[논문 리뷰] Considering Air Density in Wind Power Production

Zénó Farkas|arXiv (Cornell University)|2011. 03. 11.

Wind Energy Research and Development참고 문헌 3인용 수 13

한 줄 요약

이 논문은 바람 풍력 생산 계산에서 기체 밀도의 변화를 고려할 경우, 최소한의 계산 비용으로 정확도가 크게 향상됨을 보여준다. 기온, 기압, 습도로부터 공기 밀도를 모델링하기 위해 CIPM-2007 식을 사용한 결과, 신경망 기반의 전력 곡선 피팅에 공기 밀도를 포함시켰을 때, 표준 값으로 일정하게 가정한 경우에 비해 루트 평균 제곱(RMS) 오차가 16% 감소함을 확인하였다.

ABSTRACT

In the wind power production calculations the air density is usually considered as constant in time. Using the CIPM-2007 equation for the density of moist air as a function of air temperature, air pressure and relative humidity, we show that it is worth taking the variation of the air density into account, because higher accuracy can be obtained in the calculation of the power production for little effort.

연구 동기 및 목표

• 변동하는 공기 밀도가 예측 모델 내 바람 풍력 생산 정확도에 미치는 영향을 평가하는 것.
• 공기 밀도의 변화를 간과할 경우 바람 풍력 추정에 체계적인 오차가 유발되는지 평가하는 것.
• 실시간 공기 밀도 데이터를 통합하여 보다 정확한 전력 곡선 피팅 방법을 개발하고 시험하는 것.
• 고정된 1.225 kg/m³로 설정하는 것 대신 동적으로 공기 밀도를 모델링할 경우 예측 정확도 향상 정도를 정량화하는 것.

제안 방법

• 공기 밀도는 공기 온도, 기압, 상대 습도의 함수로 CIPM-2007 식을 사용해 계산하였다.
• 헝가리 기상관측소인 기요르(Győr, 헝가리)의 기상 데이터(2004–2006년)를 활용해 시간에 따라 변하는 공기 밀도 값을 계산하였다.
• 바람 속도와 공기 밀도를 입력으로 사용하여 전력 출력을 예측하는 이중 입력 신경망 모델을 학습시켰다.
• 비선형 전력 곡선을 모델링하기 위해 신경망에 하이퍼볼릭 탄젠트 전달 함수를 사용하였다.
• 2006년의 외부 샘플 데이터를 사용하여 일정 밀도 모델과 변동 밀도 모델 간의 성능을 평가하였다.
• 모델 간 예측 정확도의 차이를 정량화하기 위해 루트 평균 제곱(RMS) 오차를 계산하였다.

실험 결과

연구 질문

• RQ1 바람 풍력 예측에 변동하는 공기 밀도를 포함시킬 경우, 일정한 공기 밀도를 가정한 경우에 비해 예측 오차가 감소하는가?
• RQ2 기상 변수를 사용해 공기 밀도를 동적으로 모델링할 경우 예측 정확도 향상 정도는 얼마나 큰가?
• RQ3 바람 풍력 계산에서 고정된 1.225 kg/m³의 공기 밀도를 가정할 경우 발생하는 체계적 오차의 크기는 얼마인가?
• RQ4 간단한 신경망 모델이 바람 풍력 터빈의 전력 출력에 미치는 공기 밀도의 영향을 효과적으로 포착할 수 있는가?

주요 결과

• 2004–2006년 기간 동안 평균 공기 밀도는 1.229 kg/m³로, 표준 값인 1.225 kg/m³보다 略로 높았다.
• 공기 밀도를 1.229 kg/m³로 일정하게 유지한 경우, 전력 곡선 피팅의 RMS 오차는 12.06 kW였다.
• 신경망 모델에 변동 공기 밀도를 입력으로 포함시킨 경우, RMS 오차는 10.15 kW로 감소하였다.
• 변동 공기 밀도를 포함시킴으로써 예측 오차는 일정 밀도 모델 대비 16% 감소하였다.
• 연구 결과, 공기 밀도의 변화를 간과할 경우 바람 풍력 생산 추정에 최대 16%의 체계적 오차가 발생함을 확인하였다.
• 저자들은 실시간 공기 밀도 데이터를 바람 풍력 예측 시스템에 통합하여 최소한의 계산 오버헤드로 정확도를 향상시킬 것을 권장한다.