KR20190022156A - Method of selecting optimized wind farm model by using artificial neural network - Google Patents
Method of selecting optimized wind farm model by using artificial neural network Download PDFInfo
- Publication number
- KR20190022156A KR20190022156A KR1020170108085A KR20170108085A KR20190022156A KR 20190022156 A KR20190022156 A KR 20190022156A KR 1020170108085 A KR1020170108085 A KR 1020170108085A KR 20170108085 A KR20170108085 A KR 20170108085A KR 20190022156 A KR20190022156 A KR 20190022156A
- Authority
- KR
- South Korea
- Prior art keywords
- wind
- power generation
- wind power
- grid
- selecting
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000010248 power generation Methods 0.000 claims abstract description 127
- 238000011234 economic evaluation Methods 0.000 claims abstract description 31
- 238000010276 construction Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000009434 installation Methods 0.000 claims description 19
- 238000010187 selection method Methods 0.000 claims description 12
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 241000341910 Vesta Species 0.000 description 4
- 229940112112 capex Drugs 0.000 description 4
- FEBLZLNTKCEFIT-VSXGLTOVSA-N fluocinolone acetonide Chemical compound C1([C@@H](F)C2)=CC(=O)C=C[C@]1(C)[C@]1(F)[C@@H]2[C@@H]2C[C@H]3OC(C)(C)O[C@@]3(C(=O)CO)[C@@]2(C)C[C@@H]1O FEBLZLNTKCEFIT-VSXGLTOVSA-N 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- MWRWFPQBGSZWNV-UHFFFAOYSA-N Dinitrosopentamethylenetetramine Chemical compound C1N2CN(N=O)CN1CN(N=O)C2 MWRWFPQBGSZWNV-UHFFFAOYSA-N 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 229920000832 Cutin Polymers 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004215 lattice model Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D80/00—Details, components or accessories not provided for in groups F03D1/00 - F03D17/00
- F03D80/50—Maintenance or repair
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
Description
본 발명은 풍력발전 모델을 선정하는 방법에 관한 것으로, 보다 상세하게는, 인공신경망 알고리즘을 이용하여 최적의 풍력발전 모델을 선정하는 방법에 관한 것이다. The present invention relates to a method for selecting a wind power generation model, and more particularly, to a method for selecting an optimal wind power generation model using an artificial neural network algorithm.
최근의 후쿠시마 원전사고와 파리기후협약 등으로 인해 전세계적으로 신재생 에너지 발전의 증가와 석탄 및 원자력 발전의 감소가 화두가 되고 있다. 우리나라는 제2차 국가에너지 기본계획에서 신재생 에너지의 보급률을 전체 전력공급비의 11%까지 향상시키는 중장기 목표를 설정하고 신재생 에너지를 이용한 발전사업 확대를 추진하고 있다. Due to recent Fukushima nuclear plant accidents and the Paris Climate Convention, the increase in renewable energy generation worldwide and the decline in coal and nuclear power generation are becoming a hot topic. Korea has set a mid- and long-term goal to increase the penetration rate of renewable energy to 11% of the total electricity supply ratio in the second National Energy Basic Plan and is expanding the power generation business using new and renewable energy.
풍력은 태양광과 함께 상업적 기술수준을 갖춘 현실적인 신재생 에너지원이다. 풍력발전은 아직 국내 기술수준이 제한적이지만 삼면이 바다인 지형적인 여건으로 대규모 발전단지 조성이 태양광에 비해 용이하다. 특히 풍력발전은 좁은 내륙의 제한된 여건을 탈피해 도서지역과 해양에서 대규모 개발이 상대적으로 용이하다.Wind power is a realistic renewable energy source with commercial technology level along with solar power. Although wind power generation is still limited in domestic technology level, it is easier to construct a large-scale power generation complex than solar power due to the geographical condition of the sea on three sides. In particular, wind power generation is relatively easy to develop on a large scale in the islands and offshore by overcoming the limited inland conditions.
그러나 현재까지는 풍력발전 확대를 위한 노력에도 불구하고 소규모 풍력단지나 실험단지 개발에 머무르고 있는 수준인데, 그 이유로서, 첫째, 풍력자원을 객관적이고 정량적으로 분석한 후 최적의 입지를 확정하기보다, 선정 후 평가하는 정책주도형 풍력사업의 한계에 기인한다. 즉 그동안의 사업 방식은, 풍력자원이 좋을 것으로 예측되는 곳을 산간 및 도서, 해양지역에서 임의로 선정하고 가능한 풍력자원에 대한 선행 분석 없이 사업을 개시하였다.However, to date, despite efforts to expand wind power, it is still in the development of small-scale wind farms and experimental complexes. The reasons for this are as follows: First, rather than determining the optimal location after analyzing the wind resources objectively and quantitatively, This is attributable to the limitation of the wind power project led by the government. In other words, the way of doing business in the past, the place where the wind resource is expected to be good is selected arbitrarily in the mountain, the book and the sea area, and the business is started without the preliminary analysis about the possible wind resources.
둘째, 풍력발전 사업 개시 이후에 각종 환경 데이터를 수집 분석하고 사업성을 분석하는 입지선정후 평가방식 때문이다. 면밀한 선행 사업성 분석이 동반되지 않은 채 풍력발전단지를 개발함으로 인해 실제보다 몇 배 이상의 사업준비 및 개발기간이 소요되거나 예상했던 발전량이 나오지 않아 풍력사업의 실패 또는 답보사례가 많았다.Second, after the start of the wind power generation business, it is the evaluation method after collecting various environmental data and analyzing the business feasibility. Due to the development of wind farms without detailed prior-feasibility analysis, many cases of business preparation and development were required several times more than expected.
풍력발전 단지의 위치나 발전규모를 체계적으로 선정하기 위한 선행 연구들이 있었다. 예를 들어 박웅식 등(2015)은 대중 배제분석을 이용하여 강원도 내 풍력발전단지 유망후보지를 선정하고 그 지역에서의 최적 풍력단지규모를 선정하는 방법을 제안하였다. There have been previous researches for systematically selecting the location and size of wind power generation complex. For example, Park, WoongSik and others (2015) proposed a method of selecting the optimal candidate wind farms in Gangwon - do using the mass exclusion analysis.
라티노폴로스(Latinopoulos) 등(2015)은 그리스 지역에서 지리정보시스템에 기초한 다중기준 풍력발전단지 위치선정 시스템을 개발하였고, 모세티(Mosetti) 등(1994)은 대규모 풍력단지에서 발전량을 최대화하는 풍력터빈들의 위치를 유전알고리즘을 사용하여 최적화하는 방법을 제안하였다. Latinopoulos et al. (2015) developed a multi-standard wind turbine site selection system based on geographic information systems in Greece and Mosetti et al. (1994) developed a wind turbine We propose a method to optimize the position of turbines using genetic algorithm.
그러나 기존의 풍력단지 최적화 연구들은 세부적인 풍력발전단지 계획을 세우는데 있어 효율적으로 사용될 수 있으나 넓은 지역에 대해 풍력발전 경제성이 높은 지역을 선별하고 최적의 발전 규모를 결정하여야 하는 풍력발전 초기단계의 중요 의사결정에는 적용하기 어렵다는 한계가 있다. However, the existing wind farm optimization studies can be used effectively for planning detailed wind farm complexes, but it is important to select the areas with high wind farm economical efficiency for large areas and to determine the optimal generation scale. It is difficult to apply to decision making.
기존의 풍력발전과 관련한 최적화 연구들은 정해진 풍력단지규모에 대해 혹은 정성적이거나 환경적인 요소만을 고려하여 입지선정을 하거나 선정지역에서의 터빈 배치에만 집중한 한계가 있다. Existing wind power development optimization studies have limitations on the size of wind farms, focusing only on qualitative or environmental factors, or focusing on turbine placement in selected areas.
본 발명의 일 실시예에 따르면, 풍력자원이 존재하는 광범위한 지역에 가장 경제적인 풍력발전 계획을 도출할 수 있는 풍력발전 모델 선정 방법을 제시한다. 분석지역이 넓고 다양한 경제성 요소들을 고려할 경우에 많은 계산시간이 소요되며 실용적으로 유망한 분석지역을 선별하여 분석하기 어렵다. 그러나 본 발명의 일 실시예에서는 인공신경망(artificial neural network)을 활용하여 유망지역을 쉽게 선별하고 효율적인 풍력발전사업 최적화를 수행할 수 있는 풍력발전 모델 선정 방법을 제공한다. According to an embodiment of the present invention, a method of selecting a wind turbine model capable of deriving the most economical wind power plan in a wide area where wind resources exist is presented. It is difficult to select analytical areas that are promising for practical use because it takes a lot of computation time to consider the wide range of analysis areas and various economic factors. However, an embodiment of the present invention provides a method of selecting a wind power generation model that can easily select a promising region and utilize an artificial neural network to efficiently perform an optimization of the wind power generation business.
본 발명의 일 실시예에 따르면, 컴퓨터를 이용하여 풍력발전 모델을 선정하는 방법으로서, (a) 소정 지역을 격자모형화하고 초기조건을 입력하는 단계; (b) 복수개의 격자를 선택하는 단계; (c) 선택된 복수개 격자의 각각에 대해, 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따른 복수개의 시나리오 중 하나의 시나리오를 풍력발전 모델로 선정하는 단계; (d) 상기 선택된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값에 기초하여, 상기 소정 지역내 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성하는 단계; (e) 상기 풍력자원 맵 상에서 하나 이상의 격자를 선택하는 단계; 및 (f) 선택된 격자에 대한 풍력발전 모델을 선정하는 단계;를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법을 제공할 수 있다. According to an embodiment of the present invention, there is provided a method of selecting a wind power generation model using a computer, comprising the steps of: (a) inputting an initial condition and lattice modeling a predetermined region; (b) selecting a plurality of gratings; (c) selecting one of a plurality of scenarios according to a wind power generation scale, a grid construction, and a wind turbine type as a wind power generation model for each of a plurality of selected grids; (d) generating a wind resource map by calculating economic evaluation values for all the lattices in the predetermined area based on the economic evaluation value of the selected wind power generation model for each lattice of the selected plurality of lattices; (e) selecting one or more grids on the wind resource map; And (f) selecting a wind power generation model for the selected grid.
또한 본 발명의 일 실시예에 따르면, 상기 풍력발전 모델 선정 방법을 컴퓨터에서 실행시키기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 제공할 수 있다. According to another aspect of the present invention, there is provided a computer-readable recording medium having recorded thereon a program for causing a computer to execute the wind turbine model selection method.
본 발명의 일 실시예에 따른 풍력발전 모델 선정 방법은 인공신경망 기법을 기반으로 최적 풍력발전사업 규모, 계통연계방안, 최적 풍력터빈 종류, 최적 발전시나리오 및 경제성 등을 모두 도출할 수 있다. 기존의 사업성 분석 방법은 추정과 개인의 경험에 기반하여 사업 여부와 발전규모 등을 결정하였지만 본 발명의 풍력발전 모델 선정 방법은 신뢰성 있는 자원정보 및 지리정보를 활용한 총괄적인 풍력발전 최적화 프로그램으로 최적의 풍력발전단지 사업모델을 도출할 수 있으며 체계적인 대규모 풍력발전단지 개발에 기여할 수 있다. The method of selecting a wind power generation model according to an embodiment of the present invention can derive an optimal wind power generation business scale, a grid connection plan, an optimal wind turbine type, an optimal power generation scenario, and an economical efficiency based on an artificial neural network technique. The existing feasibility analysis method is based on the estimation and the experience of the individual. However, the method of selecting the wind power generation model of the present invention is a comprehensive wind power optimization program that utilizes reliable resource information and geographical information. And can contribute to the development of a systematic large scale wind farm.
도1은 본 발명의 일 실시예에 따라 풍력발전 모델을 선정하는 예시적 방법의 흐름도,
도2 및 도3은 일 실시예에 따라 소정 지역을 격자화하는 방법을 설명하기 위한 도면,
도4 및 도5는 격자화 모형에 입력할 예시적인 초기조건을 설명하기 위한 도면,
도6은 일 실시예에 따라 인공신경망을 이용하여 생성한 풍력자원 맵을 설명하기 위한 도면,
도7은 일 실시예에 따라 선정된 풍력발전 모델의 출력 데이터를 설명하기 위한 도면,
도8은 일 실시예에 따라 샘플링된 복수개의 격자의 각각에 대한 풍력발전 모델을 선정하는 예시적 방법의 흐름도,
도9은 풍력자원자료를 분석하는 예시적 방법을 설명하기 위한 도면,
도10은 풍력자원 예측에 사용되는 예시적인 지형자료를 나타내는 도면,
도11은 풍력자원 예측에 사용되는 예시적인 풍력터빈 성능곡선을 나타내는 도면,
도12는 일 실시예에 따라 인공신경망을 이용하여 풍력자원 맵을 생성하는 예시적 방법의 흐름도,
도13은 풍력발전 사업에 영향을 끼치는 예시적인 인자들의 리스트,
도14는 일 실시예에 따라 민감도 분석을 통해 주요인자를 선택하는 방법을 설명하기 위한 도면,
도15 및 도16은 본 발명의 최적 풍력발전 모델 선정 방법의 평가를 위해 선택된 지역 및 이 때 사용되는 인자들을 나타내는 도면,
도17은 본 발명의 최적 풍력발전 모델 선정 방법의 평가를 위해 선택된 지역에 대해 생성된 풍력자원 맵을 나타내는 도면,
도18은 본 발명의 최적 풍력발전 모델 선정 방법에서 풍력터빈에 따른 순현재가치를 설명하기 위한 도면,
도19는 종래 방법과 본 발명의 최적 풍력발전 모델 선정 방법의 평가 결과를 비교하기 위한 도면,
도20은 일 실시예에 따른 최적 풍력발전 모델 선정 방법을 구현하는 예시적인 시스템 구성을 설명하기 위한 블록도이다. 1 is a flow diagram of an exemplary method for selecting a wind power generation model in accordance with an embodiment of the present invention;
FIG. 2 and FIG. 3 are views for explaining a method of latticing a predetermined region according to an embodiment,
FIGS. 4 and 5 are diagrams for explaining exemplary initial conditions to be input to the lattice model,
FIG. 6 is a diagram for explaining a wind resource map generated using an artificial neural network according to an embodiment;
7 is a view for explaining output data of a selected wind turbine model according to an embodiment,
8 is a flow diagram of an exemplary method for selecting a wind power generation model for each of a plurality of grids sampled in accordance with one embodiment,
9 is a diagram for explaining an exemplary method of analyzing wind resource data,
10 is a diagram showing exemplary topographic data used for predicting wind resources,
11 is a diagram showing an exemplary wind turbine performance curve used for predicting wind resources,
12 is a flow diagram of an exemplary method of generating a wind resource map using an artificial neural network according to an embodiment;
Figure 13 shows a list of exemplary parameters affecting the wind power business,
FIG. 14 is a diagram for explaining a method for selecting a main factor through a sensitivity analysis according to an embodiment;
15 and 16 are views showing selected regions and factors used for evaluation of the optimal wind power generation model selection method of the present invention,
17 is a diagram showing a generated wind resource map for a selected region for evaluation of the optimal wind power generation model selection method of the present invention,
18 is a view for explaining the net present value according to the wind turbine in the optimum wind power generation model selection method of the present invention,
19 is a diagram for comparing evaluation results of the conventional method with the optimum wind power generation model selection method of the present invention,
20 is a block diagram for explaining an exemplary system configuration for implementing a method for selecting an optimum wind power generation model according to an embodiment.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 당업자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.BRIEF DESCRIPTION OF THE DRAWINGS The above and other objects, features, and advantages of the present invention will become more readily apparent from the following description of preferred embodiments with reference to the accompanying drawings. However, the present invention is not limited to the embodiments described herein but may be embodied in other forms. Rather, the embodiments disclosed herein are provided so that the disclosure can be thorough and complete, and will fully convey the scope of the invention to those skilled in the art.
본 명세서에서 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다.In the present specification, when an element is referred to as being on another element, it may be directly formed on another element, or a third element may be interposed therebetween.
본 명세서에서 제1, 제2 등의 용어가 구성요소들을 기술하기 위해서 사용된 경우, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.Where the terms first, second, etc. are used herein to describe components, these components should not be limited by such terms. These terms have only been used to distinguish one component from another. The embodiments described and exemplified herein also include their complementary embodiments.
본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 '포함한다(comprise)' 및/또는 '포함하는(comprising)'은 언급된 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.In the present specification, the singular form includes plural forms unless otherwise specified in the specification. The terms "comprise" and / or "comprising" used in the specification do not exclude the presence or addition of one or more other elements.
이하에서 도면을 참조하여 본 발명을 상세히 설명하도록 한다. 아래의 특정 실시예들을 기술하는데 있어서 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는 데 있어 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다. Hereinafter, the present invention will be described in detail with reference to the drawings. Various specific details are set forth in the following description of specific embodiments in order to provide a more detailed description of the invention and to aid in understanding the invention. However, it will be appreciated by those skilled in the art that the present invention may be understood by those skilled in the art without departing from such specific details. In some cases, it is noted that parts of the invention that are not commonly known in the art and are not largely related to the invention are not described in order to avoid confusion in describing the invention.
도1은 본 발명의 일 실시예에 따라 최적 풍력발전 사업모델을 선정하는 예시적 방법의 흐름도를 나타낸다. 1 shows a flow diagram of an exemplary method for selecting an optimal wind power generation business model in accordance with an embodiment of the present invention.
도면을 참조하면, 단계(S10)에서, 풍력발전 모델을 선정하기 위한 분석대상 지역을 격자모형화하고 초기조건을 입력한다. 분석대상 지역을 격자화하고 초기조건을 입력하기 위해 우선 해당 지역의 지리정보, 풍력자원 분포, 송전망 구축현황 등의 데이터 및 경제성 분석을 위한 경제성 인자(factor)에 관한 데이터가 수집되고 통합되어야 한다. Referring to the drawing, in step S10, an analysis target area for selecting a wind power generation model is lattice modeled and initial conditions are input. In order to grasp the area to be analyzed and input the initial conditions, data on geographical information, wind resource distribution, transmission network construction status and economic factors for economic analysis should be collected and integrated.
일 실시예에서, 이러한 각종 데이터의 수집 및 통합을 위해 지리정보시스템(Geographic Information System, GIS) 및 각종 정부기관자료와 보고서 등을 이용할 수 있다. 지리정보시스템(GIS)은 과거에 인쇄물 형태로 이용하던 지도와 지리정보를 컴퓨터를 이용해 작성 및 관리하기 위해 개발된 것으로, 지리정보를 기초로 데이터를 수집ㆍ분석ㆍ가공을 수행하여 지형과 관련되는 모든 분야에 적용하기 위해 설계된 종합정보시스템이다. 도2는 일 실시예에 따라 구축된 지리정보시스템을 나타낸 것으로, 도2(a)는 전라남도 지역에 대해, 도2(b)는 제주도 지역에 대해 각각 MATLAB에 기반한 지리정보시스템을 구축한 예시를 보여준다. In one embodiment, a geographic information system (GIS) and various government agency data and reports may be used to collect and integrate such data. Geographical Information System (GIS) was developed to create and manage map and geographic information used in printed form in the past by using computer. It collects, analyzes and processes data based on geographical information, It is a comprehensive information system designed for all fields. FIG. 2 shows a geographic information system constructed according to an embodiment. FIG. 2 (a) shows an example of building a geographical information system based on MATLAB for Jeollanam-do region and FIG. 2 (b) Show.
이와 같이 지리정보시스템을 구축하면, 이를 기반으로 지역을 격자 단위로 세분화한 격자모형을 생성한다. 이를 위해, 도3(a) 및 도3(b)에 도시한 것처럼, 분석대상 지역을 소정 간격으로 격자화한다. 일반적으로 우리나라의 풍력발전소는 해안지대에 주로 밀집되어 설치되므로, 해안지대에 대해서는 더 작은 격자로 세분화하여 풍력발전사업을 분석할 필요가 있다. 따라서 도3에 도시한 실시예와 같이 해안지대의 격자 크기를 내륙이나 해상 지역의 격자보다 더 작게 설정할 수도 있다. 일 실시예에서 격자모형에서의 격자의 가로 세로 길이가 각각 수 내지 수십 킬로미터일 수 있다. 그러나 대안적 실시예에서 이러한 격자 크기가 달라질 수 있음은 물론이다. When a geographic information system is constructed as described above, a grid model is generated by dividing the area into grid units based on the geographic information system. To do this, as shown in Figs. 3 (a) and 3 (b), regions to be analyzed are latticed at predetermined intervals. In general, wind farms in Korea are concentrated in coastal areas. Therefore, it is necessary to analyze the wind power generation business by subdividing the coastal areas into smaller lattices. Therefore, the lattice size of the coastal zone may be set smaller than that of the inland or maritime area as in the embodiment shown in Fig. In one embodiment, the lengths of the grids in the grid model may be several to several tens of kilometers in length, respectively. However, it goes without saying that this grid size may be varied in alternative embodiments.
한편 단계(S10)에서는 또한 분석대상 지역에 관한 초기조건을 입력할 수 있다. 일 실시예에서 이 초기조건은 예를 들어 도4 및 도5에 도시한 초기조건 데이터를 포함할 수 있다. 도면을 참조하면, 일 실시예에 따른 초기조건은 풍력발전소 설치 및 유지 비용(wind farm cost), 송전망 구축비용(power transmission cost), 경제성 분석 인자(economic analysis parameters), 및 편익산출 인자(energy cost prediction)를 포함할 수 있다. On the other hand, in step S10, an initial condition regarding the analysis target area can also be input. In one embodiment, this initial condition may include, for example, the initial condition data shown in Figs. 4 and 5. Referring to the drawings, an initial condition according to an exemplary embodiment includes a wind farm cost, a power transmission cost, economic analysis parameters, and an energy cost prediction.
도4(a)는 풍력발전소 설치와 운영에 필요한 비용인자들의 예시적 내역을 나타낸다. 풍력발전소 설치와 관련된 인자들에는 초기사업비용, 부대비용, 풍력터빈 단가, 운영비용, 공사비용, 자켓(해상풍력발전용 구조물) 단가 등의 비용인자들을 포함할 수 있다. 도4(b)는 송전망 구축에 필요한 비용 인자들의 예시를 나타낸다. 송전망 구축과 관련한 인자들에는 육상 및 해상에서의 송전선로 종류별 km당 설치 비용, 육상 및 해상 변전소 설치 비용 등을 포함할 수 있다. Figure 4 (a) shows an example of the cost factors required for installation and operation of a wind power plant. Factors related to wind power plant installation may include cost factors such as initial business costs, incidental costs, wind turbine unit costs, operating costs, construction costs, and jacket (offshore wind farm) unit prices. FIG. 4 (b) shows an example of cost factors required for constructing a transmission network. Factors related to the construction of the transmission network may include installation costs per kilometer by type of transmission line on land and sea, installation costs of land and marine substations, and so on.
도5(a)는 경제성 분석을 위해 가정되는 예시적인 인자들을 보여준다. 경제성 분석을 위해 가정되는 인자에는 할인율, 물가상승률, 총 사업기간, 초기 투자금 투입 기간, 연도별 초기 투자금 투입 비율, 사업 시작연도 등을 포함할 수 있다. 도5(b)는 편익 산출을 위한 예시적인 인자들을 나타내며, 연도별 SMP(System Marginal Price), REC(Renewable Energy Certificates) 비용의 추정 값 등을 포함할 수 있다. Figure 5 (a) shows exemplary parameters that are assumed for economic analysis. Assumptions for economic analysis include discount rate, inflation rate, total project period, initial investment period, initial investment per year, project start year, and so on. FIG. 5 (b) shows exemplary parameters for the benefit calculation, and may include an annual System Marginal Price (SMP), an estimated value of REC (Renewable Energy Certificates) cost, and the like.
도4와 도5를 참조하여 상술한 초기조건 데이터는 일 실시예에 따른 예시적인 데이터이며 본 발명의 구체적 실시 형태에 따라 상술한 초기조건 데이터 중 일부가 필요하지 않을 수도 있고 도면에 표시되지 않은 데이터가 추가될 수 있음은 물론이다. 또한 일 실시예에서 이러한 초기조건 데이터는 사용자의 편의를 위해 예컨대 엑셀 파일 형식으로 구성될 수 있다. The initial condition data described above with reference to FIGS. 4 and 5 are exemplary data according to one embodiment and may not require some of the initial condition data described above according to a specific embodiment of the present invention, Of course, can be added. Also, in one embodiment, such initial condition data may be configured in an Excel file format for the convenience of the user.
다시 도1을 참조하면, 단계(S20)에서 격자화된 분석대상 지역을 샘플링하여 복수개의 격자를 선택한다. 일 실시예에서 복수개의 격자를 랜덤으로 샘플링하여 선택할 수 있다. 샘플링에 의해 선택할 격자의 개수는 구체적 실시 형태에 따라 달라질 수 있으며, 예를 들어 50개, 100개 등으로 설정할 수 있다. Referring again to FIG. 1, in step S20, a plurality of lattices are selected by sampling the latticed analysis target area. In one embodiment, a plurality of gratings may be randomly sampled and selected. The number of gratings to be selected by sampling may vary depending on the concrete embodiment, and may be set to, for example, 50, 100, or the like.
일 실시예에서 육상 지역과 해상 지역으로 구분하여 샘플링 동작을 각각 수행할 수 있다. 즉 분석대상 지역내의 육상 지역의 격자들에서 제1 복수개의 격자를 선택하고 해상 지역의 격자들에서 제2 복수개의 격자를 선택할 수 있다. 예를 들어 일 실시예에서 육상 지역의 격자들에서 50개 그리고 해상 지역의 격자들에서 100개의 격자를 선택하여 전체 150개의 격자를 샘플링 할 수 있다. In one embodiment, a sampling operation can be performed separately by dividing into a land area and a sea area. That is, a first plurality of lattices can be selected from the lattices of the land area in the analysis area and a second plurality of lattices can be selected from the lattices of the sea area. For example, in one embodiment, a total of 150 lattices can be sampled by selecting 50 lattices in the terrestrial region and 100 lattices in the marine area lattices.
다음으로 단계(S30)에서, 샘플링에 의해 선택된 복수개의 격자의 각각에 대해, 풍력발전 모델에 관한 복수개의 시나리오를 생성한 후 복수개의 시나리오 중 최적의 시나리오를 해당 격자의 풍력발전 모델로 선정한다. 일 실시예에서 풍력발전 모델의 경제성 평가에 사용되는 다양한 인자들 중 일부 인자들에 기초하여 복수개의 시나리오를 생성할 수 있다. 이하에서 설명하는 일 실시예에서는 풍력발전의 발전량(발전규모), 송전망 구축, 및 풍력 터빈의 종류에 따라 복수개의 시나리오를 생성한다. Next, in step S30, a plurality of scenarios related to the wind power generation model are generated for each of the plurality of grids selected by sampling, and an optimal scenario among the plurality of scenarios is selected as the wind power generation model of the corresponding grid. In one embodiment, multiple scenarios may be generated based on some of the various factors used in the economic evaluation of the wind power model. In the embodiment described below, a plurality of scenarios are generated according to the generation amount of wind power (power generation scale), the grid construction, and the type of wind turbine.
각 격자에 대해 복수개의 시나리오가 생성되면, 풍력발전 모델 선정 알고리즘을 이용하여 복수개의 시나리오의 각각의 경제성을 평가하고, 그 중 경제성 평가 값이 가장 높은 시나리오를 해당 격자의 풍력발전 모델로 선정할 수 있다. 일 실시예에서, 각 시나리오에 따른 연간발전량을 산출한 후 이에 기초하여 경제성을 평가할 수 있다. 풍력발전의 연간발전량은 예를 들어 WAsP(Wind Atlas Analysis and Application Program), WindSim, WindPro 등과 같은 상용의 풍력발전 설계 프로그램들 중 하나를 사용하여 산출할 수 있고, '경제성 평가 값'은 예를 들어 내부수익률(IRR: Internal Rate of Return)일 수 있다. 내부수익률(IRR)은 어떤 사업에 대해 사업기간 동안의 현금수익 흐름을 현재가치로 환산하여 합한 값이 투자지출과 같아지도록 할인하는 이자율을 말한다. 풍력발전 모델을 선정하는 단계(S30)의 예시적 방법에 대해서는 도8 내지 도11을 참조하여 보다 구체적으로 후술하기로 한다. When a plurality of scenarios are generated for each grid, the economics of each of the plurality of scenarios are evaluated using a wind power model selection algorithm, and the scenario having the highest economic value is selected as the wind power generation model of the grid have. In one embodiment, the annual generation amount according to each scenario can be calculated, and the economic efficiency can be evaluated based thereon. The annual generation of wind power can be calculated, for example, using one of the commercial wind power generation design programs such as Wind Atlas Analysis and Application Program (WASP), WindSim, WindPro and the like. And may be an internal rate of return (IRR). Internal rate of return (IRR) is the rate at which a business is discounted so that the combined value of the cash flow during the business period is equal to the current value. An exemplary method of selecting the wind power generation model (S30) will be described later in detail with reference to FIGS. 8 to 11. FIG.
단계(S30)에서 샘플링된 복수개의 격자마다 풍력발전 모델이 선정되면, 그 후 단계(S40)에서, 선정된 풍력발전 모델의 경제성 평가 값에 기초하여 분석대상 지역 전체의 풍력자원 맵을 생성한다. 일 실시예에서, 샘플링에 의해 선택된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값에 기초하여, 분석대상 지역의 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성할 수 있다. After the wind power generation model is selected for each of the plurality of lattices sampled in step S30, a wind power resource map of the entire analysis target area is generated based on the economic evaluation value of the selected wind power generation model in step S40. In one embodiment, based on the economic evaluation value of the selected wind turbine model for each grid of a plurality of grids selected by sampling, a wind resource map can be generated by calculating economic evaluation values for all grids in the analysis target area have.
샘플링된 복수개 격자의 풍력발전 모델의 경제성 평가 값에 기초하여 분석대상 지역내 전체 격자의 경제성 평가 값을 산출하는 방법으로서 본 발명의 일 실시예에서는 인공신경망(ANN) 알고리즘을 이용할 수 있다. In an embodiment of the present invention, an ANN algorithm can be used as a method for calculating the economic evaluation value of the entire grid in the analysis area based on the economic evaluation value of the wind power generation model of a plurality of sampled grids.
또한 여기서 '풍력자원 맵'은 분석대상 지역내의 각 격자마다 해당 격자의 경제성 평가 값을 표시한 지도를 의미할 수 있다. 도6은 예시적인 풍력자원 맵을 나타낸다. 도6(a)와 도6(b)는 각각 전라남도와 제주도 지역의 예시적인 풍력자원 맵을 나타낸다. 도6에서 알 수 있듯이, 풍력자원 맵은 격자화된 지도상에서 각 격자의 풍력발전의 경제성 평가 값을 색깔로 구분하여 표시하였다. 도시한 실시예에서 경제성 평가 값으로서 내부수익률(IRR)을 사용하였고, 파란색에서 노란색으로 갈수록 내부수익률이 높아짐(즉 경제성이 좋아짐)을 의미한다. 풍력자원 맵을 생성하는 단계(S40)의 예시적 방법에 대해서는 도12 내지 도14을 참조하여 보다 구체적으로 후술하기로 한다. Here, the 'wind resource map' may refer to a map showing the economic value of the corresponding grid for each grid within the region to be analyzed. 6 shows an exemplary wind resource map. 6 (a) and 6 (b) show an exemplary wind resource map of Jeollanam-do and Jeju Island respectively. As can be seen from FIG. 6, the wind resource map displays the economic value of the wind power generation of each grid on a grid map by color. In the illustrated embodiment, the internal rate of return (IRR) is used as an economic evaluation value, and the internal rate of return increases from blue to yellow (that is, the economy becomes better). An exemplary method of generating the wind resource map (S40) will be described later in more detail with reference to Figs. 12 to 14. Fig.
이와 같이 분석대상 지역에 대한 풍력자원 맵이 생성되면, 사용자는 경제성 평가 값이 높은 격자들 중 적어도 한 곳을 풍력발전소를 설치할 위치로 선정할 수 있고 또한 이 때의 최적의 풍력발전 모델도 산출할 수 있다. When the wind resource map for the analysis target area is generated as described above, the user can select at least one of the grids having a high economic evaluation value as the location to install the wind power plant, and also calculates the optimum wind power generation model at this time .
예를 들어 도1을 다시 참조하면, 단계(S50)에서 경제성 평가 값이 높은 하나 이상의 후보 격자를 선택할 수 있다. 후보 격자의 선택은 예컨대 사용자가 직접 하나 이상의 격자를 선택할 수도 있고, 대안적으로, 경제성 평가 값은 가장 높은 순서대로 기설정된 개수의 격자를 선택할 수도 있다. For example, referring back to FIG. 1, in step S50, one or more candidate gratings having a high economic evaluation value may be selected. The selection of the candidate grating may, for example, allow the user to select one or more gratings directly, or alternatively, the economic evaluation value may select a predetermined number of gratings in the highest order.
단계(S50)에서 후보 격자가 선택되면, 그 후 단계(S60)에서, 후보 격자 각각에 대해 풍력발전 모델을 하나씩 선정한다. 일 실시예에서 이 선정 단계(S60)는 단계(S30)와 동일 또는 유사한 알고리즘을 사용할 수 있다. 즉 후보 격자의 각각에 대해, 풍력발전 모델에 관한 복수개의 시나리오를 생성한 후 복수개의 시나리오 중 경제성 평가 값이 가장 높은 시나리오를 해당 격자의 풍력발전 모델로 선정할 수 있다. If the candidate grid is selected in step S50, then in step S60, one wind power generation model is selected for each candidate grid. In one embodiment, this selection step S60 may use the same or similar algorithm as step S30. That is, for each of the candidate grids, a plurality of scenarios related to the wind power generation model are generated, and a scenario having the highest economic value of the plurality of scenarios may be selected as the wind power generation model of the corresponding grid.
다음으로 단계(S70)에서, 각 후보 격자마다 선정된 풍력발전 모델의 데이터를 출력할 수 있고, 이 출력 데이터를 비교하여 후보 격자 중 하나 이상의 최적의 격자를 선정하고 이 선정된 격자의 풍력발전 모델을 최적의 모델로 선정할 수 있다. Next, in step S70, it is possible to output the data of the selected wind power generation model for each candidate lattice, compare the output data to select one or more optimal lattices of the candidate lattices, Can be selected as an optimum model.
또는 대안적 실시예에서, 단계(S50)에서 풍력자원 맵에서 하나의 격자만 선택할 수도 있다. 이 경우, 단계(S50)에서 풍력자원 맵에서 경제성 평가 값이 가장 높은 하나의 격자를 선택하고, 그 후 복수개의 시나리오 중 최적의 시나리오를 이 격자에 대한 풍력발전 모델로 선정하고(단계 S60), 선정된 풍력발전 모델의 데이터를 출력할 수 있다(단계 S70).Alternatively, in an alternative embodiment, only one grid may be selected in the wind resource map at step S50. In this case, in step S50, one grid having the highest economic value in the wind resource map is selected, and then an optimal scenario among a plurality of scenarios is selected as a wind power generation model for this grid (step S60) And the data of the selected wind power generation model can be output (step S70).
도7은 단계(S70)에서 출력되는 풍력발전 모델의 출력 데이터를 예시적으로 나타낸다. 도시한 실시예에서, 풍력발전 모델의 출력 데이터는 풍력발전사업 관련 데이터 및 경제성 관련 데이터를 포함할 수 있다. Fig. 7 exemplarily shows output data of the wind power generation model output in step S70. In the illustrated embodiment, the output data of the wind power generation model may include wind power generation business related data and economic efficiency related data.
도7(a)에 나타낸 것처럼 풍력발전사업 관련 데이터(Optimized business plan)는 해당 격자의 위치와 육상풍력발전인지 해상풍력발전인지를 알려주며, 최적 풍력발전규모와 풍력터빈 기종, 터빈 설치 개수, 연간 예상발전량 등의 최적 풍력발전소 설치계획에 관한 정보를 포함할 수 있다. 또한 설치되는 송전선로 종류와 길이, 및 연계 변전소에 대한 정보를 포함할 수 있으며, 추가적인 변전소 설치 여부와 설치할 경우에는 그 규모까지 출력할 수 있다. As shown in FIG. 7 (a), the optimized business plan indicates the location of the lattice and whether the offshore wind turbine or the offshore wind turbine is generated. The optimum wind power generation scale, wind turbine type, turbine installation number, And information on the optimal wind power plant installation plan such as the amount of power generation. It can also include information about the type, length, and connection substation of installed transmission line, and it can output up to the scale of installation or installation of additional substation.
도7(b)는 경제성 관련 데이터(Economic analysis result)의 예시적 구성을 나타낸다. 경제성 관련 데이터는 도7(a)에 나타낸 사업계획으로 풍력발전 사업을 진행하였을 때 얻을 수 있는 경제성에 관한 데이터를 포함한다. 예를 들어 경제성 관련 데이터는 현금흐름표를 출력하며 그 때의 내부수익률과 순현재가치 등의 정보를 포함할 수 있다. Fig. 7 (b) shows an exemplary configuration of economic analysis result. The economic data includes data on the economic feasibility obtained when the wind power generation project was carried out in the business plan shown in Fig. 7 (a). For example, economic data may include information such as internal rate of return and net present value at the time of output of the cash flow statement.
CAPEX(Capital expenditures)는 사업에서 미래의 이윤을 창출하기 위해 지출된 비용을 의미한다. 풍력발전사업에서 지출되는 CAPEX는 풍력발전소 설치비용 및 계통연계를 위한 설치비용으로 구분할 수 있다. 풍력발전소 설치 비용은 예를 들어 풍력터빈 설치 및 공사비용, 해상풍력발전소의 경우 자켓 설치비용, 인건비, 초기 부지 매입비용, 인·허가비용 등을 포함할 수 있다. 계통연계를 위한 설치비용은 발전소에서 생산된 전력을 인근 변전소나 계통연계망에 연결하는데 소요되는 비용을 포함할 수 있으며, 예컨대 계통선로 구축비용, 해저 케이블 설치 비용, 변전소 설치 비용, 관련 부지 매입 비용 등을 포함할 수 있다. CAPEX (Capital expenditures) means the expenditure spent to create future profits in the business. The CAPEX expenditure in the wind power generation business can be divided into the installation cost of the wind power plant and the installation cost for the grid connection. Wind power plant installation costs may include, for example, wind turbine installation and construction costs, jacket installation costs for offshore wind farms, labor costs, initial site purchase costs, and permit and permit costs. The installation cost for the grid connection may include the cost of connecting the power generated by the power plant to a nearby substation or grid connection network. For example, the cost of grid line installation, submarine cable installation, substation installation cost, . ≪ / RTI >
OPEX(Operating Expenditure)는 갖춰진 설비를 운영하는 데 드는 비용을 의미한다. 풍력발전사업에서의 주요 OPEX로는 O&M(Operation & Maintenance) 비용과 LTSA(Long-term Service Agreement) 비용 등이 있다. O&M 비용은 풍력발전소 운전, 유지 및 보수, 관리 등에 필요한 비용이며, LTSA 비용은 주기적인 풍력터빈 보수 및 장비 교체를 위해 공급업체와의 장기 계약에 소요되는 비용이다. OPEX (Operating Expenditure) means the cost of operating the equipped facilities. Major OPEXs in the wind power business include operation and maintenance (O & M) costs and long-term service agreement (LTSA) costs. O & M costs are the cost of operating, maintaining, and maintaining wind farms. LTSA costs are the cost of long-term contracts with suppliers for periodic wind turbine maintenance and equipment replacement.
매년 발생하는 CAPEX 비용, OPEX 비용, 영업이익의 총합을 통해 연간 순현금흐름(Net cash flow)를 구할 수 있다. 계산된 현금흐름의 경제성은 순현재가치(NPV: Net Present Value), 내부수익률(IRR)을 통하여 평가한다. 순현재가치는 아래 수학식1과 같이 최초 투자 시기부터 사업이 끝나는 시기까지의 연도별 순편익의 흐름을 현재가치로 환산하여 합한 값이다. Annual CAPEX cost, OPEX cost, and operating profit are calculated as annual net cash flow. The economics of the calculated cash flows are evaluated through Net Present Value (NPV) and Internal Rate of Return (IRR). The net present value is the value obtained by converting the flow of net benefit by year from the initial investment period to the end of the business as the present value as shown in
여기서 t는 현금투하기간, N은 사업 전체기간을 의미한다. Ct는 시간 t에서의 총 현금흐름, r은 할인율을 의미한다. Where t is the cash withdrawal period and N is the total business period. Ct is the total cash flow at time t , and r is the discount rate.
내부수익률은 어떤 사업에 대해 사업기간 동안의 현금수익 흐름을 현재가치로 환산하여 합한 값이 투자지출과 같아지도록 할인하는 이자율을 말한다.The internal rate of return is the interest rate that discounts the cash value of a business for the business period to the present value, so that the sum is equal to the investment expenditure.
이상과 같이 도1 내지 도7을 참조하여 설명한 본 발명의 일 실시예에 따르면, 구에서는 풍력자원이 존재하는 광범위한 지역에 대해 빠른 시간에 가장 경제적인 풍력발전 계획을 도출하여 제시할 수 있다. 분석지역이 넓고 다양한 경제성 요소들을 고려해야 할 경우 많은 계산시간이 소요되며 실용적으로 유망한 분석지역을 선별하여 분석하기가 어렵다. 그러나 본 발명에 따르면 샘플링에 의해 일부 격자에 대해 경제성이 좋은 풍력발전 모델을 선정하고 이 때의 경제성 평가 값을 이용하여 인공신경망을 통해 분석대상 지역내 전체 격자마다의 경제성 평가 값을 도출하고, 이에 기초하여 가장 경제성이 좋은 지역(격자)의 최적의 풍력발전 모델을 선정할 수 있으며, 또한 이렇게 선정된 풍력발전 모델에 관한 풍력발전사업 관련 데이터와 경제성 관련 데이터도 즉시 출력할 수 있다. As described above, according to the embodiment of the present invention described with reference to FIGS. 1 to 7, it is possible to derive the most economical wind power generation plan in a short time for a wide area where wind energy exists. When analysis areas are wide and various economic factors are considered, it takes a lot of computation time and it is difficult to select analytical areas that are practically promising. However, according to the present invention, a wind power generation model having a good economical efficiency for a part of grid is selected by sampling, and an economic evaluation value for every grid in the analysis area is derived through artificial neural network using the economic evaluation value at this time. Based on this, it is possible to select the optimal wind power generation model for the most economically feasible area (grid), and also to output wind power generation related data and economic data related to the selected wind power generation model immediately.
그러므로 종래와 같이 추정과 경험적인 방식으로 사업 여부와 발전규모 등을 결정하는 것이 아니라, 신뢰성 있는 지리정보와 자원분포도를 활용하여 풍력발전 모델 선정 알고리즘과 인공신경망 알고리즘으로 최적의 풍력발전단지 사업모델을 도출함으로써 체계적인 대규모 풍력발전단지 개발에 기여할 수 있다. Therefore, instead of determining whether the project is business or development scale in the estimation and experiential way, the wind power generation model selection algorithm and the artificial neural network algorithm using the reliable geographical information and the resource distribution map, It is possible to contribute to the development of a systematic large scale wind farm complex.
이제 이하에서는 도8 내지 도11을 참조하여 풍력발전 모델을 선정하는 단계(S30)의 예시적 방법을 설명하기로 한다. Hereinafter, an exemplary method of selecting a wind power generation model (S30) will be described with reference to FIGS. 8 to 11. FIG.
도8은 일 실시예에 따라 샘플링된 복수개의 격자의 각각에 대한 풍력발전 모델을 선정하는 방법의 흐름도이다. 최적의 풍력발전 모델을 선정하기 위해 일 실시예에서 각 시나리오마다 연간 발전량을 예측한 후 이 예측값에 기초한 경제성 분석을 수행한다. 설명의 편의를 위해, 도시한 실시예의 경우 상용소프트웨어인 WAsP 11을 사용하여 연간 발전량을 예측하는 것으로 가정한다. 8 is a flowchart of a method for selecting a wind power generation model for each of a plurality of sampled grids in accordance with one embodiment. In order to select an optimum wind power generation model, an annual power generation amount is predicted for each scenario in one embodiment, and an economical efficiency analysis based on the predicted value is performed. For convenience of explanation, it is assumed that the annual generation amount is estimated using commercial software WASP 11 in the illustrated embodiment.
풍력발전에 의한 연간 발전량을 예측하기 위해 우선 소정 기간(예컨대 1년)의 평균 풍속과 풍향 데이터를 포함한 풍력 정보를 산출한다. 보다 구체적으로, 단계(S310)에서, 풍력자원자료를 분석한다. 도9는 풍력자원자료를 분석하는 예시적 방법을 나타내는데, 예컨대 도9(a)와 같이 분석대상인 격자 근처의 기상탑에서 소정 기간(예컨대 1년 또는 그 이상의 기간 동안) 시간단위로 측정한 풍속 및 풍향자료를 입력한다. 그리고 이를 통계적으로 분석하여 도9(b)와 같은 '관측된 바람기후'(observed wind climate) 자료로 변환한다. 이러한 관측된 바람기후 자료는 풍향과 풍속의 연평균 분포를 나타낼 수 있다. In order to estimate the annual power generation amount by wind power generation, wind power information including the average wind speed and the wind direction data for a predetermined period (for example, one year) is calculated. More specifically, in step S310, the wind resource data is analyzed. FIG. 9 shows an exemplary method for analyzing wind resource data. For example, as shown in FIG. 9 (a), the wind speed measured in a time unit for a predetermined period (for example, one year or more) Enter wind direction data. And statistically analyzed and converted into observed wind climate data as shown in FIG. 9 (b). These observed wind climate data can indicate an annual average distribution of wind direction and wind speed.
그 후 단계(S320)에서, 풍력자원을 예측한다. 즉 단계(310)에서 얻어진 관측된 바람기후 자료와 분석대상 지역의 도10과 같은 지형자료를 바탕으로 분석대상 격자의 풍속 및 풍향 분포자료를 예측한다. Then, at step S320, the wind resource is predicted. That is, the wind speed and the wind direction distribution data of the analyzed grid are predicted based on the observed wind climate data obtained in the step (310) and the terrain data shown in FIG. 10 of the analysis target area.
일 실시예에서 이러한 예측을 위해 지형자료와 수치해석적 유체 유동모델을 사용할 수 있다. 수치해석적 유체 유동모델로서 질량보존모델(Mass-consistent model), 잭슨-헌트 모델(Jackson-Hunt model), CFD(computation fluid dynamics) 모델 등이 널리 사용된다. 잭슨-헌트 모델은 선형화 된 나비에-스토크스(Navier-Stokes) 방정식을 푸는 모델로서 WAsP 11과 같은 상용소프트웨어에 널리 사용된다. 잭슨-헌트 모델은 정상상태유동 및 선형 이송(advection) 조건 및 정상유동 등의 가정을 통하여 매우 계산이 효율적이면서도 비교적 정확한 결과를 출력하는 특징이 있다. 본 발명의 도시한 실시에에서는 잭슨-헌트 모델을 사용하여 분석지역의 풍력자원분포를 예측하였다. In one embodiment, topographical data and a numerical fluid flow model can be used for such prediction. Mass-consistent, Jackson-Hunt and CFD (Computational Fluid Dynamics) models are widely used as numerical fluid flow models. The Jackson-Hunt model is a model for solving linearized Navier-Stokes equations and is widely used in commercial software such as WASP 11. The Jackson-Hunt model is characterized by highly computationally efficient and relatively accurate results through the assumption of steady state flow and linear advection conditions and steady flow. In the illustrated embodiment of the present invention, the Jackson-Hunt model was used to predict the distribution of wind resources in the analysis area.
다음으로 단계(S330)에서 풍력발전 모델에 관한 복수개의 시나리오를 생성한다. 풍력발전 모델의 경제성 평가에 사용되는 다양한 인자들에 기초하여 복수개의 시나리오를 생성할 수 있다. 도시한 일 실시예에서는 풍력발전의 발전 규모, 송전망 구축, 및 풍력 터빈의 종류에 따라 복수개의 시나리오를 생성하였다. Next, in step S330, a plurality of scenarios related to the wind power generation model are generated. A plurality of scenarios can be generated based on various factors used in the economical evaluation of the wind power generation model. In the illustrated embodiment, a plurality of scenarios are generated according to the scale of the wind power generation, the construction of the grid, and the type of the wind turbine.
송전망 구축의 경우에는 최초 접속선로를 22.9kV와 154kV로 선택하는 경우로 나눌 수 있다. 22.9kV 선로를 사용할 경우 인근 변전소에 연결하여 승압한 뒤에 연계되며 최대 풍력발전 규모는 현행 규정상 40MW로 제한되어 있다. 154kV 선로를 사용할 경우에는 풍력발전소 인근에 변압기를 설치하며 총 몇 뱅크(bank)의 변압기를 설치하는지에 따라서 최대 풍력발전규모가 결정될 수 있다. 일반적으로 1뱅크당 25MW까지 전력을 승압할 수 있으며 일 실시예에서 총 4 뱅크 설치할 수 있다고 가정할 경우 최대 풍력발전규모는 100MW가 된다. 풍력발전사업의 규모는 송전망 구축을 어떻게 하는지에 따라 결정된다.In the case of the transmission network construction, the case where the first connection line is selected as 22.9 kV and 154 kV can be categorized. When 22.9kV line is used, it is connected to nearby substations and boosted. The maximum wind power generation is limited to 40MW in current regulations. When 154kV lines are used, the maximum wind power generation scale can be determined depending on whether a transformer is installed near the wind power plant and a few banks of transformers are installed. Generally, the power can be increased up to 25 MW per bank. Assuming that four banks can be installed in one embodiment, the maximum wind power generation capacity is 100 MW. The size of the wind power business depends on how you build the grid.
송전망 구축 시나리오의 총 개수는 분석지역 인근의 변전소 개수와 최대 몇 뱅크의 변압기가 설치가능한지에 따라 달라질 수 있다. 예를 들어, 인근의 변전소가 총 6개라고 가정하면, 22.9kV 선로를 사용한다면 각각의 변전소에 연결하는 6가지 경우의 수가 있으므로 6개의 시나리오가 나온다. 또한 154kV 선로를 사용한다면 1뱅크에서 4뱅크까지 설치가능 하다고 가정하면 4개의 시나리오가 나온다. 따라서 이 경우 송전망 구축과 풍력발전 규모에 따라 10개의 시나리오가 생성될 수 있다. The total number of grid deployment scenarios may vary depending on the number of substations near the analysis area and the maximum number of banks of transformers that can be installed. For example, assuming a total of six nearby substations, if you use a 22.9 kV line, there are six scenarios, six of which connect to each substation. Also, if you use 154kV lines, four scenarios are assumed assuming you can install from one bank to four banks. In this case, 10 scenarios can be created depending on the grid construction and wind power generation scale.
한편 발전량은 어떤 풍력 터빈 기종을 사용하는지에 따라 달라진다. 예를 들어 도11은 두산, 지멘스, 및 베스타스에서 각각 생산하는 풍력 터빈의 성능곡선(풍속에 따라 터빈이 얼마만큼의 발전량을 낼 수 있는지를 나타내는 그래프)을 예시적으로 나타내었다. 도시한 것처럼 풍력터빈 성능곡선은 풍력터빈 제조업체의 각 제품마다 상이하며, 풍력터빈이 설치될 지역의 풍속 조건에 따라 가장 적합한 성능곡선을 갖는 풍력터빈을 사용하는 것이 바람직하다. The amount of power generation depends on which wind turbine model is used. For example, FIG. 11 shows an exemplary performance curve of a wind turbine produced by Doosan, Siemens, and Vestas (a graph showing how much power the turbine can generate according to the wind speed). As shown, the performance curve of the wind turbine is different for each product of the wind turbine manufacturer and it is preferable to use a wind turbine having the most suitable performance curve according to the wind speed condition of the region where the wind turbine is installed.
따라서 예를 들어 3가지 종류의 풍력 터빈을 고려한다고 가정하면 풍력터빈 기종과 관련하여 3가지 시나리오가 나올 수 있으며, 상술한 것처럼 송전망 구축과 풍력발전 규모에 따라 10가지 시나리오가 나온다고 가정하였으므로, 전체 10*3 = 30개의 시나리오가 생성될 수 있다. Therefore, for example, assuming that three types of wind turbines are considered, there are three scenarios related to the wind turbine model. It is assumed that there are 10 scenarios depending on the construction of the grid and the scale of the wind power generation as described above. * 3 = 30 scenarios can be created.
이상과 같이 3가지 인자, 즉 풍력발전규모, 송전망 구축, 및 풍력터빈 종류에 따라 풍력발전 모델의 시나리오를 생성하는 예시적 방법을 설명하였지만, 위의 3가지 인자 외의 다른 인자를 고려하거나 분석대상 지역의 특성에 따라 다양한 방식으로 시나리오를 생성하는 방법이 존재할 수 있음은 이해할 것이다. As described above, the exemplary method of generating the scenario of the wind power generation model according to the three factors, namely, the scale of the wind power generation, the construction of the transmission network, and the type of the wind turbine has been described, but considering other factors other than the above three factors, It is to be understood that there may be a method of generating scenarios in various ways depending on the characteristics of the environment.
다시 도8을 참조하면, 복수개의 시나리오가 생성되면, 단계(S340)에서 복수개의 시나리오의 각각의 경제성을 평가한다. 경제성 평가를 위해 우선 풍력발전모델 선정 프로그램(예컨대 WAsP 11)을 이용하여 각 시나리오의 연간 풍력발전량을 계산한다. 이 때, 단계(S310 및 S320)에서 예측된 풍력자원에 기초하여 각 시나리오의 풍력발전량을 계산할 수 있다. Referring again to FIG. 8, when a plurality of scenarios are created, the economics of each of the plurality of scenarios are evaluated in step S340. For economic evaluation, annual wind power generation of each scenario is calculated by using a wind power model selection program (for example, WASP 11). At this time, the wind power generation amounts of the respective scenarios can be calculated based on the wind resources predicted in the steps S310 and S320.
일 실시예에서 연간 풍력발전량은 아래 수학식2를 이용하여 산출할 수 있다. In one embodiment, the annual wind power generation can be calculated using
상기 수학식2에서 E는 연간풍력발전량, P(V)는 성능곡선에서 풍속 V에서의 발전량이다. f(V)는 분석대상 지역의 풍력분포에서 풍속 V의 확률밀도함수 값이다. Y는 1년의 길이로서 365일 혹은 8,760시간의 값을 갖는다. V cutout 은 풍력터빈의 성능곡선에서 발전량을 산출할 수 있는 최대의 풍속이며, C cutin 은 최소의 풍속이다. In Equation (2), E is the annual wind power generation amount, and P (V) is the power generation amount at the wind speed V in the performance curve. f (V) is the probability density function of the wind velocity V in the wind distribution in the area under analysis. Y is the length of one year and has a value of 365 days or 8,760 hours. V cutout is the maximum wind speed at which the power generation can be calculated from the performance curve of the wind turbine and C cutin is the minimum wind speed.
이와 같이 산출된 연간발전량 결과와 사전에 입력된(예컨대 도1의 단계(S10)에서 입력된) 경제성 인자를 사용하여 시간에 따른 CAPEX, OPEX, 편익 등을 계산할 수 있으며 이를 통해 각 시나리오의 경제성을 평가할 수 있다. 일 실시예에서 경제성 평가를 위해 각 시나리오마다 내부수익률을 산출할 수 있다. The CAPEX, OPEX, and benefits over time can be calculated using the annual power generation results thus calculated and the economic factors that are input in advance (e.g., entered in step S10 of FIG. 1), thereby enabling the economics of each scenario Can be evaluated. In one embodiment, the internal rate of return can be calculated for each scenario for economics assessment.
그 후 단계(S350)에서, 경제성 평가 값에 기초하여 최적의 풍력발전 모델을 선정한다. 일 실시예에서 가장 높은 내부수익률의 시나리오를 해당 격자의 최적의 풍력발전 모델로 선정할 수 있다. Thereafter, in step S350, an optimum wind power generation model is selected based on the economic evaluation value. In one embodiment, the scenario with the highest internal rate of return can be selected as the optimal wind power generation model for the grid.
이제 이하에서 도12 내지 도14를 참조하여 풍력자원 맵을 생성하는 단계(S40)의 예시적 방법을 설명하기로 한다. An exemplary method of creating a wind resource map (S40) will now be described with reference to Figures 12-14 below.
도12는 일 실시예에 따라 인공신경망을 이용하여 풍력자원 맵을 생성하는 예시적 방법의 흐름도이다. 12 is a flowchart of an exemplary method of generating a wind resource map using an artificial neural network according to one embodiment.
인공신경망(ANN)은 생물학의 신경망에서 영감을 얻은 통계학적 학습 알고리즘으로, 생물학적 신경세포의 신호전달과정을 모방하여 비선형적 관계를 가진 입력정보와 출력정보에 대한 처리를 수행할 수 있다. ANN is a statistical learning algorithm that is inspired by neural networks of biology. It imitates the signaling process of biological neurons and can process input and output information with nonlinear relation.
인공신경망에서 가장 중요한 인자는 학습과정이다. 인공신경망에서 학습이란 인공신경망을 통해 예측한 예측값과 실제값 사이의 예측 오차를 최소화 하는 비선형 함수를 찾아내기 위하여 가중치를 조절하는 과정이다. 학습 알고리즘으로는 다양한 최적화 알고리즘이 사용될 수 있다. The most important factor in artificial neural networks is the learning process. Learning in artificial neural networks is a process of adjusting weights to find a nonlinear function that minimizes the prediction error between predicted and actual values predicted through artificial neural networks. Various optimization algorithms can be used for learning algorithms.
신경망 학습을 위한 입출력 자료 세트는 일반적으로 세 가지가 종류가 있다. 첫번째 자료 세트는 학습자료 세트(training set)로서, 자료를 이용하여 가중치를 변화시켜가며 학습을 하기 위한 자료이다. 두번째 자료 세트는 검증자료 세트(validation set)로서, 학습이 타당하게 진행되고 있는지를 판별하기 위한 자료 세트이다. 세번째 자료 세트는 테스트 자료 세트(test set)로서, 신경망의 성능을 평가 및 비교하기 위해 사용된다. 각각의 자료 세트들은 학습 가능한 자료세트의 수에 따라 분배할 수 있다. I / O data sets for neural network learning generally have three kinds. The first set of data is a training set, which is used for learning by changing the weight using data. The second set of data is a validation set, which is a set of data to determine if learning is in progress. The third set of data is a test set, which is used to evaluate and compare the performance of the neural network. Each set of data can be distributed according to the number of sets of data that can be learned.
인공신경망을 학습하기 위해서는 학습의 입력자료와 출력자료가 필요하다. 분석대상 지역의 경제성을 나타내는 값을 출력자료로 사용할 수 있으며, 본 발명의 일 실시예에서 내부수익률(IRR)을 출력자료로 사용하였다. 입력자료의 경우 분석대상 지역의 풍력발전 모델의 경제성 차이를 결정하는 주요 인자들로 선정할 수 있으며, 따라서 단계(S410)에서 우선적으로 이러한 경제성 인자를 선정한다. 일반적으로 육상지역과 해상지역에 따라 경제성 차이를 결정하는 인자가 상이할 수 있으므로, 본 발명의 실시예에서는 도13과 같이 육상 및 해상 지역에 따라 구분하여 예시적인 경제성 인자들을 선정할 수 있다. In order to learn artificial neural networks, learning input data and output data are needed. A value indicating the economical efficiency of the region to be analyzed can be used as the output data. In one embodiment of the present invention, the internal rate of return (IRR) is used as the output data. In the case of the input data, the economic factors of the wind power generation model of the region to be analyzed can be selected as the main factors for determining the economical difference, and thus, the economic factor is selected first in step S410. In general, the factors determining the economic difference may vary depending on the land area and the maritime area. Therefore, in the embodiment of the present invention, exemplary economic factors can be selected according to the land and sea areas as shown in FIG.
도13을 참조하면, 분석대상 지역의 인접 기상탑에서 측정한 평균풍속, 주 풍향은 풍력터빈의 연간발전량을 결정하는 인자로 예상되므로 육상과 해상에서 모두 고려하였다. 풍속분포의 개형과 관련한 인자들은 풍력터빈의 연간발전량에 영향을 미치는 인자들로 예상되며 따라서 개형과 관련한 풍속분포의 왜도(skewness)를 육상과 해상에서 모두 고려하였다. 왜도는 아래 수학식3과 같이 나타낼 수 있다. Referring to FIG. 13, the average wind speed and the main wind direction measured in the adjacent meteorological tower of the area to be analyzed are considered to be factors for determining the annual power generation of the wind turbine. Factors related to the formation of the wind velocity distribution are expected to be factors affecting the annual generation of the wind turbine, and therefore, the skewness of the wind velocity distribution related to the opening type is considered both on land and on the sea. The degree of distortion can be expressed by Equation 3 below.
여기서 E는 기대값을 나타낸다. x는 측정된 풍속 값이고 
풍향이 얼마나 고르게 분포하는지를 나타내는 풍향분산은 연간발전량에 영향을 미치는 인자이므로 고려하였다. 인접 계통연계망까지 거리는 해상 및 육상 송전망 구축 비용에 있어 중요한 인자이므로 해상과 육상에서 모두 고려하였다.The wind direction variance, which indicates how evenly the wind direction is distributed, is considered as a factor affecting the annual generation amount. Distance to the adjacent grid network is an important factor in the construction cost of offshore and offshore grid, so both marine and terrestrial are considered.
육상풍력발전의 경우 풍력터빈이 설치되는 고도에 따라서 해당지역의 공기 밀도, 온도, 풍속 등의 연간발전량과 공사비용이 결정되므로, 육상지역에서는 고도가 지역별 풍력발전의 경제성 차이를 결정할 것으로 예상하였다. 해상풍력발전의 경우 풍력터빈이 설치되는 고도는 모두 동일한 반면, 수심에 따라 자켓 및 풍력터빈 설치단가가 크게 좌우되므로 수심을 경제성 차이를 결정하는 인자로 선정하였다. In the case of offshore wind power generation, the annual production capacity and construction cost of air density, temperature, wind speed and so on are determined according to the altitude at which the wind turbine is installed. In case of offshore wind power generation, the altitude at which the wind turbine is installed is the same, but the depth of jacket and wind turbine installation depend on the water depth.
이와 같이 단계(S410)에서 선정된 경제성 결정 인자들을 인공신경망 학습에 모두 사용할 수 있다. 그러나 대안적 실시예에서 인공신경망의 보다 효율적인 학습과 이용을 위해, 여러 인자들 중 경제성 평가에 크게 영향을 끼치는 주요 인자를 선정하여 이들 주요 인자들을 인공신경망 학습에 이용하는 것이 바람직할 수 있다. 도시한 일 실시예에서는 단계(S420)에서 민감도 분석을 수행하여 주요 인자를 선정하였다. In this way, the economical determinants selected in step S410 can be used for artificial neural network learning. However, in an alternative embodiment, it may be desirable to select the main factors that greatly affect the economic evaluation among the various factors and to use these main factors for the artificial neural network learning for more efficient learning and utilization of the artificial neural network. In the illustrated embodiment, the sensitivity analysis is performed in step S420 to select a main factor.
민감도 분석을 위해 임의의 복수개의 지역(격자)에 대해 내부수익률(IRR)을 평가한 후 내부 수익률과 인자들간의 상관계수(correlation coefficient)를 계산하였다. 이 때 사용된 복수개의 격자는 예컨대 도1의 단계(S20)에서 샘플링된 복수개의 격자일 수 있고 도1의 단계(S30)에서 생성된 각 격자마다의 내부수익률을 사용할 수 있다. For sensitivity analysis, the internal rate of return (IRR) was evaluated for arbitrary multiple regions (grids) and the internal rate of return and the correlation coefficient between the factors were calculated. The plurality of gratings used at this time may be, for example, a plurality of gratings sampled in step S20 of FIG. 1 and may use an internal rate of return for each grating generated in step S30 of FIG.
상관계수는 두 자료 사이의 상관관계를 나타내는 수치로서 아래 수학식4와 같이 정의된다. The correlation coefficient is a numerical value indicating the correlation between two data, and is defined as shown in Equation (4) below.
여기서 x와 y는 비교하고자 하는 두 자료의 종류를 의미하며 σ x , σ y 는 각 자료의 표준편차를 의미한다. Where x and y are the types of data to be compared, and σ x and σ y are the standard deviations of the data.
도14는 상술한 민감도 분석을 수행한 예시적인 결과를 나타내며, 도14(a)는 육상 풍력발전에 대한 민감도 분석 결과이고 도14(b)는 해상 풍력발전에 대한 민감도 분석 결과이다. FIG. 14 shows an exemplary result of the above-described sensitivity analysis. FIG. 14 (a) is a sensitivity analysis result for onshore wind power generation, and FIG. 14 (b) is a sensitivity analysis result for offshore wind power generation.
도14(a)를 참조하면, 육상 풍력발전의 경우 고도, 인접 변전소까지의 거리, 평균풍속에 의해 경제성이 가장 많이 영향 받는다는 것을 알 수 있다. 고도가 높을수록, 평균풍속이 클수록, 그리고 인접 변전소까지의 거리가 짧을수록 내부수익률이 증가한다. 이를 통해 육상 풍력발전에 대한 인공신경망의 입력자료로서 고도, 인접 변전소까지의 거리, 및 평균 풍속을 선정할 수 있다. Referring to FIG. 14 (a), it can be seen that the economical efficiency is most affected by the altitude of the offshore wind turbine, the distance to adjacent substations, and the average wind speed. The higher the altitude, the higher the average wind speed, and the shorter the distance to the adjacent substation, the greater the internal rate of return. As a result, it is possible to select altitude, distance to adjacent substation, and average wind speed as input data of artificial neural network for onshore wind power generation.
이 때 '고도'는 예를 들어 해당 지역(격자) 내의 기설정된 지점의 고도이거나 또는 해당 지역(격자)의 평균 고도 중 하나일 수 있다. '인접 변전소까지의 거리'는 격자내 기설정된 지점(예컨대 격자의 중심점)에서부터 변전소까지의 거리를 의미할 수 있다. 또한 '평균 풍속'은 격자내 전체 지역의 평균 풍속 또는 격자내 기설정된 지점의 평균 풍속을 의미할 수 있다. In this case, the 'altitude' may be, for example, an altitude of a predetermined point in the corresponding area (grid) or an average altitude of the corresponding area (grid). The 'distance to adjacent substation' may refer to a distance from a predetermined point in the lattice (for example, the center point of the lattice) to the substation. The 'average wind speed' can also mean the average wind speed in the entire area of the grid or the average wind speed at predetermined points in the grid.
도14(b)를 참조하면, 해상 풍력발전의 경우 수심, 인접 변전소까지의 거리, 평균 풍속에 의해 경제성이 가장 많이 영향을 받음을 알 수 있다. 즉 수심이 낮을수록, 인접 변전소까지의 거리가 짧을수록, 그리고 평균풍속이 클수록 내부수익률이 증가하며, 따라서 해상 풍력발전에 대한 인공신경망의 입력자료로서 수심, 인접 변전소까지의 거리, 및 평균풍속을 선정할 수 있다. Referring to Fig. 14 (b) In case of offshore wind power generation, economical efficiency is most affected by water depth, distance to adjacent substation, and average wind speed. That is, as the water depth is lower, the distance to the adjacent substation is shorter, and the average wind speed is increased, the internal rate of return increases. Therefore, as input data of artificial neural network for offshore wind power generation, depth, distance to adjacent substation, Can be selected.
이 때 '수심'은 예를 들어 해당 지역(격자) 내의 기설정된 지점의 수심이거나 또는 해당 지역(격자)의 평균 수심 중 하나일 수 있다. '인접 변전소까지의 거리'는 격자내 기설정된 지점(예컨대 격자의 중심점)에서부터 변전소까지의 거리를 의미할 수 있고, '평균 풍속'은 격자내 전체 지역의 평균 풍속 또는 격자내 기설정된 지점의 평균 풍속을 의미할 수 있다. In this case, the 'depth' may be, for example, the depth of a predetermined point in the area (grid) or the average depth of the area (grid). The 'distance to the adjacent substation' may refer to a distance from a predetermined point in the lattice (for example, the center point of the lattice) to the substation, and the 'average wind speed' may be an average wind speed in the entire lattice or an average It can mean wind speed.
이와 같이 주요인자가 선정되면, 단계(S430)에서 인공신경망을 학습시킨다. 인공신경망의 학습을 위해, 상술한 단계(S420)에서 선정된 주요인자 및 복수개 격자에 대해 각기 선정된 풍력발전모델의 경제성 평가 값(예컨대 내부수익률)에 기초하여 인공신경망을 학습할 수 있다. 즉, 도1의 단계들(S20)에서 선정된 복수개의 격자들에 대한 고도/수심, 인접 변전소까지의 거리, 및 평균 풍속을 인공신경망 학습의 입력자료로 사용하고, 이들 복수개의 격자들에 대해 단계(S30)에서 산출된 내부수익률을 인공신경망 학습의 출력자료로 사용하여 인공신경망을 학습시킬 수 있다. If the main factor is selected, the artificial neural network is learned in step S430. In order to learn the artificial neural network, the artificial neural network can be learned based on the main factors selected in the above step S420 and the economic evaluation values (e.g., internal rate of return) of the selected wind turbine models for a plurality of grids. That is, the altitude / depth of the plurality of grids selected in the step S20 of FIG. 1, the distance to the adjacent substation, and the average wind speed are used as input data for the learning of the artificial neural network, The artificial neural network can be learned by using the internal rate of return calculated in step S30 as the output data of the artificial neural network learning.
인공신경망 학습이 완료되면, 다음으로 단계(S440)에서 분석대상 지역 전체에 대한 풍력자원 맵을 생성할 수 있다. 즉 분석대상 지역내 모든 격자의 각각에 대해, 각 격자의 상기 경제성 결정의 주요 인자 값들을 인공신경망 알고리즘에 입력하여 해당 격자의 경제성 평가 값(예컨대 내부수익률)을 인공신경망 알고리즘으로부터 출력하며, 이에 따라 도6에 도시한 것처럼 분석대상 지역 전체 격자마다 경제성 평가 값을 색깔로 구분하여 표시한 풍력자원 맵을 생성할 수 있다. Once the artificial neural network learning is completed, a wind resource map for the entire analysis target area can be generated in step S440. That is, with respect to each of all the grids in the analysis target area, the main factor values of the economic determination of each grid are inputted to the artificial neural network algorithm to output the economic evaluation value (for example, internal return rate) of the corresponding grid from the artificial neural network algorithm, As shown in FIG. 6, it is possible to generate the wind resource map in which the economic evaluation value is color-categorized and displayed for every lattice of the analysis target area.
이제 도15 내지 도19를 참조하여 본 발명의 일 실시예에 따른 풍력발전 모델 선정 방법을 실제 지역에 적용한 실험 결과를 설명하기로 한다. Now, with reference to FIG. 15 to FIG. 19, an experiment result of applying a wind power generation model selection method according to an embodiment of the present invention to an actual region will be described.
도15는 본 발명의 풍력발전 모델 선정 방법의 평가를 위해 선택된 지역이고 도16은 이 때 사용되는 인자들을 나타내었다. 구체적인 분석대상 지역은 도15에 표시한 것처럼 전라남도 신안군의 위도 34.9도 경도 126도 근방의 해안가로 정하였다. FIG. 15 is a region selected for evaluation of the method of selecting a wind power generation model of the present invention, and FIG. 16 shows factors used at this time. As shown in Fig. 15, the area to be analyzed is defined as coastal area near 34.9 latitude and 126 degree latitude of Sinan County in Jeollanam-do.
해당 지역은 수개월 이상의 세부적인 사업 타당성 검토가 사전에 수행되었고, 이 지역의 경제성과 함께 최적의 풍력발전사업 모델을 도출하였다. 그 결과 세전 내부수익률이 15.8% 정도의 높은 경제성을 가질 것으로 예상되어 실제 사업지역으로 선정되어 100MW 급의 풍력발전단지를 설치하는 것으로 결정되었다. Detailed business feasibility studies have been conducted in the area for several months in advance, and the optimal wind power generation business model has been derived with the economic efficiency of the region. As a result, it is expected that the pre-tax internal rate of return will be as high as 15.8%, so it was decided to install a 100MW wind farm in the actual business area.
해당 지역에 대한 기존 사업성 분석에서는 총 프로젝트 기간을 22년으로 가정하였으며 초기 투자는 2년안에 모두 이루어진다고 가정하였다. 다른 경제성 분석 인자들은 도16(a)와 같이 가정하였고 매년 SMP와 REC 가격의 변동을 도16(b)와 같이 가정하였다. 기존 사업성 분석과의 비교를 위해, 본 발명의 실험에서도 위와 동일한 가정을 사용하였다. In the existing feasibility analysis for the region, the total project duration is assumed to be 22 years, and the initial investment is assumed to be completed within two years. Other economic analysis parameters are assumed as shown in FIG. 16 (a), and the variation of the SMP and REC prices is assumed as shown in FIG. 16 (b) every year. For comparison with existing feasibility studies, the same assumptions were used in the experiments of the present invention.
본 발명의 일 실시예에 따라 도1의 단계(S10 내지 S40)를 수행한 결과 도17과 같은 풍력자원 맵이 생성되었다. 풍력자원 맵에서 노란색에 가까울수록 높은 경제성을 가진다. 도17에서 빨간색 원으로 표시한 지역이 분석대상 지역이며, 다른 지역들과 비교할 때 비교적 높은 경제성을 가지고 있음을 알 수 있다. As a result of performing steps S10 to S40 of FIG. 1 according to an embodiment of the present invention, a wind resource map as shown in FIG. 17 is generated. The closer to yellow the wind resource map, the higher the economic efficiency. In FIG. 17, the area indicated by a red circle is the area to be analyzed, and it can be seen that the area is comparatively high in comparison with other areas.
다음으로, 도17의 풍력자원 맵의 분석대상 지역의 격자를 선택하여(S50) 이 격자에서의 최적의 풍력발전 모델을 선정한 후(S60), 선정된 풍력발전 모델에 관한 출력데이터, 즉 풍력발전사업 관련 데이터와 경제성 관련 데이터를 산출하였고(S70), 이 산출결과를 기존 사업성 분석 결과와 비교하였다. Next, the grid of the analysis target area of the wind power resource map of FIG. 17 is selected (S50) and the optimum wind power generation model in this grid is selected (S60). Then, output data on the selected wind power generation model, The data related to the business and the economy are calculated (S70), and the results are compared with those of the existing feasibility analysis.
먼저 풍력발전 모델부터 비교하면, 본 발명의 실시예에 따른 방법에서는 최적의 풍력발전사업 규모가 100MW급으로 도출되었다. 이는 기존 사업성 분석결과와 일치한다. Compared with the wind power generation model, the method according to the embodiment of the present invention led to the optimal wind power generation scale of 100MW. This is consistent with the existing feasibility analysis.
본 발명의 실시예에 따른 방법에서 도출된 풍력터빈 기종 최적화 결과와 기존 사업성 검토에서 선정한 풍력터빈 기종을 비교한 결과, 기존 사업성 검토에서는 해당 지역에서의 최적 풍력터빈 기종에 관한 분석 없이 지멘스의 SWT 3.2 18대 및 두산의 WinDS3000 TC2를 14대를 사용하는 것으로 결정하였다. 이에 대해, 본 발명의 방법에 따르면 지멘스의 SWT 3.2, 두산의 WinDS3000 TC2, 및 베스타스의 V112, 총 세 종류의 풍력터빈에 대하여 분석을 수행하여 최적의 풍력터빈기종을 결정하였고, 각각의 풍력터빈 기종에 따른 풍력발전사업의 순현재가치(NPV)가 도18과 같이 도출되었다. As a result of comparing the wind turbine model obtained from the method according to the embodiment of the present invention and the wind turbine model selected from the existing feasibility study, the existing feasibility study showed that SWT 3.2 of Siemens without analyzing the optimum wind turbine model in the
도18의 결과에 따르면, 두산의 WinDS3000 TC2 모델이 가장 낮은 경제성을 보였으며 최적의 풍력터빈 기종은 베스타스의 V112 모델인 것으로 분석되었다. 베스타스 V112를 사용할 경우의 경제성을 두산의 WinD3000 TC2 모델을 사용할 때와 비교해보면 NPV 값에서 37.8% 정도의 큰 차이가 있음을 알 수 있다. 즉 본 발명에서 제안한 바와 같이 풍력터빈 기종에 따라서도 각기 다른 시나리오를 생성하여 최적화를 수행하는 것이 정확한 사업성 검토를 위해 중요하며, 본 발명의 실시예에 따른 풍력발전 모델 선정 방법을 활용하면 기존 사업성 검토 결과에 대한 개선 역시 가능하다는 것을 확인하였다. According to the results shown in Fig. 18, Doosan's WinDS3000 TC2 model showed the lowest economic efficiency, and the optimal wind turbine model was analyzed as Vestas V112 model. Compared with the use of the WinD3000 TC2 model of Doosan, the economical efficiency of using Vestas V112 is as large as 37.8% of the NPV value. That is, as suggested in the present invention, it is important to generate different scenarios according to the wind turbine model to perform optimization, and it is important for accurate business feasibility study. If the wind power generation model selection method according to the embodiment of the present invention is utilized, We also confirmed that improvements to the results were possible.
기존 사업성 분석 방법과 본 발명에 따른 풍력발전 모델 선정 방법의 비교결과를 요약하면 도19와 같다. 송전망 구축의 경우, 기존 사업성 분석 결과 및 본 발명의 방법에 따른 분석 결과가 동일하였다. 즉 풍력발전소 인근에 154kV 변전소를 신설하는 것으로 도출되었다. 두 결과 모두 변전소 내 승압기는 총 4뱅크 설치하는 것으로 나타났고, 승압된 전력을 기존 154kV 계통연계망에 연결하는 것으로 제안되었다. FIG. 19 is a summary of the comparison results between the existing feasibility analysis method and the wind power generation model selection method according to the present invention. In the case of the grid construction, the results of the existing feasibility analysis and the analysis result according to the method of the present invention were the same. In other words, it was derived by establishing a 154kV substation near the wind power plant. Both results showed that four substations in the substation were installed in total, and it was proposed to connect the boosted power to the existing 154kV grid.
이와 같이 본 발명의 풍력발전 모델 선정 방법에 따라 선정된 최종 풍력발전사업 모델과 기존 사업성 분석 결과에서 도출된 풍력발전사업 모델은 풍력터빈 기종을 제외하면 거의 유사함을 알 수 있었다.As described above, it can be seen that the wind power generation business model derived from the selected final wind power generation business model and the existing business performance analysis result according to the method of selecting the wind power generation model of the present invention is substantially similar except for the wind turbine model.
본 발명의 풍력발전 모델 선정 방법은 신안군 해안지역에 대해 대략 수십 초의 연산만으로 최적화된 풍력발전 모델을 선정하고 이 선정된 풍력발전 모델의 풍력발전사업 관련 데이터와 경제성 관련 데이터를 즉시 출력할 수 있었고, 수개월에 걸쳐 이루어진 기존의 사업성 분석 방식과 비교할 때 훨씬 짧은 시간에 기존 방식과 유사한 분석 결과를 도출할 수 있음을 알 수 있다. 또한 본 발명에 따르면 기존 사업성 분석 방식에서는 검토하지 않았던 최적 풍력터빈 기종까지 제안할 수 있음을 확인하였다. The wind turbine model selection method of the present invention was able to select wind turbine models that were optimized only in the coastal area of Sinan-gun for only about several tens of seconds and immediately output wind turbine-related data and economic data related to the selected wind turbine models, It can be seen that the analysis results similar to the existing method can be derived in a much shorter time compared to the existing business analysis method over several months. In addition, according to the present invention, it was confirmed that an optimal wind turbine model that was not examined in the existing feasibility analysis method can be proposed.
도20은 일 실시예에 따른 최적 풍력발전 모델 선정 방법을 구현하는 예시적인 시스템 구성을 나타내는 블록도이다. 20 is a block diagram illustrating an exemplary system configuration for implementing an optimal wind power generation model selection method according to an embodiment.
도20을 참조하면, 일 실시예에 따른 풍력발전 모델 선정 방법을 수행하는 시스템(100)은 도1, 도8, 및 도12에 도시한 흐름도의 단계들을 실행할 수 있는 임의의 컴퓨터 장치일 수 있고, 도시한 것처럼 프로세서(110), 메모리(120), 및 저장장치(130)를 포함할 수 있다. Referring to FIG. 20, a
저장장치(130)는 하드 디스크 드라이브 또는 플래시 메모리 등과 같이 데이터를 반영구적으로 저장할 수 있는 저장매체로서, 도1, 도8, 및 도12의 흐름도를 수행하는 풍력발전 모델 선정 알고리즘을 포함할 수 있다. 예를 들어 저장장치(130)는 예컨대 WAsP 11과 같은 연간 발전량 산출 프로그램(131), 민감도 분석 알고리즘(132), 인공신경망 알고리즘(133) 등의 소프트웨어 중 적어도 하나를 저장할 수 있다. The
이 구성에서 이러한 각종 프로그램이나 알고리즘이 저장장치(130)에 저장되어 있다가 프로세서(110)의 제어 하에 메모리(120)에 로딩되어 실행될 수 있다. 대안적으로, 일부 프로그램이나 알고리즘이 시스템(100)과는 별도로 존재하는 외부 장치나 서버에 존재할 수 있고, 시스템(100)에서 데이터나 변수를 해당 외부 장치나 서버에 요청하면 이 외부 장치나 서버가 프로그램 또는 알고리즘을 실행한 뒤 그 결과 데이터를 시스템(100)에 전달할 수도 있다. In this configuration, these various programs and algorithms may be stored in the
상기와 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되지 않는다. 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 상술한 기재로부터 다양한 수정 및 변형이 가능함을 이해할 것이다. 그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다. As described above, although the present invention has been described with reference to the limited embodiments and drawings, the present invention is not limited to the above embodiments. It will be understood by those skilled in the art that various changes and modifications may be made without departing from the spirit and scope of the present invention as defined by the appended claims. Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined by the equivalents of the claims, as well as the claims.
100: 풍력발전 모델 선정 시스템
110: 프로세서
120: 메모리
130: 저장장치 100: Wind turbine model selection system
110: Processor
120: Memory
130: Storage device
Claims (11)
(a) 소정 지역을 격자모형화하고 초기조건을 입력하는 단계;
(b) 복수개의 격자를 선택하는 단계;
(c) 선택된 복수개 격자의 각각에 대해, 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따른 복수개의 시나리오 중 하나의 시나리오를 풍력발전 모델로 선정하는 단계;
(d) 상기 선택된 복수개 격자의 각 격자마다 선정된 풍력발전 모델의 경제성 평가 값에 기초하여, 상기 소정 지역내 모든 격자에 대한 경제성 평가 값을 각각 산출하여 풍력자원 맵을 생성하는 단계;
(e) 상기 풍력자원 맵 상에서 하나 이상의 격자를 선택하는 단계; 및
(f) 선택된 격자에 대한 풍력발전 모델을 선정하는 단계;를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. As a method for selecting a wind power generation model using a computer,
(a) grid modeling a region and inputting initial conditions;
(b) selecting a plurality of gratings;
(c) selecting one of a plurality of scenarios according to a wind power generation scale, a grid construction, and a wind turbine type as a wind power generation model for each of a plurality of selected grids;
(d) generating a wind resource map by calculating economic evaluation values for all the lattices in the predetermined area based on the economic evaluation value of the selected wind power generation model for each lattice of the selected plurality of lattices;
(e) selecting one or more grids on the wind resource map; And
(f) selecting a wind power generation model for the selected grid.
상기 풍력자원 맵은, 상기 소정 지역내 각 격자마다 해당 격자의 경제성 평가 값을 표시한 지도인 것을 특징으로 하는 풍력발전 모델 선정 방법. The method according to claim 1,
Wherein the wind resource map is a map showing an economic evaluation value of the grid for each grid in the predetermined area.
복수개의 격자를 선택하는 상기 (b) 단계가, 육상 지역의 격자들에서 제1 복수개의 격자를 선택하고 해상 지역의 격자들에서 제2 복수개의 격자를 선택하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method according to claim 1,
Wherein the step (b) of selecting a plurality of grids selects a first plurality of grids in the lattices of the land area and a second plurality of grids in the lattices of the marine area, .
상기 각각의 격자에 대해 풍력발전 모델을 선정하는 상기 (c) 단계가, 각 격자에 대해,
(c-1) 소정 기간의 평균 풍속과 풍향 데이터를 포함한 풍력 정보를 산출하는 단계;
(c-2) 풍력발전 규모, 송전망 구축, 및 풍력터빈 종류에 따라 복수개의 시나리오를 생성하는 단계;
(c-3) 생성된 복수개의 시나리오마다 경제성 평가 값을 산출하는 단계; 및
(c-4) 산출된 경제성 평가 값에 기초하여 하나의 시나리오를 해당 격자의 풍력발전 모델로 선정하는 단계;를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method according to claim 1,
Wherein the step (c) of selecting a wind power generation model for each of the grids includes, for each grid,
(c-1) calculating wind power information including an average wind speed and wind direction data for a predetermined period;
(c-2) generating a plurality of scenarios according to the wind power generation scale, the grid construction, and the wind turbine type;
(c-3) calculating an economic evaluation value for each of the generated plurality of scenarios; And
(c-4) selecting one scenario as a wind power generation model of the corresponding grid based on the calculated economic evaluation value.
상기 경제성 평가 값이 내부수익률이고,
상기 (c-4) 단계에서, 내부수익률이 가장 높은 시나리오를 해당 격자의 풍력발전 모델로 선정하는 것을 특징으로 하는 풍력발전 모델 선정 방법. 6. The method of claim 5,
The economic evaluation value is an internal rate of return,
Wherein the scenario having the highest internal rate of return is selected as the wind power generation model of the grid in the step (c-4).
상기 복수개의 격자의 각각의 격자에 대한 (i) 풍력발전 모델의 경제성 평가를 위해 미리 선정된 하나 이상의 주요 인자 및 (ii) 상기 선정된 풍력발전 모델의 경제성 평가 값을 이용하여 인공신경망 알고리즘을 학습하는 단계;
상기 소정 지역내 모든 격자의 각각에 대해, 각 격자의 상기 주요 인자를 인공신경망 알고리즘에 입력하고 해당 격자의 경제성 평가 값을 인공신경망 알고리즘으로부터 출력하는 단계;를 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. The method of claim 1, wherein the step (d) of generating a wind resource map comprises:
(I) one or more prime factors pre-selected for economic evaluation of the wind power generation model for each grid of the plurality of grids, and (ii) the economic evaluation value of the selected wind power generation model to learn an artificial neural network algorithm ;
And inputting the main factor of each grid to each of all grids in the predetermined area into an artificial neural network algorithm and outputting an economic evaluation value of the corresponding grid from an artificial neural network algorithm Way.
상기 미리 선정된 하나 이상의 주요 인자는, 풍력발전의 경제성 결정에 영향을 끼치는 복수개의 인자들 중 민감도 분석에 의해 선정된 인자인 것을 특징으로 하는 풍력발전 모델 선정 방법. 8. The method of claim 7,
Wherein the one or more pre-selected key factors are selected by a sensitivity analysis among a plurality of factors affecting the economical decision of wind power generation.
육상 지역의 격자인 경우, (i) 격자내 지역의 고도, (ii) 격자내 기설정된 지점에서부터 변전소까지의 거리, 및 (iii) 격자내 지역의 평균 풍속을 포함하고,
해상 지역의 격자인 경우, (i) 격자내 지역의 수심, (ii) 격자내 기설정된 지점에서부터 변전소까지의 거리, 및 (iii) 격자내 지역의 평균 풍속을 포함하는 것을 특징으로 하는 풍력발전 모델 선정 방법. 9. The method of claim 8,
(I) the altitude of the area within the lattice, (ii) the distance from the predetermined point in the lattice to the substation, and (iii) the average wind speed in the lattice area,
(Ii) the distance from the predetermined point in the lattice to the substation, and (iii) the average wind speed in the lattice region, in the case of the lattice of the offshore region. Selection method.
상기 격자내 지역의 고도는, 상기 격자내 지역의 평균 고도 또는 상기 격자내 기설정된 지점의 고도 중 하나이고,
상기 격자내 지역의 수심은, 상기 격자내 지역의 평균 수심 또는 상기 격자내 기설정된 지점의 수심 중 하나인 것을 특징으로 하는 풍력발전 모델 선정 방법. 10. The method of claim 9,
Wherein the elevation of the area within the grid is one of an average elevation of the area within the grid or an elevation of a predetermined point in the grid,
Wherein the water depth of the region in the grid is one of an average depth of the grid or a predetermined depth in the grid.
A computer-readable recording medium having recorded thereon a program for causing a computer to execute the method according to any one of claims 1 to 10.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108085A KR20190022156A (en) | 2017-08-25 | 2017-08-25 | Method of selecting optimized wind farm model by using artificial neural network |
| KR1020190108290A KR102264786B1 (en) | 2017-08-25 | 2019-09-02 | Method of selecting optimized wind farm model by using artificial neural network |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170108085A KR20190022156A (en) | 2017-08-25 | 2017-08-25 | Method of selecting optimized wind farm model by using artificial neural network |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190108290A Division KR102264786B1 (en) | 2017-08-25 | 2019-09-02 | Method of selecting optimized wind farm model by using artificial neural network |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20190022156A true KR20190022156A (en) | 2019-03-06 |
Family
ID=65761245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170108085A KR20190022156A (en) | 2017-08-25 | 2017-08-25 | Method of selecting optimized wind farm model by using artificial neural network |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20190022156A (en) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443725A (en) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | Wind power prediction model based on CNN+LSTM |
| KR102187365B1 (en) * | 2020-07-20 | 2020-12-07 | 울산광역시 울주군 | Apparatus for managing self-supply green-energy town house and method thereof |
| KR20210032208A (en) * | 2019-09-16 | 2021-03-24 | 한국에너지기술연구원 | Method and apparatus for determinating for potential renewable energy |
| CN112700349A (en) * | 2019-10-22 | 2021-04-23 | 北京金风科创风电设备有限公司 | Anemometer tower site selection method and device |
| CN114117887A (en) * | 2021-10-28 | 2022-03-01 | 华能利津风力发电有限公司 | Real-time assessment method, system and medium for online power generation performance of wind turbine generator |
| CN114611789A (en) * | 2022-03-11 | 2022-06-10 | 长江勘测规划设计研究有限责任公司 | Wind power plant position dynamic optimization method with unit electric energy static investment optimization as target |
-
2017
- 2017-08-25 KR KR1020170108085A patent/KR20190022156A/en active Search and Examination
Non-Patent Citations (3)
| Title |
|---|
| 비특허문헌1: 박웅식, 유능수, 김진한, 김관수, 민덕호, 이상우, 백인수, 김현구. 2015. 다중 배제분석을 이용한 강원도 내 풍력발전단지 유망후보지 선정, 한국태양에너지학회 35 (2): 1-10. |
| 비특허문헌2: Latinopoulos, D., and Kechgia K. 2015. A GIS-based multi-criteria evaluation for wind farm site selection: A regional scale application in Greece. Renewable Energy 78 (1): 550-560 |
| 비특허문헌3: Mosetti, G., Poloni, C., and Diviacco, B. 1994. Optimization of Wind Turbine Positioning in Large Windfarms by Means of a Genetic Algorithm. Journal of Wind Engineering and Industrial Aerodynamics 51 (1): 105-116. |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443725A (en) * | 2019-08-14 | 2019-11-12 | 国网甘肃省电力公司信息通信公司 | Wind power prediction model based on CNN+LSTM |
| KR20210032208A (en) * | 2019-09-16 | 2021-03-24 | 한국에너지기술연구원 | Method and apparatus for determinating for potential renewable energy |
| CN112700349A (en) * | 2019-10-22 | 2021-04-23 | 北京金风科创风电设备有限公司 | Anemometer tower site selection method and device |
| CN112700349B (en) * | 2019-10-22 | 2023-11-07 | 北京金风科创风电设备有限公司 | Method and device for selecting site of anemometer tower |
| KR102187365B1 (en) * | 2020-07-20 | 2020-12-07 | 울산광역시 울주군 | Apparatus for managing self-supply green-energy town house and method thereof |
| CN114117887A (en) * | 2021-10-28 | 2022-03-01 | 华能利津风力发电有限公司 | Real-time assessment method, system and medium for online power generation performance of wind turbine generator |
| CN114611789A (en) * | 2022-03-11 | 2022-06-10 | 长江勘测规划设计研究有限责任公司 | Wind power plant position dynamic optimization method with unit electric energy static investment optimization as target |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20190022156A (en) | Method of selecting optimized wind farm model by using artificial neural network | |
| You et al. | Co-optimizing generation and transmission expansion with wind power in large-scale power grids—Implementation in the US Eastern Interconnection | |
| Giebel et al. | Wind power forecasting—a review of the state of the art | |
| Pillai et al. | Application of an offshore wind farm layout optimization methodology at Middelgrunden wind farm | |
| Costa et al. | A review on the young history of the wind power short-term prediction | |
| Besnard et al. | An optimization framework for opportunistic maintenance of offshore wind power system | |
| Helseth et al. | Detailed long‐term hydro‐thermal scheduling for expansion planning in the Nordic power system | |
| Song et al. | Integrated optimization of offshore wind farm layout design and turbine opportunistic condition-based maintenance | |
| Salvador et al. | A multi-criteria decision-making framework for site selection of offshore wind farms in Australia | |
| Değirmenci et al. | MCDM analysis of wind energy in Turkey: decision making based on environmental impact | |
| Douard et al. | A probabilistic approach to introduce risk measurement indicators to an offshore wind project evaluation–improvement to an existing tool ecume | |
| Chen et al. | A new model for wind farm layout optimization with landowner decisions | |
| Cranmer et al. | A portfolio model for siting offshore wind farms with economic and environmental objectives | |
| Kruyt et al. | Improvement of wind power assessment in complex terrain: the case of COSMO-1 in the Swiss Alps | |
| De Oliveira et al. | Optimization model for economic evaluation of wind farms-How to optimize a wind Energy project economically and technically | |
| Derse et al. | Optimal site selection for wind energy: a case study | |
| Borba et al. | Enhancing drought resilience and energy security through complementing hydro by offshore wind power—The case of Brazil | |
| Caralis et al. | Lessons learnt from the evaluation of the feed-in tariff scheme for offshore wind farms in Greece using a Monte Carlo approach | |
| Syranidou et al. | Development of an open framework for a qualitative and quantitative comparison of power system and electricity grid models for Europe | |
| KR102264786B1 (en) | Method of selecting optimized wind farm model by using artificial neural network | |
| Majumder et al. | Climate change and urbanization impact on hydropower plant by neural network-based decision-making methods: identification of the most significant parameter | |
| Diaz et al. | Micro-siting of floating turbines through multiple-criteria decision-making | |
| Cali | Grid and market integration of large-scale wind farms using advanced wind power Forecasting: technical and energy economic aspects | |
| CN117934202A (en) | Method for constructing scheduling and packaging model of virtual power plant | |
| Peña et al. | Capacity estimation of a minihydro plant based on time series forecasting |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| N231 | Notification of change of applicant | ||
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment |