웨이블릿 변환 기반 계층적 시간 시계열 모델 WaveHiTS: 내몽골 동부 지역 풍향 예보의 혁신

본 연구는 웨이블릿 변환과 계층적 시간 시계열 모델링을 결합한 WaveHiTS 모델을 제시하여 내몽골 동부 지역의 풍향 예보 정확도를 크게 향상시켰습니다. 기존 모델 대비 월등한 성능을 보이며 풍력 에너지 생산 최적화에 기여할 것으로 기대됩니다.

서론: 풍향 예보는 풍력 에너지 생산 최적화에 필수적이나, 방향 데이터의 순환성, 다중 단계 예측의 오차 누적, 복잡한 기상 상호 작용으로 인해 어려움을 겪고 있습니다. 중국 내몽골 지역의 실제 기상 데이터를 기반으로 한 최근 연구에서 이러한 문제를 해결하기 위한 획기적인 모델, WaveHiTS가 개발되었습니다.

WaveHiTS의 핵심: WaveHiTS는 웨이블릿 변환과 신경망 계층적 보간 시간 시계열 모델링을 통합한 혁신적인 접근 방식을 제시합니다. 풍향을 U-V 성분으로 분해하고 웨이블릿 변환을 통해 다중 스케일 주파수 패턴을 포착하여, 계층적 구조를 이용해 여러 스케일에서 시간적 의존성을 모델링함으로써 오차 전파를 효과적으로 줄입니다.

성능 비교: 실험 결과, WaveHiTS는 RNN, LSTM, GRU와 같은 딥러닝 순환 모델, TFT, Informer, iTransformer와 같은 트랜스포머 기반 모델, 그리고 EMD-LSTM과 같은 하이브리드 모델을 압도적으로 능가하는 성능을 보였습니다. RMSE 값은 기존 모델의 56°64°에 비해 19.2°19.4°로 현저히 낮았으며, 최대 60분 예측까지 일관된 정확도를 유지했습니다. 뿐만 아니라, 0.9850.987의 높은 벡터 상관 계수(VCC)와 88.5%90.1%의 높은 적중률을 기록하며 우수한 강건성을 입증했습니다.

결론: 본 연구에서 제시된 WaveHiTS 모델은 웨이블릿 변환, 계층적 구조, U-V 분해라는 세 가지 핵심 요소의 상호 작용을 통해 풍향 예보의 정확성과 안정성을 크게 향상시켰습니다. 이러한 성과는 풍력 터빈 제어 효율 향상과 풍력 에너지의 그리드 통합에 큰 기여를 할 것으로 기대됩니다. 향후 연구에서는 다양한 기상 조건과 지역에 대한 적용성을 검증하고, 모델의 설명력을 높이는 연구가 필요합니다.

연구진: Hailong Shu, Weiwei Song, Yue Wang, Jiping Zhang