WO2014025188A1 - 풍력 밀도 예측 방법 - Google Patents

풍력 밀도 예측 방법 Download PDF

Info

Publication number
WO2014025188A1
WO2014025188A1 PCT/KR2013/007077 KR2013007077W WO2014025188A1 WO 2014025188 A1 WO2014025188 A1 WO 2014025188A1 KR 2013007077 W KR2013007077 W KR 2013007077W WO 2014025188 A1 WO2014025188 A1 WO 2014025188A1
Authority
WO
WIPO (PCT)
Prior art keywords
variable
input
analysis
variables
elevation
Prior art date
Application number
PCT/KR2013/007077
Other languages
English (en)
French (fr)
Inventor
김현구
이영섭
Original Assignee
한국에너지기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from KR1020120086236A external-priority patent/KR101313822B1/ko
Priority claimed from KR1020120086262A external-priority patent/KR101264873B1/ko
Priority claimed from KR1020120086228A external-priority patent/KR101246044B1/ko
Application filed by 한국에너지기술연구원 filed Critical 한국에너지기술연구원
Priority to EP13828344.5A priority Critical patent/EP2884413B1/en
Priority to CN201380041901.9A priority patent/CN104520861B/zh
Priority to US14/420,190 priority patent/US20150204922A1/en
Priority to ES13828344T priority patent/ES2764826T3/es
Publication of WO2014025188A1 publication Critical patent/WO2014025188A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/133—Arrangements for measuring electric power or power factor by using digital technique
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
    • F05B2260/00—Function
    • F05B2260/82—Forecasts
    • F05B2260/821—Parameter estimation or prediction
    • 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
    • Y02E10/76—Power conversion electric or electronic aspects

Definitions

  • the present invention relates to a wind density prediction method.
  • the first step is to select variables to be used for multiple regression analysis using linear relationships among variables in the data set.
  • Stepwise variable selection is performed by adding statistically significant terms or removing statistically meaningless terms.
  • the present invention relates to a wind density estimation method using a stepwise regression technique that provides a regression model that can estimate the wind density at any point using the method.
  • the input variables are classified into a plurality of principal components made up of linear combinations by using the variance and covariance relationship, and the classified principal component input variables are used as new input variables without the presence of multiple siege lines, and they are compared with the wind power density, the output variable.
  • the present invention relates to a wind density prediction method using principal component analysis that provides a linear regression model for estimating linear relationships.
  • the present invention relates to a wind density prediction method using a predictive neural network analysis technique.
  • the United States selects and analyzes topographic and meteorological factors as key factors to determine land wind resource potential.
  • the National Renewable Energy Laboratory (NREL) provides a reference indicator for wind power feasibility by classifying wind ratings based on wind density.
  • the wind speed of the terrain where the slope of the slope of the downhill mountain is asymmetrically steep increases to some extent, but the wind speed decreases after that point.
  • the wind power map of the Korean Peninsula is calculated by calculating the numerical winds using a medium-scale atmospheric flow model that considers various weather and topographic factors for the purpose of calculating the wind resource potential of Korea and selecting suitable candidates for constructing wind farms.
  • Kim Hyun-gu (2011) There is a study by Kim Hyun-gu (2011).
  • Korean Patent Registration No. 10-1020638 (“Method of predicting future energy consumption”, hereinafter referred to as reference document 1) discloses a technical content of a method of predicting future energy consumption
  • Korean Laid-open Patent No. 2005-0063616 (“Wind resource map” Method 2 ”, hereinafter prior document 2) discloses the technical content of the wind resource mapping method using a numerical wind.
  • an object of the present invention is to provide a geographic statistical methodology for wind density using statistical analysis of stepwise regression techniques for input variables that are geographic factors.
  • a geographic statistical methodology on the wind power density which is an output variable.
  • Wind density estimation method using the stepwise regression analysis method according to the first embodiment of the present invention is a wind density estimation method using the stepwise regression analysis method consisting of a program executed by a computer processing unit including a computer, output variable Wind density and surface roughness (r1 to r6), altitude, relative altitude difference, opening degree, wide openness, incense (a1 to a7), inclination, relative inclination, average elevation, highest elevation, lowest elevation, relief, coastal
  • a variable input step (S1) for inputting at least one or more input variables selected from a distance and reinterpreted weather data
  • a stepwise regression analysis method for receiving output variables and input variables input in the variable input step (S1) regression analysis step (S2) and the stepwise regression analysis step (S2) the regression of the highest coefficient of determination (R 2, (R-square ) value by using the coefficient calculated in the multi-times It characterized in that comprising the estimated multiple regression equation step (S3) for estimating the expression.
  • the surface roughness (r1 ⁇ r6) represents the shape of the ground surface according to the land use
  • the incense (a1 ⁇ a7) represents the direction of the inclined surface
  • the altitude (DEM, Digital Elevation Model) is a certain size of the terrain
  • the relative altitude difference represents the comparison of the altitude of the region and the altitude of the surrounding region
  • the average elevation represents the average of the altitude of the region
  • the highest elevation is the altitude of the region.
  • the lowest elevation represents the lowest elevation of the region
  • the ups and downs represents the difference between the highest elevation and the lowest elevation
  • the opening degree compares the region with the surrounding regions to determine how geographically the region is. It is a measure of whether it is blocked or not.
  • the wide openness compares the area with surrounding areas that are wider than the opening degree,
  • the slope indicates the steepest sliding surface of the region, the relative slope is the first average slope of the area and the surrounding area, the surrounding areas wider than the first average slope
  • the distance from the coast represents a linear distance from each of the East Sea, the West Sea and the South Sea of Korea to the region, and the reinterpreted weather data is used for meteorological observation data and
  • the numerical analysis data is reprocessed to spatial resolution of more than tens of kilometers and distributed free of charge, but the reinterpreted weather data is NCEP / NCAR (National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA (NASA's Modern-Era). Retrospective Analysis for Research and Applications (European Center for Medium-range Weather Forecasts) in Europe, Japan At least one selected from JRA-25 (The 25-year Japanese ReAnalysis).
  • the stepwise regression analysis step (S2) performs at least one or more variable conversion of the output variable and the input variables input in the variable input step (S1), and resolves the unit difference between the output variable and the input variable.
  • Variable conversion step (S21) for performing the normalization of the hazard
  • normality determination step (S22) for determining the normality of each variable of the output variable and the input variable converted in the variable conversion step (S21)
  • the variable input step (S1) An output variable input step (S23) of inputting an output variable selected in step S23 and an output variable selected from among the converted output variables determined to be normality in the normality determination step (S22), and the variable conversion step ( In step S21), a variable variable input variable of the input variable using the nominal variable is input, and the input is not the nominal variable input in the variable input step S1.
  • Each input variable input in the variable input step S1 is selected from an input variable selected from a variable and an input variable of the same component of the converted input variables determined to be normal in the normality determining step S22.
  • Perform stepwise regression analysis by inputting each input variable (S24), the output variable input step (S23) and the input variables input in the input variable input step (S24).
  • the coefficient of determination (R 2 , R-square) is the highest among the results of the stepwise regression analysis obtained by performing the stepwise regression analysis multiple performing step (S25) and the stepwise regression analysis multiple performing step (S25).
  • the stepwise regression analysis data selection step (S26) for selecting a result of the stepwise regression analysis is characterized in that it is made.
  • variable conversion of the variable conversion step (S21) is characterized in that any one selected from the original variable, log (log) conversion, square root transformation.
  • the coefficient of determination (R 2 , R-square) of the multiple regression equation by the stepwise variable selection method for predicting the land wind density of the South Korean terrain is characterized in that 0.6267.
  • Wind density estimation method using the principal component analysis method according to a second embodiment of the present invention in the wind density prediction method using the principal component analysis method consisting of a program executed by a calculation processing means including a computer, Variables such as wind density and direction (a1 ⁇ a7) and surface roughness (r1 ⁇ r6), altitude, relative altitude difference, opening degree, wide openness, slope, relative slope, average elevation, highest elevation, minimum elevation, relief, coast
  • the regression analysis step (S30) and the regression analysis step (S30) calculated by performing a regression analysis by stepwise variable selection using the input variables analyzed by a plurality of principal components in the analysis step (
  • the surface roughness (r1 ⁇ r6) represents the shape of the ground surface according to the land use
  • the incense (a1 ⁇ a7) represents the direction of the inclined surface
  • the altitude (DEM, Digital Elevation Model) is a certain size of the terrain
  • the relative altitude difference represents the comparison of the altitude of the region and the altitude of the surrounding region
  • the average elevation represents the average of the altitude of the region
  • the highest elevation is the altitude of the region.
  • the lowest elevation represents the lowest elevation of the region
  • the ups and downs represents the difference between the highest elevation and the lowest elevation
  • the opening degree compares the region with the surrounding regions to determine how geographically the region is. It is a measure of whether it is blocked or not.
  • the wide openness compares the area with surrounding areas that are wider than the opening degree,
  • the slope indicates the steepest sliding surface of the region, the relative slope is the first average slope of the area and the surrounding area, the surrounding areas wider than the first average slope
  • the distance from the coast represents a linear distance from each of the East Sea, the West Sea and the South Sea of Korea to the region, and the reinterpreted weather data is used for meteorological observation data and
  • the numerical analysis data is reprocessed to spatial resolution of more than tens of kilometers and distributed free of charge, but the reinterpreted weather data is NCEP / NCAR (National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA (NASA's Modern-Era). Retrospective Analysis for Research and Applications (European Center for Medium-range Weather Forecasts) in Europe, Japan At least one selected from JRA-25 (The 25-year Japanese ReAnalysis).
  • the regression analysis step (S30) may be equal to or greater than a first predetermined value in which the eigenvalue is previously input among the plurality of principal components analyzed in the principal component analysis step (S20), or the cumulative value is previously input.
  • Variable selection step (S31) for selecting at least one or more principal components within the second predetermined value, the variable conversion step (S32), the variable conversion step (S32) for the variable conversion to the output variable input in the variable input step (S10)
  • the normality determination step (S33) for determining the normality of the output variable converted in step S), the output variable input in the variable input step (S10) and the normalized output determined to be normality in the normality determination step (S33)
  • Output variable input step (S34) for inputting any one of the output variables selected from the variable, at least one selected from the input variables constituting the main component selected in the variable selection step (S31)
  • An input variable input step (S35) for inputting one or more input variables and an output variable input in the output variable input step (
  • variable conversion of the variable conversion step S32 may be any one selected from a log transform and a square root transform.
  • r1 ⁇ r6 is a variable of surface roughness
  • a1 ⁇ a7 is a variable of inc
  • Wind density estimation method using a neural network analysis method in the wind density prediction method using a neural network analysis method consisting of a program executed by a computing processing means including a computer, which is an output variable Wind density and surface roughness (r1 to r6), altitude, relative altitude difference, opening degree, wide openness, incense (a1 to a7), slope, relative slope, average elevation, highest elevation, minimum elevation, relief, distance from shore And inputting at least one input variable selected from reinterpreted weather data (S100), output variables input at the variable input step (S100), and input variables selected through stepwise variable selection.
  • Nevd node is characterized in that obtained by using the number of (hidden node), including a neural network model estimating step (S300) for estimating a neural network analysis models through the correlation value.
  • the surface roughness (r1 ⁇ r6) of the variable input step (S100) represents the shape of the ground surface according to the land use
  • the incense (a1 ⁇ a7) is characterized in that the direction of the inclined surface, It is characterized in that the roughness and the fragrance is converted into a variable.
  • the neural network analysis step (S200) is characterized in that it comprises a first analysis step (S210) for performing a neural network analysis using the input variable using the logarithmic conversion of the output variable and the stepwise variable selection method.
  • the neural network analysis step S200 may include a second analysis step S220 of performing neural network analysis using the output variable in the form of raw data and the input variable using the stepwise variable selection method. .
  • the neural network analysis step S200 may include a third analysis step S230 of performing neural network analysis using the output variable converted from the square root and the input variable using the stepwise variable selection method.
  • the neural network analysis step S200 may include a fourth analysis step S240 of performing neural network analysis by using the logarithmic conversion of the output variable and the stepwise variable selection method, wherein the altitude, The slope, distance from the shore, peak elevation, average elevation, minimum elevation, ups and downs, and reinterpreted weather data are characterized by square root transformations.
  • the neural network analysis step S200 may include a fifth analysis step S250 of performing neural network analysis using the output variable converted from the square root and the input variable using the stepwise variable selection method, wherein the altitude, It is characterized by the square root conversion of the slope, distance from the shore, the highest elevation, the average elevation, the lowest elevation, the amount of relief, and the reinterpreted weather data.
  • the wind density prediction method of the present invention in order to prepare a scientific basis for the future land wind resource potential calculation and the establishment of a location strategy for wind power generation, reinterpreted weather data and various terrain data, etc.
  • the effect can be to develop a geostatistical model for the land density analysis.
  • the wind density statistical model has the advantage of providing a low cost and instantaneous calculation results, compared to the enormous cost and time in predicting the wind density of any (optional) point.
  • FIG. 1 is a flow chart illustrating a wind density prediction method using a stepwise regression analysis method according to a first embodiment of the present invention.
  • FIG. 2 is a flowchart illustrating a wind density prediction method using a principal component analysis method according to a second exemplary embodiment of the present invention.
  • FIG. 3 is a flow chart showing in detail the wind density prediction method using the principal component analysis method according to a second embodiment of the present invention.
  • FIG. 4 is a flow chart showing a wind density prediction method using a neural network analysis method according to a third embodiment of the present invention.
  • FIG. 5 is a diagram schematically illustrating an MLP neural network structure of a wind density prediction method using a neural network analysis technique according to a third embodiment of the present invention.
  • FIG. 1 is a flow chart of a wind density prediction method according to a first embodiment of the present invention, with reference to Figure 1 will be described in detail with respect to the wind density prediction method using a stepwise regression analysis method according to a first embodiment of the present invention. .
  • regression analysis involves the correlation between two or more variables, that is, the value of one particular variable (output variable) with one or more other variables (input variables). By identifying correlations, this means statistical techniques that can explain and predict output variables.
  • regression analysis can be organized into a concept that combines the association of correlations and the causation of the causal model, and analyzes the relationship between the quantitative output variable and one or more input variables, that is, the relationship. It has a very powerful analytical power. In addition, it has excellent adaptability and the general form of regression analysis can be expressed as a functional relationship of linear equations.
  • Such a regression analysis can be divided into simple regression analysis and multiple regression analysis.
  • the simple regression analysis means to describe and predict an output variable using a single input variable.
  • Multiple regression analysis refers to describing and predicting output variables using the relationship between multiple input and output variables.
  • a wind density prediction method using the stepwise regression analysis method according to the first embodiment of the present invention may include a variable input step (S1), stepwise regression analysis step (S2), multiple regression estimation step (S3).
  • the wind density prediction method using the stepwise regression analysis method according to the first embodiment of the present invention may be in the form of a program executed by arithmetic processing means including a computer.
  • Variable input step (S1) is the output variables such as wind density and surface roughness, altitude, relative altitude difference, opening degree, wide openness, incense, slope, relative slope, average elevation, highest elevation, minimum elevation, relief amount, distance from coast Enter at least one input variable, which is selected from, and reinterpreted weather data.
  • Step regression analysis step (S2) receives the output variable and the input variables input in the variable input step (S1) performs a stepwise regression analysis.
  • Regression analysis involves analyzing data in a model that uses one variable to explain or predict the value of another variable.
  • the variables described here are called input variables or explanatory variables, and the variables that are explained or predicted are called output variables or response variables. Simple regression analysis when one input variable is described, and multiple regression analysis when two or more input variables are described.
  • Multiple regression estimation step (S3) estimates a coefficient determined using the regression coefficient (R 2, R-square) with the highest value of the multiple regression equation calculated by the stepwise regression analysis step (S2).
  • the wind density prediction method using the stepwise regression analysis method according to the first embodiment of the present invention utilizes reinterpreted meteorological data and topographical data in order to prepare a scientific basis for calculating the land wind resource potential and establishing the location of the wind farm. It is important to select the most effective input variables for developing a geographic statistical model for predicting a land wind density.
  • the numerical wind data of the wind power density may use a national wind map having a spatial resolution of 1 km ⁇ 1 km, which is constructed by the Korea Institute of Energy Research, and the wind density may be used as an output variable.
  • the high wind density means that the power of the wind is high, the unit of the wind density can be used W / m 2 .
  • the variable fragrance indicates the direction of the inclined surface and is defined as the direction with the highest inclination at a specific point. It is generally used to identify the characteristics of the terrain along the main direction.
  • the fragrance variable has data from 0 to 360 degrees. To keep data consistent, 360 degrees are converted to 0 degrees and negative values are converted to positive values.
  • the eight categories are North-Northeast (0 degrees to 45 degrees), Northeast to East (45 degrees to 90 degrees), East to Southeast (90 degrees to 135 degrees) ), Southeast to south (more than 135 degrees and less than 180 degrees), south to southwest (more than 180 degrees and less than 225 degrees), southwest to west (more than 225 degrees and less than 270 degrees), west to northwest (more than 270 degrees and less than 315 degrees), and It is divided into northwest to north (315 degrees or more and less than 360 degrees). In this case, eight categories may be converted into seven dummy variables a1 to a7 and used.
  • variable surface roughness means the roughness of the ground surface according to the land use degree
  • the land cover classification map constructed by the Ministry of Environment may be used.
  • Surface roughness can be classified into water bodies, farmland, paddy fields, grasslands, orchards, forests, urban areas, etc., and the corresponding roughness elements can be converted to m according to the surface classification.
  • the cover state is very complicated. It can be used as an input variable to measure the correlation between surface roughness and wind density, assuming that the cladding will act as a factor in accelerating or slowing the flow of wind.
  • the roughness height corresponding to each category may correspond to 0.0001m, 0.05m, 0.1m, 0.15m, 0.25m, 0.5m and 0.8m.
  • seven categories may be converted into six dummy variables r1 to r6 and used.
  • variable surface roughness With reference to Table 2 below it can be confirmed that the variable surface roughness.
  • the digital elevation model (DEM), a digital data format of terrain elevation, which is an input variable, records elevations by dividing the terrain into a grid of a certain size, and the elevation of each point is the sea level. Can be measured as the height from.
  • the spatial resolution of the altitude can be produced in 1km ⁇ 1km, and since the altitude of the terrain is known to have a significant influence on the wind strength in domestic and foreign studies, many land wind farms in Korea, Daegwallyeong, Taebaek, Taegisan Located in the same highlands.
  • the average elevation may be represented by averaging the altitude within a 4 ⁇ 4 grid when generated using 1 km altitude data.
  • the highest elevation can be represented by the highest of altitudes in a 4x4 grid when generated using 1km elevation data.
  • the minimum elevation when the minimum elevation is generated using the 1km altitude data, it may be represented through the lowest value of the altitude within the 4 ⁇ 4 grid.
  • the relative altitude difference is determined by comparing the altitude of the region with the altitude of the surrounding area, and determining whether it is high or low, and considering the effects of turbulence and wind speed increase and decrease that may occur due to the altitude difference with the surrounding area.
  • the difference between the altitude value of a specific area and the altitude value of the terrain in the eight directions of the area can be calculated and constructed.
  • the difference between the altitude values of a particular cell and the altitude value of eight cells adjacent to the cell is calculated.A positive number indicates that the altitude of the region is higher than the surroundings. Negative (-) can be interpreted as an altitude lower than the surrounding area.
  • the amount of ups and downs is one of the indices indicating the characteristics of the terrain, and represents the difference between the highest elevation and the lowest elevation. For example, in mountainous areas and lands with the same elevation, the mountainous areas are largely undulating. That is, the magnitude of the ups and downs measured by a certain criterion, that is, the amount of ups and downs may be a potent indicator of the classification of the terrain, the setting of the topographical zone, the identification of the degree of development of the terrain, and the like.
  • the distance from the shore can be represented by calculating the straight line distance from the East Sea, the West Sea, and the South Sea to the central region of the Korean Peninsula.
  • the slope represents the steepest sliding surface of the area, and in the case of a domestic study, Han Sun-Ho et al. (2007) studied the change in wind intensity in a mountain range where the slope is asymmetrical. It can be assumed to affect.
  • GIS spatial data it can be calculated as the maximum rate of change of altitude values of neighboring cells around the cell, that is, the maximum change in altitude depending on the distance between the cell and the eight adjacent cells. Is defined to a degree.
  • the relative inclination represents a difference between a first average inclination of the region and the surrounding area and a second average inclination between the surrounding regions that are wider than the first average inclination, and not only the inclination of the region, but also the inclination of the surrounding region surrounding it.
  • Relative slope can be constructed by considering This is because wind is a continuous flow along the surface of the earth, and because it does not change rapidly in space, it can be judged that the wind must be interpreted in the change of the wide terrain.
  • relative slope data may be constructed by calculating a difference between an average slope of a corresponding cell and eight adjacent cells and an average slope difference between 24 cells closest to the corresponding cell.
  • the openness is a measure of how obstructed the terrain is when the area is compared with the surrounding area, which is related to the wind hitting the terrain and its strength is reduced.
  • the opening degree may be based on the constructed altitude data, and the difference in altitude value with neighboring cells may be calculated and represented based on a specific cell.
  • the higher the value the higher the altitude of the region compared to the surrounding areas, and thus the higher openness.
  • the open area diagram shows how geographically unobstructed the area is compared to the surrounding areas that are wider than the opening degree, that is, when the area is compared with the surrounding areas that are wider than the opening degree, It can be measured by how close it is, so that the wind hits the terrain and is associated with a decrease in its strength.
  • the spatial resolution of the altitude data used is 1km
  • the topographical characteristics in the area 1km wider than the opening can be calculated numerically.
  • global openness (((center cell + 8 surrounding cells) / 9)-((center cell + 48 surrounding cells) / 49) .
  • the higher the value the higher the altitude of the region compared to the surrounding areas, so that the open area may be determined to be higher. Can be determined to be low.
  • the meteorological data are reprocessed for free weather by reprocessing the global meteorological observation data and numerical analysis data into spatial resolutions of several tens of kilometers or more.
  • NCEP / NCAR National Center for Environmental Prediction-National Center for Atmospheric Research
  • MERRA NASA's Modern-Era Retrospective Analysis for Research and Applications
  • EMWF European Center for Medium-range Weather Forecasts
  • JRA-25 The 25-year Japanese ReAnalysis
  • the wind density calculated from the standard surface pressure of the ground layer excluding the influence of the ground surface, the unit is W / m 2
  • the main use of the reinterpreted weather data is a medium-sized atmosphere for numerical analysis of physical equations for weather forecasting Used as input to the flow model.
  • the reinterpreted weather data is not only very wide with a spatial resolution of several tens of kilometers or more, and because the influence of the surface of the earth is excluded, it is not suitable for estimating the wind density of the selected point using only the reinterpreted weather data.
  • the stepwise regression step (S2) is a variable conversion step (S21), normality determination step (S22), output variable input step (S23), input variable input step (S24), stepwise regression analysis multiple performance step (S25), optimal It may comprise a stepwise regression data selection step (S26).
  • variable converting step S21 the input variable using the nominal variable among the output variables and the input variables input in the variable input step S1 is made variable, and the normality of each of the output variables and the input variables is ensured. At least one variable conversion of each of the output variable and the input variable is performed, and variable normalization is performed to solve unit differences between the output variable and the input variable.
  • regression analysis is based on a normal distribution, to analyze data characterized by nonnormality, it is necessary to perform normalization by transforming the data. In this way, the distribution of the data having nonnormality can be represented by the normal distribution.
  • logarithmic and square root transformation can be performed on wind power density, which is an output variable, to fit a regression model, and topographical altitude, slope, distance from shore, highest elevation, average elevation, minimum elevation, and relief amount.
  • square root transformation may be performed on NCAR / NCEP.
  • the surface roughness of water bodies, farmland, paddy fields, grasslands, fruit trees, forests, urban centers, etc., and the main directions of NE_E, E_SE, N_NE, S_SW are discontinuous variables.
  • the analysis can be performed by converting the surface roughness and the fragrance into dummy variables.
  • a dummy variable is a variable that is 1 only when certain conditions are met and 0 otherwise.
  • the normality of each of the output variables and the input variables converted in the variable conversion step S21 is determined.
  • the output variable input step S23 inputs an output variable selected from the output variable input in the variable input step S10 and the converted output variables determined to be normal in the normality determination step S22. do.
  • variable variable input step S24 the variable variable input variable of the input variable using the nominal variable is input in the variable conversion step S21, and the nominal variable input in the variable input step S10 is input.
  • Each of the input variables selected from among the input variables and the input variables of the same component of the converted input variables determined to be normal in the normality determining step (S22) is inputted in the variable input step (S10). Enter for each input variable.
  • step S25 of performing a multi-step regression analysis the output variable input in the output variable input step S23 and the input variables input in the input variable input step S24 are respectively received to perform the stepwise regression analysis. .
  • regression analysis is a statistical method of determining how an output variable is explained and predicted by several other input variables.
  • the number of input variables that may affect or cause an output variable is very large. will be.
  • creating a predictive model not only requires a lot of effort and cost to collect and manage the data, but also causes problems such as so-called multiple collinearity, which leads to variance in some regression coefficient estimates. And the variance of the predicted value becomes very large, and despite using many input variables, it becomes unreliable.
  • a reduced model containing only necessary variables may be a more preferable regression model than a complete model containing unnecessary variables.
  • the methods for selecting such variables include a forward variable selection method, a backward variable elimination method, and a stepwise variable selection method.
  • the forward variable selection method selects an input variable by adding the input variables one by one in order of the high contribution of each variable to the output variable. This method has an advantage of fast calculation time, but the variable selected once is never removed. There are disadvantages.
  • the backward variable erasing method is a method of starting from a complete model including all variables and removing input variables with low contribution to output variables one by one. This method is a relatively safe method because important variables are less likely to be excluded from the model. The disadvantage is that variables that are excluded once cannot be selected again.
  • the stepwise variable selection method combines the backward variable erasing method with the forward variable selection method, and finds an important input variable while repeating selection and elimination at each step. This method selects additional important variables one by one, examining each step to see if already selected variables can be removed.
  • stepwise variable selection method is used a lot, and it also has the advantage of solving the problem of multiple collinearity.
  • the result may vary depending on the criteria of entry and removal.
  • the predetermined criterion of the stepwise variable selection method may be p value ⁇ 0.10 to be input and p value ⁇ 0.15 to be removed.
  • a stepwise regression analysis is performed on the selected input and output variables and the estimates, standard errors, t-values, and significance probabilities for each regression coefficient that are the results of the stepwise regression analysis are calculated. Estimates, standard errors, t values, and significance probabilities for each regression coefficient are presented.
  • the optimal stepwise regression data selection step (S26) has the highest coefficient of determination (R 2 , (R-square)) among the results of the stepwise regression analysis obtained by performing the stepwise regression analysis multiple step (S25). Select the results of the stepwise regression analysis.
  • the coefficients of determination (R 2 , (R-square) indicate how much the sample regression line explains the variation of Y, the output variable, and the SSR / SST (SSR: Sum of square value of the model, SST: Sum of square of the corrected total). Value).
  • Equation 1 The multiple regression equation for predicting the land wind density of the South Korean terrain can be represented by Equation 1 below.
  • r1 to r6 are variable surface roughness
  • a1 to a7 are variable flavors.
  • the coefficient of determination (R 2 , (R-square)) of the multiple regression equation for predicting the land wind density of the South Korean terrain can be characterized as 0.6267.
  • the data of various input variables in addition to the weather and terrain elements mentioned above can be input to the supercomputer and numerically interpreted the physical equations of medium-scale atmospheric flows.
  • the multiple regression equation having a reliability of 62.67% can be obtained easily and quickly.
  • FIG. 2 is a flowchart illustrating a method for predicting wind density according to a second embodiment of the present invention. Referring to FIG. 2, a method for predicting wind density using principal component analysis according to a second embodiment of the present invention is described. This will be described in detail.
  • Wind density estimation method using the principal component analysis method according to the second embodiment of the present invention includes a variable input step (S10), principal component analysis step (S20), regression analysis step (S30) and multiple regression estimation step (S40) Can be done.
  • the wind density prediction method using the principal component analysis technique according to the second embodiment of the present invention may be in the form of a program executed by arithmetic processing means including a computer.
  • the variable input step S10 may input wind density, an output variable, a variable variable aspect and surface roughness, and also include altitude, average elevation, highest elevation, minimum elevation, relative elevation, You can enter input variables such as ups and downs, distance from shore, slope, relative slope, openness, wide openness, and reinterpreted weather data.
  • variables input in the variable input step S10 have the same meaning as the variables in the variable input step S1 of the wind power density prediction method using the stepwise regression analysis method according to the first embodiment of the present invention described above.
  • the input variables input in the variable input step S10 may be analyzed as a plurality of principal component input variables through principal component analysis using an eigenvalue and a cumulative value.
  • a plurality of principal component input variables are analyzed using the eigenvalues of the respective input variables.
  • Principal component input variable analysis can be analyzed as four principal component input variables, that is, Prin1, 2, 3 and 4, as shown in Table 3 below, Prin1 is related to altitude Variable, the Prin2 is a variable related to the opening degree, the Prin3 is a variable related to the slope and reinterpretation weather data, and the Prin4 has the characteristics of the distance-related variable from the coast.
  • the four principal component input variables are merely an embodiment of the present invention.
  • the regression analysis step S30 may include a variable input step S31, a variable conversion step S32, a normality determination step S33, an output variable input step S34, and an input variable input step (S30).
  • S35) and a regression analysis multi-performing step (S36) may include the output variable and the variable parameterized input variable input in the variable input step (S10), and the principal component input variable selected using principal component analysis. Regression analysis by stepwise variable selection can be performed.
  • the variable selecting step S31 may be equal to or greater than a first predetermined value in which the eigenvalue is input in advance from among a plurality of principal component input variables analyzed in the principal component analyzing step S20, or a cumulative value is previously input. At least one principal component input variable within a second predetermined value may be selected.
  • the first predetermined value may be 1, and the second predetermined value may be 0.7 to 0.8.
  • variable conversion step S32 at least one variable conversion of the output variable input in the variable input step S10 may be performed in order to secure each normality with respect to the output variable.
  • the normality of the output variable converted in the variable converting step S32 may be determined.
  • the output variable input step S34 inputs any one output variable selected from the output variable input in the variable input step S10 and the normalized output variable determined to be normal in the normality determination step S33. can do.
  • the input variable input step S35 may input at least one or more input variables selected from the input variables constituting the main component input variable selected in the variable selection step S31.
  • the regression analysis multi-performing step S36 may include output variables input in the output variable input step S34, input variables input in the input variable input step S35, and variable variables input in the variable input step S10. Regression analysis by stepwise variable selection can be performed at least once.
  • the multiple regression estimation step S40 is performed using the regression coefficients calculated while performing the regression analysis multiple performance step S36, among which the coefficients of determination of the multiple regression equations are R 2 and R-square. You can choose the principal component multiple regression with the highest values.
  • the coefficient of determination (R 2, (R-square ) may represent a juneunya explain to some extent the amount of change of Y in the sample regression line, the output variables, SSR / SST (SSR: Model Sum of square value, SST: Sum of square value of Corrected Total).
  • the estimation value, the standard error, the t value, and the significance probability for each regression coefficient that are the result of the regression analysis by the stepwise variable selection method are calculated. can do.
  • the general form of the regression analysis can be represented as a functional relationship of the first equation
  • the principal component multiple regression equation according to the wind density prediction method using the principal component analysis method according to an embodiment of the present invention can be represented by the following equation (2) have.
  • r1 ⁇ r6 are variable surface roughness
  • a1 ⁇ a6 means variable flavor.
  • the coefficient of determination (R 2 , R-square) of the principal component multiple regression equation for predicting the land wind density of the South Korean terrain is determined by the coefficient of determination of the principal component multiple regression (R 2 , (R-square)).
  • the value may be characterized as being 0.5838.
  • the principal component multiple regression equations input data of various input variables into the supercomputer and numerically interpret the physical equations of medium-scale atmospheric flows. Compared with the conventional method, the principal component multiple regression equation having a reliability of 58.38% of the actual data distribution can be obtained easily and quickly.
  • the output variable and the variable selection step log-transformed in the variable conversion step (S32)
  • Four main component input variables selected by analyzing the input components in S31 and thirteen dummy variables through incense and surface roughness may be used.
  • the Prin1 which is an altitude-related variable has the greatest influence on the wind density
  • the Prin4 which is a distance-related variable from the shore
  • Prin3 which is a variable related to slope and reinterpretation weather data.
  • Wind roughness 0.15, ground roughness 0.05 may affect wind density. Accordingly, when the coefficient of determination (R 2 , (R-square)) of the principal component multiple regression equation is 0.5838, it may be the most optimal regression analysis.
  • neural networks are distinguished from the general statistical model by a unique component called hidden units, which are models of human neurons, each of which is a collection of input variables. You can receive the join and pass it to the target variable.
  • hidden units are models of human neurons, each of which is a collection of input variables. You can receive the join and pass it to the target variable.
  • MLP Multi-Layer Perceptron
  • the MLP neural network model is composed of an input layer, a hidden layer, and an output layer, and the hidden layer includes nodes called hidden nodes.
  • the feed-forward neural network which is most used among MLP neural networks, a node of one layer is connected only to a node of a next layer, and not to the opposite direction.
  • Wind density estimation method using neural network analysis method uses a MLP neural network
  • the number of the hidden nodes is small
  • the root mean square error (RMS) value has a large number of hidden nodes falling significantly Estimate the neural network analysis model.
  • the neural network model with the highest correlation coefficient between the output variable value estimated from each model and the actual output variable value is the final neural network for wind density prediction. Determined by the model.
  • FIG. 4 is a flowchart illustrating a wind density prediction method according to a third embodiment of the present invention. Referring to FIG. 4, a wind density prediction method using a neural network analysis method according to a third embodiment of the present invention will be described in detail. do.
  • Wind density estimation method using a neural network analysis method may include a variable input step (S100), neural network analysis step (S200) and neural network model estimation step (S300).
  • wind density prediction method using a neural network analysis method may be in the form of a program executed by arithmetic processing means including a computer.
  • variable input step S100 input variables for which an output variable and terrain information are selected.
  • the output variable means wind power density
  • the numerical wind data of the wind power density may use a national wind map having a spatial resolution of 1km ⁇ 1km constructed by the Korea Institute of Energy Research.
  • the wind density may be used as an output variable.
  • the high wind density means that the power of the wind is high, the unit of the wind density can be used W / m 2 .
  • the input variables may include: first terrain information including an aspect converted to a variable, roughness, second terrain information including an elevation DEM, and a relative elevation difference r_DEM; , Third terrain information including wide open relative2, fourth terrain information including slope, r-slope, lowest elevation DEM_min, highest elevation DEM_max, and average elevation It means any one selected from the fifth topographical information including DEM_mean, ups and downs, distance from the coast, and reinterpreted weather data (NCAR_NCEP).
  • the input variable selection method in the first and third embodiments is the same as the stepwise variable selection method.
  • the neural network analysis step (S200) performs neural network analysis by using the output variables input in the variable input step (S100) and input variables selected through stepwise variable selection.
  • the stepwise variable selection method combines a backward elimination method with a forward variable selection method and finds an important input variable while repeating selection and removal at every step. In other words, each step is checked to see if already selected input variables can be removed by selecting additional important input variables one by one.
  • stepwise variable selection is used a lot, and in particular, it has the advantage of solving the problem of multiple collinearity.
  • the stepwise variable selection method adds and selects important input variables one by one, and examines step by step whether the input variables already entered into the model can be removed, and according to the criteria of entry and removal in the stepwise variable selection, the result is Can vary.
  • the predetermined criterion of the stepwise input variable selection method may be p value ⁇ 0.10 to be entered and p value ⁇ 0.15 to be removed.
  • the neural network analysis may be composed of the input layer (X), hidden layer (H) and the output layer (Y), the neural network analysis model through the neural network analysis step (S200) is one It may be a neural network model having three hidden nodes in the hidden layer of, which is just one embodiment.
  • each input variable that is, the output variable and the input variables input in the variable input step S100 are standardized and transferred to the input layer, and the standardized variables are hyperbolic tangent functions. coupled to a hyperbolic tangent function and delivered to the hidden layer.
  • the hidden layer processes a linear combination of variable values transmitted from the input layer as a nonlinear function and delivers the output value to the output layer, which outputs an output value corresponding to a target variable.
  • the neural network analyzing step S200 may include a first analyzing step S210, a second analyzing step S220, a third analyzing step S230, a fourth analyzing step S240, and a fifth analyzing step S250.
  • the root mean square error (RMS) value and the number of hidden nodes are calculated for each neural network model through the first to fifth analysis steps S210 to S250.
  • the RMSE value is a value representing the difference between the observed value and the predicted value.
  • the smaller the RMSE value the better the neural network model. In other words, the smaller the number of hidden nodes and the smaller the RMSE value, the better the neural network model.
  • the first analyzing step (S210) uses the output variable in the form of log (wind density), that is, log-converts and normalizes the wind density in order to predict the wind density.
  • a neural network analysis is performed on the 13 variable variables and the 12 input variables using the stepwise variable selection method.
  • the highest elevation and the amount of ups and downs can be excluded from the input variables used in the neural network analysis.
  • the number of hidden nodes when the RMSE value calculated through the first analysis step S210 is small can be confirmed. Accordingly, as a result of neural network analysis by the first analysis step S210, three hidden nodes are determined. It appears to be the most appropriate.
  • the second analysis step (S220) uses the output variable in the form of a raw variable in order to predict the wind density, and the 13 variable and 12 input variables of the variable and flavored surface roughness Neural network analysis is performed using the stepwise variable selection method. In this case, the amount of ups and downs may be excluded from the input variables used for the neural network analysis according to the result of the stepwise variable selection method.
  • the number of hidden nodes when the RMSE value calculated through the second analysis step S220 is small can be confirmed. Accordingly, as a result of neural network analysis by the second analysis step S220, three hidden nodes are determined. It appears to be the most appropriate.
  • the third analysis step (S230) in order to predict the wind density, the output variable is used in the form of sqrt (wind density), ie, the square root of the wind density, and then normalized, and the scented and ground parameters are variable.
  • a neural network analysis is performed using the stepwise variable selection method on the thirteen false and twelve input variables of roughness. In this case, the highest elevation may be excluded from the input variables used in the neural network analysis according to the result of the stepwise variable selection method.
  • the number of hidden nodes when the RMSE value calculated through the third analysis step S230 is small can be confirmed. Accordingly, as a result of neural network analysis by the third analysis step S230, three hidden nodes are determined. It appears to be the most appropriate.
  • a neural network analysis is performed using the stepwise variable selection method on the thirteen false and twelve input variables of roughness.
  • 8 input variables that do not satisfy the normality that is, the altitude, the slope, the distance from the shore, the highest elevation, the average elevation, the minimum elevation, the amount of relief, and the reinterpretation weather data variables are square roots. Convert.
  • the number of hidden nodes when the RMSE value calculated through the fourth analysis step S240 is small can be confirmed.
  • three hidden nodes are determined. It appears to be the most appropriate.
  • log (wind power density) means the value which carried out log conversion of the wind density.
  • the fifth analysis step (S250) is to use the output variable in the sqrt (wind power density) form, that is, the square root of the wind density, and then normalized to predict the wind density, and the variable fragrance and surface roughness
  • the neural network analysis is performed using the stepwise variable selection method on 13 dummy variables and 12 input variables. In this case, among the 12 input variables, 8 input variables that do not satisfy the normality, that is, the altitude, the slope, the distance from the shore, the highest elevation, the average elevation, the minimum elevation, the amount of relief, and the reinterpretation weather data variables are square roots. Convert.
  • the number of hidden nodes when the RMSE value calculated through the fifth analysis step S250 is small can be checked. As a result of neural network analysis by the fifth analysis step S250, four hidden nodes are determined. It appears to be the most appropriate.
  • Table 8 order Variable form Number of hidden nodes S210 log (output variable) + variable + input variable Three S220 Output variable + temporary variable + input variable Three S230 sqrt (output variable) + temporary variable + input variable Three S240 log (output variable) + temporary variable + sqrt (input variable) Three S250 sqrt (output variable) + temporary variable + sqrt (input variable) Four
  • the neural network model estimating step (S300) uses a neural network analysis step (S200), that is, using a RMSE value calculated through the first to fifth analyzing steps (S210 to S250), thereby concealing the size to be significantly smaller.
  • the neural network analysis model with the number of nodes can be estimated and the correlation between the output variable value and the actual output variable value estimated from each model among several neural network models estimated through various variable transformations of input and output variables.
  • the neural network model with the highest coefficient is determined as the final neural network model for wind density prediction.
  • the correlation coefficient represents a correlation between the actual output variable observation value and the predicted output variable value, and has a value between -1 and 1. The closer to 1, the better the model is.
  • Table 9 below shows the values of the correlation coefficients calculated by the wind density prediction method using a neural network analysis method according to an embodiment of the present invention.
  • Table 9 order Variable form Correlation coefficient () Number of hidden nodes S210 log (output variable) + variable + input variable 0.8438 Three S220 Output variable + temporary variable + input variable 0.8398 Three S230 sqrt (output variable) + temporary variable + input variable 0.8502 Three S240 log (output variable) + temporary variable + sqrt (input variable) 0.8267 Three S250 sqrt (output variable) + temporary variable + sqrt (input variable) 0.8481 Four
  • the neural network analysis model having the best estimated predictive power is estimated through the wind density prediction method using the neural network analysis method according to the third embodiment of the present invention.
  • the output variable which can be estimated through S230, is normalized by converting the output variable into a sqrt (wind density) form, and the thirteen variables and the twelve input variables of the variable and flavored surface roughness. Using the selection method, it can be seen that the neural network analysis model having three hidden nodes except the highest elevation variable is the best model.
  • S1 to S3 Wind density prediction method using stepwise regression analysis according to the present invention.
  • S10 to S40 Wind density prediction method using principal component analysis according to the present invention.
  • S100 to S300 Wind density prediction method using neural network analysis method according to the present invention.

Landscapes

  • Environmental & Geological Engineering (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

본 발명은 풍력 밀도 예측 방법에 관한 것으로, 더욱 상세하게는 데이터 집합에 속한 변수들 간의 선형 관계를 이용해 다중 회귀분석에 사용할 변수를 선택하는 방법으로 통계적으로 중요한 항을 첨가하거나 통계적으로 의미 없는 항을 제거하며 분석을 수행하는 단계적 변수선택법에 의한 회귀분석 기법을 사용하여 임의 지점의 풍력 밀도를 추정하는 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법, 입력변수들을 분산공분산 관계를 이용하여, 선형결합으로 이루어지는 복수 개의 주성분으로 분류하고, 분류된 주성분 입력변수들을 다중공성선이 존재하지 않는 새로운 입력변수로 사용하여 출력변수인 풍력 밀도와의 선형관계를 추정할 수 있는 선형 회귀분석 모형을 제공하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법 및 단계적 변수선택법에 의해 선택된 변수들을 입력변수로, 풍력 밀도를 변환한 값을 출력변수로 하는 신경망 분석 기법을 통해서, 복잡한 구조를 가진 변수들 간의 비선형 관계를 모형화함으로서, 임의 지점의 풍력 밀도를 예측하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것이다.

Description

풍력 밀도 예측 방법
본 발명은 풍력 밀도 예측 방법에 관한 것이다.
더욱 상세하게는 첫째, 데이터 집합에 속한 변수들 간의 선형 관계를 이용해 다중 회귀분석에 사용할 변수를 선택하는 방법으로 통계적으로 중요한 항을 첨가하거나 통계적으로 의미 없는 항을 제거하며 분석을 수행하는 단계적 변수선택 기법을 사용하여 임의 지점의 풍력 밀도를 추정할 수 있는 회귀 모형을 제공하는 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것이다. 둘째, 입력변수들을 분산 ·공분산 관계를 이용하여, 선형결합으로 이루어지는 복수 개의 주성분으로 분류하고, 분류된 주성분 입력변수들을 다중공성선이 존재하지 않는 새로운 입력변수로 사용하여 출력변수인 풍력 밀도와의 선형관계를 추정할 수 있는 선형 회귀분석 모형을 제공하는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것이다. 셋째, 단계적 변수선택법에 의해 선택된 변수들을 입력변수로, 풍력 밀도를 변환한 값을 출력변수로 하는 신경망 분석 기법을 통해서, 복잡한 구조를 가진 변수들 간의 비선형 관계를 모형화함으로서, 임의 지점의 풍력 밀도를 예측하는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 관한 것이다.
세계 풍력 에너지 개발의 중심축이 유럽에서 태평양으로 이동하고 있다. 유럽의 전통적 풍력 선진국의 지위에 도전하는 미국, 중국 및 인도의 추격이 주목을 받고 있고 해상 풍력에 대한 영국 등 후발 주자들의 괄목할만한 성과가 나타나고 있다.
미국은 육상 풍력 자원 잠재량을 판단하기 위해 지형학적, 기상학적 인자를 핵심 요소로 선정하여 분석하고 있다. 미국 재생 에너지 연구소(NREL; National Renewable Energy Laboratory)에서는 풍력 밀도를 기준으로 풍력 등급을 구분하여 풍력 발전 타당성에 대한 참조 지표를 제공하고 있다.
덴마크는 풍력 자원의 정확한 진단과 평가, 계획 수립을 위해 실측 바람과 수치 바람, 즉 미시규모의 대기유동 모델과 광범위한 지역에 대응하는 중규모의 대기유동 모델을 이용하여 풍력 밀도의 공간 분포 특성을 연구한 바 있다. 그 중 본 발명에서 검토할 만한 의미를 갖는 것은 실측 바람과 수치 바람을 산출하는 가장 기본적이면서 공통적인 데이터가 지형 고도, 지형 경사도, 지면 거칠기 등과 같은 지형 인자라고 설명한 것이다. 산 또는, 계곡과 같은 지형 특성을 표현하는 위도, 경도, 등고선 등의 지형 데이터, 초지, 산림, 도시와 같은 지면 특성을 표현하는 지면 거칠기 등의 지면 데이터를 핵심적인 입력 데이터로 활용함을 밝히고 있다.
미시규모 또는 중규모 수치 바람의 산출에 있어서, 공통적으로 지형 및 지면 데이터가 사용되고 있다는 것은 풍력 자원이 지형 및 지면 특성과 높은 연관성을 갖고 있다는 것을 전제하고 있다고 판단되어, 본 발명에서는 이러한 과학적 추론에 기반을 두고 기상 관련 인자와 더불어 지형 고도, 지형 경사도, 지면 거칠기 등과 같은 지형 관련 인자를 분석 데이터에 포함하는 것을 고려한다.
우리나라의 경우에는, 좁은 면적에 다양하고 복잡한 지형 특성이 나타나기 때문에 국지적인 규모의 지형과 풍력 자원과의 관계를 고찰한 연구가 대부분이다. 특히, 매우 강한 바람이 나타나는 강원도 태백 산맥에 대한 연구가 주류를 이루고 있다. 또한, 다양한 지형 인자에 대한 분석보다는 실측 바람을 이용하여 풍력 발전기를 설치하였을 때 생산 가능한 전력량을 계산한 연구가 대부분이다.
김정훈 외(2006)의 연구에 따르면 봄철 영동 지역에서 나타나는 강풍은 대부분 서풍 계열로 산악과 관련이 있다고 한다. 한선호 외(2007)는 태백 산맥의 지형이 서쪽으로 완만한 경사를 동쪽으로 급경사를 이루고 있는 것과 관련하여 이러한 지형의 비대칭성이 바람장에 미치는 영향을 수치 모의 실험을 통해 분석하였다.
그 결과 좌우 대칭형 산악 지형에 비례하여, 비대칭형 산악 지형에서 최대 강풍력이 2시간 정보 빠르게 출현하여 연직적으로는 약 0.5km 정도 낮은 곳에서 약 4시간 동안 강풍력이 지속되었다고 하였다.
또한, 지표면 풍속의 경우에는 풍하측 산 경사면의 기울기가 비대칭적으로 가파른 지형의 풍속이 어느 정도의 지역에서까지는 증가하나, 그 지점을 지나면 오히려 풍속이 감소한다고 한다.
이 연구는 단순히 경사도뿐만 아니라, 지형의 비대칭성을 고려함으로써 다양한 지형 인자가 풍력 자원에 영향을 미치고 있음을 제시한 사례라고 볼 수 있다.
정우식 외(2009)는 수치 바람을 이용하여 동일한 기상학적 특징을 가지는 지역을 하나의 풍계로 구분함으로써, 남한에는 10가지 이상의 풍계 지역이 존재하며 이들 풍계 지역을 구분하는 중요한 인자는 지형적 특성임을 설명하였다.
한편, 우리나라의 풍력 자원 잠재량을 계산하고 풍력 발전 단지를 건설하기에 적합한 후보지를 선정하기 위한 목적으로 다양한 기상 및 지형 인자를 고려한 중규모의 대기유동 모델을 이용하여 수치 바람을 산출함으로써, 한반도 풍력 자원 지도를 작성한 김현구(2011)의 연구가 있다.
향후, 치열해질 국가 간 풍력 발전 경쟁 대열에 주도적인 위치를 선점하기 위해 각국은 경쟁적으로 풍력 자원 지도를 작성하여 풍력 발전 국가 전략과 실행 정책을 수립하는 핵심 자료로 사용하는 추세이다.
이에, 풍력 자원 지도의 정밀화 작업에 발맞추어 육상 지역의 기상, 지형 및 지면 특성 중 풍력 밀도에 영향을 미치는 주요 변수를 추출하여 통계적 모형을 확보하는 것은 풍력 자원에 대한 이해도를 높이는 풍력 분야의 기초 연구에 해당된다.
한국등록특허 제10-1020638호(“미래 에너지 소비량 예측 방법”, 이하 선행문헌 1)에서는 미래 에너지 소비량 예측 방법에 관한 기술 내용이 개시되어 있으며, 한국공개특허 제2005-0063616호(“풍력 자원 지도화 방법”, 이하 선행문헌 2)에는 수치 바람을 이용한 풍력 자원 지도화 방법에 관한 기술 내용이 개시되어 있다.
그러나, 덴마크 및 선행문헌 2 등의 미시규모 또는 중규모의 대기유동 모델을 이용한 수치 바람을 계산하여 풍력 밀도를 산출하는 종래 기술들은 대기유동의 지배 방정식을 수치 해석적으로 해석하기 위하여 막대한 전산 자원 및 계산 시간을 필요로 하기 때문에, 임의 지역의 풍력 밀도를 예측하기 위해서는 막대한 비용을 지불한다는 단점이 있다.
[선행기술문헌]
[특허문헌]
한국등록특허 제10-1020634호
한국공개특허 제2005-0063616호
따라서, 본 발명은 상기한 바와 같은 문제점을 해결하기 위하여 안출된 것으로, 본 발명의 목적은 지리적인 요소인 입력변수들을 단계적 회귀분석 기법의 통계 분석을 이용하여 풍력 밀도에 관한 지리 통계 방법론을 제공하거나, 지리적인 요소인 입력변수들을 주성분 분석 기법을 수행하여 복수 개의 주성분 입력변수로 분류하고, 분류된 주성분 입력변수 및 가변수를 회귀분석함으로써, 출력 변수인 풍력 밀도에 관한 지리 통계 방법론을 제공하거나, 또는 단계적 변수선택법을 사용하는 신경망 분석 기법을 통해서 풍력 밀도에 관한 지리 통계 방법론을 제공할 수 있도록 하는 임의 지점의 풍력 밀도를 예측할 수 있는 풍력 밀도 예측 방법을 제공하는 것이다.
본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 출력변수인 풍력밀도 및 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리, 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S1), 상기 변수 입력 단계(S1)에서 입력된 출력변수 및 입력변수들을 입력받아 단계적 회귀분석법을 수행하는 단계적 회귀분석 단계(S2) 및 상기 단계적 회귀분석 단계(S2)에서 산출된 회귀 계수들을 이용하여 결정계수(R2,(R-square) 값이 가장 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S3)를 포함하여 이루어지는 것을 특징으로 한다.
이 때, 상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태는 나타내며, 상기 향(a1~a7)은 경사면의 방향을 나타내고, 상기 고도(DEM, Digital Elevation Model)는 지형을 일정 크기의 격자로 나누어 표고값을 나타내며, 상기 상대고도차는 해당 지역의 고도와 주변 지역의 고도의 비교값을 나타내고, 상기 평균표고는 해당 지역의 고도의 평균을 나타내며, 상기 최고표고는 해당 지역의 고도의 최고치를 나타내고, 상기 최저표고는 해당 지역의 고도의 최저치를 나타내며, 상기 기복량은 상기 최고표고와 최저표고의 차를 나타내고, 상기 개방도는 해당 지역과 주변 지역들을 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정한 값을 나타내며, 상기 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정하는 값을 나타내고, 상기 경사도는 해당 지역의 가장 급한 활강면을 나타내며, 상기 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내고, 상기 해안으로부터의 거리는 한국의 동해, 서해 및 남해 각각에서 해당 지역까지의 직선거리를 나타내며, 상기 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되는 것을 특징으로 하되, 상기 재해석 기상자료는 NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 적어도 어느 하나인 것을 특징으로 한다.
더불어, 상기 단계적 회귀분석 단계(S2)는 상기 변수 입력 단계(S1)에서 입력된 출력변수 및 입력변수들의 변수 변환을 적어도 한 가지 이상 수행하고, 상기 출력변수 및 상기 입력변수 간의 단위 차이를 해결하기 위해 변수 표준화를 수행하는 변수 변환 단계(S21), 상기 변수 변환 단계(S21)에서 변환된 출력변수 및 입력변수들 각각의 변수의 정규성을 판단하는 정규성 판단 단계(S22), 상기 변수 입력 단계(S1)에서 입력된 출력변수 및 상기 정규성 판단 단계(S22)에서 정규성이 있다고 판단된 상기 변환된 출력변수들 중 선택되는 어느 하나의 출력변수를 입력하는 출력변수 입력단계(S23), 상기 변수 변환 단계(S21)에서 상기 명목형 변수를 사용하는 입력변수의 가변수화된 입력변수를 입력하고, 상기 변수 입력 단계(S1)에서 입력된 상기 명목형 변수가 아닌 입력변수 및 상기 정규성 판단 단계(S22)에서 정규성이 있다고 판단된 상기 변환된 입력변수들의 같은 성분의 입력변수들 중 선택되는 어느 하나의 입력변수를 상기 변수 입력 단계(S1)에서 입력된 각각의 입력변수 마다 입력하는 입력변수 입력단계(S24), 상기 출력변수 입력단계(S23)에서 입력된 출력변수와 상기 입력변수 입력단계(S24)에서 입력된 입력변수들을 각각 입력받아 단계적 회귀분석법을 적어도 한번 이상 수행하는 단계적 회귀분석 다중 수행 단계(S25) 및 상기 단계적 회귀분석 다중 수행 단계(S25)를 수행하여 도출된 각각의 단계적 회귀분석의 결과 값 중 결정계수(R2, R-square) 값이 가장 높게 나오는 단계적 회귀분석 결과를 선택하는 최적 단계적 회귀분석 자료 선택 단계(S26)를 포함하여 이루어지는 것을 특징으로 한다.
여기서, 상기 변수 변환 단계(S21)의 상기 변수 변환은 원변수, 로그(log)변환, 제곱근변환 중 선택되는 어느 하나인 것을 특징으로 한다.
한국 남한 지형의 육상 풍력밀도를 예측할 수 있는 상기 다중 회귀식은 log(풍력밀도) = 3.79969 + (0.05551 ×
Figure PCTKR2013007077-appb-I000001
) + (0.04374 ×
Figure PCTKR2013007077-appb-I000002
) + (-0.00260 ×
Figure PCTKR2013007077-appb-I000003
) + (-0.01867 ×
Figure PCTKR2013007077-appb-I000004
) + (0.09367 ×
Figure PCTKR2013007077-appb-I000005
) + (0.00446 × 광역개방도) + (0.02753 × ) + (-0.00569 × 개방도) + (0.00075229 × 상대고도) + (-0.02608 × 상대경사도) + (0.01661 ×
Figure PCTKR2013007077-appb-I000007
) + (-0.02137 ×
Figure PCTKR2013007077-appb-I000008
) + (0.24603 × r1) + (0.12644 × r2) + (0.10458 × r3) + (0.12340 × r4) + (0.15980 × r5) + (0.00345 × r6) + (0.05231 × a1) + (0.08932 × a2) + (0.05164 × a3) + (-0.00168 × a4) + (-0.03096 × a5) + (-0.06323 × a6) + (-0.04673 × a7) (여기서, r1~r6은 지면거칠기의 가변수, a1~a7은 향의 가변수)인 것을 특징으로 하며,
상기 한국 남한 지형의 육상 풍력밀도를 예측할 수 있는 상기 단계적 변수선택법(stepwise variable selection)에 의한 다중 회귀식의 결정계수(R2, R-square) 값은 0.6267인 것을 특징으로 한다.
본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법은, 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 출력변수인 풍력밀도 및 향(a1~a7)과 지면거칠기(r1~r6)인 가변수, 고도, 상대고도차, 개방도, 광역개방도, 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S10), 상기 변수 입력 단계(S10)에서 입력된 입력변수들을 고유값(eigenvalue) 및 누적(cumulative)값을 이용한 주성분 분석을 통해 복수 개의 주성분으로 분석하는 주성분 분석 단계(S20), 상기 변수 입력 단계(S10)에서 입력된 출력변수 및 가변수와, 상기 주성분 분석 단계(S20)에서 복수개의 주성분으로 분석된 입력변수들을 이용하여, 단계적 변수선택법(stepwise variable selection)에 의한 회귀분석을 수행하는 회귀분석 단계(S30) 및 상기 회귀분석 단계(S30)에서 산출된 회귀계수들을 이용하여 결정계수(R2,(R-square) 값이 가장 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S40)를 포함하여 이루어지는 것을 특징으로 한다.
이 때, 상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태는 나타내며, 상기 향(a1~a7)은 경사면의 방향을 나타내고, 상기 고도(DEM, Digital Elevation Model)는 지형을 일정 크기의 격자로 나누어 표고값을 나타내며, 상기 상대고도차는 해당 지역의 고도와 주변 지역의 고도의 비교값을 나타내고, 상기 평균표고는 해당 지역의 고도의 평균을 나타내며, 상기 최고표고는 해당 지역의 고도의 최고치를 나타내고, 상기 최저표고는 해당 지역의 고도의 최저치를 나타내며, 상기 기복량은 상기 최고표고와 최저표고의 차를 나타내고, 상기 개방도는 해당 지역과 주변 지역들을 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정한 값을 나타내며, 상기 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정하는 값을 나타내고, 상기 경사도는 해당 지역의 가장 급한 활강면을 나타내며, 상기 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내고, 상기 해안으로부터의 거리는 한국의 동해, 서해 및 남해 각각에서 해당 지역까지의 직선거리를 나타내며, 상기 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되는 것을 특징으로 하되, 상기 재해석 기상자료는 NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 적어도 어느 하나인 것을 특징으로 한다.
더불어, 상기 회귀분석 단계(S30)는 상기 주성분 분석 단계(S20)에서 분석된 복수 개의 주성분 중에 상기 고유값(eigenvalue)이 미리 입력된 제 1 소정값 이상이거나, 상기 누적(cumulative)값이 미리 입력된 제 2 소정값 이내인 적어도 하나 이상의 주성분을 선정하는 변수 선정 단계(S31), 상기 변수 입력 단계(S10)에서 입력된 출력변수에 변수 변환하는 변수 변환 단계(S32), 상기 변수 변환 단계(S32)에서 변환된 상기 출력변수에 대한 정규성을 판단하는 정규성 판단 단계(S33), 상기 변수 입력 단계(S10)에서 입력된 출력변수 및 상기 정규성 판단 단계(S33)에서 정규성이 있다고 판단된 상기 표준화된 출력변수 중 선택되는 어느 하나의 출력변수를 입력하는 출력변수 입력 단계(S34), 상기 변수 선정 단계(S31)에서 선정된 주성분를 이루고 있는 입력변수 중 선택되는 적어도 하나 이상의 입력변수를 입력하는 입력변수 입력 단계(S35) 및 상기 출력변수 입력 단계(S34)에서 입력된 출력변수와 상기 입력변수 입력 단계(S35)에서 입력된 입력변수 및 상기 변수 입력 단계(S10)에서 입력된 가변수들을 각각 입력받아 단계적 변수선택법에 의한 회귀분석을 적어도 한번 이상 수행하는 주성분 회귀분석 다중 수행 단계(S36)를 포함하여 이루어지는 것을 특징으로 한다.
여기서, 상기 변수 변환 단계(S32)의 변수 변환은 로그(Log) 변환, 제곱근(Sqrt) 변환 중 선택되는 어느 하나인 것을 특징으로 한다.
한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식은 log(풍력밀도) = 4.87579 + (0.11583 × 제 1 주성분 입력변수) + (0.06275 × 제 2 주성분 입력변수) + (0.13119 × 제 3 주성분 입력변수) + (-0.17187 × 제 4 주성분 입력변수) + (0.40142 × r1) + (0.24001 × r2) + (0.20801 × r3) + (0.25655 × r4) + (0.26863 × r5) + (0.08658 × r6) + (-0.11419 × a1) + (-0.05256 × a2) + (-0.06328 × a3) + (-0.09685 × a4) + (-0.10314 × a5) + (-0.11079 × a6) + (-0.06658 × a7) (여기서, r1~r6은 지면거칠기의 가변수, a1~a7은 향의 가변수) 인 것을 특징으로 하며,
상기 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식의 결정계수(R2, R-square) 값은 0.5838인 것을 특징으로 한다.
본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은, 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서, 출력변수인 풍력밀도와 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S100), 상기 변수 입력 단계(S100)에서 입력된 출력변수 및 단계적 변수선택법(stepwise variable selection)을 통해 선택한 입력변수들을 사용하여, 신경망 분석을 수행하는 신경망 분석 단계(S200) 및 상기 신경망 분석 단계(S200)에서 산출된 RMSE(Root Mean Square Error) 값에 따른 은닉 노드(hidden node)의 개수를 이용하여, 상관 계수 값을 통해서 신경망 분석 모형을 추정하는 신경망 모형 추정 단계(S300)를 포함하여 이루어지는 것을 특징으로 한다.
이 때, 상기 변수 입력 단계(S100)의 상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태를 나타내며, 상기 향(a1~a7)은 경사면의 방향을 나타내는 것을 특징으로 하며, 상기 지면거칠기 및 상기 향을 가변수로 변환한 것을 특징으로 한다.
더불어, 상기 신경망 분석 단계(S200)는 로그 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 1 분석 단계(S210)를 포함하여 이루어지는 것을 특징으로 한다.
또는, 상기 신경망 분석 단계(S200)는 원자료 형태의 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 2 분석 단계(S220)를 포함하여 이루어지는 것을 특징으로 한다.
또는, 상기 신경망 분석 단계(S200)는 제곱근 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 3 분석 단계(S230)를 포함하여 이루어지는 것을 특징으로 한다.
또는, 상기 신경망 분석 단계(S200)는 로그 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 4 분석 단계(S240)를 포함하여 이루어지되, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료는 제곱근 변환한 것을 특징으로 한다.
또는, 상기 신경망 분석 단계(S200)는 제곱근 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 5 분석 단계(S250)를 포함하여 이루어지되, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료를 제곱근 변환한 것을 특징으로 한다.
상기와 같은 구성에 의한 본 발명의 풍력 밀도 예측 방법에 있어서, 향후 육상 풍력 자원 잠재량 산정 및 풍력 발전을 위한 단지 입지 전략 수립을 위한 과학적 토대를 마련하기 위하여, 재해석 기상자료 및 다양한 지형 데이터 등을 활용한 육상 밀도 분석에 관한 지리 통계 모형을 개발할 수 있도록 하는 효과를 얻을 수 있다.
또한, 풍력 밀도 통계 모형은 임의(선택) 지점의 풍력 밀도를 예측함에 있어 종래 기술은 막대한 비용과 시간을 소모함에 비하여, 적은 비용과 즉각적인 계산결과를 제공한다는 장점이 있다.
도 1은 본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법을 나타낸 순서도이다.
도 2는 본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법을 나타낸 순서도이다.
도 3은 본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법을 상세하게 나타낸 순서도이다.
도 4는 본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 나타낸 순서도이다.
도 5는 본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법의 MLP 신경망 구조를 간략하게 나타낸 도면이다.
이하 첨부한 도면들을 참조하여 본 발명의 일 실시예에 따른 풍력 밀도 예측 방법을 상세히 설명한다. 다음에 소개되는 도면들은 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 예로서 제공되는 것이다. 따라서, 본 발명은 이하 제시되는 도면들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 또한, 명세서 전반에 걸쳐서 동일한 참조번호들은 동일한 구성요소들을 나타낸다.
이때, 사용되는 기술 용어 및 과학 용어에 있어서 다른 정의가 없다면, 이 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 통상적으로 이해하고 있는 의미를 가지며, 하기의 설명 및 첨부 도면에서 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 설명은 생략한다.
(제 1 실시예)
도 1은 본 발명의 제 1 실시예에 따른 풍력 밀도 예측 방법의 순서도이며, 도 1을 참조로 하여 본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법에 대해서 상세히 설명한다.
일반적으로 회귀분석(regression analysis)이란, 둘 또는 그 이상의 변수들 간의 상관관계를 파악하여, 다시 말하자면, 어떤 특정한 변수(출력변수)의 값을 다른 한 개 또는 그 이상의 변수(입력변수)들과의 상관관계를 파악하여, 이를 통해서 출력변수에 대해서 설명할 수 있고, 예측할 수 있는 통계적 기법을 의미한다.
따라서, 회귀분석을 상관관계의 연관성(association)과 인과모형의 인과성(causation)을 종합한 개념으로 정리할 수도 있으며, 계량적 출력 변수와 하나 혹은 그 이상의 입력변수들 간의 관계, 즉, 관련성을 분석하는 데 있어서, 매우 강력한 분석력을 갖고 있다. 또한, 적응성이 뛰어난 특성을 가지고 있으며, 회귀분석의 일반적인 형태는 1차 방정식의 함수관계로 나타낼 수 있다.
이러한 회귀분석은 단순회귀분석(simple regression analysis)와 다중회귀분석(multiple regression analysis)으로 나눌 수 있으며, 상기 단순회귀분석은 하나의 입력변수를 이용하여 출력변수를 설명, 예측하는 것을 의미하며, 상기 다중회귀분석은 여러 개의 입력변수와 출력변수 사이의 관계를 이용하여, 출력변수를 설명, 예측하는 것을 의미한다.
본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법은 변수 입력 단계(S1), 단계적 회귀분석 단계(S2), 다중 회귀식 추정 단계(S3)를 포함하여 이루어질 수 있다.
또한, 본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어질 수 있다.
변수 입력 단계(S1)는 출력변수인 풍력밀도 및 지면거칠기, 고도, 상대고도차, 개방도, 광역개방도, 향, 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리, 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력한다.
단계적 회귀분석 단계(S2)는 상기 변수 입력 단계(S1)에서 입력된 출력변수 및 입력변수들을 입력받아 단계적 회귀분석법을 수행한다.
회귀분석은 한 변수를 이용하여 다른 변수의 값을 설명하거나 예측할 수 있는 모형으로 자료를 분석하는 것이다. 이때 설명하는 변수를 입력변수 또는 설명 변수라 하고 설명이 되거나 예측이 되는 변수를 출력 변수 또는 반응 변수라고 한다. 설명하는 입력변수가 하나인 경우 단순 회귀분석, 설명하는 입력변수가 두 개 이상인 경우는 다중 회귀분석이라고 한다.
다중 회귀식 추정 단계(S3)는 상기 단계적 회귀분석 단계(S2)에서 산출된 회귀 계수들을 이용하여 결정계수(R2, R-square) 값이 가장 높은 다중 회귀식을 추정한다.
본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법은 향후 육상 풍력 자원 잠재량 산정 및 풍력 발전 단지 입지 전략 수립의 과학적 토대를 마련하기 위하여 재해석 기상자료 및 지형자료 등을 활용한 육상 풍력 밀도 예측을 위한 지리 통계 모형을 개발을 위해 가장 효과가 좋은 입력변수를 선택하는 것이 중요하다.
상기 변수 입력 단계(S1)의 각각의 변수들에 대해 설명하자면,
상기 풍력밀도(wind power density)의 수치 바람 데이터는 한국에너지기술연구원에서 구축한 1km×1km의 공간해상도를 갖는 국가 바람지도를 사용할 수 있으며, 상기 풍력밀도는 출력변수로 사용될 수 있다. 아울러, 풍력밀도가 높다는 것은 바람의 파워가 높다는 의미를 가지며, 풍력밀도의 단위는 W/m2를 사용할 수 있다.
가변수화된 상기 향은 경사면의 방향을 나타내는 것으로, 특정 지점에서 가장 경사도가 큰 방향으로 정의된다. 일반적으로 지형의 주방향에 따른 특성을 파악하기 위해 사용된다. 향 변수는 데이터가 0∼360도로 되어있다. 데이터의 일관성을 유지하기 위해서 360도는 0도로, 음수인 값은 양수로 변환한다. 분석을 용이하게 하기 위해 8개로 범주화하여 사용하며 8개의 범주는 북~북동(0도 이상 45도 미만), 북동~동(45도 이상 90도 미만), 동~남동(90도 이상 135도 미만), 남동~남(135도 이상 180도 미만), 남~남서(180도 이상 225도 미만), 남서~서(225도 이상 270도 미만), 서~북서(270도 이상 315도 미만) 및 북서~북(315도 이상 360도 미만)으로 구분한다. 이때, 8개의 범주를 7개(a1~a7)의 가변수(dummy variable)로 변환하여 사용할 수 있다.
하기의 표 1을 참고로 하여 가변수화된 상기 향을 확인할 수 있다.
표 1
풍향 a1 a2 a3 a4 a5 a6 a7
[0,45] N~NE 1 0 0 0 0 0 0
[45,90] NE~E 0 1 0 0 0 0 0
[90,135] E~SE 0 0 1 0 0 0 0
[135,180] SE~S 0 0 0 1 0 0 0
[180,225] S~SW 0 0 0 0 1 0 0
[225,270] SW~W 0 0 0 0 0 1 0
[270,315] W~NW 0 0 0 0 0 0 1
[315,360] NW~N 0 0 0 0 0 0 0
또한, 가변수화된 상기 지면거칠기는 토지이용도에 따른 지표면의 거칠기 형태를 의미하는 것으로, 환경부에서 구축한 토지피복분류도를 사용할 수 있다. 지면거칠기는 수역, 농경지, 전답지, 목초지, 과수지, 산림, 도심지 등으로 분류할 수 있으며 지표면 분류에 따라 그에 해당하는 거칠기 요소의 높이를 m로 변환하여 사용할 수 있다. 우리나라는 지형의 복잡성뿐만 아니라 산림과 도시, 농작지가 복합적으로 산재하고 있어 피복상태가 대단히 복잡하다. 이러한 피복상태가 바람의 흐름을 가속화시키기거나 더디게 하는 요인으로 작용할 것이라고 가정하여 지면거칠기와 풍력밀도의 상관성을 측정하기 위한 입력변수로 사용할 수 있다. 지면거칠기의 분석을 용이하게 하기 위해 상기 7개의 범주를 사용하는 경우 각각의 범주에 해당하는 거칠기 높이는 0.0001m, 0.05m, 0.1m, 0.15m, 0.25m, 0.5m 및 0.8m가 대응될 수 있다. 이때, 7개의 범주를 6개(r1~r6)의 가변수(dummy variable)로 변환하여 사용할 수 있다.
하기의 표 2을 참고로 하여 가변수화된 상기 지면거칠기를 확인할 수 있다.
표 2
토지 이용도 지면거칠기 높이 r1 r2 r3 r4 r5 r6
수역 0.0001m 1 0 0 0 0 0
농경지 0.05m 0 1 0 0 0 0
전답지 0.1m 0 0 1 0 0 0
목초지 0.15m 0 0 0 1 0 0
과수지 0.2m 0 0 0 0 1 0
산림 0.5m 0 0 0 0 0 1
도심지 0.8m 0 0 0 0 0 0
입력변수인 상기 고도, 즉, 지형고도(terrain elevation)의 디지털 데이터 형식인 수치고도모형(DEM, Digital Elevation Model)은 지형을 일정 크기의 격자로 나누어 표고값을 기록한 것으로, 각 지점의 표고는 해수면으로부터의 높이로 측정될 수 있다. 상기 고도의 공간해상도는 1km×1km로 제작할 수 있으며, 국·내외 연구에서 지형의 고도는 바람 강도에 상당히 영향을 주는 것으로 알려져 있기 때문에, 실제로 국내의 경우 많은 육상 풍력 발전 단지가 대관령, 태백, 태기산 등과 같은 고지대에 위치하고 있다.
상기 평균표고는 1km 고도 자료를 사용하여 생성할 경우, 4×4 격자 내의 고도를 평균하여 나타낼 수 있으며,
상기 최고표고는 1km 고도 자료를 사용하여 생성할 경우, 4×4 격자 내의 고도 중 최고치를 통해 나타낼 수 있다.
또한, 상기 최저표고는 1km 고도 자료를 사용하여 생성할 경우, 4×4 격자 내의 고도 중 최저치를 통해 나타낼 수 있다.
상기 상대고도차는 해당 지역의 고도과 주변 지역의 고도를 비교하여, 높은지 낮은지 판별하여 주며, 주변 지역과의 고도 차이 때문에 발생할 수 있는 난기류 및 풍속 증감의 영향을 고려하기 위해 구축할 수 있다. 즉, 다시 말하자면, 고도를 기반으로 하여 특정 지역의 고도값과, 이 지역의 8 방위에 존재하는 지형들의 고도값의 차이를 계산하여 구축할 수 있다. GIS 공간데이터를 중심으로 설명하자면, 특정 셀의 고도 값에서 해당 셀에 인접해 있는 8개의 셀들이 갖고 있는 고도값의 평균값 차이를 계산할 것으로, 양수(+)는 해당 지역의 고도가 주변보다 높은 것을 의미하며, 음수(-)는 해당 지역의 고도가 주변보다 낮은 것으로 해석될 수 있다.
상기 기복량은 지형의 특성을 나타내는 지표의 하나로써, 상기 최고표고와 최저표고의 차를 나타낸다. 예를 들자면, 해발고도가 같은 산지와 대지에서는 산지가 대지보가 기복이 크다. 즉, 일정한 기준에 의해서 측정한 기복의 대소, 즉, 상기 기복량은 지형의 분류나 지형구의 설정 및 지형의 발달 정도의 식별 등의 유력한 지표가 될 수 있다.
상기 해안으로부터의 거리는 동해, 서해, 남해 각각에서 한반도 중앙지역까지의 직선거리를 계산하여 나타낼 수 있다.
상기 경사도는 해당 지역의 가장 급한 활강면을 나타내며, 국내 연구 사례에서 한선호 외(2007)는 경사도가 비대칭인 산맥에서의 바람 강도 변화를 연구하였는데, 연구 결과에 따라서, 경사도의 차이가 바람의 세기에 영향을 줄 것으로 가정할 수 있다. GIS 공간데이터를 중심으로 설명하자면, 해당 셀을 중심으로 주변 셀들의 고도 값의 최대 변화율로 계산될 수 있으며, 즉, 해당 셀과 그 인접한 8개의 셀들의 거리에 따른 고도의 최대 변화량이 셀의 가파른 정도로 정의된다.
상기 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내며, 해당 지역의 경사도 뿐만 아니라, 이를 에워싼 주변 지역의 경사도를 고려하여 상대경사도를 구축할 수 있다. 이는 바람이라는 것은 지표면을 따라 연속적으로 흐르는 것이며, 공간적으로 급격히 변화하지 않기 때문에 광역적인 지형의 변화 속에서 바람을 해석해야 한다고 판단할 수 있기 때문에다. GIS 공간데이터를 중심으로 설명하자면, 해당 셀과 그에 인접한 8개의 셀의 평균 경사도와 해당 셀에서 가장 가까운 주변 24개의 셀의 평균 경사도 차이를 계산하여 상대경사도 데이터를 구축할 수 있다.
상기 개방도는 해당 지역과 주변 지역을 비교하였을 때, 지형적으로 얼마나 막혀있지 않은가를 나타내는 것으로써, 바람이 지형에 부딪혀 그 세기가 감소하는 것에 연관되어 있다. 미국의 사례에서 고도뿐만 아니라, 해당 지역이 얼마나 바람이 쉽게 통과할 수 있는 지형인가에 따라 바람의 강도가 상이했던 사례를 고려하여, 지형 개방도 데이터를 구축하고 있다. 예를 들자면, 격자 모양의 셀들로 지형을 구분하였을 경우, 개방도 = ((중심 셀 + 주변 8개의 셀) / 9) - ((중심 셀 + 주변 24개의 셀) / 25) 같이 나타낼 수 있다.
또한, 상기 개방도는 구축된 고도 데이터를 기반으로 할 수 있으며, 특정 셀을 중심으로 주변 셀들과의 고도값의 차이를 계산하여 나타낼 수 있다. 다시 말하자면, 값이 높을수록 해당 지역은 주변 지역들과 비교하여 고도가 높아 상기 개방도가 높은 것으로 판단할 수 있으며, 값이 낮을수록 주변 지역들과 비교하여 고도가 낮아 상기 개방도가 낮은 것으로 판단할 수 있다.
상기 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 지형적으로 얼마나 막혀있지 않은가를 나타내는 것으로, 다시 말하자면, 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하였을 때, 지형적으로 얼마나 막혀있지 않은가를 측정하여, 바람이 지형에 부딪혀 그 세기가 감소하는 것과 연관할 수 있다. 사용된 고도 자료의 공간해상도가 1km라고 가정할 경우, 상기 개방도보다 1km 넓어진 영역에서의 지형적 특성을 수치적으로 계산할 수 있다. 예를 들자면, 격자 모양의 셀들로 지형을 구분하였을 경우, 광역개방도 = ((중심 셀 + 주변 8개의 셀) / 9) - ((중심 셀 + 주변 48개의 셀) / 49) 같이 계산할 수 있다. 즉, 다시 말하자면, 값이 높을수록 해당 지역은 주변 지역들과 비교하여, 고도가 높아 상기 광역개방도가 높은 것으로 판단할 수 있으며, 낮을수록 주변 지역들과 비교하여, 고도가 낮아 상기 광역개방도가 낮은 것으로 판단할 수 있다.
상기 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되며, NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 어느 하나일 수 있다. 또한, 지표면의 영향을 배제한 지표층 표준압력면에서 산출된 풍력밀도로서, 단위는 W/m2이며, 상기 재해석 기상자료의 주된 용도는 일기예보를 위하여 물리방정식을 수치적으로 해석하는 중규모의 대기유동 모델의 입력자료로 사용된다. 그러나, 상기 재해석 기상자료는 공간해상도가 수십 km 이상으로 매우 넓을 뿐 아니라, 지표면의 영향이 배제되었기 때문에 상기 재해석 기상자료만으로 선택 지점의 풍력밀도를 산정하기에는 부적합하다.
상기 단계적 회귀분석 단계(S2)는 변수 변환 단계(S21), 정규성 판단 단계(S22), 출력변수 입력단계(S23), 입력변수 입력단계(S24), 단계적 회귀분석 다중 수행 단계(S25), 최적 단계적 회귀분석 자료 선택 단계(S26)를 포함하여 이루어질 수 있다.
변수 변환 단계(S21)는 상기 변수 입력 단계(S1)에서 입력된 출력변수 및 입력변수들 중 명목형 변수를 사용하는 입력변수는 가변수화 하고, 상기 출력변수 및 입력변수들 각각의 정규성을 확보하기 위한 각각의 상기 출력변수 및 입력변수의 변수 변환을 적어도 한 가지 이상 수행하고, 상기 출력변수 및 상기 입력변수 간의 단위 차이를 해결하기 위해 변수 표준화를 수행한다.
회귀분석은 정규 분포를 가정해서 만든 것이므로 비정규성이 특징인 데이터를 분석하려면 데이터의 변환 과정을 통해 정규화하는 작업을 수행해야 한다. 이렇게 하여 비정규성을 갖는 데이터의 분포가 정규 분포를 나타내도록 할 수 있다.
일 예를 들자면, 회귀분석 모형에의 적합을 위하여 출력변수인 풍력밀도에 대해서는 로그 변환 및 제곱근 변환을 수행 할 수 있고, 지형고도, 경사도, 해안으로부터 거리, 최고표고, 평균표고, 최저표고, 기복량 및 NCAR/NCEP에 대해서는 제곱근 변환을 실시할 수 있다. 또한, 수역, 농경지, 전답지, 목초지, 과수지, 산림, 도심지 등의 지면 거칠기와 NE_E, E_SE, N_NE, S_SW 등의 주 방향은 불연속 변수로서 변수값을 표준화할 경우 통계 해석에 어려움이 있으므로, 지면 거칠기와 향을 더미 변수로 변환하는 가변수화하여 분석을 실행할 수 있다. 더미 변수는 어떤 조건에 해당할 때만 1이고 그 이외의 경우에는 0이 되는 변수이다.
정규성 판단 단계(S22)는 상기 변수 변환 단계(S21)에서 변환된 출력변수 및 입력변수들 각각의 변수의 정규성을 판단한다.
출력변수 입력단계(S23)는 상기 변수 입력 단계(S10)에서 입력된 출력변수 및 상기 정규성 판단 단계(S22)에서 정규성이 있다고 판단된 상기 변환된 출력변수들 중 선택되는 어느 하나의 출력변수를 입력한다.
입력변수 입력단계(S24)는 상기 변수 변환 단계(S21)에서 상기 명목형 변수를 사용하는 입력변수의 가변수화 된 입력변수를 입력하고, 상기 변수 입력 단계(S10)에서 입력된 상기 명목형 변수가 아닌 입력변수 및 상기 정규성 판단 단계(S22)에서 정규성이 있다고 판단된 상기 변환된 입력변수들의 같은 성분의 입력변수들 중 선택되는 어느 하나의 입력변수를 상기 변수 입력 단계(S10)에서 입력된 각각의 입력변수 마다 입력한다.
단계적 회귀분석 다중 수행 단계(S25)는 상기 출력변수 입력단계(S23)에서 입력된 출력변수와 상기 입력변수 입력단계(S24)에서 입력된 입력변수들을 각각 입력받아 단계적 회귀분석법을 적어도 한번 이상 수행한다.
이때, 회귀분석이란, 출력변수가 다른 몇 개의 입력변수로 어떻게 설명, 예측되는지를 알아보는 통계적 방법을 의미하며, 일반적으로, 출력변수에 영향을 미치거나 원인이 될 만한 입력변수의 수는 매우 많을 것이다. 가능한 모든 후보 변수들을 입력변수로 이용하여, 예측 모형을 만들게 되면, 데이터를 수집하고 관리하는데 많은 노력과 비용이 필요하게 될 뿐만 아니라, 소위 다중 공선성과 같은 문제가 발생하게 되어 일부 회귀계수 추정치의 분산과 예측값의 분산이 매우 커지게 되어, 많은 입력변수를 이용함에도 불구하고, 이를 신뢰할 수 없게 된다.
이에 따라, 불필요한 변수들이 들어 있는 완전 모형보다는 필요한 변수들만 들어 있는 축소 모형이 보다 바람직한 회귀모형이라 할 수 있으며, 이러한 변수를 선택하는 방법으로는 전진 변수선택법, 후진 변수소거법 및 단계적 변수선택법이 있다.
상기 전진 변수선택법은 입력변수를 출력변수에 대해 각 변수의 기여도가 큰 순서에 따라 하나씩 추가하면서 선택하는 방법이며, 이 방법은 계산 시간이 빠르다는 장점은 있지만, 한 번 선택된 변수는 절대로 제거되지 않는다는 단점이 있다.
상기 후진 변수소거법은 모든 변수를 포함하는 완전 모형으로부터 시작하여, 출력변수에 대해 기여도가 낮은 입력변수를 하나씩 제거해 나가는 방법이며, 이 방법은 중요한 변수가 모형에서 제외될 가능성이 적으므로 비교적 안전한 방법일 수 있지만, 한 번 제외된 변수는 다시 선택되지 못한다는 단점이 있다.
상기 단계적 변수선택법은 상기 전진 변수선택법에 후진 변수소거법을 결합한 것으로써, 매 단계마다 선택과 제거를 반복하면서, 중요한 입력변수를 찾아내는 방법이다. 이 방법은 중요한 변수를 하나씩 추가로 선택하면서, 이미 선택된 변수들이 제거될 수 있는지를 매 단계마다 검토할 수 있다.
일반적으로 단계적 변수선택방법을 많이 이용하고 있으며 특히 다중 공선성의 문제를 해결하는 장점도 있다.
즉, 중요한 변수를 하나씩 추가·선택하되, 이미 모형에 들어간 변수들이 제거될 수 있는 지를 단계별로 검토하는 것이다. 따라서, 단계적 변수 선택에서는 진입과 제거의 기준에 따라 그 결과가 달라질 수 있다. 예를 들어, 단계적 변수선택법의 기설정된 기준은 입력할 p 값 ≤0.10, 제거할 p 값 ≥0.15일 수 있다.
선택된 특정 입력변수들 및 출력 변수로 단계적 회귀분석을 수행하고 단계적 회귀분석의 결과값인 각 회귀 계수에 대한 추정치와 표준 오차, t 값 및 유의 확률을 산출한다. 각 회귀 계수에 대한 추정치와 표준 오차, t 값 및 유의 확률 등이 제시되어 있다.
최적 단계적 회귀분석 자료 선택 단계(S26)는 상기 단계적 회귀분석 다중 수행 단계(S25)를 수행하여 도출된 각각의 단계적 회귀분석의 결과 값 중 결정계수(R2,(R-square) 값이 가장 높게 나오는 단계적 회귀분석 결과를 선택한다.
결정계수(R2,(R-square)는 표본회귀선이 출력변수인 Y의 변동량을 어느정도 설명해주느냐를 나타내주며, SSR/SST(SSR: Model의 Sum of square 값, SST: Corrected Total의 Sum of square 값)의 결과값으로 구할 수 있다.
한국 남한 지형의 육상 풍력밀도를 예측할 수 있는 상기 다중 회귀식은 하기의 수학식 1으로 나타낼 수 있다.
수학식 1
Figure PCTKR2013007077-appb-M000001
여기서, r1~r6은 가변수화된 지면거칠기이며, a1~a7은 가변수화된 향을 의미한다.
이 때, 한국 남한 지형의 육상 풍력밀도를 예측할 수 있는 상기 다중 회귀식의 결정계수(R2,(R-square) 값은 0.6267인 것을 특징으로 할 수 있다.
상기 다중 회귀식은 언급된 기상요소 및 지형요소 이외에 다양한 입력변수의 데이터를 슈퍼 컴퓨터에 입력하고 중규모 대기유동의 물리방정식을 수치 해석함으로써, 엄청난 전산 자원과 계산 시간을 활용하여 풍력밀도를 예측할 수 있는 종래의 방법과 비교하여, 간편하고 빠르게 실제 데이터 분포를 62.67%의 신뢰도를 갖는 상기 다중 회귀식을 구할 수 있다는 장점이 있다.
(제 2 실시예)
도 2는 본 발명의 본 발명의 제 2 실시예에 따른 풍력 밀도 예측 방법을 나타낸 순서도이며, 도 2를 참조로 하여, 본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 대해서 상세히 설명한다.
본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법은 변수 입력 단계(S10), 주성분 분석 단계(S20), 회귀분석 단계(S30) 및 다중 회귀식 추정 단계(S40)를 포함하여 이루어질 수 있다.
또한, 본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어질 수 있다.
상기 변수 입력 단계(S10)는 출력변수인 풍력밀도와, 가변수화된 향(aspect)과 지면거칠기를 입력할 수 있으며, 또한, 지형정보인 고도, 평균표고, 최고표고, 최저표고, 상대고도, 기복량, 해안으로부터의 거리, 경사도, 상대경사도, 개방도, 광역개방도 및 재해석 기상자료인 입력변수들을 입력할 수 있다.
상기 변수 입력 단계(S10)에서 입력되는 상기 변수들은 상술한 본 발명의 제 1 실시예에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법의 상기 변수 입력 단계(S1)에서의 상기 변수들과 동일한 의미를 갖고 있다.
상기 주성분 분석 단계(S20)는 상기 변수 입력 단계(S10)에서 입력된 입력변수들을 고유값(eigenvalue) 및 누적(cumulative)값을 이용한 주성분 분석을 통해 복수 개의 주성분 입력변수로 분석할 수 있다.
예를 들자면, 하기의 표 4에 도시된 바와 같이, 각각의 입력변수들이 가지고 있는 고유값을 이용하여 복수 개의 주성분 입력변수로 분석한다.
본 발명의 제 2 실시예에 따른 주성분 입력변수 분석은 하기의 표 3에 도시된 바와 같이, 4개의 주성분 입력변수, 즉, Prin1, 2, 3 및 4로 분석할 수 있으며, 상기 Prin1은 고도 관련 변수, 상기 Prin2는 개방도 관련 변수, 상기 Prin3은 경사도와 재해석 기상자료 관련 변수 및 상기 Prin4는 해안으로부터의 거리 관련 변수의 특징을 가지고 있는 것을 확인할 수 있다. 상기 4개의 주성분 입력변수는 본 발명의 일 실시예에 불과하다.
표 3
Eigenvalues of the Correlation Matrix
Eigenvalue Difference Proportion Cumulative
1 5.2261 2.8132 0.4355 0.4355
2 2.4129 0.8834 0.2011 0.6366
3 1.5295 0.2798 0.1275 0.7640
4 1.2497 0.6988 0.1041 0.8682
5 0.5508 0.0960 0.0459 0.9141
6 0.4548 0.0549 0.0379 0.9520
7 0.3999 0.2743 0.0333 0.9853
8 0.1257 0.0984 0.0105 0.9958
9 0.0273 0.0078 0.0023 0.9981
10 0.0195 0.0157 0.0016 0.9997
11 0.0038 0.0038 0.0003 1
12 0 0 1
표 4
Eigenvectors
Prin1 Prin2 Prin3 Prin4 Prin5 Prin6 Prin7 Prin8 Prin9 Prin10 Prin11 Prin12
dem 고도 0.4212 -0.0221 -0.1312 -0.1056 -0.1303 0.1085 0.0474 -0.0701 -0.2518 -0.8332 -0.0120 0
dem_max 최고표고 0.4203 -0.1497 -0.0395 -0.0957 -0.0494 -0.0757 0.340 0.1625 0.0874 0.1895 0.3429 -0.7703
dem_mean 평균표고 0.4127 -0.1377 -0.1200 -0.1212 -0.1620 0.0981 0.0202 0.0645 0.0452 0.2784 -0.8134 0
dem_min 최저표고 0.3861 -0.1482 -0.2004 -0.1457 -0.2690 0.2834 0.0427 -0.0250 0.1264 0.2877 0.4646 0.5457
dem_rehef 기복량 0.3427 -0.1045 0.2392 0.0175 0.3297 -0.6458 0.0087 0.4210 -0.0050 -0.0334 0.0320 0.3298
distance 해안거리 0.1589 -0.1693 -0.3501 0.4967 0.6622 0.3469 -0.1305 0.0242 -0.0134 0.0132 -0.0007 0
slope 경사로 0.3164 -0.0446 0.4587 0.2259 0.0746 -0.1232 -0.0157 -0.7790 0.0305 0.0879 0.0067 0
relative 개방로 0.1670 0.5727 -0.0816 0.0263 0.0116 -0.0208 -0.3044 0.0148 0.7187 -0.1611 -0.0306 0
relative2 광역개방로 0.1846 0.5459 -0.0543 0.0288 -0.0504 -0.0257 -0.4576 0.0325 -0.6220 0.2467 0.0530 0
r_slope 상대경사도 0.0900 0.0799 0.5947 0.4588 -0.2458 0.4182 0.0940 0.4185 0.0029 -0.0462 -0.0047 0
r_dem 상대고도 0.1144 0.5104 -0.1115 0.0027 0.1915 0.0152 0.8109 -0.03920 -0.0803 0.1073 0.0008 0
NCAR_NCEP 재해석풍력밀도 0.0253 0.0422 0.4010 -0.6585 0.4790 0.4046 -0.0926 0.0369 -0.0052 0.0030 -0.0005 0
상기 회귀분석 단계(S30)는 도 3에 도시된 바와 같이, 변수 입력 단계(S31), 변수 변환 단계(S32), 정규성 판단 단계(S33), 출력변수 입력 단계(S34), 입력변수 입력 단계(S35) 및 회귀분석 다중 수행 단계(S36)를 포함하여 이루어질 수 있으며, 상기 변수 입력 단계(S10)에서 입력된 출력변수 및 가변수화된 입력변수와, 주성분 분석을 이용하여 선정된 주성분 입력변수를 입력받아 단계적 변수선택법에 의한 회귀분석을 수행할 수 있다.
상기 변수 선정 단계(S31)는 상기 주성분 분석 단계(S20)에서 분석된 복수 개의 주성분 입력변수 중에 상기 고유값(eigenvalue)이 미리 입력된 제 1 소정값 이상이거나, 또는 누적(cumulative)값이 미리 입력된 제 2 소정값 이내인 적어도 하나 이상의 주성분 입력변수를 선정할 수 있다.
이때, 상기 제 1 소정값은 1이며, 상기 제 2 소정값은 0.7~0.8 일 수 있다.
상기 변수 변환 단계(S32)는 상기 출력변수에 대해 각각의 정규성을 확보하기 위해서, 상기 변수 입력 단계(S10)에서 입력된 출력변수의 변수 변환을 적어도 한 가지 이상 수행할 수 있다.
상기 정규성 판단 단계(S33)는 상기 변수 변환 단계(S32)에서 변환된 상기 출력변수에 대한 정규성을 판단할 수 있다.
상기 출력변수 입력 단계(S34)는 상기 변수 입력 단계(S10)에서 입력된 출력변수 및 상기 정규성 판단 단계(S33)에서 정규성이 있다고 판단된 상기 표준화된 출력변수 중 선택되는 어느 하나의 출력변수를 입력할 수 있다.
상기 입력변수 입력 단계(S35)는 상기 변수 선정 단계(S31)에서 선정된 주성분 입력변수를 이루고 있는 입력변수 중 선택되는 적어도 어느 하나 이상의 입력변수를 입력할 수 있다.
회귀분석 다중 수행 단계(S36)는 상기 출력변수 입력 단계(S34)에서 입력된 출력변수와 상기 입력변수 입력 단계(S35)에서 입력된 입력변수 및 상기 변수 입력 단계(S10)에 입력된 가변수들을 각각 입력받아 단계적 변수선택법에 의한 회귀분석을 적어도 한번 이상 수행할 수 있다.
상기 다중 회귀식 추정 단계(S40)는 상기 회귀분석 다중 수행 단계(S36)를 수행하면서, 산출된 각각의 회귀계수들을 이용하여, 이 중 상기 다중 회귀식의 결정계수(R2, R-square)값이 가장 높게 나오는 주성분 다중 회귀식을 선택할 수 있다.
하기의 표 6 및 표 7에 도시된 바와 같이, 결정계수(R2,(R-square)는 표본회귀선이 출력변수인 Y의 변동량을 어느정도 설명해주느냐를 나타낼 수 있으며, SSR/SST(SSR: Model의 Sum of Square 값, SST: Corrected Total 의 Sum of Square 값)의 결과값으로 구할 수 있다.
상기 회귀분석 다중 수행 단계(S36)를 통해서, 하기의 표 5에 도시된 바와 같이, 단계적 변수선택법에 의한 회귀분석의 결과값인 각 회귀계수에 대한 추정치와 표준오차, t 값 및 유의확률을 산출할 수 있다. 아울러, 회귀분석의 일반적인 형태는 1차 방정식의 함수관계로 나타낼 수 있으며, 본 발명의 일 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 따른 주성분 다중 회귀식은 하기의 수학식 2로 나타낼 수 있다.
표 5
회귀모형추정
입력변수 자유도 회귀계수 표준오차 t-값 p-값
절편 1 4.87579 0.01113 437.94 <.0.0001
Prin1 1 0.11583 0.00053544 216.32 <.0.0001
Prin2 1 0.06275 0.00068546 91.55 <.0.0001
Prin3 1 0.13119 0.00089773 146.14 <.0.0001
Prin4 1 -0.17187 0.00104 -165.19 <.0.0001
r1 1 0.40142 0.01243 32.29 <.0.0001
r2 1 0.24001 0.01094 21.95 <.0.0001
r3 1 0.20801 0.01423 14.62 <.0.0001
r4 1 0.25655 0.01093 23.47 <.0.0001
r5 1 0.6863 0.01159 23.1 <.0.0001
r6 1 0.08658 0.01110 7.80 <.0.0001
a1 1 -0.114719 0.00462 -24.74 <.0.0001
a2 1 -0.05256 0.00441 -11.91 <.0.0001
a3 1 -0.06328 0.00424 -14.92 <.0.0001
a4 1 -0.9685 0.00432 -22.43 <.0.0001
a5 1 -0.10314 0.00436 -23.68 <.0.0001
a6 1 -0.11079 0.00420 -26.37 <.0.0001
a7 1 -0.06658 0.00415 -16.04 <.0.0001
표 6
분산분석
요인 자유도 제곱합 평균제곱 F-비 p-값
회귀 17 11949 702.87000 7229.05 <.0.0001
오차 87631 8520.22877 0.09723
전체 87648 20469
표 7
평균제곱오차의 제곱근 0.31181 결정계수 0.5838
출력변수 평균 5.01893 조정된 결정계수 0.5837
변동계수 6.21278
수학식 2
Figure PCTKR2013007077-appb-M000002
이 때, r1~r6은 가변수화된 지면거칠기이며,
a1~a6은 가변수화된 향을 의미한다.
이에 따라, 상기 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식의 결정계수(R2, R-square) 값은 상기 주성분 다중 회귀식의 결정계수(R2,(R-square) 값은 0.5838인 것을 특징으로 할 수 있다.
상기 주성분 다중 회귀식은 언급된 기상요소 및 지형요소 이외에 다양한 입력변수의 데이터를 슈퍼 컴퓨터에 입력하고 중규모 대기유동의 물리방정식을 수치 해석함으로써, 엄청난 전산 자원과 계산 시간을 활용하여 풍력밀도를 예측할 수 있는 종래의 방법과 비교하여, 간편하고 빠르게 실제 데이터 분포를 58.38%의 신뢰도를 갖는 상기 주성분 다중 회귀식을 구할 수 있다는 장점이 있다.
즉, 다시 말하자면, 본 발명의 제 2 실시예에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 따른 회귀분석을 실시하는 경우, 상기 변수 변환 단계(S32)에서 로그 변환한 출력변수와 상기 변수 선정 단계(S31)에서 입력변수를 주성분 분석하여 선정된 4개의 주성분 입력변수 및 향과 지면거칠기를 통한 13개의 가변수를 이용할 수 있다. 또한, 분석시 제거되는 변수는 존재하지 않으며, 상기 풍력밀도에는 고도 관련 변수인 상기 Prin1이 가장 큰 영향을 미치며, 해안으로부터의 거리 관련 변수인 상기 Prin4, 경사도와 재해석 기상자료 관련 변수인 Prin3, 지면거칠기 0.15, 지면거칠기 0.05 순으로 풍력 밀도에 영향을 미칠 수 있다. 이에 따라, 주성분 다중 회귀식의 결정계수(R2,(R-square) 값이 0.5838인 경우, 가장 최적의 회귀분석일 수 있다.
(제 3 실시예)
일반적으로 신경망 또는 인공 신경망(artificial neural networks)에 관한 연구는 뇌 신경생리학(Neurophysiology)으로부터 영감을 얻어 시작되었다. 이러한 신경망 분석을 이용한 자료 분석은, 복잡한 구조를 가진 자료에서의 결과값 예측(prediction)을 하기 위하여 사용되는 유연한 비선형모형(nonlinear models)의 하나로 분류될 수 있다. 신경망은 은닉 마디(hidden units)라고 불리는 독특한 구성 요소에 의해서 일반적인 통계모형과 구별되어지며, 상기 은닉 마디는 인간의 신경세포를 모형화한 것으로써, 각각의 상기 은닉 마디는 입력변수(input variable)들의 결합을 수신하여 목표 변수에 전달할 수 있다. 이러한 신경망에는 여러 가지 다양한 모형이 있으나, 그 중에서도 자료 분석을 위해서 가장 널리 사용되는 모형은 MLP(Multi-Layer Perceptron) 신경망 모형이다.
MLP 신경망 모형은 입력층(input Layer), 은닉층(hidden layer) 및 출력층(output layer)로 구성되며, 상기 은닉층은 은닉 노드(hidden node)라 불리는 노드들을 포함하고 있다. 또한, MLP 신경망 중에서 가장 많이 쓰이는 전방향(feed-forward) 신경망은 한 층의 노드는 다음 층(next layer)의 노드와만 연결되며, 그 반대 방향으로는 연결되지 않는다.
본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 MLP 신경망을 이용하며, 상기 은닉 노드의 수가 작으면서, RMSE(Root Mean Square Error)값이 큰 폭으로 떨어지는 은닉 노드수를 가지는 신경망 분석 모형을 추정한다. 또한, 입력변수와 출력변수의 다양한 변수변환을 통하여 구축된 여러 개의 신경망 모형 중 각 모형으로부터 추정된 출력변수값과 실제 출력변수값 사이의 상관계수가 가장 높은 신경망 모형을 풍력 밀도 예측을 위한 최종 신경망 모형으로 결정한다.
도 4는 본 발명의 제 3 실시예에 따른 풍력 밀도 예측 방법을 나타낸 순서도이며, 도 4를 참조로 하여, 본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 대해서 상세히 설명한다.
본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 변수 입력 단계(S100), 신경망 분석 단계(S200) 및 신경망 모형 추정 단계(S300)를 포함하여 이루어질 수 있다.
또한, 본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법은 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어질 수 있다.
상기 변수 입력 단계(S100)는 출력변수 및 지형정보가 선택되는 입력변수들을 입력한다.
이때, 상기 출력변수는 풍력 밀도(wind power density)를 의미하며, 상기 풍력밀도(wind power density)의 수치 바람 데이터는 한국에너지기술연구원에서 구축한 1km×1km의 공간해상도를 갖는 국가 바람지도를 사용할 수 있으며, 상기 풍력밀도는 출력변수로 사용될 수 있다. 아울러, 풍력밀도가 높다는 것은 바람의 파워가 높다는 의미를 가지며, 풍력밀도의 단위는 W/m2를 사용할 수 있다.
상기 입력변수들은 가변수로 변환한 향(aspect), 지면거칠기(roughness)를 포함하는 제 1 지형 정보, 고도(DEM), 상대고도차(r_DEM)를 포함하는 제 2 지형 정보, 개방도(relative), 광역개방도(relative2)를 포함하는 제 3 지형 정보, 경사도(slope), 상대경사도(r-slope)를 포함하는 제 4 지형 정보, 최저 표고(DEM_min), 최고 표고(DEM_max) 및 평균 표고(DEM_mean)를 포함하는 제 5 지형 정보, 기복량, 해안으로부터의 거리(distance) 및 재해석 기상자료(NCAR_NCEP) 중 선택되는 어느 하나를 의미한다.
상기 제 1 실시예와 제 3 실시예에서의 입력변수 선택 방법은 단계적 변수선택법으로 동일하다.
상기 신경망 분석 단계(S200)는 상기 변수 입력 단계(S100)에서 입력된 상기 출력변수 및 단계적 변수선택법(stepwise variable selection)을 통해서 선택한 입력변수들을 사용하여, 신경망 분석을 수행한다.
이때, 상기 단계적 변수선택법이란, 전진 변수선택법에 후진 변수소거법(backward elimination)을 결합한 것으로서, 매 단계마다 선택과 제거를 반복하면서 중요한 입력변수를 찾아내는 방법이다. 다시 말하자면, 중요한 입력변수를 하나씩 추가로 선택하면서 이미 선택된 입력변수들이 제거될 수 있는지를 매 단계마다 검토하는 방법이다. 일반적으로 단계적 변수선택법을 많이 이용하고 있으며, 특히, 다중 공선성의 문제를 해결하는 장점을 가지고 있다.
즉, 상기 단계적 변수선택법이란, 중요한 입력변수를 하나씩 추가, 선택하되, 이미 모형에 들어간 입력변수들이 제거될 수 있는지를 단계별로 검토함으로써, 단계적 변수 선택에서 진입과 제거의 기준에 따라, 그 결과가 달라질 수 있다. 예를 들자면, 단계적 입력 변수 선택법의 기설정된 기준은 진입할 p 값 ≤0.10, 제거할 p 값 ≥0.15일 수 있다.
또한, 상기 신경망 분석이란, 도 5에 도시된 바와 같이, 입력층(X), 은닉층(H) 및 출력층(Y)로 구성될 수 있으며, 상기 신경망 분석 단계(S200)를 통한 신경망 분석 모형은 하나의 은닉층에 3개의 은닉마디를 가지는 신경망 모형일 수 있으며, 이는 일 실시예에 불과하다.
본 발명의 일 실시예에 따른 신경망 모형은 각 입력 변수, 즉, 상기 변수 입력 단계(S100)에서 입력된 상기 출력변수 및 입력변수들이 표준화되어 상기 입력층에 전달되며, 표준화된 변수들은 쌍곡선 탄젠트 함수(hyperbolic tangent function)과 결합되어 상기 은닉층으로 전달된다.
상기 은닉층은 상기 입력층으로부터 전달된 변수값들의 선형 결합(linear combination)을 비선형 함수(nonlinear function)로 처리하여 상기 출력층으로 전달하며, 상기 출력층은 목표 변수에 대응하는 출력값을 전달한다.
이때, 도 5의 은닉층 및 출력층의 변수값들을 수식화하자면, 하기의 수학식 3과 같다.
수학식 3
Figure PCTKR2013007077-appb-M000003
상기 신경망 분석 단계(S200)는 제 1 분석 단계(S210), 제 2 분석 단계(S220), 제 3 분석 단계(S230), 제 4 분석 단계(S240) 및 제 5 분석 단계(S250)로 이루어질 수 있으며, 상기 제 1 분석 단계 내지 제 5 분석 단계(S210 내지 S250)을 통해서, 각 신경망 모형 별로 RMSE(Root Mean Square Error) 값과 은닉 노드(hidden node)의 개수를 산출한다.
이 때, 상기 RMSE 값은 관측치와 예측치의 차이 정도를 나타낸 값으로, 상기 RMSE 값이 작을수록 신경망 모형이 잘 적합되었다고 할 수 있다. 즉, 은닉 노드의 개수가 적고, RMSE 값이 작을수록 좋은 신경망 모형이라 할 수 있다.
상기 제 1 분석 단계(S210)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 log(풍력 밀도) 형태, 즉, 풍력 밀도를 로그 변환하고 정규화 시켜 사용하며, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 변수선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 상기 단계적 변수선택법의 결과에 따라서, 상기 신경망 분석에 이용되는 상기 입력변수 중에서 상기 최고표고 및 기복량이 제외될 수 있다. 상기 제 1 분석 단계(S210)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라서, 상기 제 1 분석 단계(S210)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다.
상기 제 2 분석 단계(S220)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 원변수 형태 그대로 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 변수선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 상기 단계적 변수선택법의 결과에 따라서, 상기 신경망 분석에 이용되는 상기 입력변수 중에서 상기 기복량이 제외될 수 있다. 상기 제 2 분석 단계(S220)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 2 분석 단계(S220)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다.
상기 제 3 분석 단계(S230)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 sqrt(풍력 밀도) 형태, 즉, 풍력 밀도를 제곱근 변환한 후, 정규화 시켜 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 변수선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 상기 단계적 변수선택법의 결과에 따라서, 상기 신경망 분석에 이용되는 상기 입력변수 중에서 상기 최고 표고가 제외될 수 있다. 상기 제 3 분석 단계(S230)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 3 분석 단계(S230)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다.
상기 제 4 분석 단계(S240)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 log(풍력 밀도) 형태, 즉, 풍력 밀도를 로그 변환한 후, 정규화 시켜 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 변수선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 12개의 상기 입력변수 중 정규성을 만족하지 못하는 8개의 입력변수, 즉, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상자료 변수를 제곱근으로 변환한다. 상기 제 4 분석 단계(S240)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 4 분석 단계(S240)에 의한 신경망 분석의 결과, 3개의 은닉 노드가 가장 적절한 것으로 나타난다. 여기서, log(풍력 밀도)란, 풍력밀도를 로그 변환한 값을 의미한다.
상기 제 5 분석 단계(S250)는 상기 풍력 밀도를 예측하기 위하여, 상기 출력변수를 sqrt(풍력 밀도) 형태, 즉 풍력 밀도를 제곱근 변환한 후, 정규화 시켜 사용하고, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 변수선택법을 사용하여, 신경망 분석을 실시한다. 이 때, 12개의 상기 입력변수 중 정규성을 만족하지 못하는 8개의 입력변수, 즉, 상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상자료 변수를 제곱근으로 변환한다. 상기 제 5 분석 단계(S250)를 통해서 산출된 RMSE 값이 작을 때의 은닉 노드의 개수를 확인할 수 있으며, 이에 따라, 상기 제 5 분석 단계(S250)에 의한 신경망 분석의 결과, 4개의 은닉 노드가 가장 적절한 것으로 나타난다.
다시 정리하자면, 하기의 표 8에 나타나 있듯이, 사용되는 출력변수, 입력변수 및 가변수에 따라서, 다른 은닉 노드의 개수를 확인할 수 있다.
표 8
순서 변수 형태 은닉 노드의 수
S210 log(출력변수) + 가변수 + 입력변수 3개
S220 출력변수 + 가변수 + 입력변수 3개
S230 sqrt(출력변수) + 가변수 + 입력변수 3개
S240 log(출력변수) + 가변수 + sqrt(입력변수) 3개
S250 sqrt(출력변수) + 가변수 + sqrt(입력변수) 4개
상기 신경망 모형 추정 단계(S300)는 상기 신경망 분석 단계(S200), 즉, 상기 제 1 분석 단계 내지 제 5 분석 단계(S210 내지 S250)를 통해서 산출된 RMSE 값을 이용하여, 큰 폭으로 작아지는 은닉 노드의 개수를 가지는 신경망 분석 모형을 추정할 수 있으며, 또한, 입력변수와 출력변수의 다양한 변수변환을 통하여 추정된 여러 개의 신경망 모형 중 각 모형으로부터 추정된 출력변수값과 실제 출력변수값 사이의 상관계수가 가장 높은 신경망 모형을 풍력 밀도 예측을 위한 최종 신경망 모형으로 결정하게 된다.
상기 상관 계수(Correlation)는 실제 출력변수 관측값과 예측된 출력변수 값 사이의 상관관계를 나타낸 값으로, -1과 1 사이의 값을 갖고 있다. 1에 가까울수록 모형이 적합한 것을 의미한다. 하기의 표 9는 본 발명의 일 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 통해서, 산출된 상기 상관계수의 값을 나타낸다.
표 9
순서 변수 형태 상관 계수() 은닉 노드의 수
S210 log(출력변수) + 가변수 + 입력변수 0.8438 3개
S220 출력변수 + 가변수 + 입력변수 0.8398 3개
S230 sqrt(출력변수) + 가변수 + 입력변수 0.8502 3개
S240 log(출력변수) + 가변수 + sqrt(입력변수) 0.8267 3개
S250 sqrt(출력변수) + 가변수 + sqrt(입력변수) 0.8481 4개
즉, 다시 말하자면, 본 발명의 제 3 실시예에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법을 통해서, 추정된 예측력이 가장 뛰어난 신경망 분석 모형은 상기의 표 8에 나타난 바와 같이, 상기 제 3 분석 단계(S230)를 통해서 추정할 수 있는, 상기 출력변수를 sqrt(풍력 밀도) 형태로 변환하여 정규화 시키며, 가변수화된 상기 향과 지면거칠기의 13개의 가변수 및 12개의 상기 입력변수들에 상기 단계적 변수선택법을 사용하여 상기 최고 표고 변수를 제외한 3개의 은닉노드를 가진 신경망 분석 모형이 가장 좋은 모형임을 알 수 있다.
이상과 같이 본 발명에서는 구체적인 구성 소자 등과 같은 특정 사항들과 한정된 실시예 도면에 의해 설명되었으나 이는 본발명의 보다 전반적인 이해를 돕기 위해서 제공된 것 일 뿐, 본 발명은 상기의 일 실시예에 한정되는 것이 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허 청구 범위뿐 아니라 이 특허 청구 범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
[부호의 설명]
S1 내지 S3 : 본 발명에 따른 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법.
S10 내지 S40 : 본 발명에 따른 주성분 분석 기법을 이용한 풍력 밀도 예측 방법.
S100 내지 S300 : 본 발명에 따른 신경망 분석 기법을 이용한 풍력 밀도 예측 방법.

Claims (19)

  1. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 단계적 회귀분석 기법을 이용한 풍력 밀도 예측 방법에 있어서,
    출력변수인 풍력밀도 및 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리, 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S1);
    상기 변수 입력 단계(S1)에서 입력된 출력변수 및 입력변수들을 입력받아 단계적 변수선택법에 의한 회귀분석법을 수행하는 단계적 회귀분석 단계(S2); 및
    상기 단계적 회귀분석 단계(S2)에서 산출된 회귀 계수들을 이용하여 결정계수(R2,(R-square) 값이 가장 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S3);
    를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  2. 제 1항에 있어서,
    상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태는 나타내며,
    상기 향(a1~a7)은 경사면의 방향을 나타내고,
    상기 고도(DEM, Digital Elevation Model)는 지형을 일정 크기의 격자로 나누어 표고값을 나타내며,
    상기 상대고도차는 해당 지역의 고도와 주변 지역의 고도의 비교값을 나타내고,
    상기 평균표고는 해당 지역의 고도의 평균을 나타내며,
    상기 최고표고는 해당 지역의 고도의 최고치를 나타내고,
    상기 최저표고는 해당 지역의 고도의 최저치를 나타내며,
    상기 기복량은 상기 최고표고와 최저표고의 차를 나타내고,
    상기 개방도는 해당 지역과 주변 지역들을 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정한 값을 나타내며,
    상기 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정하는 값을 나타내고,
    상기 경사도는 해당 지역의 가장 급한 활강면을 나타내며,
    상기 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내고,
    상기 해안으로부터의 거리는 한국의 동해, 서해 및 남해 각각에서 해당 지역까지의 직선거리를 나타내며,
    상기 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되는 것을 특징으로 하되, 상기 재해석 기상자료는 NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 적어도 어느 하나인 것을 특징으로 하는 풍력 밀도 예측 방법.
  3. 제 1항에 있어서,
    상기 단계적 회귀분석 단계(S2)는
    상기 변수 입력 단계(S1)에서 입력된 출력변수 및 입력변수들의 변수 변환을 적어도 한 가지 이상 수행하고, 상기 출력변수 및 상기 입력변수 간의 단위 차이를 해결하기 위해 변수 표준화를 수행하는 변수 변환 단계(S21);
    상기 변수 변환 단계(S21)에서 변환된 출력변수 및 입력변수들 각각의 변수의 정규성을 판단하는 정규성 판단 단계(S22);
    상기 변수 입력 단계(S1)에서 입력된 출력변수 및 상기 정규성 판단 단계(S22)에서 정규성이 있다고 판단된 상기 변환된 출력변수들 중 선택되는 어느 하나의 출력변수를 입력하는 출력변수 입력단계(S23);
    상기 변수 변환 단계(S21)에서 상기 명목형 변수를 사용하는 입력변수의 가변수화된 입력변수를 입력하고, 상기 변수 입력 단계(S1)에서 입력된 상기 명목형 변수가 아닌 입력변수 및 상기 정규성 판단 단계(S22)에서 정규성이 있다고 판단된 상기 변환된 입력변수들의 같은 성분의 입력변수들 중 선택되는 어느 하나의 입력변수를 상기 변수 입력 단계(S1)에서 입력된 각각의 입력변수 마다 입력하는 입력변수 입력단계(S24);
    상기 출력변수 입력단계(S23)에서 입력된 출력변수와 상기 입력변수 입력단계(S24)에서 입력된 입력변수들을 각각 입력받아 단계적 변수선택법에 의한 회귀분석법을 적어도 한번 이상 수행하는 단계적 회귀분석 다중 수행 단계(S25); 및
    상기 단계적 회귀분석 다중 수행 단계(S25)를 수행하여 도출된 각각의 단계적 회귀분석의 결과 값 중 결정계수(R2, R-square) 값이 가장 높게 나오는 단계적 변수선택법에 의한 회귀분석 결과를 선택하는 최적 단계적 회귀분석 자료 선택 단계(S26);
    를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  4. 제 3항에 있어서,
    상기 변수 변환 단계(S21)의 상기 변수 변환은
    원변수, 로그 변환, 제곱근 변환 중 선택되는 어느 하나인 것을 특징으로 하는 풍력 밀도 예측 방법.
  5. 제 1항에 있어서,
    한국 남한 지형의 육상 풍력밀도를 예측할 수 있는 상기 다중 회귀식은
    log(풍력밀도) = 3.79969 + (0.05551 ×
    Figure PCTKR2013007077-appb-I000009
    ) + (0.04374 ×
    Figure PCTKR2013007077-appb-I000010
    ) + (-0.00260 ×
    Figure PCTKR2013007077-appb-I000011
    ) + (-0.01867 ×
    Figure PCTKR2013007077-appb-I000012
    ) + (0.09367 ×
    Figure PCTKR2013007077-appb-I000013
    ) + (0.00446 × 광역개방도) + (0.02753 ×
    Figure PCTKR2013007077-appb-I000014
    ) + (-0.00569 × 개방도) + (0.00075229 × 상대고도) + (-0.02608 × 상대경사도) + (0.01661 ×
    Figure PCTKR2013007077-appb-I000015
    ) + (-0.02137 ×
    Figure PCTKR2013007077-appb-I000016
    ) + (0.24603 × r1) + (0.12644 × r2) + (0.10458 × r3) + (0.12340 × r4) + (0.15980 × r5) + (0.00345 × r6) + (0.05231 × a1) + (0.08932 × a2) + (0.05164 × a3) + (-0.00168 × a4) + (-0.03096 × a5) + (-0.06323 × a6) + (-0.04673 × a7)
    (여기서, r1~r6은 지면거칠기의 가변수, a1~a7은 향의 가변수)
    인 것을 특징으로 하는 풍력 밀도 예측 방법.
  6. 제 5항에 있어서,
    상기 한국 남한 지형의 육상 풍력밀도를 예측할 수 있는 상기 다중 회귀식의 결정계수(R2, R-square) 값은
    0.6267인 것을 특징으로 하는 풍력 밀도 예측 방법.
  7. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 주성분 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서,
    출력변수인 풍력밀도 및 향(a1~a7)과 지면거칠기(r1~r6)인 가변수, 고도, 상대고도차, 개방도, 광역개방도, 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S10);
    상기 변수 입력 단계(S10)에서 입력된 입력변수들을 고유값(eigenvalue) 및 누적(cumulative)값을 이용한 주성분 분석을 통해 복수 개의 주성분으로 분석하는 주성분 분석 단계(S20);
    상기 변수 입력 단계(S10)에서 입력된 출력변수 및 가변수와, 상기 주성분 분석 단계(S20)에서 복수개의 주성분으로 분석된 입력변수들을 이용하여, 단계적 변수선택법에 의한 회귀분석을 수행하는 회귀분석 단계(S30); 및
    상기 회귀분석 단계(S30)에서 산출된 회귀계수들을 이용하여 결정계수(R2,(R-square) 값이 가장 높은 다중 회귀식을 추정하는 다중 회귀식 추정 단계(S40);
    를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  8. 제 7항에 있어서,
    상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태는 나타내며,
    상기 향(a1~a7)은 경사면의 방향을 나타내고,
    상기 고도(DEM, Digital Elevation Model)는 지형을 일정 크기의 격자로 나누어 표고값을 나타내며,
    상기 상대고도차는 해당 지역의 고도와 주변 지역의 고도의 비교값을 나타내고,
    상기 평균표고는 해당 지역의 고도의 평균을 나타내며,
    상기 최고표고는 해당 지역의 고도의 최고치를 나타내고,
    상기 최저표고는 해당 지역의 고도의 최저치를 나타내며,
    상기 기복량은 상기 최고표고와 최저표고의 차를 나타내고,
    상기 개방도는 해당 지역과 주변 지역들을 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정한 값을 나타내며,
    상기 광역개방도는 해당 지역을 상기 개방도보다 넓은 주변 지역들과 비교하여, 해당 지역이 지형적으로 얼마나 막혀있지 않은가를 측정하는 값을 나타내고,
    상기 경사도는 해당 지역의 가장 급한 활강면을 나타내며,
    상기 상대경사도는 해당 지역과 주변의 제 1 평균 경사도와, 상기 제 1 평균 경사도보다 넓은 주변 지역들과의 제 2 평균 경사도의 차를 나타내고,
    상기 해안으로부터의 거리는 한국의 동해, 서해 및 남해 각각에서 해당 지역까지의 직선거리를 나타내며,
    상기 재해석 기상자료는 일기예보를 위하여 전지구의 기상관측자료 및 수치해석자료를 수십km 이상의 공간해상도로 재가공하여 무료로 배포되는 것을 특징으로 하되, 상기 재해석 기상자료는 NCEP/NCAR(National Center for Environmental Prediction-National Center for Atmospheric Research), MERRA(NASA's Modern-Era Retrospective Analysis for Research and Applications), 유럽의 ECMWF(European Center for Medium-range Weather Forecasts), 일본의 JRA-25(The 25-year Japanese ReAnalysis) 중 선택되는 적어도 어느 하나인 것을 특징으로 하는 풍력 밀도 예측 방법.
  9. 제 7항에 있어서,
    상기 회귀분석 단계(S30)는
    상기 주성분 분석 단계(S20)에서 분석된 복수 개의 주성분 중에 상기 고유값(eigenvalue)이 미리 입력된 제 1 소정값 이상이거나, 상기 누적값(cumulative)이 미리 입력된 제 2 소정값 이내인 적어도 하나 이상의 주성분을 선정하는 변수 선정 단계(S31);
    상기 변수 입력 단계(S10)에서 입력된 출력변수에 변수 변환하는 변수 변환 단계(S32);
    상기 변수 변환 단계(S32)에서 변환된 상기 출력변수에 대한 정규성을 판단하는 정규성 판단 단계(S33);
    상기 변수 입력 단계(S10)에서 입력된 출력변수 및 상기 정규성 판단 단계(S33)에서 정규성이 있다고 판단된 상기 표준화된 출력변수 중 선택되는 어느 하나의 출력변수를 입력하는 출력변수 입력 단계(S34);
    상기 변수 선정 단계(S31)에서 선정된 주성분를 이루고 있는 입력변수 중 선택되는 적어도 하나 이상의 입력변수를 입력하는 입력변수 입력 단계(S35); 및
    상기 출력변수 입력 단계(S34)에서 입력된 출력변수와 상기 입력변수 입력 단계(S35)에서 입력된 입력변수 및 상기 변수 입력 단계(S10)에서 입력된 가변수들을 각각 입력받아 단계적 변수선택법에 의한 회귀분석을 적어도 한번 이상 수행하는 회귀분석 다중 수행 단계(S36);
    를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  10. 제 9항에 있어서,
    상기 변수 변환 단계(S32)의 변수 변환은
    로그 변환, 제곱근 변환 중 선택되는 어느 하나인 것을 특징으로 하는 풍력 밀도 예측 방법.
  11. 제 7항에 있어서,
    한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식은
    log(풍력밀도) = 4.87579 + (0.11583 × 제 1 주성분 입력변수) + (0.06275 × 제 2 주성분 입력변수) + (0.13119 × 제 3 주성분 입력변수) + (-0.17187 × 제 4 주성분 입력변수) + (0.40142 × r1) + (0.24001 × r2) + (0.20801 × r3) + (0.25655 × r4) + (0.26863 × r5) + (0.08658 × r6) + (-0.11419 × a1) + (-0.05256 × a2) + (-0.06328 × a3) + (-0.09685 × a4) + (-0.10314 × a5) + (-0.11079 × a6) + (-0.06658 × a7)
    (여기서, r1~r6은 지면거칠기의 가변수, a1~a7은 향의 가변수)
    인 것을 특징으로 하는 풍력 밀도 예측 방법.
  12. 제 11항에 있어서,
    상기 한국 남한 지형의 육상 풍력 밀도를 예측할 수 있는 상기 주성분 다중 회귀식의 결정계수(R2, R-square) 값은
    0.5838인 것을 특징으로 하는 풍력 밀도 예측 방법.
  13. 컴퓨터를 포함하는 연산처리수단에 의하여 실행되는 프로그램 형태로 이루어지는 신경망 분석 기법을 이용한 풍력 밀도 예측 방법에 있어서,
    출력변수인 풍력밀도와 지면거칠기(r1~r6), 고도, 상대고도차, 개방도, 광역개방도, 향(a1~a7), 경사도, 상대경사도, 평균표고, 최고표고, 최저표고, 기복량, 해안으로부터의 거리 및 재해석 기상자료 중 선택되는 적어도 하나 이상의 입력변수들을 입력하는 변수 입력 단계(S100);
    상기 변수 입력 단계(S100)에서 입력된 출력변수 및 단계적 변수선택법(stepwise variable selection)을 통해 선택한 입력변수들을 사용하여, 신경망 분석을 수행하는 신경망 분석 단계(S200); 및
    상기 신경망 분석 단계(S200)에서 산출된 RMSE(Root Mean Square Error) 값에 따른 은닉 노드(hidden node)의 개수를 이용하여, 상관 계수 값을 통해서 신경망 분석 모형을 추정하는 신경망 모형 추정 단계(S300);
    를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  14. 제 13항에 있어서,
    상기 변수 입력 단계(S100)의 상기 지면거칠기(r1~r6)는 토지 이용에 따른 지표면의 형태를 나타내며,
    상기 향(a1~a7)은 경사면의 방향을 나타내는 것을 특징으로 하며,
    상기 지면거칠기 및 상기 향을 가변수로 변환한 것을 특징으로 하는 풍력 밀도 예측 방법.
  15. 제 13항에 있어서,
    상기 신경망 분석 단계(S200)는
    로그 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 1 분석 단계(S210)를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  16. 제 13항에 있어서,
    상기 신경망 분석 단계(S200)는
    원자료 형태의 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 2 분석 단계(S220)를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  17. 제 13항에 있어서,
    상기 신경망 분석 단계(S200)는
    제곱근 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 3 분석 단계(S230)를 포함하여 이루어지는 것을 특징으로 하는 풍력 밀도 예측 방법.
  18. 제 13항에 있어서,
    상기 신경망 분석 단계(S200)는
    로그 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 4 분석 단계(S240)를 포함하여 이루어지되,
    상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료는 제곱근 변환한 것을 특징으로 하는 풍력 밀도 예측 방법.
  19. 제 13항에 있어서,
    상기 신경망 분석 단계(S200)는
    제곱근 변환한 상기 출력변수 및 단계적 변수선택법을 사용한 상기 입력변수를 이용하여, 신경망 분석을 수행하는 제 5 분석 단계(S250)를 포함하여 이루어지되,
    상기 고도, 경사도, 해안으로부터의 거리, 최고표고, 평균표고, 최저표고, 기복량 및 재해석 기상 자료를 제곱근 변환한 것을 특징으로 하는 풍력 밀도 예측 방법.
PCT/KR2013/007077 2012-08-07 2013-08-06 풍력 밀도 예측 방법 WO2014025188A1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP13828344.5A EP2884413B1 (en) 2012-08-07 2013-08-06 Method for predicting wind power density
CN201380041901.9A CN104520861B (zh) 2012-08-07 2013-08-06 风功率密度预测方法
US14/420,190 US20150204922A1 (en) 2012-08-07 2013-08-06 Method for Predicting Wind Power Density
ES13828344T ES2764826T3 (es) 2012-08-07 2013-08-06 Método para predecir la densidad de energía eólica

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
KR1020120086236A KR101313822B1 (ko) 2012-08-07 2012-08-07 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
KR1020120086262A KR101264873B1 (ko) 2012-08-07 2012-08-07 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법
KR10-2012-0086236 2012-08-07
KR10-2012-0086228 2012-08-07
KR10-2012-0086262 2012-08-07
KR1020120086228A KR101246044B1 (ko) 2012-08-07 2012-08-07 주성분 분석 기법을 이용한 풍력 밀도 예측 방법

Publications (1)

Publication Number Publication Date
WO2014025188A1 true WO2014025188A1 (ko) 2014-02-13

Family

ID=50068359

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/007077 WO2014025188A1 (ko) 2012-08-07 2013-08-06 풍력 밀도 예측 방법

Country Status (5)

Country Link
US (1) US20150204922A1 (ko)
EP (1) EP2884413B1 (ko)
CN (1) CN104520861B (ko)
ES (1) ES2764826T3 (ko)
WO (1) WO2014025188A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11561518B2 (en) 2020-05-27 2023-01-24 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451621A (zh) * 2017-08-17 2017-12-08 国网湖南省电力公司 电网舞动关键影响因素聚类分析方法及系统
CN107704706A (zh) * 2017-10-24 2018-02-16 陕西理工大学 基于灰色理论的泥石流灾害易发性预测方法
CN111260162A (zh) * 2018-11-30 2020-06-09 北京金风科创风电设备有限公司 阻风区识别方法和设备
CN111325840B (zh) * 2020-02-13 2023-04-07 中铁二院工程集团有限责任公司 一种弃渣场的设计方法及计算系统
CN113554203B (zh) * 2020-04-24 2023-12-26 国能日新科技股份有限公司 基于高维网格化和LightGBM的风电预测方法及装置
CN112182996A (zh) * 2020-11-09 2021-01-05 中国南方电网有限责任公司超高压输电公司大理局 一种区域风电场整体有功功率预测方法
CN114662800A (zh) * 2022-05-18 2022-06-24 浙江浙能能源服务有限公司 一种基于人工神经网络的风电功率预测方法及系统
CN116231645B (zh) * 2023-05-09 2023-08-11 中车山东风电有限公司 一种海上风电场发电量计算方法、计算系统及计算终端
CN117111068B (zh) * 2023-10-19 2024-03-22 南京信大卫星应用研究院有限公司 一种基于卫星散射计数据的海面风场监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050063616A (ko) 2003-12-22 2005-06-28 재단법인 포항산업과학연구원 풍력 자원 지도화 방법
KR101020638B1 (ko) 2008-12-01 2011-03-09 한밭대학교 산학협력단 미래 에너지 소비량 예측방법

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5517193A (en) * 1993-04-30 1996-05-14 International Business Machines Corporation Meteorological workstation
JP3242606B2 (ja) * 1997-09-16 2001-12-25 関西電力株式会社 風力発電システム適地選定方法
US6801856B2 (en) * 2001-10-19 2004-10-05 Mitsubishi Heavy Industries, Ltd. Atmosphere condition prediction method
US20050108150A1 (en) * 2002-06-18 2005-05-19 Pethick David G. Method and system for creating wind index values supporting the settlement of risk transfer and derivative contracts
US7228235B2 (en) * 2005-02-01 2007-06-05 Windlogics, Inc. System and method for enhanced measure-correlate-predict for a wind farm location
EP2192456B1 (en) * 2008-11-26 2017-11-01 Siemens Aktiengesellschaft Estimation an achievable power production of a wind turbine by means of a neural network
CN101706335B (zh) * 2009-11-11 2012-01-11 华南理工大学 一种基于遗传算法优化bp神经网络的风电功率预测方法
CN102214262A (zh) * 2010-04-02 2011-10-12 上海海洋大学 一种潮汐预报方法
US8483963B2 (en) * 2010-09-13 2013-07-09 John Bertrand Kline Method of evaluating wind flow based on terrain exposure and elevation
CN102479339B (zh) * 2010-11-24 2014-07-16 香港理工大学 基于混合神经网络的风电场短期风速预测方法和系统
CN102542133B (zh) * 2010-12-10 2015-03-04 中国科学院深圳先进技术研究院 风电场短时风速预测方法及系统
US8930299B2 (en) * 2010-12-15 2015-01-06 Vaisala, Inc. Systems and methods for wind forecasting and grid management
CN102102626B (zh) * 2011-01-30 2012-08-29 华北电力大学 风电场短期功率预测方法
CN102184453A (zh) * 2011-05-16 2011-09-14 上海电气集团股份有限公司 基于模糊神经网络和支持向量机的风电功率组合预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20050063616A (ko) 2003-12-22 2005-06-28 재단법인 포항산업과학연구원 풍력 자원 지도화 방법
KR101020638B1 (ko) 2008-12-01 2011-03-09 한밭대학교 산학협력단 미래 에너지 소비량 예측방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHAE, BYEONG GON ET AL.: "Development of a Logistic Regression Model for Probabilistic Prediction of Debris Flow", THE JOURNAL OF ENGINEERING GEOLOGY, vol. 14, no. 2, June 2004 (2004-06-01), pages 211 - 222, XP008176753 *
KIM, HYUN-GOO ET AL.: "Development of the Wind Power Forecasting System, KIER Forecaster", JOURNAL OF KSNRE, vol. 2, no. 2, 2006, XP055196826 *
LEE, YONG - JUN ET AL.: "Analysis of Landslide Hazard Area using Logistic Regression Analysis and AHP (Analytical Hierarchy Process) Approach", CONFERENCE JOURNAL, 2006, pages 2001 - 2005, XP008176777 *
SEO, HYEON SU ET AL.: "Analysis on Wind Characteristics for Offshore Wind Turbine Structure Design at Waljeong, Jejudo", JOURNAL OF WEIK, vol. 14, no. 3, 2010, pages 161 - 167, XP008176752 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11561518B2 (en) 2020-05-27 2023-01-24 Samsung Electronics Co., Ltd. Electronic apparatus and control method thereof

Also Published As

Publication number Publication date
EP2884413A1 (en) 2015-06-17
US20150204922A1 (en) 2015-07-23
CN104520861B (zh) 2018-01-09
ES2764826T3 (es) 2020-06-04
EP2884413A4 (en) 2016-03-16
EP2884413B1 (en) 2019-10-09
CN104520861A (zh) 2015-04-15

Similar Documents

Publication Publication Date Title
WO2014025188A1 (ko) 풍력 밀도 예측 방법
WO2016122042A1 (ko) 인공위성 영상과 랜덤포레스트 분류기 결합을 이용한 자동 하천 검출 시스템 및 방법
Srivani et al. A deep learning-based approach to forecast ionospheric delays for GPS signals
Manandhar et al. Systematic study of weather variables for rainfall detection
Wang et al. Variability of East Asia dust events and their long-term trend
WO2019098692A1 (ko) 폭우에 대한 재해취약성 정보 자동처리방법
WO2020022624A1 (ko) 태양광 발전단지 기상예측 상세기술과 단지환경을 반영한 발전량 산정방법, 그 방법을 이용한 실시간 태양광 발전량 예측시스템
WO2020101192A1 (ko) 토양가스를 모니터링하고 모니터링 결과에 기반하여 대응 처리하는 시스템 및 방법
WO2014073884A1 (ko) 전산유체역학을 이용한 대기유동장 수치모의 시스템 및 방법
WO2022085869A1 (ko) 산불 위험 중기 예보 장치 및 방법
Fourri'e et al. Evaluation of the AIRS near‐real‐time channel selection for application to numerical weather prediction
WO2023033329A1 (ko) 질환 연관 유전자 변이 분석을 통한 질환별 위험 유전자 변이 정보 생성 장치 및 그 방법
KR101264873B1 (ko) 단계적 회귀 분석을 이용한 풍력 밀도 예측 방법
Mattioli et al. Retrieval of sun brightness temperature and precipitating cloud extinction using ground-based sun-tracking microwave radiometry
Xiao et al. Retrieval of dust storm aerosols using an integrated Neural Network model
KR101895231B1 (ko) 인공위성을 이용한 일 최고기온 산출 방법
CN115062527A (zh) 一种基于深度学习的静止卫星海温反演方法及系统
Quinting et al. Toward a systematic evaluation of warm conveyor belts in numerical weather prediction and climate models. Part I: Predictor selection and logistic regression model
WO2023120811A1 (ko) 실시간 강우패턴 반응형 집중호우 예측시스템
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
Sharma et al. A Weather Forecasting System using concept of Soft Computing: A new approach
WO2024111747A1 (ko) 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법
WO2023200028A1 (ko) 산불 위험 계절 예보 장치 및 방법
WO2014081171A1 (ko) 풍하중 산정 장치 및 방법
Mmahi et al. Studies on surface radio refractivity over some selected cities in north-central, Nigeria

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13828344

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14420190

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2013828344

Country of ref document: EP