정확한 풍속 예측은 신뢰할 수 있는 풍력 통합에 중요하지만, 대기 과정의 강하게 비정상적이고 본질적으로 다중 스케일의 특성으로 인해 여전히 도전적입니다. LSTM, GRU 및 Transformer 아키텍처와 같은 딥러닝 모델은 경쟁력 있는 단기 및 중기 성능을 달성하지만, 스펙트럼 편향, 하이퍼파라미터 민감도 및 이질적인 운영 범위에서의 일반화 저하 문제를 자주 겪습니다. 이러한 한계를 해결하기 위해 우리는 RFF-RNN이라고 하는 다중 스케일 스펙트럴–순환 프레임워크를 제안합니다. 이 프레임워크는 여러 대역의 랜덤 푸리에 특징(RFF) 인코딩과 파라미터 조정이 가능한 순환 백본을 통합합니다. 우리의 접근 방식의 주요 혁신은 엄격한 이동 불변성 제약을 의도적으로 완화하는 것입니다. 스펙트럼 주파수, 위상 편향 및 대역폭 스케일을 신경 가중치와 함께 공동 최적화함으로써, 프레임워크는 완전한 데이터 기반 스펙트럴 임베딩을 동적으로 형성합니다. 강력한 적응을 보장하기 위해 우리는 그래디언트 기반의 내부 루프 학습과 외부 루프 베이지안 하이퍼파라미터 조정을 결합한 2단계 최적화 전략을 사용합니다. 통제된 합성 벤치마크와 미국, 중국 및 네덜란드를 포함하는 지리적으로 다양한 6개의 실제 풍력 데이터셋에 대한 광범위한 평가를 통해 제안된 프레임워크의 우수성을 입증했습니다. Friedman 테스트를 통한 통계적 검증은 RFF 강화 모델, 특히 RFF-GRU 및 RFF-LSTM이 표준 순환 네트워크 및 최첨단 Transformer 아키텍처(Autoformer 및 FEDformer)를 체계적으로 능가함을 확인합니다. 제안된 접근법은 유의미하게 낮은 오류 지표(MAE 및 RMSE)와 높은 설명 분산(R2)을 생성하고, 장기 예측 수평에서 오류 누적에 대한 뛰어난 저항성을 보여줍니다.
Leon-Gomez et al. (Sat,)는 이 질문을 연구했습니다.