은닉 마르코프 모델을 이용하여 계절의 변동을 동반한 인공 바람자료 생성 및 검증

국문 초록 (Abstract)

풍력발전단지 위치 선정에 있어 풍속 분포 및 발전량을 평가하기 위해 해당 지역의 기상 타워에서 계측된 바람 자료를 이용한다. 그러나 기상 타워에서 계측된 바람 자료는 종종 정보가 누락되거나 원하는 높이에 맞지 않거나, 혹은 데이터 길이가 충분하지 않아 풍력터빈 제어 및 성능 시뮬레이션 수행에 어려움을 겪게 된다. 따라서 풍력터빈 혹은 발전단지에 대한 연간 발전량 및 이용률을 평가하는데 원하는 높이에서 장기간의 연속적인 바람 자료는 매우 중요하다. 또한, 한반도와 같이 계절에 따른 풍향과 풍속 변동이 뚜렷한 경우에는 계절별 특징이 고려된 풍속과 풍향을 동반한 바람 자료를 고려해야 한다. 본 연구에서는 통계적 방법인 은닉 마르코프 모델을 이용하여 풍속과 풍향의 변동을 고려한 인공 바람을 생성하기 위한 방법을 제시한다. 통계처리를 위한 바람자료는 전라북도 고군산군도에 있는 말도의 기상청 방재기상관측(AWS) 장비에서 계측된 자료를 사용한다. 은닉 마르코프 모델에 의해 생성된 인공 바람은 통계 변수, 풍력에너지밀도, 계절별 평균 풍속, 주 풍향 등을 계측 자료와 비교를 통해 검증하기로 한다.

다국어 초록 (Multilingual Abstract)

The wind data measured from local meteorological masts is used to evaluate wind speed distribution and energy production in the specified site for wind farm However, wind data measured from meteorological masts often contain missing information or insufficient desired height or data length, making it difficult to perform wind turbine control and performance simulation. Therefore, long-term continuous wind data is very important to assess the annual energy production and the capacity factor for wind turbines or wind farms. In addition, if seasonal influences are distinct, such as on the Korean Peninsula, wind data with seasonal characteristics should be considered. This study presents methodologies for generating synthetic wind that take into account fluctuations in both wind speed and direction using the hidden Markov model, which is a statistical method. The wind data for statistical processing are measured at Maldo island in the Kokunnsan-gundo, Jeonbuk Province using the Automatic Weather System (AWS) of the Korea Meteorological Administration. The synthetic wind generated using the hidden Markov model will be validated by comparing statistical variables, wind energy density, seasonal mean speed, and prevailing wind direction with measurement data.

목차 (Table of Contents)

• ABSTRACT
• 초록
• Ⅰ. 서론
• Ⅱ. 본론
• Ⅲ. 결론
• References

참고문헌 (Reference)

• 1 장미, "은닉 마르코프 모델을 이용한 속도 변화가 있는 회전 기계의 상태 진단 기법" 한국소음진동공학회 22 (22): 413-421, 2012
• 2 유기완, "마르코프 사슬을 이용한 인공 바람 자료의 생성 및 통계적 검증" 한국풍력에너지학회 12 (12): 13-18, 2021
• 3 Cadenas, E., "Wind speed forecasting in the South Coast of Oaxaca" 32 (32): 2116-2128, 2007
• 4 Khiatani, D, "Weather Forecasting Using Hidden Markov Model" 220-225, 2017
• 5 Kim, C. K., "Site selection for offshore wind farms in the southwest coast of South Korea" 120 : 151-162, 2018
• 6 "NREL Transforming ENERGY, Geospatial Data Science Wind Data"
• 7 Balzter, H., "Markov chain models for vegetation dynamics" 126 : 139-154, 2000
• 8 "IEC61400-1 International Standard"
• 9 Jafarzadeh, S, "Hour-ahead wind power prediction for power systems using Hidden Markov Models and Viterbi Algorithm" 1-6, 2010
• 10 Varga, A. P, "Hidden Markov model decomposition of speech and noise" 2 : 845-848, 1990
• 11 Torres, J. L., "Forecast of hourly average wind speed with ARMA models in Navarre" 79 (79): 65-77, 2005
• 12 Garcia, J. L. T., "Forecast of daily output energy of wind turbine using sARIMA and nonlinear autoregressive models" 11 (11): 1-15, 2019
• 13 Shamshad, A., "First and Second order Markov chain models for synthetic generataion of wind speed time series" 30 : 693-708, 2005
• 14 Basile, S., "Analysis and modeling of wind directions time series" 1190-1193, 2013
• 15 Rabiner, L. R., "A tutorial on hidden markov models and selected applications in speech recognition" 77 (77): 257-286, 1989