WaveHiTS：基于小波增强的层次化时间序列模型用于东部内蒙古风向预报
机器学习
2025-04-10 v1 人工智能
摘要
风向预测在优化风能生产中起关键作用，但由于方向数据本身的圆形特性、多步预测中的误差累积以及复杂气象相互作用，面临着显著挑战。本文提出了一种新型模型 WaveHiTS，将小波变换与神经网络层次插值时间序列相结合，以解决这些挑战。我们的ethods 将风向分解为 U-V 分量，应用小波变换捕捉多尺度频率模式，并利用层次化结构在多个尺度上建模时序依赖性，从而有效缓解误差传播。在中国内蒙古实地气象数据的实验表明，WaveHiTS 在深度学习模型 (RNN、LSTM、GRU)、基于转换器的方法 (TFT、Informer、iTransformer) 以及混合模型 (EMD-LSTM) 上均显著优于。该模型实现的 RMSE 值约为 19.2°-19.4°，而深度学习循环模型为 56°-64°，在所有预测步长（最高达 60 分钟）方面保持一致的准确性。此外，WaveHiTS 在向量相关系数 (VCC) 为 0.985-0.987 且命中率为 88.5%-90.1% 时表现出卓越的鲁棒性，显著优于基准模型。消融研究确认，每个组件——小波变换、层次化结构和 U-V 分解——对整体性能都有实质性贡献。这些在风向 nowcasting 方面的改进，对提高风力机 yaw 控制效率和风能电网互联具有重大意义。
引用
@article{arxiv.2504.06532,
title = {WaveHiTS: Wavelet-Enhanced Hierarchical Time Series Modeling for Wind Direction Nowcasting in Eastern Inner Mongolia},
author = {Hailong Shu and Weiwei Song and Yue Wang and Jiping Zhang},
journal= {arXiv preprint arXiv:2504.06532},
year = {2025}
}