본 논문은 풍력 에너지 생산 최적화에 중요한 역할을 하는 풍향 예측의 어려움(방향 데이터의 순환적 특성, 다중 단계 예측의 오차 누적, 복잡한 기상 상호 작용)을 해결하기 위해 WaveHiTS 모델을 제시합니다. WaveHiTS는 웨이블릿 변환과 신경망 계층적 보간을 시간 시계열에 통합하여 풍향을 U-V 성분으로 분해하고, 다중 스케일 주파수 패턴을 포착하며, 다중 스케일에서 시간적 의존성을 모델링하여 오차 전파를 효과적으로 완화합니다. 중국 내몽골의 실제 기상 데이터를 사용한 실험 결과, WaveHiTS는 기존의 심층 학습 모델(RNN, LSTM, GRU), Transformer 기반 모델(TFT, Informer, iTransformer), 하이브리드 모델(EMD-LSTM)보다 RMSE 값을 19.2°19.4°로 크게 개선(기존 모델 56°64°)하여 60분 예측까지 일관된 정확도를 유지함을 보여줍니다. 또한, 벡터 상관 계수(VCC) 0.9850.987 및 적중률 88.5%90.1%로 우수한 강건성을 나타냅니다. 추가적으로, ablation study를 통해 웨이블릿 변환, 계층적 구조, U-V 분해의 각 구성 요소가 성능 향상에 유의미하게 기여함을 확인했습니다. 이러한 풍향 예측 개선은 풍력 터빈 방향 제어 효율 및 풍력 에너지의 계통 연계 향상에 중요한 의미를 가집니다.
