arXiv:2512.07876v1 Announce Type: cross 
Abstract: 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.

تم تطوير شبكة عصبية متكررة معززة بفورييه لتقليل حجم الأحمال الكهربائية، حيث تجمع بين المدخلات منخفضة الدقة مع تضمينات موسمية فورية وطبقة انتباه ذاتي. وقد أظهر هذا النموذج انخفاضًا في RMSE بشكل أكبر وأسطح أكثر استواءً عبر أربعة مناطق PJM مقارنةً بأسس Prophet التقليدية وبدائل RNN التي تفتقر إلى الانتباه أو ميزات فورييه.

Se ha desarrollado una nueva red neuronal recurrente (RNN) mejorada por Fourier para la reducción de la escala de las cargas eléctricas, integrando entradas de baja resolución con embeddings estacionales de Fourier y una capa de autoatención. Este modelo ha demostrado una RMSE más baja y más plana en cuatro territorios de PJM en comparación con las líneas base tradicionales de Prophet y las variaciones de RNN que carecen de atención o características de Fourier.

Un nouveau réseau de neurones récurrents (RNN) amélioré par Fourier a été développé pour le redimensionnement des charges électriques, intégrant des entrées à basse résolution avec des embeddings saisonniers de Fourier et une couche d'attention autonome. Ce modèle a montré une RMSE plus basse et plus plate dans quatre territoires PJM par rapport aux bases de référence traditionnelles de Prophet et aux variations de RNN sans attention ni caractéristiques de Fourier.

A new Fourier-enhanced recurrent neural network (RNN) has been developed for downscaling electrical loads, integrating low-resolution inputs with Fourier seasonal embeddings and a self-attention layer. This model has demonstrated lower and flatter RMSE across four PJM territories compared to traditional Prophet baselines and RNN variations lacking attention or Fourier features.

Fourier-Enhanced Recurrent Neural Networks for Electrical Load Time Series Downscaling

arXiv:2512.08436v1 Announce Type: cross 
Abstract: Time delays in communication channels present significant challenges for bilateral teleoperation systems, affecting both transparency and stability. Although traditional wave variable-based methods for a four-channel architecture ensure stability via passivity, they remain vulnerable to wave reflections and disturbances like variable delays and environmental noise. This article presents a data-driven hybrid framework that replaces the conventional wave-variable transform with an ensemble of three advanced sequence models, each optimized separately via the state-of-the-art Optuna optimizer, and combined through a stacking meta-learner. The base predictors include an LSTM augmented with Prophet for trend correction, an LSTM-based feature extractor paired with clustering and a random forest for improved regression, and a CNN-LSTM model for localized and long-term dynamics. Experimental validation was performed in Python using data generated from the baseline system implemented in MATLAB/Simulink. The results show that our optimized ensemble achieves a transparency comparable to the baseline wave-variable system under varying delays and noise, while ensuring stability through passivity constraints.

تقدم دراسة جديدة نهجًا قائمًا على البيانات لتحسين الشفافية والاستقرار في أنظمة التشغيل عن بُعد الثنائية، حيث تتناول التحديات التي تطرحها التأخيرات في الاتصال. يستبدل الإطار الطرق التقليدية المعتمدة على متغيرات الموجة بنماذج تسلسل متقدمة، بما في ذلك LSTM وCNN-LSTM، التي تم تحسينها من خلال خوارزمية Optuna. تم إجراء التحقق التجريبي باستخدام بايثون، مما يثبت فعالية هذا النهج المبتكر.

Un nuevo estudio presenta un enfoque de conjunto basado en datos para mejorar la transparencia y estabilidad en los sistemas de teleoperación bilateral, abordando los desafíos que presentan los retrasos en la comunicación. El marco reemplaza los métodos tradicionales basados en variables de onda con modelos de secuencia avanzados, incluidos LSTM y CNN-LSTM, optimizados a través del algoritmo Optuna. La validación experimental se realizó utilizando Python, demostrando la efectividad de este enfoque innovador.

Une nouvelle étude présente une approche d'ensemble basée sur les données pour améliorer la transparence et la stabilité des systèmes de téléopération bilatérale, en abordant les défis posés par les délais de communication. Le cadre remplace les méthodes traditionnelles basées sur des variables d'onde par des modèles de séquence avancés, y compris LSTM et CNN-LSTM, optimisés grâce à l'algorithme Optuna. La validation expérimentale a été réalisée en utilisant Python, démontrant l'efficacité de cette approche innovante.

A new study introduces a data-driven ensemble approach to enhance transparency and stability in bilateral teleoperation systems, addressing challenges posed by communication delays. The framework replaces traditional wave-variable methods with advanced sequence models, including LSTM and CNN-LSTM, optimized through the Optuna algorithm. Experimental validation was conducted using Python, demonstrating the effectiveness of this innovative approach.

Fourier-Enhanced Recurrent Neural Networks for Electrical Load Time Series Downscaling

Was this article worth reading? Share it

LucidQuery AI

Airparser

Hypertune