하는 단계로 이루어지는 것을 특징으로 하는 풍속 패턴 분류를 통한 풍력발전 예보방법.
제 2항에 있어서,

상기 풍속패턴별 다중회귀 모형계수를 적용하는 단계는,

풍력발전단지의 대표위치에서 관측된 장기간 기상자료 데이터베이스를 구비하는 단계와;

상기 기상관측자료 데이터베이스를 예보모형 구축용도 데이터베이스와 검증 용도 데이터베이스로 분할하는 단계와;

상기 예보모형 구축용으로 분할된 예보모형 구축용도 데이터베이스의 시계열 기상자료로부터 각각의 시간단계에 따른 풍속패턴을 분류하는 단계와;

상기 시간단계에 따라 풍속패턴별로 분류된 자료는 각각의 패턴별로 다중회귀분석에 의한 모형계수를 산출하는 단계와;

결정된 풍속패턴별 모형계수를 적용한 예측모형을 모형검증용 기상자료를 이용하여 검증함으로써 현 단계에서의 불확도(uncertainty)를 구하는 단계와;

현 단계의 불확도와 전 단계의 불확도를 비교하여 최적 차수를 결정하거나 상기 과정의 반복을 결정하는 단계;를 거쳐 이루어지는 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 2항에 있어서,

상기 대표풍속을 예측하는 단계는,

패턴별로 다중회귀모형의 계수를 적용하여 현 시각 t를 기준으로 1시간 후, 2시간 후 그리고 n시간 후인 t+1, t+2, ..., t+n 시각에서의 대표풍속 예보값을 산출하는 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 3항에 있어서,

상기 참조풍속을 예측하는 단계는, 측정-상관-예측 방법을 적용하여 기상청에서 발표하는 예보위치를 풍력발전단지 현장위치로 보정하고 풍력발전단지 대표위치에서의 실측값에 의한 대표풍속 예보값과 기상청 예보값을 변환한 참조풍속 예보값을 가중평균함으로써 풍력발전단지 현장의 대표풍속 예보값을 결정하는 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 4항에 있어서,

상기 예보모형 구축용도로 분할된 예보모형 구축용도 데이터베이스의 시계열 기상자료로부터 각각의 시간단계에 따른 풍속패턴을 분류하는 단계는,

풍속 시계열의 변화형태에 따라 풍속패턴을 구분한 것으로 패턴차수값 N=2이면 독립변수는 V(t-1), V(t)이고, 풍속패턴은 V(t-1) > V(t), V(t-1) = V(t), V(t-1) < V(t)의 패턴 형태 중 어느 하나 이상인 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 4항에 있어서,

상기 예보모형 구축용으로 분할된 예보모형 구축용도 데이터베이스의 시계열 기상자료로부터 각각의 시간단계에 따른 풍속패턴을 분류하는 단계는,

풍속 시계열의 변화형태에 따라 풍속패턴을 구분한 것으로 패턴차수값 N=3이 면 독립변수는 V(t-2), V(t-1), V(t)이고, 풍속패턴은 V(t-2) < V(t-1) < V(t), V(t-2) > V(t-1) > V(t), V(t-2) < V(t-1) > V(t), V(t-2) > V(t-1) < V(t), V(t-2) = V(t-1) = V(t), V(t-2) < V(t-1) = V(t), V(t-2) < V(t-1) = V(t), V(t-2) = V(t-1) > V(t), V(t-2) = V(t-1) < V(t)의 패턴 형태 중 어느 하나 이상인 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.
제 4항에 있어서,

상기 시간단계에 따라 풍속패턴별로 분류된 자료는 각각의 패턴별로 다중회귀분석에 의한 모형계수를 산출하는 단계는,

N=2인 경우 3 가지 풍속패턴, V(t-1) > V(t), V(t-1) = V(t), V(t-1) < V(t)에 대한 종속변수로서의 예보풍속 V(t+1) (1시간 이후 풍속예보값), V(t+2) (2시간 이후 풍속예보값), V(t+3) (3시간 이후 풍속예보값)을 V(t+1) = a1 * V(t-1) + b1 * V(t) + c1, V(t+2) = a2 * V(t-1) + b2 * V(t) + c3, V(t+3) = a3 * V(t-1) + b3 * V(t) + c3에 의해 a1, b1, c1에 따라 다중회귀 모형계수를 산출하는 것을 특징으로 하는 풍속패턴 분류를 통한 풍력발전 예보방법.