리그그룬드 풍력단지 현장 데이터로 검증한 엔지니어링 풍력와크 모델 성능 평가

초록

본 연구는 Horizon 2020 TotalControl 프로젝트에서 수집한 리그그룬드 해상풍력단지의 동기화 SCADA·LiDAR 데이터를 활용해, 네 가지 조합의 분석적 와크 모델을 검증한다. 모델별 속도 감소, 난류 추가, 와크 중첩·편향 방식의 차이를 LongSim(DNV)으로 구현하고, 평균 와크 속도 감소와 터빈·전체 발전량을 10분 평균으로 비교한다. 정규화된 속도 감소 MAE는 7‑15 %이며, 터빈 수준 발전량 오차는 3‑23 %, 전체 발전량 오차는 –13 %에서 +30 %까지 나타난다. 누적 중첩·정교 난류 모델이 가장 정확했으며, 일부 조합은 대규모 Eddy Simulation(LES) 수준의 정확도를 유지하면서 계산 비용을 크게 절감한다.

상세 분석

본 논문은 엔지니어링 기반 와크 모델의 실운용 적합성을 검증하기 위해, 실제 현장 데이터와 모델 예측을 정량적으로 비교한 드문 사례를 제시한다. 데이터는 Lillgrund 풍력단지(48대 Siemens SWT‑2.3‑93)에서 2019‑2020년 사이에 수집된 SCADA와 장거리·단거리 LiDAR 측정치를 동기화한 10분 평균 시계열이며, 베이스라인 운전과 의도적인 요(yaw) 편향을 이용한 와크 스티어링(two‑case) 상황을 모두 포함한다.

모델 측면에서는 LongSim에 구현된 네 가지 조합을 평가했는데, 각각은 (1) Gaussian‑based deficit, (2) Gaussian‑Curl‑Hybrid, (3) Vortex‑sheet, (4) 수정된 Gaussian‑Curl‑Hybrid 형태로, 속도 감소식, 난류 성장식, 중첩 규칙(선형 vs. 누적), 편향 모델(단순 vs. 회전)에서 차이를 둔다. 특히 누적 중첩(energy‑based superposition)과 고도화된 난류 전파(예: Turbulence‑Intensity‑Growth‑Factor) 조합이 와크 깊이와 풍향 변동에 강인한 성능을 보였다.

검증 결과, 모든 모델이 대략적인 와크 중심선 이동과 폭 확장을 재현했으며, 정규화된 속도 감소 MAE는 7 %~15 % 수준으로 비교적 낮았다. 그러나 와크가 겹치는 깊은 배열(예: 4‑5번째 다운스트림 터빈)에서는 오차가 급증했으며, 이는 모델이 입구 난류 이질성, 풍향 변동, 그리고 블로킹 효과를 충분히 반영하지 못함을 의미한다. 터빈별 발전량 MAE는 3 %~23 %로, 특히 상류 터빈에서는 3 % 수준의 정확도를 보였지만, 중앙·하류 터빈에서는 20 % 이상 오차가 발생했다. 전체 발전량은 –13 %에서 +30 %까지 편차가 있었으며, 이는 개별 터빈 오차가 상쇄되는 경우와 누적 오차가 증폭되는 경우가 혼재함을 시사한다.

흥미롭게도, 일부 조합(예: Gaussian‑Curl‑Hybrid + 누적 중첩 + 고도 난류 모델)은 기존 문헌에 보고된 LES 결과와 비슷한 정확도를 달성했으며, 계산 시간은 수 초 수준으로 크게 단축되었다. 이는 실시간 와크 스티어링 제어에 필요한 모델 선택 시, 정확도와 계산 효율성 사이의 트레이드오프를 명확히 제시한다.

또한, 저자들은 현장 데이터의 불확실성(예: LiDAR의 저해상도 TI 측정, SCADA의 방향 보정 오류)과 대기 안정도(ERA5 기반 Monin‑Obukhov L) 추정의 한계도 논의한다. 이러한 측정 불확실성이 모델 오차에 미치는 영향을 정량화하지는 않았지만, 향후 연구에서 동적 입구 흐름(시간 변동성)과 블로킹 효과를 포함한 모델링이 필요함을 강조한다.

전반적으로, 이 연구는 고밀도 해상풍력단지에서 와크 스티어링을 적용하기 전, 엔지니어링 와크 모델을 현장 데이터로 사전 검증하는 절차의 중요성을 부각시키며, 모델 선택 시 ‘누적 중첩 + 정교 난류’ 조합이 실용적 최적임을 제시한다.