지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이순환
- 발행연도
- 2016
- 저작권
- 부산대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (3)
2017
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Kalman filter is widespread algorithm for reducing inaccuracy in meteorological and its related prediction data. In this study, modified Kalman filter technic is applied to increasing the prediction accuracy of wind resources estimated by numerical weather model in the Korean Peninsula. And characteristics of usage of Kalman filter technic in wind power prediction is also clarified in this study.
Numerical model used in the produce of wind file data with various synoptic conditions are WRF (Weather Research and Forecasting) and UM (Unified Model) provided by KMA(Korea Meteorological Administration) for surface and upper levels, respectively. Episode for analysis were carefully selected in base of related meteorological field including atmospheric pressure pattern.
Selected dates are 1) 28 April 2014 for spring season case, 2) 2 July 2014 for summer season case, 3) 16 October for Autumn case, and 4) 7 January 2014 for winter case for analysis at surface level, and 1) 24 August 2014 and 2) 25 September for analysis at 100 m upper level where wind turbine often established.
Meteorological observation data at 80 sites including ASOS and AWS were used for verification of numerically produced meteorological data of WRF. Observation data were classified according to geographical locations to clarify the regional characteristics of variation pattern for using Kalman filter technic or not.
Although tendency of simulated meteorological data including temperature are reasonably agree with that of observed data except for several case, extreme values were also appeared in simulated wind resources. After application of Kalman filtering for postprocess of simulated data, the eliminations of model errors including extreme values in all case was verified through the comparison of observed data with statistics MB, RMSE, IOA values.
Accuracy of predicted wind resources was increased drastically in coastal region than inland and mountainous region. It was caused that Kalman filter technic tends to effectively work on the improvement of estimated wind field uncertainty. And wind resources at windward side were well estimated in comparison with downwind side in all cases, since estimation error due to topographical turbulences was mainly included in wind field at down wind side. So impact of Kalman filter is more efficiently activated and appeared in windward side.
Although impact of Kalman filter application for wind resources prediction was verified, simulated cases were only four case with limited period(8 dates) and the data in the analysis of accuracy variation was only 48 hours data. So This study was carried out under limited situations. In order to make precise wind resources prediction, the more quantitative research that how long does the impact intensity of Kalman post process maintained after wind resources forecasting, is needed at next step.
Numerical model used in the produce of wind file data with various synoptic conditions are WRF (Weather Research and Forecasting) and UM (Unified Model) provided by KMA(Korea Meteorological Administration) for surface and upper levels, respectively. Episode for analysis were carefully selected in base of related meteorological field including atmospheric pressure pattern.
Selected dates are 1) 28 April 2014 for spring season case, 2) 2 July 2014 for summer season case, 3) 16 October for Autumn case, and 4) 7 January 2014 for winter case for analysis at surface level, and 1) 24 August 2014 and 2) 25 September for analysis at 100 m upper level where wind turbine often established.
Meteorological observation data at 80 sites including ASOS and AWS were used for verification of numerically produced meteorological data of WRF. Observation data were classified according to geographical locations to clarify the regional characteristics of variation pattern for using Kalman filter technic or not.
Although tendency of simulated meteorological data including temperature are reasonably agree with that of observed data except for several case, extreme values were also appeared in simulated wind resources. After application of Kalman filtering for postprocess of simulated data, the eliminations of model errors including extreme values in all case was verified through the comparison of observed data with statistics MB, RMSE, IOA values.
Accuracy of predicted wind resources was increased drastically in coastal region than inland and mountainous region. It was caused that Kalman filter technic tends to effectively work on the improvement of estimated wind field uncertainty. And wind resources at windward side were well estimated in comparison with downwind side in all cases, since estimation error due to topographical turbulences was mainly included in wind field at down wind side. So impact of Kalman filter is more efficiently activated and appeared in windward side.
Although impact of Kalman filter application for wind resources prediction was verified, simulated cases were only four case with limited period(8 dates) and the data in the analysis of accuracy variation was only 48 hours data. So This study was carried out under limited situations. In order to make precise wind resources prediction, the more quantitative research that how long does the impact intensity of Kalman post process maintained after wind resources forecasting, is needed at next step.
목차
<목 차>Ⅰ. 서론 1Ⅱ. 모델 및 후처리 방법 개요 41. WRF 42. Kalman filter 5III. 연구방법 111. 실험 설계 111) 사례일 선정 112) 수치모델 설정 선정 153) 대상지점 선정 172. 수치모델링과 칼만필터 적용 과정 203. 고층 사례일 설정 22Ⅳ. 결과 분석 241. 수치모델정확도 검증 241) 지상 사례일 242. 칼만필터 적용 결과 분석 271) 봄 사례일 272) 여름 사례일 393) 가을 사례일 504) 겨울 사례일 615) 고층 사례 72Ⅴ. 요약 및 결론 76참고문헌 78영문 요약 80<표 목차>표 3.1 사례일별 사례기간 11표 3.2 WRF 수치계산에 사용된 물리옵션 17표 3.3 기상관측지점의 분류와 대표지점 정보 19표 4.2.1 봄철 기온에 대한 지역별 통계수치값(DLM-WRF)과 평균 35표 4.2.2 봄철 풍속에 대한 지역별 통계수치값(DLM-WRF)과 평균 37표 4.2.3 여름철 기온에 대한 지역별 통계수치값(DLM-WRF)과 평균 46표 4.2.4 여름철 풍속에 대한 지역별 통계수치값(DLM-WRF)과 평균 48표 4.2.6 가을철 기온에 대한 지역별 통계수치값(DLM-WRF)과 평균 57표 4.2.7 가을철 풍속에 대한 지역별 통계수치값(DLM-WRF)과 평균 59표 4.2.8 겨울철 기온에 대한 지역별 통계수치값(DLM-WRF)과 평균 68표 4.2.9 겨울철 풍속에 대한 지역별 통계수치값(DLM-WRF)과 평균 70표 4.2.10 80m 고층 자료에 대한 UM과 본 시스템의 bias 변동 75<그림 목차>그림 1.1 수치 자료 기반 풍력자원지도 (기상청 제공) 3그림 2.1 WRF 모델 시스템 흐름도 4그림 2.2 WRF 시스템 진행과정 5그림 2.3 역학적 칼만필터의 최적감소인자 계산 과정 개념도 8그림 2.4 칼만필터의 계산 과정 9그림 3.1 봄철 사례기간 일기도(a. 4월 28일 b. 4월 29일) 12그림 3.2 여름철 사례기간 일기도(a. 7월 2일 b. 7월 3일) 13그림 3.3 가을철 사례기간 일기도(a. 10월 16일 b. 10월 17일) 13그림 3.4 가을철 사례기간 일기도(a. 1월 7일 b. 1월 8일) 14그림 3.5 WRF 계산에 적용된 도메인 16그림 3.6 WRF계산 대상인 기상관측지점(지점번호) 18그림 3.7 고층 분석 사례일의 일기도(a. 8월 24일 b. 9월 25일) 23그림 4.1.1 대상지점 40개에 대한 사례일별 WRF 결과의 기온 RMSE 평균값의 공간분포 (a.봄사례일, b.여름사례일, c.가을사례일, d.겨울사례일) 24그림 4.1.2 대상지점 40개에 대한 사례일별 풍속 RMSE 평균값의 공간분포 (a.봄사례일, b.여름사례일, c.가을사례일, d.겨울사례일) 26그림 4.2.1 봄 사례일의 기온에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 28그림 4.2.2 봄 사례일의 풍속에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 30그림 4.2.3 칼만필터의 수치모델 결과 개선 정도 공간분포(봄 사례일, a. 기온 MB, b. 기온 RMSE) 32그림 4.2.4 칼만필터의 수치모델 결과 개선 정도 공간분포(봄 사례일, a. 풍속 MB, b. 풍속 RMSE) 33그림 4.2.5 여름 사례일의 기온에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 39그림 4.2.6 여름 사례일의 풍속에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 41그림 4.2.7 칼만필터의 수치모델 결과 개선 정도 공간분포(여름 사례일, a.기온 MB, b.기온 RMSE) 44그림 4.2.8 칼만필터의 수치모델 결과 개선 정도 공간분포(여름 사례일, a.풍속 MB, b.풍속 RMSE) 45그림 4.2.9 가을 사례일의 기온에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 50그림 4.2.10 가을 사례일의 풍속에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 52그림 4.2.11 칼만필터의 수치모델 결과 개선 정도 공간분포(가을 사례일, a.기온 MB, b.기온 RMSE) 55그림 4.2.12 칼만필터의 수치모델 결과 개선 정도 공간분포(가을 사례일, a.풍속 MB, b.풍속 RMSE) 56그림 4.2.13 겨울 사례일의 기온에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 61그림 4.2.14 겨울 사례일의 풍속에 대한 관측(AWS, 원, 실선), 수치모델(WRF, 사각형, 1점쇄선), 칼만필터 적용결과(DLM, 삼각형, 파선)의 시계열(위부터 a.중부산지, b.남부산지, c.중부내륙, d.남부내륙, e.동해안, f.남해안, g.남서해안, h.서해안) 63그림 4.2.15 칼만필터의 수치모델 결과 개선 정도 공간분포(겨울 사례일, a.기온 MB, b.기온 RMSE) 66그림 4.2.16 칼만필터의 수치모델 결과 개선 정도 공간분포(겨울 사례일, a.풍속 MB, b.풍속 RMSE) 67그림 4.2.17 고층 관측자료(실선, 빈 사각형)와 UM 예보(점선, 빈 원), 칼만필터를 적용 후(실선, 검은 원)의 시계열(8월 24일) 73그림 4.2.18 고층 관측자료(실선, 빈 사각형)와 UM 예보(점선, 빈 원), 칼만필터를 적용 후(실선, 검은 원)의 시계열(8월 24일)(9월 25일) 73그림 4.2.19 UM과 칼만필터의 80 m 바람 RMSE 변동치(8월 24일) 74그림 4.2.20 UM과 칼만필터의 80 m 바람 RMSE 변동치(9월 25일) 75
최근 본 자료
댓글(0)
0