Journal Search Engine
Search Advanced Search Adode Reader(link)
Download PDF Export Citaion korean bibliography PMC previewer
ISSN : 1229-3431(Print)
ISSN : 2287-3341(Online)
Journal of the Korean Society of Marine Environment and Safety Vol.25 No.6 pp.658-665
DOI : https://doi.org/10.7837/kosomes.2019.25.6.658

Optimal Site Selection of Floating Offshore Wind Farm using Genetic Algorithm

Jeong-Seok Lee*, Woo-Ju Son**, Bo-Kyeong Lee***, Ik-Soon Cho****
*Graduate School of Korea Maritime and Ocean University, Busan 49112, Korea
**Graduate School of Korea Maritime and Ocean University, Busan 49112, Korea
***Department of Ship Operation, Korea Maritime and Ocean University, Busan 49112, Korea
****Division of Global Maritime Studies, Korea Maritime and Ocean University, Busan 49112, Korea
*

First Author : shoesy548@kmou.ac.kr


Corresponding Author : ischo@kmou.ac.kr, 051-410-5072
October 7, 2019 October 21, 2019 October 28, 2019

Abstract


Among the renewable energy resources, wind power is growing rapidly in terms of technological development and market share. Recently, onshore wind farm have been affected by limitations of terrestrial space and environmental problems. Consequently, installation sites have been moved to the sea, and the development of floating offshore wind farms that are installed at deep waters with more abundant wind conditions is actively underway. In the context of maritime traffic, the optimal site of offshore wind farms is required to minimize the interference between ships and wind turbines and to reduce the probability of accidents. In this study, genetic algorithm based AIS(Automatic Indentification System) data composed of genes and chromosomes has been used. The optimal site of floating offshore wind farm was selected by using 80 genes and by evaluating the fitness of genetic algorithm. Further, the final site was selected by aggregating the seasonal optimal site. During analysis, 11 optimal site were found, and it was verified that the final site selected usng the genetic algorithm was viable from the perspective of maritime traffic.



유전 알고리즘을 활용한 부유식 해상풍력단지 최적위치 선정

이 정석*, 손 우주**, 이 보경***, 조 익순****
*한국해양대학교 대학원
**한국해양대학교 대학원
***한국해양대학교 선박운항과
****한국해양대학교 해사글로벌학부

초록


신재생 에너지 자원중 풍력발전은 비약적인 기술 발전과 시장 규모가 급속하게 성장하고 있다. 최근 육상풍력발전단지의 공간 적 한계, 환경 문제 등으로 인하여 설치 공간이 해상으로 이동되었고, 더욱 풍부한 풍황 조건을 가진 깊은 수심에 설치되는 부유식 해상 풍력단지의 개발이 활발하게 진행되고 있다. 해상교통관점에서 해상풍력단지의 최적위치 선정은 선박과 풍력기들의 간섭을 최소화 하고 사고 확률이 적은 곳이며, 선박 밀집도가 낮은 해역이 최적위치로 선정된다. 본 연구에서는 유전 알고리즘 기반의 계절별 1주일 기간 선 박자동식별장치 데이터를 유전자 및 염색체로 구성하였다. 80개의 유전자로 구성하고 유전 알고리즘의 적합도 평가를 거쳐 부유식 해상 풍력단지의 계절별 최적위치를 선정하였다. 더 나아가 계절별 최적위치 점수를 합산하여 최종 최적위치를 선정하였다. 분석 해역에서 최 적위치는 11개로 나타났으며, 해상교통관점에서 유전 알고리즘을 통한 최적위치 선정이 적용 가능함을 확인하였다.



    1. 서 론

    최근 다양한 신재생에너지원 가운데 가장 강력한 기술 및 시장경쟁력을 갖추고 있는 풍력발전시장은 세계적으로 급 속히 성장하고 있다. 풍력발전은 육상과 해상에 설치가 되 며 육상에 설치되는 육상풍력발전은 지자체의 인허가 지연 문제, 환경파괴 문제, 소음 및 공간적 한계 등으로 인하여 많은 차질을 빚고 있다(Yeo, 2016). 하지만 해상에 설치되는 해상풍력발전은 풍력이 강력하고 일정하여 오랜 시간 고출 력 발전이 가능할 뿐만 아니라 육상풍력발전이 가지고 있는 단점을 보완할 수 있다. 또한 해상풍력발전은 드넓은 해상 에 대규모발전단지로 조성할 수 있어 신동력 성장산업으로 발전가능성이 무궁무진하다(Ryu and Kim, 2014).

    현재 세계적으로 수심 40 m 이하의 고정식 해상풍력발전 시스템이 주류를 이루고 있으나, 보다 풍부한 풍황 조건과 소음 및 전자기의 영향을 적게 가지고 있는 중수심(50 m ~ 100 m) 해역으로 이동하려는 움직임이 있다(Kim and Lee, 2013;Choi et al., 2018). 부유식 해상풍력발전 시스템은 풍력 발전기의 하부 구조물이 해저면에 고정되어 있지 않고 부력 을 이용하여 해상에 떠있는 형태를 말하며 미국과 유럽을 중심으로 활발한 연구 및 실증이 진행되고 있다.

    본 연구에서는 200MW급 부유식 해상풍력발전단지의 최 적위치 선정을 위하여 대상 해역을 통항한 선박자동식별장 치(AIS, Automatic Indentification System) 데이터를 기반으로 유전 알고리즘(GA, Genetic Algorithm)을 활용하였다. 유전 알 고리즘은 John(1975)에 의해서 개발된 전역 최적화 기법으로 최적화 문제를 해결하는 기법 중 하나이다. 유전 알고리즘 은 기존의 미분 기반 최적화 알고리즘에 비해 다양한 문제 로의 응용성, 전역 탐색, 복잡한 식과 미분 정보 불필요 등 의 장점을 가지고 있다. 풍력터빈 배치에 최적화 알고리즘 을 활용한 첫 접근은 Mosetti et al.(1994)의 의해 시작되었으 며 풍력터빈의 후류 영향 계산, 풍력발전 출력당 최소 비용 과 최대 에너지 산출하는 배치를 수행하였다. 또한 Yang et al.(2018)은 유전 알고리즘을 적용하여 육상풍력발전단지 설 계시 제한된 공간내에서 후류로 인한 에너지 손실을 최소화 하며, 생산되는 에너지를 최대화하기 위한 풍력터빈 최적배 치 알고리즘을 개발하였다. 이와 같이 육상풍력터빈 배치에 따른 에너지 효율을 높이기 위한 연구는 다양하게 수행되었 으나, 해상교통을 고려한 해상풍력단지 최적위치 선정연구 는 전무하다.

    해상풍력단지 최적위치는 풍황 조건, 에너지 생산 효율성, 송전로 배치, 풍력기 타입 등 여러 분석 요인이 존재하지만 대상 해역의 선박 통항분석과 설치될 풍력기의 보호를 위해 해상교통안전진단제도를 통해 안전성 검증을 수행해야 한 다. 이 제도는 선박의 통항분석, 교통혼잡도, 교통밀집도 분 석 및 현장조사 등을 진행하여 선박통항안전을 확보하고 잠 재적 위해요소를 제거, 해양사고 저감방안을 마련하는 것을 의미한다(Cho et al., 2013;NLIC, 2017). 이와 같이 선박의 통 항분석은 해상구조물들의 설치이전에 필두로 수행해야하며 선박 밀집도가 높은 해역을 기존 분석 방법 이외에 다양한 방법으로 분석하고, 실측데이터 기반의 확률적 예측이 가능 한 유전 알고리즘을 이용하였다. 선박의 통항량이 많은 곳 은 풍력기 설치에 부적합한 조건이며, 반대로 통항량이 적 은 곳은 적합한 조건이 될 것이다. 선박 통항 측면에서 유전 알고리즘을 수행하기 위해 분석 대상 해역을 Grid Cell로 구 분 하여 유전자를 구성하였으며, 수집된 통항 선박 AIS 위치 데이터를 유전물질로 선정한 후 연구를 수행하였다.

    2. 데이터 수집 및 전처리

    2.1 데이터 수집

    본 연구에서 사용된 데이터는 해양 공간을 계획하고 설계 하기 이전에 대상 해역의 적정성을 시스템적으로 평가할 수 있는 해상교통안전평가솔루션인 MaTSAS(Marine Traffic and Safety Assessment Solution)로부터 수집된 AIS 데이터를 기반 으로 하였다(Lee et al., 2018).

    Fig. 1은 동해가스전에 설치되어 있는 AIS 수신기 위치를 나타낸 것이며, 최적위치를 선정하기 위한 분석 구역을 나 타낸 지도이다. AIS로 수집되는 정보에는 동적 정보인 날짜, 시간, 위치가 있으며 정적 정보에는 선박의 종류, 길이, 선 폭, 항차, 흘수 등이 있다(Jung et al., 2016). 동해가스전 인근 을 통항한 선박 AIS 동적 정보의 시간에 따른 위치 정보가 저장되며, 이 데이터 기반으로 분석 대상 해역에 선박 밀집 도와 통항량을 산출 할 수 있다.

    2.2 데이터 처리 과정 및 분석 프로그램

    해상교통안전진단 수행시 해상교통조사는 모든 사업에서 수행해야하는 요소이며 최소 72시간 이상의 해상교통현장조 사를 요구하고 있다(NLIC, 2017). 본 연구에서는 72시간 기준 을 충족하는 2019년의 계절별 1주일 데이터를 분석하고, 계 절에 따른 차이를 알아보았다.

    Fig. 2는 데이터 전처리 과정을 나타낸 것이다. 첫째, 동해 가스전 AIS 수신기로부터 정보들이 수신된다. 둘째, 수집된 통항 선박 데이터는 아마존 클라우드 서버에 저장 된다. 셋 째, 저장된 데이터는 Heidi SQL 프로그램으로부터 추출이 된 다. 넷째, 추출된 데이터는 지리정보시스템(GIS, Geographic Information System)으로 나타내기 위해 세계 지구 좌표 시스 템(WGS, World Geodetic System)으로 변환한다.

    Table 1에서 데이터 개수는 선박이 통항하면서 일정한 시 간별로 수신된 선박 항적 위치 개수를 나타낸다. 이외에도 선박의 정적정보와 위치정보를 제외한 동적정보들을 포함 하면 무수히 많은 데이터를 포함하고 있다. 이와 같이 AIS 데이터를 분석하고, 유전 알고리즘에 적용하기 위해 파이썬 (Python, 1991) 프로그램을 사용하였으며 지리정보시스템으 로 표현하기 위해 QGIS(Quantum GIS, 2002) 프로그램을 사용 하였다.

    변동계수(CV, Coefficient of Variation)는 데이터 자료의 분 포지수를 나타내며 데이터의 신뢰성을 확보하기 위해 사용 된다. 이 값은 표준편차를 평균으로 나눈 값으로 정의된다. 변동계수는 서로 성격이 다른 여러 모집단의 상대적인 변동 혹은 산포를 측정하기 위해 식(1)과 같이 계산된다.

    C V = s x ¯
    (1)

    • x = 표본평균

    • s = 표준편차

    즉, 변동계수는 자료 분포를 평균의 관점에서 어느 정도 퍼 져 있나 확인할 수 있는 값이며, 데이터 수집기간인 1일별 데이터의 편차를 비교할 필요가 있다. 표본평균과 표준편차 가 크게 차이날 경우 그 자료를 비교 분석하기에 객관성을 확보하기 어렵기 때문에 최소한의 정규화를 나타낸 식이다 (Inoue and Hara, 1973). 겨울의 변동계수는 0.47로 가장 크게 나타나며, 이는 1일 단위의 데이터 편차가 가장 큰 것을 의 미한다. 이와 반대로 가을의 변동계수는 0.29로 1일 단위의 데이터 편차가 가장 적은 것을 의미한다. 해상의 기상악화 나 여러 조건으로 인해 교통량 데이터의 일시적 변화를 고 려할 수 있으며, 연구 수행에 있어 신뢰성 확보에 중요하다.

    Fig. 3은 유전 알고리즘에서 유전자로 구성이 될 동해가스 전 주변 통항 선박 AIS 위치 정보를 GIS로 나타낸 것으로서 Table 1의 위치 정보를 시각적으로 확보하기 위해 나타냈다.

    3. 유전 알고리즘 수행

    3.1 최적 위치를 위한 유전 알고리즘

    유전 알고리즘은 자연세계의 진화론에 바탕을 둔 진화 연 산(Evolutionary Computation)의 한 기법이다(Oh et al., 2011). 최 적 위치를 선정하기 위한 공간 자료에서 주어진 모든 해를 모두 포함하며 문제의 해를 해결하기 위해 생물의 진화과정 을 따르며, 해를 표현하는 유전자를 구성하고 유전자들이 교배에 따른 세대변화 연산을 수행한다(Yang et al., 2018). 공 간 자료로 구성된 Grid Cell은 유전물질을 포함한 개별 유전 자(gene)이며 여러개의 유전 속성데이터를 포함하고 있는 염 색체(chromosome)로 표현한다. 이 염색체는 하나의 집합을 의미하며 하나의 해(solution)를 표현한다.

    Fig. 4는 부유식 해상풍력 최적위치를 위한 유전 알고리즘 진행 절차를 나타내며 초기 무작위 염색체를 구성한다. 적 합도(fitness) 함수로부터 높은 적합도를 가진 염색체가 살아 남아 유전되며, 적합도에 만족하지 못하는 낮은 유전자는 생물학적 진화 원리에 따라 세대를 지날수록 도태된다. 즉, 유전 알고리즘 초기 해집단(population)은 임의의 염색체들로 구성되며, 여러개의 염색체로 구성된 그룹으로써 모두 적합 도 평가(evaluation)를 받게된다. 해집단 중 2개의 해를 선택 (selection)하여 구성하면 부모해(parent)가 되며 교배(corssover) 를 통해 자손해(offspring)가 생성된다. 때로는 돌연변이 (mutation)가 발생하여 새로운 형질의 해를 갖게 되기도 한 다. 마지막으로 세대(generation) 반복 기준을 충족할 때까지 알고리즘이 진행되는 구조로 이루어져 있다.

    3.2 분석 대상 해역 선정

    본 연구에서의 분석 대상 해역은 동해가스전 기준 오른쪽 해역, 대한민국 배타적 경제수역을 벗어나지 않은 36,000 m × 36,000 m 크기로 구성되었다.

    Fig. 5는 분석 해역을 대상으로 Grid Cell로 나타낸 것이며 총 개수는 3,600개이다. 이 Cell은 각각 개별 유전자를 의미 하며 이 유전자들의 조합들로 염색체가 구성된다. 이 유전 자들이 지니고 있는 유전물질은 Cell 내부 중앙에 숫자로 나 타나며, 이 유전물질은 Cell 안에 포함된 선박이 지나간 위치 AIS 데이터의 개수를 나타낸 것이다. Cell을 구성한 원리는 분석 대상 해역에 설치될 5MW급 풍력기의 회전 반경과 주 변 풍력기간의 이격 거리를 국내 영광 낙월 해상풍력발전 사례로 Cell을 구성하였다.

    3.3 유전 알고리즘 유전자 및 염색체 구성

    본 연구에서는 유전자와 염색체를 구성하기 위해 각각 40 개, 80개 유전자를 구성하여 2개의 조건으로 진행하였다.

    Fig. 6은 부모해로부터 교배와 돌연변이 과정을 거쳐 자손 이 생성되는 흐름을 나타낸 것이다. 교배방법으로 Parent A 전방의 50 % 유전자와 Parent B의 후방 50 % 유전자를 분할 후 결합하는 방법을 이용하였다. 결합하여 생긴 새로운 염 색체는 돌연변이 0.1 %의 확률을 거쳐 유전자 변형을 시도하 였다. 돌연변이 연산은 염색체 유전자를 강제적으로 바꾸는 과정으로 선박 밀집도를 나타낸 Cell의 위치를 강제로 바꿔 준다. 이는 개체 집단 내에서 개별 개체들의 다양성을 위한 것으로써 특정 유전자들이 지속적으로 반복되어 국부 지역 에 빠지지 않게 하는 역할을 한다. 돌연변이 확률이 너무 크 거나 작을 경우 연구의 방향이 나쁜 방향으로 진행할 가능 성이 있어 Yang et al.(2018)의 논문을 참조하여 0.1 %로 확률 로 발생하도록 하였다.

    3.4 유전 알고리즘 연산 과정

    해상교통관점에서의 최적위치 선정은 유전알고리즘을 적 용하여 통항량이 많은 위치 즉, 밀집도가 높은 Cell을 찾는 것이며, 그 Cell을 포함하지 않는 면적을 최적의 위치로 선정 한다. 선박 밀집도가 높은 Cell을 찾기위한 적합도 평가 함수 는 식(2)와 같이 정의한다.

    f i = h = 1 h C g h n = 1 n C g n
    (2)

    • Cg = Cellgene (유전물질= 선박AIS 위치정보)

    • h = Length of chromosome(유전자길이)

    • n = Total of chromosome(총유전자개수)

    모든 염색체들은 식(2)의 목적함수에 의해 적합도 평가를 받 는다. 분자는 모든 유전자들의 유전물질 값을 더한 수치이 며, 분모는 선택된 유전자들의 유전물질 값을 더한 값이다. 적합도 평가에 따라서 값이 높은 유전자는 살아남아 다음 세대에 유전되어지고 값이 낮은 유전자는 도태된다. 그러나 유전자의 다양성을 위해 선박 통항량이 높은 곳만 선택되지 않고 낮은 곳도 확률적으로 선택 될 수 있도록 룰렛 휠 선택 (roulette wheel selection) 방법을 사용한다. 유전자들이 선택될 배정 확률은 식(3)과 같다.

    P i = f i j = 1 n f j
    (3)

    이와 같이 유전알고리즘을 이용하여 유전자들의 선택, 교 배, 돌연변이 결과로 설정한 세대까지 반복 작업을 통해 새 로운 세대로의 진화과정을 거친다. 본 연구에서 설정한 세 대수는 적합도 값이 더 이상 변화하지 않는 20,000세대까지 나타내었다.

    4. 유전 알고리즘 적용

    4.1 유전 알고리즘 분석 결과

    부유식 해상풍력단지의 최적 위치 선정을 위한 유전 알고 리즘의 분석 결과는 Table 2와 같다. 총 유전자 개수 3,600개 중 40개, 2배수인 80개를 선택하여 반복 수행을 20,000번 수 행하였다.

    두가지 유전자 조건 중 개수 선택에 정확한 판단을 위해 GIS를 사용한 선박 밀집도와 선박 항적도를 나타냈다. 유전 알고리즘의 수행 결과인 부적합 Cell 표시와 계절별 부유식 해상풍력단지 최적위치 선정 결과를 나타냈다.

    S1 ~ S36의 개별 해당 면적은 200MW급 부유식 해상풍력 단지의 설치 면적이다. 본 연구에서 진행하는 200MW급 부 유식 해상풍력단지의 면적 기준은 영국의 Westermost Rough Wind Farm의 설치 사례를 기준으로 적용하였다.

    Table 3은 영국에 조성된 해상풍력단지가 200MW급 해상 풍력단지와 유사함을 보여주었다. 본 연구에서 분석해역으 로 설정한 총 면적은 1,296 km2이며, 영국의 풍력단지 설치 면적은 35 km2으로 영국 풍력 단지 한 개당 37개의 면적을 차지한다. 따라서 분석해역의 일정한 면적으로 나누기 위해 6 × 6으로 나누어 최적위치를 선정하였다.

    4.2 대상 해역의 최적 위치 선정

    최적위치 선정을 위해 Table 2의 유전자 80개 결과를 적용 하였다. 40개의 유전자는 선정된 Cell의 개수가 적어 선박의 통항패턴, 밀집 부분을 선정하기엔 한계점이 존재하며, 적합 도 값의 편차가 심하다. 따라서 2배수인 80개의 유전자를 사 용하였고, 선박의 통항패턴과 밀집구역이 시각적으로 확인 가능하다. 4계절의 데이터를 이용한 최적위치 선정은 36개 의 구역에 단 하나라도 부적합 Cell이 존재하면 최적위치로 적합하지 않도록 하였다. 그러나 계절별로 단 하나의 부적 합 Cell이 유전 알고리즘에 의해 선택 되더라도 그 구역이 부적합 구역으로 선정하기에 한계점이 존재한다. 따라서 계 절별 부적합 구역을 ‘0’점, 적합 구역을 ‘1점’으로 수치화 하 였다. Table 4에 따라 합산된 점수는 최적위치 결정의 한 방 법으로 사용하였다. ‘0’점 ~ ‘1’점은 최적위치로 부적합한 구 역, ‘2’점은 최적위치로 선정할 경우 고려해야 할 구역, ‘3’점 ~ ‘4’점은 최적위치로 적합한 구역으로 설정하여 Fig. 7과 같 이 최적위치를 선정하였다.

    Fig. 7은 선박 AIS 데이터와 유전 알고리즘을 적용한 최적 위치 선정 결과이다. S8, S14, S19, S25, S29, S30, S31, S33, S34, S35, S36 11개 구역이 부유식 해상풍력단지를 조성하기 위한 최적 위치로 선정되었다. 하지만 S1, S2, S13, S22, S23, S24, S27, S28, S32 9개 구역은 고려해야 할 대상으로 상황에 따라 해상풍력단지의 조성이 가능할 수도 있는 위치로 선정 하였다. 이외에 S3, S4, S5, S6, S7, S9, S10, S11, S12, S15, S16, S17, S18, S20, S21, S26 16개 구역은 동해가스전 주변에 존재 하는 선박의 밀집도가 높은 구역, 통항 선박이 일정한 패턴 으로 항해하는 구역의 존재에 따라서 최적위치에 부적합한 구역으로 선정 하였다.

    5. 결 론

    본 연구에서는 해상교통관점에서의 부유식 해상풍력단지 최적위치 선정을 위해 유전 알고리즘을 적용하였다.

    • (1) 선박 AIS 데이터로 구성된 유전자 80개를 유전 알고리 즘으로 분석 결과 밀집구역, 선박 통항 분포 구역이 실측데 이터의 밀집도, 항적도와 패턴이 일치함을 확인 하였다. 유 전 알고리즘으로 선택된 해역을 제외하는 방법으로 부유식 해상풍력단지 최적위치 선정에 적용하였다.

    • (2) 계절별 데이터의 변동 계수는 겨울에 큰 값을 보였으 며 데이터 신뢰성 확보와 일자별 편차를 확인하기 위해 수 행하였다. 분석 기간에 따른 선박 밀집도 분석과 유전 알고 리즘을 통한 결과는 서로 큰 차이점을 보이지 않았으나 한 계절에 하나의 Cell이라도 선택되어 해당 구역이 최적위치로 적합하지 않은 결과를 방지하기 위해 4계절 적합 구역을 수 치화하여 합산하는 방식으로 분석하였다.

    • (3) 해상교통안전진단의 선박 교통량 분석은 7일을 요구 사항으로 하고 있으나, 비용 및 시간적 제약으로 인해 3일로 요구하고 있다. 3일 분석으로 충분히 선박 교통의 특성을 나 타내는 의미이다. 본 연구에서는 해상교통안전진단에서 요 구하는 기간 이상의 4주 데이터를 이용하였고, 기존의 분석 방법 이외에 다른 방법 적용 및 실측데이터 기반의 확률적 예측을 유전 알고리즘으로 적용 가능성을 확인하였다.

    본 연구에서 수행한 유전 알고리즘의 한계점은, 시뮬레이 션 수행 조건에 따라 최종적으로 동일한 결과를 가져오기라 보단 쉽게 국부 지역에 빠져든다는 점이다. 이를 보완하기 위해 돌연변이 확률을 0.1 %로 설정하였으며, 최적위치 선정 을 위한 Grid Cell의 개수가 3,600개로 생성되는 유전자의 조 건이 다양하여 적합도 값이 더 이상 변화하지 않는 2만 세 대까지 진행한 점이다. 이를 보완하기 위해 다양한 교차방 법 연구, 유전자 구성의 새로운 방법을 모색할 필요가 있다.

    향후 선박 교통량 이외에도 선박의 길이, 속력 등 다양한 조건과 자연 조건, 에너지 효율 등에 가중치를 계산할 수 있 는 통합 알고리즘을 개발해야 할 것으로 판단된다.

    후 기

    본 연구는 산업통상자원부(MOTIE)와 한국에너지기술평가원 (KETEP)의 지원을 받아 수행한 연구 과제입니다(No.20183010025280).

    Figure

    KOSOMES-25-6-658_F1.gif

    AIS receiver position of donghae gas plant and analysis area.

    KOSOMES-25-6-658_F2.gif

    Flowchart of data preprocessing.

    KOSOMES-25-6-658_F3.gif

    GIS plotting of seasonal ship AIS data.

    KOSOMES-25-6-658_F4.gif

    Flowchart of genetic algorithm.

    KOSOMES-25-6-658_F5.gif

    Define coordinate and grid cell 60 × 60.

    KOSOMES-25-6-658_F6.gif

    Conceptual flows to obtain the offspring produced by crossover and mutation.

    KOSOMES-25-6-658_F7.gif

    Result of optimal site selection.

    Table

    Counts and CV index of seasonal ship AIS data

    Result of genetic algorithm

    Area calculation for optimal site

    Category of optimal site selection

    Reference

    1. Cho, K. M. , G. Y. Kong, and I. S. Cho (2013), A Study on the Design of Metaevaluation Model for the Maritime Traffic Safety Assessment Scheme, Journal of the Korean Society of Marine Environment & Safety, Vol. 19, No. 4, pp. 382-390.
    2. Choi, G. H. , R. T. Jung, B. H. Lee, and K. B. Shin (2018), Research for Validity of Building Offshore Floating Wind Power Field at East Sea and Compatibility of Floating Wind Turbine Generator, Journal of the Korean Society for Marine Environment & Energy, Vol. 21, No. 2, pp. 64-75.
    3. Inoue, K. and K. Hara (1973), Relations between the Number of Observational Days and the Accuracy on the Estimation of Average Annual Daily Traffic Volume, Japan Institute of Navigation, Vol. 50, pp. 1-8.
    4. John, H. H. (1975), Adaptation in Natural and Artificial Systems, The MIT Press, pp. 1-217.
    5. Jung, C. H. , Y. S. Park, D. G. Yoon, and M. S. Choi (2016), A Study on the Development of an Early Detection System for Altering Course of a Target Ship, Journal of the Korean Society of Marine Environment & Safety, Vol. 22, No. 6, p. 626.
    6. Kim, M. S. and K. S. Lee (2013), Hydrodynamic force calculation and motion analysis of OC3 Hywind floating offshore wind turbine platform, Journal of the Korean Society of Marine Engineering, Vol. 37, No. 8, pp. 953-961.
    7. Lee, B. K. , I. S. Cho, and D. H. Kim (2018), A Study on the Design of the Grid-Cell Assessment System for the Optimal Location of Offshore Wind Farms, Journal of the Korean Society of Marine Environment & Safety, Vol. 24, No. 7, pp. 848-857.
    8. NLIC (2017), National Law Information Center, Enforcement Regulation on the Maritime Safety Audit Scheme, http://www.law.go.kr/admRulSc.do?tabMenuId=tab107&query=%ED%95%B4%EC%83%81%EA%B5%90%ED%86%B5#AJAx (25th Oct. 2018).
    9. Mosetti, G. , C. Poloni, and B. Diviaco (1994), Optimization of Wind Turbine Positioning in Large Wind Farms by Means of a Genetic Algorithm, Journal of Wind Enginering and Industrial Aerodynamics, Vol. 51, No. 1, pp. 105-116.
    10. Oh, J. S. , W. R. Ryou, S. C. Lee, and J. H. Choi (2011), Prediction of Atomic Configuration in Binary Nanoparticles by Genetic Algorithm, Journal of Korean Ceramic Society, Vol. 48, No. 6, pp. 493-498.
    11. Ryu, J. H. and S. C. Kim (2014), Status of offshore wind power market and technology trends, Journal of Wind Energy, Vol. 5, No. 1, pp. 5-11.
    12. Yang, K. B. , K. H. Cho, and J. C. Huh (2018), Study on Layout Optimization of Wind Turbines Using a Genetic Algorithm, Journal of the Korean Society of Mechanical Engineers B, Vol. 42, No. 6, pp. 411-420.
    13. Yeo, K. H. (2016), Green Growth Energy Offshore Wind Power Technology Trend, Konetic Report, Vol. 41, pp. 1-11.