중규모 수치모델 WRF를 이용한 강원 지방 하층 풍속 예측 평가
서범근1·변재영2,*·임윤진1·최병철3
1국립기상과학원 응용기상연구과, 697-845, 제주특별자치도 서귀포시 서호북로 33
2국립기상과학원 지구환경시스템연구과, 697-845, 제주특별자치도 서귀포시 서호북로 33
3국립기상과학원 관측예보연구과, 210-702, 강원도 강릉시 죽헌길 7
Evaluation of Surface Wind Forecast over the Gangwon Province using the Mesoscale WRF Model
Beom-Keun Seo1, Jae-Young Byon2,*, Yoon-Jin Lim1, and Byoung-Choel Choi3
1Applied Meteorological Research Division, National Institute of Meteorological Research, Seogwipo 697-845, Korea
2Global Environment System Research Division, National Institute of Meteorological Research, Seogwipo 697-845, Korea
3Forecast Research Division, National Institute of Meteorological Research, Gangneung 210-702, Korea
Abstract: This study evaluates the wind speed forecast near the surface layer using the Weather Research Forecasting with Large Eddy Simulation (WRF-LES) model in order to compare the planetary boundary layer (PBL) parameterization with the LES model in terms of different spatial resolution. A numerical simulation is conducted with 1-km and 333-m horizontal resolution over the Gangwon Province including complex mountains and coastal region. The numerical experiments with 1-km and 333-m horizontal resolution employ PBL parameterization and LES, respectively. The wind speed forecast in mountainous region shows a better forecast performance in 333-m experiment than in 1-km, while wind speed in coastal region is similar to the observation in 1-km spatial resolution experiment. Therefore, LES experiment, which directly simulates the turbulence process near the surface layer, contributes to more accurate forecast of surface wind speed in mountainous regions.
Keywords: numerical model, WRF-LES, planetary boundary layer, wind speed forecast, surface layer
요 약: 큰 에디 모의과정을 포함한 WRF 모델 (WRF-LES)을 이용하여 수치모델의 수평공간 규모에 따른 대기경계층 모수화 실험과 LES 모의 결과를 지표층 근처의 풍속 예측에 대하여 비교하였다. 수치실험은 복잡한 산악지형과 해안 지역을 포함하는 강원도 지역에서 수평해상도 1 km와 333 m 실험을 수행하였다. 수평해상도 1 km 실험은 대기경계층 모수화 방안을 채택하였으며, 333 m 실험에서는 LES를 이용하였다. 복잡한 산악지역에서의 풍속 예측의 정확성은 수평 해상도 1 km 실험 보다 333 m 실험에서 향상되었으며 해안지역에서는 1 km 실험에서 관측과 더 일치하였다. 지표층 근처의 큰 난류를 직접 계산하는 LES 실험은 산악지역의 풍속예측 개선에 기여하였다.
주요어: 수치모델, WRF-LES, 대기경계층, 풍속예측, 지표층
서 론
지표층 풍속은 지면 근처의 에어러졸 수송, 지면 토양 침식과 관련된 분석을 위한 자료제공과 대기-해 양 또는 대기-지면의 상호 작용 연구에 활용될 수 있 다(Halpern et al., 1994; Yin, 2000). 대기-해양 또는 대기-지면의 상호작용 분석을 위한 열과 수증기 플럭 스(flux) 계산을 위해서는 지면 풍속이 필요하나 한정
*Corresponding author: [email protected]
*Tel: +82-64-780-6704
*Fax: +82-64-738-6515
This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://
creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
된 지역에서의 관측과 선박이나 위성 관측에 의존하 므로 시공간적으로 균질한 바람정보 수집에 한계가 있다.
한편, 기후변화와 에너지 고갈 문제를 해결하고자 차세대 에너지로서 온실가스 배출이 없는 친환경의 신·재생에너지를 개발하기 위한 노력을 하고 있다.
풍력에너지는 신·재생에너지 중에서도 개발 비중과 기술 진척도가 점차 높아지고 있다(IEA, 2013). 우리 나라도 풍력에너지 생산 효율성을 높이고 잠재적 풍 력에너지를 지속적으로 개발하기 위한 노력이 필요하 다. 풍력 발전은 지표로부터 고도 50-80 m의 풍속을 이용하여 에너지를 생산한다. 그러므로 정확한 지표 층 풍속의 진단과 평가는 풍력 발전을 위하여 중요 하다.
하층 풍속에 대한 정보는 지상관측과 원격탐사 관 측 방법을 이용할 수 있다. 지상 관측은 풍속의 표준 관측고도인 10 m에서 바람을 관측한다. 그러나 풍력 발전을 위한 터빈의 고도는 50 m 이상이므로 지상 10 m 바람을 직접 이용할 수는 없다. 상층의 바람을 관측하기 위하여 기상관측탑(Mast)와 윈드 라이다 (Wind LIDAR, Light Detection And Ranging)를 활 용한다. 기상관측탑 관측은 대상 지역에서만 관측하 는 포인트 관측 자료이며 특별한 관측 목적을 가지 고 수행되므로 자료 획득이 어렵다. 윈드 라이다 관 측은 원격탐사 방법에 의해 관측되는 방법이므로 자 료의 신뢰성 확보를 위한 검증 연구가 필요하다. 이 에 반에, 수치모델과 재분석 자료는 여러 지역의 균 일한 지표층 풍속 수집이 유용하다.
수치모델에 의한 풍속 예측은 고해상도의 지형과 지표이용도 자료를 이용하여 지형과 지표 특성에 의 해 변화하는 하층 바람의 특성을 반영할 수 있다. 또 한 수치모델은 설계에 따라 풍력발전 터빈의 고도 50, 80 m 등의 정밀한 하층 바람 계산이 가능하다.
최근 미국, 덴마크, 노르웨이, 홍콩 등에서는 중규모 수치모델을 이용하여 하층 풍속을 평가하고 있다 (Yim et al., 2007; Byrkjedal and Berge, 2009). 중규 모 수치 모델은 컴퓨팅 기술의 발전과 물리과정의 개선으로 1 km 이하의 격자 간격에 대해서 구현되고 있다(Byon et al., 2009; Byon et al., 2013; Lee, 2011; Seo et al., 2010). 그러나, 수치모델은 모델의 불완전성에 의한 오차가 발생할 수 있으며 정확도 향상을 위해 자료동화가 적용되고 물리과정이 지속적 으로 개선되고 있다. 또한 전산 자원의 성능이 향상
됨에 따라 고해상도 수치모의 수행이 가능해져 정확 도가 향상되고 있다. 특히 지표면 근처의 풍속은 지 표 특성, 건물 또는 지형 등의 장애물 영향에 의해 크게 변화하므로 고해상도 수치모델이 필요하다. 고 해상도의 수치모델은 모수화 방안을 이용하는 저해상 도 수치실험과는 다른 물리과정의 직접계산이 가능하 다. 즉, 대기경계층 난류의 직접 계산이 가능하다. 그 러나, 해상도 증가와 난류과정의 직접 계산은 방대한 전산자원이 소모되는 단점이 있다.
대기경계층은 대기 오염을 비롯하여 인간 생활에 직접적인 영향을 미치는 공간이며 수치예보,기후 예 측 등에도 결정적인 역할을 한다. 대기경계층의 예측 에서 난류 재현은 가장 중요한 요소이며, 난류를 모 의하기 위한 여러 방법이 있다. 난류 모의를 위한 DNS (Direct Numerical Simulation) 모델은 모든 크 기의 난류를 직접적으로 모의한다. 격자의 크기가 매 우 작기 때문에 실질적인 공간에 대해 적용하기 위 해서는 계산량이 매우 커지는 단점이 있다. 하지만 직접적인 난류 모의를 통해 가장 정확한 난류 정보 를 제공한다. LES (Large Eddy Simulation) 모델은 난류의 에너지 분포가 큰 크기에 대한 난류는 직접 적으로 수치모의하고 작은 크기의 난류는 모수화를 통해 모의하는 방식으로 구성된다. DNS 모델에 비해 계산량이 줄어 현실적인 모의 연구에 적용할 수 있 다. LES 모델의 지배 방정식은 Kim and Noh (1999) 의 식 (9)-(11)에서 제시되었으며, 각 계산 격자에서 의 난류를 직접 모의하나 격자와 격자 사이의 분해 되지 않는 지역에서의 난류는 모수화 방안을 이용하 여 그 효과를 큰 규모의 난류 계산에 반영한다. LES 모델에서는 난류항이 열 및 운동량을 수송할 정도로 작은 규모까지 계산되어 행성경계층이 생성된다.
그러므로 1 km 미만의 상세한 해상도의 수치모델 은 격자 내에서 난류를 고려해야 하므로 LES를 채택 하고 있으며 Moeng et al. (2007), Talbot et al.
(2012), Liu et al. (2011)의 연구 결과가 있다.
Moeng et al. (2007)은 Weather Research and Forecasting (WRF) 모델로 수평 격자 150 m와 50 m 에 대해서 ideal case로 대기경계층 모수화 방안을 대 신하고 난류 효과를 반영 할 수 있는 LES를 적용한 모의가 가능함을 보였다. Talbot et al. (2012)은 450, 150, 50 m에 대해서 실제 기상현상을 구현하고자 LES를 이용하고 평가하였다. Liu et al. (2011)는 WRF에 LES를 적용하여 풍력발전단지 내의 풍력에
너지 생산정보를 지원하기 위한 모델 환경을 구축하 고 풍력자원 정보를 생산하였다.
지표면 근처의 하층 풍속은 지표면 플럭스와 풍력 발전을 위해 정확한 예측이 필요하다. 선행 연구 결 과들은 수치모델을 이용하여 1 km 해상도 이하의 상 세한 풍속 수치자료를 생산할 수 있음을 보여주고 있다. 그러나 LES 모의는 많은 계산 시간이 소요되 므로 풍속의 정확성은 향상될 수 있으나 풍속 예측 의 실시간 정보 제공을 위해서는 비경제적이다. 또한, 지역에 따라서는 모수화 방안에 의해서만 우수한 정 확도의 지표층 풍속 예측이 가능하다고 사료된다. 그 러므로, 효율적인 수치 모델 운영을 위하여 지역별로 모델 해상도에 따라 대기경계층 모수화 방안과 LES 을 이용하여 하층 풍속을 모의하고 평가하고자 한다.
우리나라에서 강원도지역은 산악과 해안지역이 있 으므로 지형구조가 다양하고 복잡하여 풍속은 지역별 로 차이를 보인다. 본 연구는 강원도 지역을 대상으 로 지형구조에 따른 예측정확도의 차이가 모델의 수 평해상도에 따라 달라지는 것인지를 확인하기 위해서 수치모델을 이용하여 수평해상도 1 km와 333 m으로 예보 모의 조건을 각각 구성하고 하층 풍속을 평가 하였다. 검증은 수평해상도 별로 지역에 따라 강원도 산악지역에 위치한 풍력발전단지에서 집중 관측한 풍
속자료와 그 주변 기상관측소들의 바람자료를 활용하 여 지역별로 구분하여 비교 및 평가한다.
연구방법
수치실험 방법
본 연구에서 사용한 수치모델은 미국 National Center for Atmospheric Research (NCAR)에서 개발 한 WRF Version 3.2.1이다(Skamarock et al., 2008;
Wang et al., 2010). 모델의 설계조건은 Table 1과 같 다. 초기입력자료와 경계자료는 NCEP FNL (National Centers for Environmental Prediction Final) 재분석자 료이다. 이 자료는 6시간 간격으로 생산되어 저장되 고 있으며, 수평격자 간격은 약 100 km (1o)이다. 모 델 영역은 Fig. 1과 같이 수평 해상도를 27, 9, 3, 1 km, 333 m으로 구성하였다. 특히, 1 km 영역은 우 리나라의 주변 바다와 육지, 제주도, 백령도 등을 포 함하고 있으며, 333 m 해상도 영역은 본 연구에서 수행한 라디오 존데(Radiosonde) 집중 관측 지점이 포함된 강원도 지역이다. 모델의 연직층은 총 28개로 구성하였다. 미세물리 모수화 과정은 WRF Double- Moment 6 class (WDM6) 방안(Lim and Hong, 2010)이며, 적운 모수화 과정은 Kain-Fritsch 방안
Table 1. Configuration of numerical simulation
Model WRF version 3.2.1.
Initial and boundary data NCEP FNL
Domains size (Grid Size) Domain 1-4 (27 km - 9 km - 3 km - 1 km), Domain 5 (333 m) Number of vertical levels 28 Levels
Microphysics scheme WDM6a)
Cumulus parameterization scheme Kain-Fritsch (Domain1 & 2) Non cumulus (Domain3 & 4)
PBLb) scheme MYJc) TKE (Domain1-4)
LESd) (Domain 5)
LSMe) scheme RUCf)
Long wave radiation scheme RRTMgg) Short wave radiation scheme Goddard
Data assimilation FDDAh) (Grid nudging, applied on domain 1-2) Simulation periods 2010.10.08. 00 UTC-2010.10.21. 00 UTC WDM6 a): WRF Double-Moment 6-class
PBLb): Planetary Boundary Layer MYJc): Mellor-Yamada-Janijic LESd): Large Eddy Simulation LSMe): Land Surface Model RUCf): Rapid Update Cycle
RRTMgg): Rapid Radiative Transfer Model for GCMs FDDAh): Four Dimension Data Assimilation
(Kain, 2004)이다. 장파복사 모수화 과정은 Rapid Radiative Transfer Model for GCM (RRTMg) 방안 (Iacono et al., 2008)이고, 단파복사 모수화 과정은 Goddard 방안(Chou and Suarez, 1994)으로 설정하 였다.
본 연구에서 수평해상도 1 km 영역은 Mellor- Yamada-Janjic (MYJ) (Mellor and Yamada, 1974;
Janjic, 2002) 행성경계층(Planetary Boundary Layer, PBL) 모수화 방안을 사용한 실험(1 km 실험조건, 이 하 Exp_1km로 표기)으로 예측자료를 생산하였으며, 333 m 영역은 LES을 적용한 실험(333 m 실험조건, 이하 Exp_333m로 표기)으로 예측자료를 생산하였다.
여기서, 행성경계층 모수화 방안과 지면모델(Land Surface Model, LSM)은 Seo et al. (2010)에서 제시 한 바와 같이 각각 MYJ와 RUC (Rapid Update Cycle; Smirnova et al, 2000)을 채택하면 풍속 예측 성능이 향상되었기 때문에 본 연구에서는 선행 연구 결과를 따른다. Exp_1km은 27-1 km 해상도 영역에 대하여 MYJ 방안을 사용하고 2-way 네스팅(nesting) 기법으로 모의하였으며, Exp_333m는 333 m 해상도 영역에 대하여 격자내에 난류를 모의할 수 있는 LES 를 적용하고 Exp_1km에서 생산된 1 km 해상도 자료 를 이용하는 1-way 네스팅 기법으로 모의하였다. 본 실험에서 예보를 위한 모델운영은 1일 2회로 00
UTC와 12 UTC를 기준으로 24시간 예측자료를 생산 한 뒤 모델의 spin-up을 고려하여 초기 12시간은 제 외하고 나머지 12시간 예측자료만을 활용하였다. 활 용된 예측자료의 기간은 2010년 10월 8일 00 UTC 부터 2010년 10월 21일 00 UTC이다.
관측자료
지표층 근처에서 조밀한 연직의 풍속 관측자료를 수집하기 위하여 라디오존데를 이용한 집중관측을 수 행하였다. 관측 지점은 강원도 평창군 대관령면에 위 치한 대관령 풍력발전단지 내의 지점(위도: 37.7465o, 경도: 128.7171o)이다. 관측 수행 기간은 2010년 10 월 08일 00 UTC부터 2010년 10월 21일 00 UTC까 지이다. 관측주기는 6시간 간격으로 00, 06, 12, 18 UTC (09 15 21 03 LST)로 1일 4회 실시하였다. 관 측요소는 풍향, 풍속, 온도, 기압, 상대습도이며, 연구 에 활용한 자료는 Table 2에서 제시하였다.
집중관측지점 주변에는 대관령, 원주, 영월, 정선군, 북강릉, 강릉, 동해 지점에 기상청의 자동기상관측장 비(AWS: Automatic Weather System)가 설치 및 운 영되고 있다. 관측 지점들의 지점번호, 위도, 경도, 해수면고도 정보는 Table 3에 각각 기술하였다. 본 연구에서는 자동기상관측지점들을 바다와 인접한 정 도와 지형구조에 따라 내륙지점 (A그룹)과 해안지점 (B그룹)으로 구분하였다. Fig. 2에서는 집중관측지점 과 A그룹과 B그룹 지점의 위치를 표시하였다.
기상 개황
집중관측 기간 동안의 날씨 변화 경향을 살펴보기 위해서 Fig. 3에서는 집중관측지점과 가장 가까운 자 동기상관측지점인 대관령(AWS100)에서 관측된 기상 변수를 시계열과 집중관측의 라디오존데 자료로부터 1,000 m 이하에서 관측된 일별 풍향과 풍속 연직 분 포를 제시하였다. 풍향은 동풍과 서풍이 주로 형성되 었고, 풍속은 서풍일 때 강하게 나타났으며 평균 풍 Fig. 1. Map of the model domains which is used this study.
Inner boxes indicate the nested domains from domain 2 to domain 5.
Table 2. Summary of intensive observation at Daegwally- eong wind farm
Experiment period 2010.10.08. 00 UTC-2010.10.21. 00 UTC
Location
Latitude 37.7465oN Longitude 128.7171oW
Altitude 1141 m
Data Wind speed, Wind direction, Relative humidity, Temperature, Pressure
속은 약 2.8 ms−1이다. 풍속은 해가 뜨는 시간부터 점 차 강해지고 해가 지는 시간부터는 약해지는 일변화 를 보였다. 이러한 현상은 온도의 일변화와 같은 패 턴을 보이는데 대관령은 해발고도가 1,000 m가 넘는 높은 산지로서 해가 뜬 직후에는 지면이 쉽게 가열 되어 대기상태가 불안정하여 바람이 발생되고 저녁에 는 빠르게 냉각되면서 주변 대기가 안정화되어 바람 이 감소하는 것으로 판단된다.
집중관측 기간 동안 특징적인 기상요소는 다음과 같다. 풍속은 287일(2010년 10월 14일)-290일(2010년 10월 17일)에 약 6 m s−1 이상 세기가 집중적으로 발 생하였다. 풍속의 연직분포는 지상의 강풍시기에 풍 속이 14 m s−1 이상으로 강하게 나타났다. 풍속 변화 는 관측기간 동안에 풍속의 일반적인 일변화 외에도 강풍 사례가 있었음을 보인다. 강수는 281일 (2010년 10월 8일), 286일(2010년 10월 13일), 294일(2010년
10월 21일)은 시간당 약 1 mm 이하로 나타났다. 기 압은 강수 현상이 발생한 직후에 감소하였다.
결 과
대관령 집중관측 결과와의 비교
대관령의 하층풍속에 대하여 수치모델의 모의 능력 을 평가하기 위해서 지상 80 m의 수치모델의 해상도 별 자료와 집중관측 자료를 서로 비교 및 검증하고 자 한다. 관측자료는 라디오존데가 고도 별로 풍향, 풍속을 측정하므로 80 m 높이에 대한 자료를 산출 할 수 있다. 수치모델은 연직층 별로 기상자료를 생 산하므로 각 연직층의 자료들에서 80 m 높이에 대한 바람자료를 산출한다.
Fig. 4는 지상 80 m에서 관측된 풍속과 Exp_1km 과 Exp_333m 별 예측 풍속의 시계열이며 관측과 실 Table 3. Information of the Korea Meteorological Administration (KMA) automatic weather stations around observation site in this study. Group A and B are categorized according to station altitude. Group A and B are located in complex mountainous region and coastal region, respectively
Group station ID Station name Latitude (o) Longitude (o) Altitude (m)
A
AWS100 Daegwallyeong 37.67713, 128.71833 772.75
AWS114 Wonju 37.33756 127.9466 148.64
AWS121 Yeongwol 37.18126 128.45743 240.60
AWS217 Jeongseon Gun 37.3813 128.6461 307.40
B
AWS104 Bukgangneung 37.80456 128.85535 78.9
AWS105 Gangneung 37.75147 128.89098 026.04
AWS106 Donghae 37.507008, 129.12433 039.91
Fig. 2. Locations of the intensive observation site and automatic weather stations. Intensive observation site in this study is marked by star. The group A sites are marked by triangle. The group B sites are marked by circle.
험 조건의 풍속 예측 결과 비교이다. 예측된 풍속은 관측과 유사한 경향을 보였다. 그러나 풍속이 7 m s−1 이상의 강풍사례에서 모델은 과소예보 되었고 수평해 상도가 1 km에서 333 m로 증가하면서 관측과의 오차 는 감소하였다. 실제로 285일(2010년 10월 12일)과
290일(2010년 10월 17일)은 관측된 풍속이 최대 12 m s−1 이상이었지만 모의된 풍속은 과소 예보되었 고 해상도가 증가하면서 이 시기에 최대 풍속이 약 9 m s−1 이하에서 10 m s−1 이하로 예보되어 관측과의 오차가 감소하였다. 또한, 288일(2010년 10월 15일) Fig. 3. (a) Time-series of wind speed, wind direction, pressure, temperature, humidity, precipitation sensing, and hourly precipita- tion amount at Daegwallyeong AWS operated by Korea Meteorological Administration (KMA) during intensive observation period. (b) Vertical wind profile measured by radiosonde at wind farm from ground level to 1,000 m.
에는 Exp_333m에서 최대풍속 예보 시간이 Exp_1km 보다 관측과 더욱 일치하였다. 289일(2010년 10월 16일)에는 관측된 최대풍속이 17 m s−1이지만 Exp_1km 과 Exp_333m에서 예측된 최대풍속은 각각 18, 19 m s−1으로 과대모의 되었다. 이 시기 동안에 두 예측 실험은 풍속이 급변하는 Ramp 현상이 발생하여 최 대풍속이 나타난 시간이 관측보다 약 6시간 늦게 예 보되었다.
Ramp 현상은 Cutler and Kay (2007), Ferreira et al. (2010), Yang et al. (2013) 등에 의한 다양한 정 의가 있으며, 이들을 종합하면 2-4시간 이내에 풍력 에너지 최대발전량의 50-60% 이상이 차이가 날 때를 말한다. 풍력에너지의 최대 발전량은 풍력발전기의 풍속 별 발전량 자료를 통해서 산출할 수 있으나 풍 력발전기의 풍속 별 발전량 자료는 제조사에서 공개 를 하지 않지만 일반적으로 풍속이 약 3 m s−1 이상 일 때 풍력에너지 발전이 시작되고 약 12 m s−1까지 는 풍력에너지 발전량이 기하급수적으로 증가하다가 그 이후에는 풍속이 강해지더라도 에너지 발전량은 일정해진다. 그리고 약 20 m s−1이상에서는 풍력발전 기의 손상을 막기 위하여 가동을 인위적으로 차단하 여 에너지 생산을 중단한다. 본 연구에서는 풍력에너 지가 아닌 풍속이 기준이므로 명확히 Ramp 현상을 구분하기는 어렵다. 이론적으로 풍력에너지 발전량은 풍속의 3제곱에 비례한다(Byon et al., 2013). 따라서 본 연구에서는 풍속이 4 m s−1 이상에서 2-4시간 이내
에 풍속차이가 약 2배 이상 차이가 날 경우에 Ramp 현상이라고 판단한다.
대관령에서 관측된 고도 80 m의 평균풍속은 5.84 m s−1이며, 예측된 Exp_1km과 Exp_333m의 평균풍속 은 각각 5.30, 5.13 m s−1이다. Bias는 해상도 실험 조 건 별로 각각 −0.54, −0.74 m s−1이며 Root Mean Square Error (RMSE)는 각각 2.46, 2.67 m s−1이다. 이와 같 은 통계지표로부터 Exp_1km 오차는 Exp_333m보다 적었다. 앞에서 설명한 것처럼 강한 풍속 시기에는 Exp_333m가 관측과의 풍속 오차가 적었지만 통계적 오차가 높은 것은 4ms−1이하의 약한 풍속에서 Exp_1km 이 오차가 적었기 때문이다.
Fig. 4b는 관측된 풍속과 Exp_1km과 Exp_333m의 예측된 풍속에 대한 산포도 분석이다. 관측된 풍속이 4 m s−1 이하일 때 수치모델은 Exp_333m에서 2 m s−1 으로 과소 예측된 사례가 Exp_1km보다 많았다. 관 측이 약 7 m s−1일 때 Exp_1km은 약 12 m s−1로 과대 예측되었으며, 관측이 약 11-13 m s−1 구간에서 4-6 m s−1로 예측되었다. Exp_333m는 관측이 11-13 m s−1 구간에서 3-6 m s−1으로 예측되었다. 이러한 차이는 시계열변화에서 알 수 있듯이 수치모델이 Ramp 현 상을 정확한 시간에 예측하지 못하였기 때문이다. 추 후에는 Ramp 현상에 대해 정확한 예측를 위해서는 정확도가 높은 초기경계자료를 모델에 활용하고 모의 영역에 대한 Wind Profiler, Radio Sonde등의 종관 관측자료와 예측 지점에 대한 Wind LIDAR등의 지 Fig. 4. (a) Time-series of the wind speed at 80 m height above ground level. Shaded area indicates observed wind speed, solid and dashed lines are wind speed of 1 km and 333 m horizontal resolution. (b) Scatter plot among observation, 1 km resolution model, and 333 m resolution model. Plus mark is comparison of wind speed between observation and simulation of 1 km resolu- tion and cross mark is comparison of wind speed between observation and simulation of 333 m resolution.
점 관측자료를 모델에 자료동화 하는 방안으로 예측 능력을 향상하기 위한 개선연구가 필요하다. 모의된 풍속과 관측간의 선형 회귀분석 결과는 해상도가 증 가하면서 선형회귀선의 기울기가 0.748에서 0.810로 증가하였고 y절편도 0.943에서 0.399으로 감소하여 상관관계가 증가하였다. 이러한 결과는 풍력에너지
발전량에 영향을 주는 풍속 세기 이상에서 Exp_333m 일 때 예보 능력이 향상 되었음을 알 수 있다.
Fig. 5는 집중관측기간의 지상 80 m 높이에서 관측 된 풍속과 Exp_1km과 Exp_333m로 예보된 풍속을 각각 1 m s−1 간격으로 구분한 구간 별 빈도수 분포 이다. 풍력에너지는 약 80 m 고도에서 형성된 하층바 Fig. 5. (a) Frequency distributions of the observed wind speed of 80 m above ground level at wind farm during intensive obser- vation period. (b) Same as (a), but for the simulation with 1 km horizontal resolution, and (c) same as (a), but for the simula- tion with 333 m horizontal resolution.
Fig. 6. (a) Bias of wind speed at Group A with 1 km and 333 m resolution experiment. (b) RMSE of wind speed at Group A with 1 km and 333 m. (c) Same as (a), but for Group A. (d) Same as (b), but for Group B.
람을 이용하여 생산되므로 수치모델의 예측 풍속 정 보는 에너지 생산량을 예측할 수 있다. 풍력에너지는 풍속에 따라 발전량이 달라지므로 풍력발전이 가능한 지점에서 예측된 하층 풍속 별 분포를 알 수 있다면 그 지점의 풍력에너지 발전량 예측이 가능하므로 풍 속 별 빈도분포는 매우 유용한 정보가 된다.
수치모델의 해상도 별 실험 조건에서 예측된 풍속 범위는 Exp_1km에서 1-18 m s−1이며 Exp_333m에서 0-19 m s−1. 모델과 관측의 풍속 별 빈도수는 풍속의 크기 증가에 따라 점차 증가한 후 5-8 m s−1 이상에서 감소하고 있다. 관측된 풍속은 2-3 m s−1 구간과 4-5 m s−1 구간에서 각각 8 %로 가장 빈번하게 발생하였 다. Exp_1km은 3-4 m s−1 구간에서 10%로 가장 높은 빈도수를 나타내며, Exp_333m는 2-3 m s−1 구간의 빈 도수에서 최대값 9%를 보였다. Exp_333m는 관측과 Exp_1km에서 나타나지 않았던 0-1 m s−1 구간도 모의 되었다. 8 m s−1 이상 강풍사례의 전체 빈도수는 관측 과 Exp_1km에서 약 22%을 차지하였고, Exp_333m 에서는 18%의 분포로 관측과 해상도 별 실험 조건 간의 차이는 적었다. Exp_333m는 1 m s−1이하 풍속
을 과대 예측하였으며 8 m s−1 이상의 강한 풍속에서 는 저해상도의 실험(Exp_1km)보다 관측과의 예측오 차가 적었다. 그리고 Exp_333m가 앞에서 언급한 풍 력에너지 발전과 관련된 풍속 구간인 3-12 m s−1에서 Exp_1km보다 관측과 유사한 풍속 별 빈도로 예측하 였다.
자동기상관측자료를 이용한 검증
Fig. 6은 Table 3에서 제시된 A그룹(내륙)과 B그룹 (해안)으로 구분된 자동기상관측소 지점 별로 해상도 에 대한 Exp_1km과 Exp_333m 조건에서 지상 10 m 높이 풍속의 예측오차이다. 수평해상도가 1 km에서 333 m로 높아지면서 A그룹의 관측지점들에서 Bias는 51.9-83.9% 감소하고 RMSE도 13.1-43.5% 감소하였 으며, B그룹의 지점들은 Bias가 24.3-94.7% 감소하였 고 RMSE는 8.3-15.2% 감소하였다. A그룹의 지점들 은 동해 지점의 Bias 변화를 제외한 B그룹의 관측지 점들보다 더 큰 폭으로 오차가 감소하였다. 수치모델 의 수평해상도가 1 km에서 333 m로 증가하면서 모델 지형 조건이 복잡한 산악지역을 더욱 상세하게 반영 Fig. 7. (a) Frequency distributions of wind speed at AWS121 (Yeongwol station, top) and AWS114 (Wonju station, bottom) in group A during intensive observation period. (b) Same as (a), but for the simulation with 1 km horizontal resolution. (c) Same as (a), but for the simulation with 333 m horizontal resolution.
하고 대기경계층 모수화 대신 LES를 적용하여 지상 10 m 바람이 지형에 의한 풍속 감소, 풍향 변화 등이 현실성 있게 모의되므로 오차가 감소한 것으로 판단 된다. Exp_1km에 대하여 B그룹의 RMSE는 1.4- 1.8 m s−1이고 A그룹의 RMSE는 1.2-2.0 m s−1으로 지 역 간의 오차 차이는 B그룹이 A그룹보다 적었다.
Exp_333m에서 A그룹은 B그룹보다 RMSE의 값이 적었지만 지점간의 오차편차는 0.6 m s−1으로 B그룹 보다 높았다. A그룹의 관측지점들은 Fig. 2에 표시된 것처럼 B그룹의 지점들보다 내륙지역이고 복잡한 산 악 지역이므로 지점별로 모의된 풍속의 오차는 지역 마다 차이가 큰 것으로 사료된다.
A, B그룹에 대하여 지점 별로 관측, Exp_1km, Exp_333m의 풍속 크기 별 빈도는 Fig. 7과 Fig. 8.
에서 각각 알 수 있다. A그룹에 대하여 관측은 1 ms−1 이하에서 발생한 풍속 빈도가 다른 풍속 구간보다 높았으며 풍속이 점차 강해지면서 빈도는 감소하였다.
Exp_1km은 1-2 m s−1 구간에서 빈도가 가장 높게 나 타났지만, Exp_333m에서는 관측과 같이 1 m s−1 이 하에서 빈도수가 가장 높게 모의되었다. A그룹에 대
한 Exp_333m의 풍속 별 빈도 분포는 풍속이 점차 강해질수록 빈도가 감소하는 특징을 보여 관측과 일 치하였다(Fig. 7). Fig. 8의 B그룹에서는 관측과 Exp_1km이 1-2 m s−1에서 높은 빈도를 나타냈으며 Exp_333m는 1 m s−1 이하에서 높은 빈도를 보였다.
이러한 A, B그룹 지역 별 풍속 별 빈도 분포의 다른 특징으로 풍속은 모델 해상도를 높이고 LES를 적용 하더라도 모든 지역에서 오차가 감소하지 않는 것으 로 판단된다. 최대풍속은 A그룹과 B그룹에서 수치모 델이 수평해상도 조건에 상관없이 관측보다 높게 모 의하였다.
수평 해상도가 증가하면서 모델은 복잡한 지형을 상세하게 구성하게 된다. 모델의 지형조건이 실제 지 형과 유사하고 상세하게 구성되고 모의된 하층 바람 은 오차가 감소하게 된다. 그래서 지형이 복잡한 지 역은 수평해상도 Exp_1km이 과대 예측되는 경향이 Exp_333m에서 감소하게 된다. 그렇지만 Exp_333m 는 모든 영역에 대하여 1 m s−1 이하의 풍속사례는 과 대 예측하는 한계점이 있으므로 풍속에 영향을 주는 초기입력자료, 거칠기 길이 등의 개선이 필요하겠다.
Fig. 8. (a) Frequency distributions of wind speed at AWS104 (Bukgangneung station, top) and AWS106 (Donghae station, bot- tom) in group B during intensive observation period. (b) Same as (a), but for the simulation with 1km horizontal resolution. (c) Same as (a), but for the simulation with 333 m horizontal resolution.
결 론
우리나라 강원도 지역은 지형구조가 다양하고 복잡 하므로 하층 풍속의 예측이 어렵다. 본 연구에서는 산지, 해안 등 다양한 지형구조를 갖는 강원도 일부 지역을 대상으로 해상도를 1 km와 333 m조건으로 각 각 적용한 수치모델 실험을 이용하여 수평 해상도와 경계층 모수화 개선에 따른 하층 풍속의 예측 정확 도를 평가하고자 한다.
수치모델의 모의조건은 총 5개의 도메인으로 구성 하였으며 우리나라의 모든 영역은 1 km 해상도로 설 정하였고 연구대상지역인 강원도 영역은 333 m 해상 도로 설정하였다. 경계층 모수화 방안은 1 km 해상도 영역까지는 MYJ 모수화 방안을 사용하였으며, 333 m 해상도 영역은 난류를 모의할 수 있는 LES을 적용 하였다. 모의 기간은 2010년 10월 08일 00 UTC부터 2010년 10월 21일 00 UTC까지이다. 하층 풍속의 예 측성능 비교와 검증은 대관령의 한 지점에서 라디오 존데를 이용하여 집중 관측한 80 m 풍속자료와 집중 관측지점 주변에 위치한 자동기상관측소의 10 m 풍속 자료를 이용하였다. 실험기간 동안의 날씨는 강풍사례 와 강수사례가 관측되었으며, 강풍사례일 때는 서풍이 며 연직으로 지상 1000 m까지 강풍이 나타났다.
집중관측자료로부터 수치모델의 하층(지상 80 m 높이) 풍속 예측결과를 비교하면 관측된 평균풍속은 5.84 m s−1이고 예측된 Exp_1km와 Exp_333m의 평균 풍속은 각각 5.30, 5.13 m s−1였다. 수치모델의 풍속은 8 m s−1 이상 강풍사례에서 과소예보가 되었으며 이 시기에는 해상도 조건이 1 km에서 333 m로 증가하면 서 관측과의 오차는 감소하였다. 풍속이 4 m s−1 이하 일 때는 Exp_1km가 Exp_333m보다 오차가 적었다.
풍속의 세기에 따라 해상도 별 관측과의 오차는 서 로 상이하게 나타났음을 알 수 있다. 집중관측기간 동안에 Exp_1km와 Exp_333m별 예측된 풍속자료와 관측된 풍속의 선형 회귀분석을 각각 실시하면 Exp_333m 가 대관령 집중관측에 대한 예측 성능이 향상되었음 을 알 수 있다. 집중관측기간 동안에 Ramp 현상으로 최대풍속이 관측되었는데 수치모델에서는 관측보다 약 6시간 늦게 예측하여 수치모델이 풍속의 급변화 를 예보하는 시간차이를 보였다. 풍속 별 빈도분포에 서 Exp_333m가 관측과 Exp_1km에서 나타나지 않 았던 1 m s−1이하 풍속을 모의하였지만 풍속이 5 m s−1 이상으로 점차 강해지면서 관측의 풍속 별 빈도 분
포의 차이는 감소하였다.
넓은 영역의 하층풍속 평가는 집중관측지점 주변의 여러 자동기상관측 지점들을 내륙 산간지역에 위치한 지점들과 연안에 인접하고 완만한 지역에 위치한 지 점들을 A그룹 지역과 B그룹 지역으로 구분한 후 Exp_1km와 Exp_333m 별로 각각 비교하였다. 각 지 점별로 관측과 예측된 풍속 오차는 1 km에서 333 m 로 해상도가 증가하면서 A, B그룹에 대하여 모두 감 소하였다. A그룹은 내륙지점이면서 복잡한 산악지역 이므로 A그룹의 풍속 오차가 B그룹의 오차보다 높 은 것으로 판단된다. 특히, A그룹에서 Exp_333m에 서 Exp_1km보다 RMSE가 최대 1/3로 감소하는 개 선 효과를 보였다. 또한 풍속 별 빈도 분포에서 A 그룹에서는 Exp_333m가 Exp_1km보다 관측과 유사 한 빈도수를 나타냈으며 B그룹에서는 Exp_1km에서 예측된 풍속 별 빈도수는 Exp_333m보다 관측과 유 사하였다.
수치모델은 수평해상도가 증가할수록 복잡한 지형을 상세하게 구성하고 모의할 수 있다. 그래서 Exp_333m 은 복잡한 지형의 영역에 대하여 하층풍속을 예측할 때 Exp_1km보다 현실성이 있는 풍속분포를 예측하 게 된다. 그러나 Exp_333m가 해안지역과 같이 완만 한 지형에서 약한 풍속사례에 대해 1 m s−1 이하 풍 속을 Exp_1km보다 과대 예측하는 경향이 있기 때문 에 Exp_333m는 지형 구조와는 상관없이 모든 영역 에서 정확도를 향상시키기 위한 개선의 노력은 요구 된다.
국립기상연구소는 WRF 모델을 이용하여 1 km 해 상도의 풍력 기상자원지도를 개발하였다. 풍력 기상 자원지도의 검증 결과는 오차가 존재하며 지속적인 개선이 필요하다. 개선을 위한 방법 중 하나는 1 km 미만의 고해상도 자원지도 개발이다. 그러므로 본 연 구 결과에 근거하여 복잡한 지형에서는 LES 모델을 활용하여 고해상도의 풍력기상자원지도 개발에 기여 할 수 있을 것으로 사료된다. 또한 풍력발전 단지는 바람이 강한 산악지역 또는 해상풍이 강한 해상지역 에 위치한다. 지형이 복잡한 산악 지역의 풍력발전단 지에서는 난류를 고려하는 LES 모델을 적용하여 수 치모델을 운영한다면 하층 풍속 예측 오차가 감소하 므로 풍력발전 예측에 활용할 수 있으며, 해상풍력 발전단지에서는 1 km 격자의 대기경계층 모수화 방 안을 이용하여 풍력 예측에 활용할 수 있다고 판단 된다.
감사의 글
이 연구는 국립기상과학원 “응용기상기술 개발 연 구”의 일환으로 수행되었습니다.
References
Bykjedal, O., and Berge, E., 2009, The use of WRF for wind resource mapping in Norway. 9th WRF user’s workshop, National center for atmospheric research, Boulder, CO, USA, 9-18.
Byon, J.-Y., Choi, Y.-J., and Seo, B.-K., 2009, Numerical simulation of local circulation over the Deachung lake area by using the mesoscale model. Journal of Korean Earth Science Society, 30(4), 464-477. (in Korean) Byon, J.-Y., Kang, M.-S., and, Jung, H.-S., 2013,
Evaluation of wind turbine efficiency of Haengwon wind farm in Jeju island based on Korean wind map.
Journal of Korean Earth Science Society, 34(7), 633- 633. (in Korean)
Chou, M.-D., and Suarez, M.J., 1994, An efficient thermal infrared radiation parameterization for use in general circulation model. National Aeronautics Space Administration Technical Memo.104606, 3, Greenbelt, MD, USA, 85 p.
Cultler, N., and Kay, M., 2007, Detecting, categorizing and forecasting large ramps in wind farm power output using meteorological observations and WPPT. Wind Energy, 10, 453-470.
Halpern D., Hollingsworth, A., and Wentz, F., 1994, ECMWF and SSM/I global surface wind speed. Journal of Atmospheric and Oceanic Technology, 11, 779-788.
Ferreira, C., Game, J., Matias, L., Botterud, A., Wang, J., 2010, A survey on wind power ramp forecasting.
Report ANL/DIS-10-13. Argonne National Laboratory, Chicago, IL, USA, 40 p.
Iacono, M.J., Delamere, J.S., Mlawer, E.J., Shephard, M.W., Clough, S.A., and Collins, W.D., 2008, Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models. Journal of Geophysical Research, 113, D13103, doi:10.1029/
2008JD009944.
IEA, 2013, Tracking clean energy progress 2013, Paris, France, 154p.
Janjic Z.I. 2002, Nonsingular implementation of Mellor- Yamada Level 2.5 scheme in the NCEP meso model.
National Centers for Environment Prediction Office Note, 437, Greenbelt, MD, USA, 61 p.
Kain, J.S., 2004, The Kain-fritsch convective parameterization an update. Journal of Applied Meteorology, 43, 17-181.
Kim, H.J., and Noh Y., 1999, Simulation of convective boundary layer using a new large eddy simulation
model with the analysis on the effects of subgrid parameterization. Journal of Korean Meteorological Society, 35(4), 587-598. (in Korean)
Lee, S.-H., 2011, A Numerical study on the characteristics of high resolution wind resource in mountainous areas using computational fluid dynamic analysis. Journal of Korean Earth Science Society, 32(1), 46-56. (in Korean) Lim, K.-S.S., and Hong, S.-Y., 2010, Development of effective double-moment cloud microphysics scheme with prognostic cloud condensation nuclei (CCN) for weather and climate models. Monthly Weather Review, 138, 1587-1612.
Liu, Y., Warner, T., Liu Y., Vincent C., Wu, Wanli, Mahoney, b., Swerdlin, S., Parks, K., and Boehnert, J., 2011, Simultaneous nested modeling from the synoptic scale to the LES scale for wind energy applications.
Journal of Wind Engineering and Industrial Aerodynamics, 99, 308-319.
Mellor, G.L., and Yamada, T., 1974, A hierarchy of turbulence closure models for planetary boundary layers.
Journal of Atmospheric Science, 31, 1791-1806.
Moeng, C.-H., Dudhia, J., and Sullvian P. 2007, Examining two-way grid nesting for large eddy simulation of the PBL using the WRF model. Monthly Weather Review, 135, 2295-2311.
Seo, B.-K., Byon, J.-Y., Choi, Y.-J., 2010, Sensitivity evaluation of wind fields in surface layer by WRF-PBL and LSM parameterizations. Atmosphere, 20(3), 219- 332. (in Korean)
Skamarock, W.C., Klemp, J.B., Dudhia, J., Gill, D.O., Barker, D.M., Duda, M.G., Huang, X.-Y., Wang, W., Powers, J.G., 2008, A description of the advanced research WRF version 3. NCAR/TN-475+STR, National Center for Atmospheric Research, Bounder, CO, USA, 113 p.
Smirnova, T.G., Brown, J.M., Benjamin, S.G., and Kim, D.S., 2000, Parameterization of cold-season processes in the MAPS land-surface scheme. Journal of Geophysical Research, 105(D03), 4077-4086, doi:10.1029/1999 JD901047.
Talbot, C., Bouzeld, E. and Smith, J., Nested mesoscale large-eddy simulation with WRF: performance in real test cases. Journal of Hydrometeorology, 13, 1421-1441.
Wang, W., Bruyere, C., Duda, M., Dudhia, J., Gill, D., Lin, H.C. Michalakes, J., Rizvi, S. and Zhang X., 2010, Weather research & WRF ARW version 3 modeling system user’s guide. National Center for Atmospheric Research, Boulder, CO, USA, 350 p.
Yang, Q., Berg, L.K., Pekour, M., Fast J.D., and Newsom R.K., 2013, Evaluation of WRF-predicted near-hub- height winds and ramp events over a pacific northwest site with complex terrain. American Meteorological Society, 52, 1753-1763.
Yim, S.H.L., Fung, J.C.H., Lau, A.K.H., and Kot, S.C., 2007, Developing a high-resolution wind map for a complex terrain with a coupled MM5/CALMET system.
Journal of Geophysical Research. 112, D05106,
doi:10.1029/2006JD007752.
Yin, X., 2000, Surface wind speed over land: A global view. Journal of Applied Meteorology, 39, 1861-1865.
Manuscript received: November 20, 2014 Revised manuscript received: January 15, 2015 Manuscript accepted: February 18, 2015
