LSTM 기반 홍수예측을 활용한 동적 댐 운영 기법 개발 = Development of Dynamic Dam Operation Techniques Using LSTM-Based Flood Forecasting

국문 초록 (Abstract)

최근의 기상이변과 극한 호우 사상으로 홍수대응의 중요성은 점점 더 커지고 있는 상황이며, 특히 저수지의 홍수예측 및 홍수조절은 해당 유역 의 상하류 지역의 홍수피해에 결정적인 영향을 미칠수 있다. 그러나, 일반적으로 다목적댐의 홍수조절은 담당자의 업무 숙련도·이해 도에 의존하여 유입량 예측 및 방류의사결정으로 이루어지고 있는데, 그에 따라 담당자의 숙련도·이해도 편차로 인한 물리적 홍수예측모형의 분석 결 과 및 속도가 상이하다. 또한 국지성호우의 증가로 인해 강우예측의 불확 실성은 더욱 커질 우려가 있으며, 돌발홍수 등 지속기간은 점점 짧아지고 있는 관계로 기존의 결정론적 홍수예측모델을 바탕으로 신속한 의사결정을 하기에는 점점 난이도가 올라가고 있는 실정이다. 그러나, 다행스럽게도 지속적으로 수문관측자료는 계속 축척되고 있으 며, 그 정확도는 지속적으로 올라가고 있는 실정으로, 충분한 데이터와 전 문성을 갖춘 기술자를 필요로 하는 결정론적 홍수예측 뿐만아니라, 확률론 적 홍수예측도 어느정도 가능한 시대에 왔으며, 이에대한 니즈도 지속되는 실정이다. 따라서 본 연구는 인공신경망 기법 중 하나인 LSTM과 SVM을 이용하 여 한강수계 4개댐(소양강,횡성,충주,광동댐)에 대하여 홍수예측모델을 구 축하고, 그 중 3개의 다목적댐(소양강,횡성,충주댐)에 대해서는 RIGID RO M을 적용하여 홍수조절을 모의하였다. 댐 홍수량 산정을 위해 LSTM 모형과 SVM 모형을 15년간 강우사상에 대하여 적용하되, LSTM의 경우 과접합과 자기 상관성을 해소하기위해 De lay Time과 Embeded DImension의 개념을 추가 적용하여 평가하였으며, 그 결과 모의 작후 6시간 까지는 예측자료의 적정성이 확보되었다. 개발 모형을 기반으로 2020~2023년 한강수계 다목적댐의 홍수조절 적 용성을 RIGID-ROM을 이용하여 적용하였으며, 그 결과, 실제 홍수조절결 과에 비하여 유사한 수준으로 적절하게 홍수조절이 이루어졌음을 알수 있 었다. 즉, 본 연구에서 LSTM 기반 기계학습으로 생성된 6시간 단기 홍수예 측량을 활용하여 댐 홍수조절에서의 적용 가능성을 검토한 결과 AI홍수량 을 활용한 댐운영은 실무 적용 가능성이 충분하다고 판단되었다.
주요어 : 강우-유출모형, LSTM, SVM, 기계학습, 댐 운영, RIGID-ROM

다국어 초록 (Multilingual Abstract)

The importance of flood response is increasing due to recent abnormal
weather events and extreme heavy rain events, and in particular, flood routing
in reservoir and flood control can have a decisive impact on flood damage in
the upstream and downstream areas of the basin.
However, in general, flood control of multi-purpose dams is carried out by
predicting inflow and making discharge decisions depending on the job skills
and understanding of the person in charge. Accordingly, the analysis results
and speed of the physical flood prediction model may vary due to variations
in the person in charge's skill and understanding. Different. In addition, there
is concern that uncertainty in rainfall forecasts will further increase due to the
increase in localized heavy rainfall, and as the duration of flash floods is
becoming shorter, it is becoming more and more difficult to make quick
decisions based on existing deterministic flood prediction models. This is the
situation
However, fortunately, hydrological observation data is continuously being
accumulated, and its accuracy is continuously increasing, making not only
deterministic flood prediction, which requires engineers with sufficient data and
expertise, but also probabilistic flood prediction to some extent possible. The
times have come, and the need for it continues.
Therefore, this study uses LSTM and SVM, one of the artificial neural
network techniques, to build a flood prediction model for four dams in the
Han River system (Soyang River, Hoengseong, Chungju, and Gwangdong
Dam), and three of them multipurpose dams (Soyang River, Hoengseong, and
Chungju Dam) ), flood control was simulated by applying RIGID ROM.
To calculate dam flood volume, the LSTM model and SVM model were
applied to rainfall events for 15 years. In the case of LSTM, the concepts of
Delay Time and Embedded DImension were additionally applied and evaluated
to resolve overconnection and autocorrelation, and as a result, after the
simulation, The adequacy of the forecast data was secured up to 6 hours.
Based on the development model, the flood control applicability of the
multipurpose dam in the Han River basin from 2020 to 2023 was applied
using RIGID-ROM, and as a result, it was found that flood control was
appropriately achieved at a similar level compared to the actual flood control
results.
In other words, as a result of examining the applicability in dam flood
control using the 6-hour short-term flood forecast generated by LSTM-based
machine learning in this study, it was determined that dam operation using AI
flood forecast has sufficient practical applicability

Keywords : Rainfall-Runoff Model, LSTM, SVM, Machine Learning, Dam
Operation Rule, RIGID-ROM

목차 (Table of Contents)

• 제1장 연구개요
• 1.1 연구배경
• 1.2 연구목표
• 1.3 기대효과
• 1.4 연구방법 및 범위
• 1.4.1. 연구방법
• 1.4.2. 연구범위
• 1.5 인공지능 기술 관련 국내외 문헌조사
• 1.5.1. 인공지능 수자원 분야 적용사례
• 1.5.2. 인공지능 모델 정확도 향상을 위한 문헌조사
• 1.5.3. 인공지능 모델 활용한 댐운영 관련 문헌조사
• 제2장 인공지능기술의 이론적 배경
• 2.1 인공지능 기술에 대한 전반적 개념
• 2.1.1. 인공지능 기술의 주요개념
• 2.1.2. 시계열 데이터에 적용 가능 인공지능 기법
• 2.2 인공지능 기반 홍수예측모델 정확도 향상을 위한 방법
• 2.2.1. Delay Time과 Embedding Dimension
• 2.2.2. Hyper-parameter 최적화
• 제3장 CASE STUDY(한강수계) 입력자료 구축
• 3.1 분석 대상 지역 선정 및 일반현황
• 3.2 인공지능 기반 홍수예측모델 구축
• 3.2.1. 자료수집
• 3.2.2. 자료의 특성에 따른 자료 전처리
• 3.2.3. 학습자료 전처리 여부에 따른 예측력 변화 검토
• 3.3 AI 홍수예측모델 활용 저수지 추적모형 구축
• 3.3.1. 개요
• 3.3.2. 적용성평가를 위한 홍수사상 선정 및 운영룰 현황 조사
• 3.3.3. 각 댐별 AI홍수량을 활용한 저수지 운영룰 적용조건
• 제4장 CASE STUDY(한강수계) 홍수예측모델 적용 결과
• 4.1 홍수예측모델 적용결과
• 4.1.1. 소양강댐 홍수예측모델 적용 결과
• 4.1.2. 횡성댐 홍수예측모델 적용결과
• 4.1.3. 충주댐 홍수예측모델 적용결과
• 4.1.4. 광동댐 홍수예측모델 적용결과
• 4.2 각 댐별 최적 홍수예측모델 선정
• 4.2.1. 소양강댐
• 4.2.2. 횡성댐
• 4.2.3. 충주댐
• 4.2.4. 광동댐
• 제5장 CASE STUDY(한강수계) 댐운영룰 적용성 평가 결과
• 5.1 소양강댐 댐운영룰 적용성 평가
• 5.2 횡성댐 댐운영룰 적용성 평가
• 5.3 충주댐 댐운영룰 적용성 평가
• 제6장 결 론
• 참고문헌
• Abstract