Wavelet-TimesNet: Improving Long-Term Solar Power Forecasting via Adaptive Wavelet Transform and Multi-Scale Residual Networks

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a novel hybrid architecture (wavelet + multi-scale CNN) that improves on Transformers for time-series forecasting, worth studying for other renewable prediction tasks.

🏢実務担当者:Directly applicable to solar farm operators and grid managers seeking higher forecast accuracy for better scheduling and reserve planning.

🏛政策担当者:Supports renewable energy integration targets by demonstrating how advanced forecasting can reduce grid balancing costs and curtailment.

長期光伏発電予測は、エネルギーシステムの最適な運用と電力網の安定性にとって極めて重要である。しかし、既存の手法は、スペクトル漏れや固定畳み込みカーネルによる特徴抽出の硬直性といった問題により、光の断続的な変動などの非定常信号を扱う際に精度が限られている。これらの課題に対処するため、本論文では、適応ウェーブレット変換とマルチスケール残差ネットワークを統合した新モデルWavelet-TimesNetを提案し、長期予測の頑健性を向上させることを目指す。このモデルは、ウェーブレット基底関数のパラメータを動的に調整し、局所的な周期特徴の多重解像度解析を実現して、ノイズ干渉を効果的に抑制する。異なるサイズの並列畳み込みカーネルを用いて、時間ごとの日射量の急変などの局所的詳細と、季節的な電力変動などの全体的傾向を捉えるマルチスケール残差ネットワークを構築する。適応ウェーブレット注意機構を導入し、周波数領域と時間領域の特徴を動的に重み付けして融合し、重要な情報への焦点を強化する。実験は、新疆の温帯大陸性気候と中国の亜熱帯モンスーン気候地域の光伏データセットに基づいて実施された。結果は、96時間予測において、Wavelet-TimesNetは新疆と中国で平均絶対誤差（MAE）をそれぞれ4.97%と3.29%削減し、平均二乗誤差（MSE）をそれぞれ7.80%と5.75%削減することを示している。192時間予測では、新疆データセットの平均二乗百分率誤差（MSPE）が36.42%削減される。TransformerやInformerなどの先進モデルと比較して、このモデルは非定常信号の処理と長期傾向の捕捉において顕著な優位性を示し、特に突発的な砂嵐や連続雨天などの極端な気象シナリオにおいて、予測精度が著しく向上する。研究成果は、光伏発電所の精密な運用管理に効率的な解決策を提供し、電力網のピークシェービングコスト削減、再生可能エネルギーの消費促進、エネルギー構造の転換促進に大きな意義を持つ。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Long-term photovoltaic power prediction is crucial for the optimal dispatch of energy systems and the stability of power grids. However, existing methods are limited in accuracy when dealing with non-stationary signals such as intermittent fluctuations in light due to issues like spectral leakage and the rigidity of fixed convolutional kernel feature extraction. To address these challenges, this paper proposes a novel model, Wavelet-TimesNet, which integrates adaptive wavelet transform and multi-scale residual networks, aiming to enhance the robustness of long-term predictions. This model dynamically adjusts the parameters of the wavelet basis function to achieve multi-resolution analysis of local periodic features, effectively suppressing noise interference. It constructs a multi-scale residual network to capture local details such as hourly irradiance mutations and global trends such as seasonal power variations using parallel convolutional kernels of different sizes. An adaptive wavelet attention mechanism is introduced to dynamically weight and fuse frequency-domain and time-domain features, enhancing the focus on key information. Experiments were conducted based on photovoltaic datasets from Xinjiang's temperate continental climate and a subtropical monsoon climate region in China. The results show that in 96-hour predictions, Wavelet-TimesNet reduces the mean absolute error (MAE) by 4.97% and 3.29% in Xinjiang and China, respectively, and the mean squared error (MSE) by 7.80% and 5.75%. In 192-hour predictions, the mean squared percentage error (MSPE) of the Xinjiang dataset is reduced by 36.42%. Compared with advanced models such as Transformer and Informer, this model demonstrates significant advantages in handling non-stationary signals and capturing long-term trends, especially in extreme weather scenarios like sudden sandstorms and continuous rainy days, where prediction accuracy is notably improved. The research results provide an efficient solution for the precise dispatch of photovoltaic power stations, which is of great significance for reducing peak shaving costs in power grids, promoting the consumption of renewable energy, and facilitating the transformation of energy structures.

• Zenodo https://zenodo.org/records/20456139first seen 2026-05-31 04:14:01 · last seen 2026-06-02 04:14:41