用傅里叶嵌入增强RNN，提升电力负荷时间序列的高分辨率下采样精度。
Fourier-Enhanced Recurrent Neural Networks for Electrical Load Time Series Downscaling
- 结合低分辨率输入与傅里叶季节嵌入，增强时序建模能力
- 在四个PJM区域测试中，均方根误差低于经典Prophet模型
- 适合需要高精度电力负荷预测的能源系统研究者
我们提出一种傅里叶增强的循环神经网络（RNN），用于电力负荷时间序列的下采样。该模型包含：(i) 基于低分辨率输入的循环主干网络，(ii) 在隐空间融合的显式傅里叶季节嵌入，(iii) 自注意力层，用于捕捉每个周期内高分辨率分量间的依赖关系。在四个PJM区域的实验中，该方法的均方根误差（RMSE）低于经典Prophet基线模型（含与不含季节性/长短期平均项），且随预测时域变化更平稳，优于未加入注意力或傅里叶特征的RNN消融模型。
原文摘要 · Abstract (English)
We present a Fourier-enhanced recurrent neural network (RNN) for downscaling electrical loads. The model combines (i) a recurrent backbone driven by low-resolution inputs, (ii) explicit Fourier seasonal embeddings fused in latent space, and (iii) a self-attention layer that captures dependencies among high-resolution components within each period. Across four PJM territories, the approach yields RMSE lower and flatter horizon-wise than classical Prophet baselines (with and without seasonality/LAA) and than RNN ablations without attention or Fourier features.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。