Manuscript Received on July 2, 2019, Accepted on October 2, 2019
1 KEPCO Research Institute, Korea Electric Power Corporation, 105 Munji-ro Yuseong-gu, Daejeon 34056, Republic of Korea
2 Department of Energygrid, Sangmyung University, 20 Hongjimun 2-gil Jongno-gu, Seoul 03016, Republic of Korea
Development of Prediction Model for Renewable Energy Environmental Variables Based on Kriging Techniques
크리깅 기법 기반 재생에너지 환경변수 예측 모형 개발
Youngdo Choy
1, Jahyun Baek
1, Dong-Hoon Jeon
1, Sang-Ho Park
1, Soonho Choi
1, Yeojin Kim
2, Jin Hur
2†최영도
1, 백자현
1, 전동훈
1, 박상호
1, 최순호
1, 김여진
2, 허진
2†Abstract
In order to integrate large amounts of variable generation resources such as wind and solar reliably into power grids, accurate renewable energy forecasting is necessary. Since renewable energy generation output is heavily influenced by environmental variables, accurate forecasting of power generation requires meteorological data at the point where the plant is located. Therefore, a spatial approach is required to predict the meteorological variables at the interesting points. In this paper, we propose the meteorological variable prediction model for enhancing renewable generation output forecasting model. The proposed model is implemented by three geostatistical techniques: Ordinary kriging, Universal kriging and Co-kriging.
Keywords: Renewable Energy, Meteorological Variable Prediction, Spatial Modeling, Kriging
I. INTRODUCTION
전 세계적으로 친환경적이고 지속가능한 발전의 중요성 이 대두되며 태양광 및 풍력 중심의 재생에너지원 확대가 진행되고 있다. 이러한 변동성이 심한 전력원(변동성 전원, Variable Generation Resources)이 계통에 대규모로 연계될 경우 , 계통 운영 및 계획 측면에서 기존에 경험하지 못한 다양한 문제를 야기할 수 있어 이를 대비하기 위해 재생에 너지 발전 출력예측 기술 개발은 필수적이다 [1]. 재생에너 지 발전 출력은 주변 기상 요인의 영향을 많이 받기 때문에 정확한 발전 출력예측을 위해서는 발전기가 위치한 지점에 서의 기상 데이터를 필요로 한다 [2]. 하지만 일반적으로 기 상청에서 제공하는 기상데이터는 격자 데이터로 발전기가
위치한 관심 지점에 대한 정확한 정보를 제공하지 못한다.
따라서 정밀한 풍력발전 출력예측을 위해서는 공간 모델링 을 통한 재생에너지 환경 변수 예측이 선행되어야 한다.
본 연구에서는 재생에너지 출력예측 고도화를 위해 재
생에너지 기상변수 예측에서 지구통계학기법인 크리깅
(Kriging) 기법의 적용 가능성에 대해 검토하고자 한다. 기
상변수 예측을 위한 크리깅 기법으로는 정규 크리깅
(Ordinary kriging), 일반 크리깅(Universal kriging), 공동 크
리깅 (Co-kriging) 기법을 각각 적용하여 비교하였다. 예측
정확도 검증을 위해 기상청 데이터를 기반으로 이미 알고
있는 지점에 대한 태양광 기상변수 예측을 수행하여 비교분
석하였다 .
II. 재생에너지 기상변수 예측을 위한 지구통계학적 방법론 본 연구에서는 대표적인 공간 모델링 기법인 크리깅 기 법에 대한 분석을 수행하였다. 크리깅 기법은 공간적인 상 호관계를 가지는 데이터들 간의 선형 조합을 이용하여 미지 의 값을 유추하는 기법으로 Fig. 1과 같은 순서로 이루어진 다 [3].
이러한 공간모델링 기법을 이용하여 미지 값을 예측하 기 위해서는 기존 자료들 간의 공간적 상관관계와 연속성 분석이 선행되어야 하며, 크리깅 예측 값을 계산하기 위해 서는 공분산과 베리오그램(Variogram) 모델링 과정이 필요 하다 . 그 후 크리깅 모델에 구현한 베리오그램 모델을 적용 하여 관심 지점의 특성 값을 예측할 수 있다.
A. 베리오그램의 정의
베리오그램은 일정한 거리를 두고 떨어져 있는 자료들 의 유사성을 나타내는 척도로 자료들 간의 공간적 상관성을 나타내며 다음 식과 같이 표현된다[4].
2𝛾𝛾�ℎ� = 𝐸𝐸𝐸�𝑧𝑧�𝑥𝑥� − 𝑧𝑧�𝑥𝑥 𝑥 ℎ��
�(1) 베리오그램 (2γ(h))은 일정한 분리거리 h만큼 떨어진 두 공간 자료들 간의 차이를 제곱한 것의 기대 값으로 위 식에 서 z(x)는 지점 x에서의 특성 값을 의미한다. 따라서 일반적 으로 거리가 가까울수록 값이 작고, 거리가 멀수록 크게 나 타난다 . 베리오그램의 절반에 해당하는 값을 반베리오그램 (Semi-Variogram)이라 하며, 실제 베리오그램 계산 시 편의 성을 위해 일반적으로 사용된다.
위와 같은 계산을 통해 분산함수인 실험적 베리오그램 (Experimental Variogram)을 산정하여 공간적 특성을 분석 한 후, 크리깅 기법에 적용을 위해 이를 가장 잘 나타내는
이론적 베리오그램(Theoretical Variogram) 모델링 작업이 수행되어야 한다. 이론적 베리오그램에는 Fig. 2처럼 구형모 델 (Spherical model), 지수 모델(Exponential model), 선형 모델 (Linear model), 가우시안 모델(Gaussian model) 등이 있으며 , 구형 모델이 일반적으로 가장 많이 사용된다.
B. 크리깅의 정의
크리깅은 공간적 데이터 보간 기법에 가장 많이 사용되 는 추정 기법 중 하나로, Fig. 3과 같이 관심 지점의 특성 값 을 알아내기 위해 이미 알고 있는 주변 지점 특성 값들에 가중치를 부여하여 예측을 수행한다.
크리깅 기법은 관심 지점의 데이터 특성에 따라 여러 가지 기법을 다르게 적용하며 [5], 본 연구에서는 대표적인 크리깅 기법인 정규 크리깅, 일반 크리깅, 공동 크리깅을 적 용하여 태양광 발전 기상변수 예측을 수행하였다.
1) 정규 크리깅(Ordinary Kriging: OK)
정규 크리깅은 가장 일반적으로 사용되는 크리깅 기법 으로 , 추정식이 편향되지 않으면서 오차분산을 최소로 하기 위한 크리깅 기법으로 다음 식과 같이 표현된다[6].
𝑧𝑧
��∗= � �
�𝑧𝑧
��
���
(2)
with a constraint 1 − � �
�𝑧𝑧
��
���
= 0 (3)
Eq. (2)의 𝑧𝑧
��∗는 예측하고자 하는 지점에서의 특성 값, λ 는 n개의 공간 데이터 z에 부여되는 가중치를 의미한다. Eq.
Fig. 1. 공간모델링 기법 적용 순서.
Fig. 2. 베리오그램 모델의 종류.
(3)은 크리깅 추정식이 편향되지 않기 위한 제약조건으로 모든 가중치의 합은 1이 되어야 함을 의미한다.
2) 일반 크리깅(Universal Kriging: UK)
정규 크리깅은 이차 불변성을 만족하는 데이터들에 대 하여 적용이 가능한 기법으로, 데이터가 분포한 위치에 상 관없이 그 평균이 같은 값을 나타낸다. 그러나 실제 현장 데이터의 경우 특정한 경향을 나타내거나 평균이 지역에 따 라 변화하는 경우가 존재한다. 일반 크리깅은 가중치 계산 시 공간적으로 변화하거나 특정한 경향을 갖는 평균을 제거 하지 않고 가중치를 계산하는 기법으로 정규 크리깅 기법과 다르게 데이터의 공간적 분포 특성을 더 잘 반영할 수 있 다 . 일반 크리깅 또한 주변 지점의 알려진 값을 기반으로 선형조합을 통해 관심 지점의 미지값을 예측하며, 단지 불 변성을 만족하지 않고 변화하는 경향을 고려하기 위한 수학 적 기법이 가미된 크리깅 기법이라 할 수 있다. 평균이 임 의로 변화하는 경우 이를 기술할 수 있는 실질적 방법이 없 기 때문에, 일반 크리깅을 적용하기 위해서는 평균이 공간 적으로 부드럽게 변화한다고 가정하여 크리깅을 수행한다.
3) 공동 크리깅(Co-kriging: CK)
공동 크리깅은 두 가지 이상의 변수를 통해 선형조합을 사용하여 관심지점의 미지값을 예측하는 기법이다. 두 가지 이상의 변수 중 예측하고자 하는 변수를 주변수, 그 외 변 수는 이차변수라 하며, 다음과 같은 식으로 표현한다.
𝑧𝑧
��∗𝑀 � �
��𝑧𝑧
���
���
� � �
��𝑢𝑢
���
���
(4)
Eq. 4에서 z는 주변수, n은 사용된 변수의 총 데이터 수,
u는 이차변수를 의미한다. 이 때 주변수와 이차변수는 반드시 공간적 상호관계가 있어야 하며, 주변수와 이차변수들 간의 상관관계를 나타내는 교차 베리오그램을 기반으로 수 행된다 .
III. 크리깅 기법 기반의 태양광발전 기상변수 예측 본 연구에서는 재생에너지 기상변수 예측에서의 크리깅 기법의 적용 가능성에 대해 검토하기 위해 기상청으로부터 취득한 데이터를 기반으로 이미 알고 있는 지점에 대한 태 양광 기상변수 예측을 수행하였다. 예측 결과의 정량적 평 가를 위해 다음과 같은 평균 절대 오차(Mean Absolute Error: MAE)와 정규 크리깅 대비 절대 오차의 상대적 향상 지수 (Relative Index: RI)를 이용하였다 [7].
𝑀𝑀𝑀𝑀𝑀𝑀 𝑀 1
𝑛𝑛 � |𝑧𝑧
�− 𝑧𝑧
��|
�
���
(5)
𝑅𝑅𝑅𝑅 𝑀 𝑀𝑀𝑀𝑀𝑀𝑀
��− 𝑀𝑀𝑀𝑀𝑀𝑀
������𝑀𝑀𝑀𝑀𝑅𝑅
��� 100 (6) Eq. (5)에서 z
i는 지점 i에서의 특성값, 𝑧𝑧
��는 크리깅 추정 치를 의미한다. 또한 Eq. (6)에서의 MAE
OK및 MAE
OKorUK는 크리깅 기법 별 평균 절대 오차를 나타내며, 이를 기반으로 가장 기본적인 모델인 정규 크리깅 기법 대비 일반 크리깅 및 공동 크리깅 기법의 오차 개선 효과를 확인할 수 있다. A. 재생에너지 기상변수 예측을 위한 기상데이터 DB 구축 및 분석
재생에너지 기상변수 예측을 수행하기에 앞서, 먼저 재 생에너지 발전 출력과 상관관계가 높은 기상변수를 선별하 고 기상변수 예측을 위한 데이터를 취득하여 입력 DB를 구 축하였다 . 본 연구에서는 태양광 발전 기상변수 예측을 위 해 기상청으로부터 일사량, 온도, 습도 데이터를 취득하여 DB를 구축하고 상관관계를 분석하였다.
1) 관심 지역 선정 및 DB 구축
국내의 경우 태양광 발전은 호남권을 중심으로 조성되 어 있다. 따라서 본 연구에서는 태양광발전 기상변수 예측
Fig. 3. 크리깅 기법의 개념.
Fig. 4. 태양광 기상변수 데이터 취득 지점.
II. 재생에너지 기상변수 예측을 위한 지구통계학적 방법론 본 연구에서는 대표적인 공간 모델링 기법인 크리깅 기 법에 대한 분석을 수행하였다. 크리깅 기법은 공간적인 상 호관계를 가지는 데이터들 간의 선형 조합을 이용하여 미지 의 값을 유추하는 기법으로 Fig. 1과 같은 순서로 이루어진 다 [3].
이러한 공간모델링 기법을 이용하여 미지 값을 예측하 기 위해서는 기존 자료들 간의 공간적 상관관계와 연속성 분석이 선행되어야 하며, 크리깅 예측 값을 계산하기 위해 서는 공분산과 베리오그램(Variogram) 모델링 과정이 필요 하다 . 그 후 크리깅 모델에 구현한 베리오그램 모델을 적용 하여 관심 지점의 특성 값을 예측할 수 있다.
A. 베리오그램의 정의
베리오그램은 일정한 거리를 두고 떨어져 있는 자료들 의 유사성을 나타내는 척도로 자료들 간의 공간적 상관성을 나타내며 다음 식과 같이 표현된다[4].
2𝛾𝛾�ℎ� = 𝐸𝐸𝐸�𝑧𝑧�𝑥𝑥� − 𝑧𝑧�𝑥𝑥 𝑥 ℎ��
�(1) 베리오그램 (2γ(h))은 일정한 분리거리 h만큼 떨어진 두 공간 자료들 간의 차이를 제곱한 것의 기대 값으로 위 식에 서 z(x)는 지점 x에서의 특성 값을 의미한다. 따라서 일반적 으로 거리가 가까울수록 값이 작고, 거리가 멀수록 크게 나 타난다 . 베리오그램의 절반에 해당하는 값을 반베리오그램 (Semi-Variogram)이라 하며, 실제 베리오그램 계산 시 편의 성을 위해 일반적으로 사용된다.
위와 같은 계산을 통해 분산함수인 실험적 베리오그램 (Experimental Variogram)을 산정하여 공간적 특성을 분석 한 후, 크리깅 기법에 적용을 위해 이를 가장 잘 나타내는
이론적 베리오그램(Theoretical Variogram) 모델링 작업이 수행되어야 한다. 이론적 베리오그램에는 Fig. 2처럼 구형모 델 (Spherical model), 지수 모델(Exponential model), 선형 모델 (Linear model), 가우시안 모델(Gaussian model) 등이 있으며 , 구형 모델이 일반적으로 가장 많이 사용된다.
B. 크리깅의 정의
크리깅은 공간적 데이터 보간 기법에 가장 많이 사용되 는 추정 기법 중 하나로, Fig. 3과 같이 관심 지점의 특성 값 을 알아내기 위해 이미 알고 있는 주변 지점 특성 값들에 가중치를 부여하여 예측을 수행한다.
크리깅 기법은 관심 지점의 데이터 특성에 따라 여러 가지 기법을 다르게 적용하며 [5], 본 연구에서는 대표적인 크리깅 기법인 정규 크리깅, 일반 크리깅, 공동 크리깅을 적 용하여 태양광 발전 기상변수 예측을 수행하였다.
1) 정규 크리깅(Ordinary Kriging: OK)
정규 크리깅은 가장 일반적으로 사용되는 크리깅 기법 으로 , 추정식이 편향되지 않으면서 오차분산을 최소로 하기 위한 크리깅 기법으로 다음 식과 같이 표현된다[6].
𝑧𝑧
��∗= � �
�𝑧𝑧
��
���
(2)
with a constraint 1 − � �
�𝑧𝑧
��
���
= 0 (3)
Eq. (2)의 𝑧𝑧
��∗는 예측하고자 하는 지점에서의 특성 값, λ 는 n개의 공간 데이터 z에 부여되는 가중치를 의미한다. Eq.
Fig. 1. 공간모델링 기법 적용 순서.
Fig. 2. 베리오그램 모델의 종류.
(3)은 크리깅 추정식이 편향되지 않기 위한 제약조건으로 모든 가중치의 합은 1이 되어야 함을 의미한다.
2) 일반 크리깅(Universal Kriging: UK)
정규 크리깅은 이차 불변성을 만족하는 데이터들에 대 하여 적용이 가능한 기법으로, 데이터가 분포한 위치에 상 관없이 그 평균이 같은 값을 나타낸다. 그러나 실제 현장 데이터의 경우 특정한 경향을 나타내거나 평균이 지역에 따 라 변화하는 경우가 존재한다. 일반 크리깅은 가중치 계산 시 공간적으로 변화하거나 특정한 경향을 갖는 평균을 제거 하지 않고 가중치를 계산하는 기법으로 정규 크리깅 기법과 다르게 데이터의 공간적 분포 특성을 더 잘 반영할 수 있 다 . 일반 크리깅 또한 주변 지점의 알려진 값을 기반으로 선형조합을 통해 관심 지점의 미지값을 예측하며, 단지 불 변성을 만족하지 않고 변화하는 경향을 고려하기 위한 수학 적 기법이 가미된 크리깅 기법이라 할 수 있다. 평균이 임 의로 변화하는 경우 이를 기술할 수 있는 실질적 방법이 없 기 때문에, 일반 크리깅을 적용하기 위해서는 평균이 공간 적으로 부드럽게 변화한다고 가정하여 크리깅을 수행한다.
3) 공동 크리깅(Co-kriging: CK)
공동 크리깅은 두 가지 이상의 변수를 통해 선형조합을 사용하여 관심지점의 미지값을 예측하는 기법이다. 두 가지 이상의 변수 중 예측하고자 하는 변수를 주변수, 그 외 변 수는 이차변수라 하며, 다음과 같은 식으로 표현한다.
𝑧𝑧
��∗𝑀 � �
��𝑧𝑧
���
���
� � �
��𝑢𝑢
���
���
(4)
Eq. 4에서 z는 주변수, n은 사용된 변수의 총 데이터 수,
u는 이차변수를 의미한다. 이 때 주변수와 이차변수는 반드시 공간적 상호관계가 있어야 하며, 주변수와 이차변수들 간의 상관관계를 나타내는 교차 베리오그램을 기반으로 수 행된다 .
III. 크리깅 기법 기반의 태양광발전 기상변수 예측 본 연구에서는 재생에너지 기상변수 예측에서의 크리깅 기법의 적용 가능성에 대해 검토하기 위해 기상청으로부터 취득한 데이터를 기반으로 이미 알고 있는 지점에 대한 태 양광 기상변수 예측을 수행하였다. 예측 결과의 정량적 평 가를 위해 다음과 같은 평균 절대 오차(Mean Absolute Error: MAE)와 정규 크리깅 대비 절대 오차의 상대적 향상 지수 (Relative Index: RI)를 이용하였다 [7].
𝑀𝑀𝑀𝑀𝑀𝑀 𝑀 1
𝑛𝑛 � |𝑧𝑧
�− 𝑧𝑧
��|
�
���
(5)
𝑅𝑅𝑅𝑅 𝑀 𝑀𝑀𝑀𝑀𝑀𝑀
��− 𝑀𝑀𝑀𝑀𝑀𝑀
������𝑀𝑀𝑀𝑀𝑅𝑅
��� 100 (6) Eq. (5)에서 z
i는 지점 i에서의 특성값, 𝑧𝑧
��는 크리깅 추정 치를 의미한다. 또한 Eq. (6)에서의 MAE
OK및 MAE
OKorUK는 크리깅 기법 별 평균 절대 오차를 나타내며, 이를 기반으로 가장 기본적인 모델인 정규 크리깅 기법 대비 일반 크리깅 및 공동 크리깅 기법의 오차 개선 효과를 확인할 수 있다.
A. 재생에너지 기상변수 예측을 위한 기상데이터 DB 구축 및 분석
재생에너지 기상변수 예측을 수행하기에 앞서, 먼저 재 생에너지 발전 출력과 상관관계가 높은 기상변수를 선별하 고 기상변수 예측을 위한 데이터를 취득하여 입력 DB를 구 축하였다 . 본 연구에서는 태양광 발전 기상변수 예측을 위 해 기상청으로부터 일사량, 온도, 습도 데이터를 취득하여 DB를 구축하고 상관관계를 분석하였다.
1) 관심 지역 선정 및 DB 구축
국내의 경우 태양광 발전은 호남권을 중심으로 조성되 어 있다. 따라서 본 연구에서는 태양광발전 기상변수 예측
Fig. 3. 크리깅 기법의 개념.
Fig. 4. 태양광 기상변수 데이터 취득 지점.
을 위해 Fig. 4과 같이 기상청의 전라남도(호남권) 6개 지점 의 기상 데이터를 취득하였다.
취득 데이터는 2016년 7월 1일 ~ 2016년 7월 31일 한 달간의 1시간 주기 데이터로, 데이터 측정 지점의 위도, 경 도 , 일사량, 기온, 습도 데이터를 취득하였다. 취득한 데이터 는 Table 1, 2, 3과 같다.
2) 태양광 발전 기상변수 상관관계 분석
두 개 이상의 변수들 간의 상관관계를 이용하는 공동 크리깅을 수행하기 위해 취득한 태양광 발전 기상변수들 간 의 상관관계 분석을 수행하였다. 상관계수는 두 확률변수 사이의 상관성을 분석하는 것으로 –1에서 1 사이의 값을 가지며 , 변수들의 증감에 대한 경향을 나타낸다. 상관계수가 0인 경우 두 변수는 상관성이 없으며, 절대값이 1에 가까울 수록 상관성이 높음을 의미한다. Table 4는 앞서 취득한 일 사량 , 기온, 습도 데이터 사이의 상관계수 분석 결과를 나타 낸다 .
일사량의 경우 습도와의 상관성이 –0.7757로 가장 높은 음의 상관관계를 나타냈으며, 기온의 경우 습도와 –0.7339 의 높은 상관관계를 나타냈다.
B. 태양광 발전 기상변수 예측 결과
태양광발전 기상변수 예측을 위해 취득한 기상탑 지점 중 강진군 지점의 데이터를 임의로 제거하여 미지의 지점으 로 가정하고 나머지 데이터를 이용하여 예측을 수행하였다.
크리깅 기법을 적용하여 미지의 지점의 특성 값을 예측하기 위해 기상변수 간의 공간적 유사성과 상관관계를 확인하기
Table 12016년 7월 기상데이터: 일사량(MJ/m2)
경도 위도 고도 Time1 Time2 … Time8 Time9 Time10 Time11 … Time743 Time744
강진군 126.7672 34.6289 13 0 0 … 0 0.03 0.14 0.04 … 0 0
목포 126.3812 34.81689 38 0 0 … 0.12 0.26 0.2 0.23 … 0 0
보성군 127.2123 34.7634 3 0 0 … 0.06 0.13 0.16 0.16 … 0 0
영광군 126.4778 35.2837 37 0 0 … 0.09 0.53 0.77 0.96 … 0 0
흑산도 125.451 34.68719 77 0 0 … 0.03 0.06 0.1 0.11 … 0 0
광양시 127.6914 34.9434 87 0 0 … 0.04 0.16 0.14 0.27 … 0 0
Table 2
2016년 7월 기상데이터: 기온(°C)
경도 위도 고도 Time1 Time2 Time3 Time4 … Time741 Time742 Time743 Time744
강진군 126.7672 34.6289 13 22.3 22.4 22.3 22.4 … 28.6 27.6 26.4 26.1
목포 126.3812 34.81689 38 23.7 23.6 23.8 23.8 … 29.3 28.5 27.9 27.6
보성군 127.2123 34.7634 3 23 23.1 22.8 22.8 … 27.2 26.5 26.3 25.9
영광군 126.4778 35.2837 37 23.6 23.3 23.4 23.9 … 27.7 27.1 26.4 26.1
흑산도 125.451 34.68719 77 19.5 19.5 19.4 20 … 25.4 25.1 24.8 24.8
광양시 127.6914 34.9434 87 22.7 22.7 22.4 22.9 … 26.9 27.1 26 25.3
Table 3
2016년 7월 기상데이터: 습도(%)
경도 위도 고도 Time1 Time2 Time3 Time4 … Time741 Time742 Time743 Time744
강진군 126.7672 34.6289 13 98 98 98 98 … 78 82 87 87
목포 126.3812 34.81689 38 98 98 98 98 … 93 98 95 98
보성군 127.2123 34.7634 3 87 86 89 90 … 85 86 88 88
영광군 126.4778 35.2837 37 84 85 85 83 … 81 84 88 89
흑산도 125.451 34.68719 77 99 99 99 99 … 99 99 99 99
광양시 127.6914 34.9434 87 99 98 99 97 … 91 90 96 98
Table 4
태양광 발전 기상변수 사이의 상관계수
일사량-기온 일사량-습도 기온-습도
상관계수 0.7277 -0.7757 -0.7339
Table 5 예측 정확도 검증 결과
환경 변수 OK UK CK
(일사량-기온) CK
(일사량-습도) 일사량 MAE (MJ/m2) 0.582 0.486 0.612 0.411
RI (%) - 16.481 -0.052 29.381
기온 MAE (°C) 0.895 0.609 1.019 -
RI (%) - 31.948 -0.138 -
습도 MAE (%) 6.499 3.978 - 4.838
RI (%) - 38.791 - 25.551
위한 베리오그램 모델링 과정을 수행하였다. Fig .5는 습도 데이터를 기반으로 모델링한 일반 베리오그램과 공동 크리 깅 수행을 위해 일사량과 기온 데이터를 기반으로 모델링한 교차 베리오그램을 나타낸다.
Fig. 6은 앞서 도출한 베리오그램을 기반으로 각 기상변 수에 대하여 정규 크리깅(OK), 일반 크리깅(UK), 공동 크리 깅 (CK)을 적용하여 수행한 예측 결과를 나타낸다.
태양광 발전의 경우 발전 특성인 광전 효과로 인해 일 사량이 존재하는 시간에만 발전이 가능하다. 따라서 본 연 구에서는 일사량이 존재하는 시간에 대해서만 기상변수 예 측을 수행하였다. 공동 크리깅의 경우 변수들 간의 상관관 계가 높을 경우에만 유의하기 때문에 상관계수 분석 결과를 기반으로 상관성이 높다고 분석된 일사량-기온과 일사량-습 도에 대해 적용하였다. Table 5는 예측 결과의 정량적 평가 를 위해 정확도를 분석한 결과이다.
예측 정확도 분석 결과, 일사량의 경우 습도를 이용하여 공동 크리깅을 수행하였을 때 평균 절대 오차가 가장 작게 산출되었다 . 습도를 공동 크리깅의 이차 변수로 사용하였을 때 기온을 이차변수로 사용하였을 경우보다 정확도가 향상 되는 것을 확인할 수 있었으며, 이는 일사량과 습도 사이의 상관관계가 일사량과 기온의 상관관계보다 높기 때문이라고 사료된다 . 기온의 경우 공동 크리깅을 사용하였을 때 정규 크리깅 보다 예측 능력이 떨어지는 것을 확인할 수 있었으 며 , 일반 크리깅을 사용한 결과 정규 크리깅보다 예측 능력
이 약 31.948% 향상되었음을 확인할 수 있다. 습도의 경우 일반 크리깅과 일사량을 이차변수로 사용한 공동 크리깅 기 반 예측 결과 모두 정규 크리깅 기반의 예측 결과보다 예측 능력이 향상된 것을 확인할 수 있으며, 일반 크리깅을 사용한 결과가 평균 절대 오차가 가장 작게 산출되었다. 이를 통해 태양광 발전 환경 변수의 경우, 서로 상관관계가 높은 일사량 과 습도를 공동 크리깅에 적용할 경우 정규 크리깅 보다 예 측 능력을 개선할 수 있음을 확인하였으며, 공간적 분포특성 을 더욱 잘 반영할 수 있는 일반 크리깅 기법을 통해 정규 크리깅 기법의 오차를 개선할 수 있음을 확인하였다.
IV. CONCLUSION
8차 전력수급계획에 따르면, 재생에너지 설비 용량은 2017년 9.7%에서 2030년 33.7%로 대폭 늘어날 것으로 전 망된다 . 이러한 변동성 전원이 대규모로 계통에 연계될 경
(a)
(b)
Fig. 5. 태양광 발전 기상변수 기반의 베리오그램 도출 예시. (a) 일반 베리오그램(습도). (b) 교차 베리오그램(일사량-기온)
(a)
(b)
(c)
Fig. 6. 크리깅 기반의 태양광발전 기상변수 예측 결과. (a) 일사량 예측 결과. (b) 기온 예측 결과. (c) 습도 예측 결과.
을 위해 Fig. 4과 같이 기상청의 전라남도(호남권) 6개 지점 의 기상 데이터를 취득하였다.
취득 데이터는 2016년 7월 1일 ~ 2016년 7월 31일 한 달간의 1시간 주기 데이터로, 데이터 측정 지점의 위도, 경 도 , 일사량, 기온, 습도 데이터를 취득하였다. 취득한 데이터 는 Table 1, 2, 3과 같다.
2) 태양광 발전 기상변수 상관관계 분석
두 개 이상의 변수들 간의 상관관계를 이용하는 공동 크리깅을 수행하기 위해 취득한 태양광 발전 기상변수들 간 의 상관관계 분석을 수행하였다. 상관계수는 두 확률변수 사이의 상관성을 분석하는 것으로 –1에서 1 사이의 값을 가지며 , 변수들의 증감에 대한 경향을 나타낸다. 상관계수가 0인 경우 두 변수는 상관성이 없으며, 절대값이 1에 가까울 수록 상관성이 높음을 의미한다. Table 4는 앞서 취득한 일 사량 , 기온, 습도 데이터 사이의 상관계수 분석 결과를 나타 낸다 .
일사량의 경우 습도와의 상관성이 –0.7757로 가장 높은 음의 상관관계를 나타냈으며, 기온의 경우 습도와 –0.7339 의 높은 상관관계를 나타냈다.
B. 태양광 발전 기상변수 예측 결과
태양광발전 기상변수 예측을 위해 취득한 기상탑 지점 중 강진군 지점의 데이터를 임의로 제거하여 미지의 지점으 로 가정하고 나머지 데이터를 이용하여 예측을 수행하였다.
크리깅 기법을 적용하여 미지의 지점의 특성 값을 예측하기 위해 기상변수 간의 공간적 유사성과 상관관계를 확인하기
Table 12016년 7월 기상데이터: 일사량(MJ/m2)
경도 위도 고도 Time1 Time2 … Time8 Time9 Time10 Time11 … Time743 Time744
강진군 126.7672 34.6289 13 0 0 … 0 0.03 0.14 0.04 … 0 0
목포 126.3812 34.81689 38 0 0 … 0.12 0.26 0.2 0.23 … 0 0
보성군 127.2123 34.7634 3 0 0 … 0.06 0.13 0.16 0.16 … 0 0
영광군 126.4778 35.2837 37 0 0 … 0.09 0.53 0.77 0.96 … 0 0
흑산도 125.451 34.68719 77 0 0 … 0.03 0.06 0.1 0.11 … 0 0
광양시 127.6914 34.9434 87 0 0 … 0.04 0.16 0.14 0.27 … 0 0
Table 2
2016년 7월 기상데이터: 기온(°C)
경도 위도 고도 Time1 Time2 Time3 Time4 … Time741 Time742 Time743 Time744
강진군 126.7672 34.6289 13 22.3 22.4 22.3 22.4 … 28.6 27.6 26.4 26.1
목포 126.3812 34.81689 38 23.7 23.6 23.8 23.8 … 29.3 28.5 27.9 27.6
보성군 127.2123 34.7634 3 23 23.1 22.8 22.8 … 27.2 26.5 26.3 25.9
영광군 126.4778 35.2837 37 23.6 23.3 23.4 23.9 … 27.7 27.1 26.4 26.1
흑산도 125.451 34.68719 77 19.5 19.5 19.4 20 … 25.4 25.1 24.8 24.8
광양시 127.6914 34.9434 87 22.7 22.7 22.4 22.9 … 26.9 27.1 26 25.3
Table 3
2016년 7월 기상데이터: 습도(%)
경도 위도 고도 Time1 Time2 Time3 Time4 … Time741 Time742 Time743 Time744
강진군 126.7672 34.6289 13 98 98 98 98 … 78 82 87 87
목포 126.3812 34.81689 38 98 98 98 98 … 93 98 95 98
보성군 127.2123 34.7634 3 87 86 89 90 … 85 86 88 88
영광군 126.4778 35.2837 37 84 85 85 83 … 81 84 88 89
흑산도 125.451 34.68719 77 99 99 99 99 … 99 99 99 99
광양시 127.6914 34.9434 87 99 98 99 97 … 91 90 96 98
Table 4
태양광 발전 기상변수 사이의 상관계수
일사량-기온 일사량-습도 기온-습도
상관계수 0.7277 -0.7757 -0.7339
Table 5 예측 정확도 검증 결과
환경 변수 OK UK CK
(일사량-기온) CK
(일사량-습도) 일사량 MAE (MJ/m2) 0.582 0.486 0.612 0.411
RI (%) - 16.481 -0.052 29.381
기온 MAE (°C) 0.895 0.609 1.019 -
RI (%) - 31.948 -0.138 -
습도 MAE (%) 6.499 3.978 - 4.838
RI (%) - 38.791 - 25.551
위한 베리오그램 모델링 과정을 수행하였다. Fig .5는 습도 데이터를 기반으로 모델링한 일반 베리오그램과 공동 크리 깅 수행을 위해 일사량과 기온 데이터를 기반으로 모델링한 교차 베리오그램을 나타낸다.
Fig. 6은 앞서 도출한 베리오그램을 기반으로 각 기상변 수에 대하여 정규 크리깅(OK), 일반 크리깅(UK), 공동 크리 깅 (CK)을 적용하여 수행한 예측 결과를 나타낸다.
태양광 발전의 경우 발전 특성인 광전 효과로 인해 일 사량이 존재하는 시간에만 발전이 가능하다. 따라서 본 연 구에서는 일사량이 존재하는 시간에 대해서만 기상변수 예 측을 수행하였다. 공동 크리깅의 경우 변수들 간의 상관관 계가 높을 경우에만 유의하기 때문에 상관계수 분석 결과를 기반으로 상관성이 높다고 분석된 일사량-기온과 일사량-습 도에 대해 적용하였다. Table 5는 예측 결과의 정량적 평가 를 위해 정확도를 분석한 결과이다.
예측 정확도 분석 결과, 일사량의 경우 습도를 이용하여 공동 크리깅을 수행하였을 때 평균 절대 오차가 가장 작게 산출되었다 . 습도를 공동 크리깅의 이차 변수로 사용하였을 때 기온을 이차변수로 사용하였을 경우보다 정확도가 향상 되는 것을 확인할 수 있었으며, 이는 일사량과 습도 사이의 상관관계가 일사량과 기온의 상관관계보다 높기 때문이라고 사료된다 . 기온의 경우 공동 크리깅을 사용하였을 때 정규 크리깅 보다 예측 능력이 떨어지는 것을 확인할 수 있었으 며 , 일반 크리깅을 사용한 결과 정규 크리깅보다 예측 능력
이 약 31.948% 향상되었음을 확인할 수 있다. 습도의 경우 일반 크리깅과 일사량을 이차변수로 사용한 공동 크리깅 기 반 예측 결과 모두 정규 크리깅 기반의 예측 결과보다 예측 능력이 향상된 것을 확인할 수 있으며, 일반 크리깅을 사용한 결과가 평균 절대 오차가 가장 작게 산출되었다. 이를 통해 태양광 발전 환경 변수의 경우, 서로 상관관계가 높은 일사량 과 습도를 공동 크리깅에 적용할 경우 정규 크리깅 보다 예 측 능력을 개선할 수 있음을 확인하였으며, 공간적 분포특성 을 더욱 잘 반영할 수 있는 일반 크리깅 기법을 통해 정규 크리깅 기법의 오차를 개선할 수 있음을 확인하였다.
IV. CONCLUSION
8차 전력수급계획에 따르면, 재생에너지 설비 용량은 2017년 9.7%에서 2030년 33.7%로 대폭 늘어날 것으로 전 망된다 . 이러한 변동성 전원이 대규모로 계통에 연계될 경
(a)
(b)
Fig. 5. 태양광 발전 기상변수 기반의 베리오그램 도출 예시. (a) 일반 베리오그램(습도). (b) 교차 베리오그램(일사량-기온)
(a)
(b)
(c)
Fig. 6. 크리깅 기반의 태양광발전 기상변수 예측 결과. (a) 일사량 예측 결과. (b) 기온 예측 결과. (c) 습도 예측 결과.
우 계통 운영에 있어 다양한 문제를 야기할 수 있어 이에 대한 대비가 필요하다. 2030년 재생에너지 발전량 51.2GW 를 실현하기 위해서는 안정적인 계통 운영 및 계획 수립을 위한 재생에너지 실시간 계측, 예측 모델 개발 및 계통 유 연성 (Flexibility) 확보가 필수적이다.
본 논문에서는 고도화된 재생에너지 발전 출력 예측 모 형 개발을 위해 기상 데이터 기반의 Energy Big Data 분석 및 공간모델링(Spatial Modeling)을 통한 재생에너지 환경변 수 예측을 수행하였다. 공간모델링은 기상청 데이터를 기반 으로 대표적인 지구통계학기법인 정규 크리깅, 일반 크리깅, 공동 크리깅을 이용하여 태양광 발전 기상변수인 일사량, 온도 , 습도 예측을 수행하였다. 예측 결과 대체적으로 정규 크리깅 기법보다 공간적 상관관계를 더 잘 반영하는 일반 크리깅 기법의 예측 정확도가 더 높음을 확인하였으며, 변 수들 간의 상관관계가 높을 경우 공동 크리깅을 통해 예측 정확도를 개선시킬 수 있음을 확인하였다. 향후에는 기상변 수 예측 결과를 입력데이터로 태양광발전 출력 예측을 수행 하여 기상변수 예측 정확도가 발전출력 예측 정확도에 미치 는 영향에 대해 연구하고자 한다.
ACKNOWLEDGEMENT
본 연구는 한국전력공사 2018년도 착수 사외공보 기초 연구 (R18XA06-55)의 지원을 받아 수행한 연구 과제입니다.
REFERENCES
[1] Ela, E., Diakov, V., Ibanez, E., and Heaney, M., “Impacts of variability and uncertainty in solar photovoltaic generation at multiple timescales,”
National Renewable Energy Lab(NREL), 2013.
[2] González-Aparicio and Zucker, A,. “Impact of wind power uncertainty forecasting on the market integration of wind energy in Spain,” Energy, 159, pp.334-349, 2015
[3] Choi, Jongkeun, “Geostatistics,” Sigmapress, 2007.
[4] Zimmerman, Dale L., and Zimmerman, M. B., “A comparison of spatial semivariogram estimators and corresponding ordinary kriging predictors,” Technometrics, 33, 1, pp.77-91, 1991
[5] Kis, Ivana Mesic, “Comparison of Ordinary and Universal Kriging interpolation techniques on a depth variable(a case of linear spatial trend), case study of the Sndrovac Field,” Rudarsko-Geolosko-Naftni Zbornik, 31, 2, 2016.
[6] Lichtenstern, A., “Kriging methods in spatial statistics,” M.S. Thesis, Department of Mathematics, Technische Universität München, 2013.
[7] Park, N. W. and Jang, D. H., “Mapping of Temperature and Rainfall Using DEM and Multivariate Kriging,” Journal of the Korean Geographical Society, 43, 6, pp.1002-1015, 2008.
