[論文レビュー] R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions

Zhi Sheng, Yuan Yuan+2 more|arXiv (Cornell University)|Feb 17, 2026

Energy Load and Power Forecasting被引用数 0

ひとこと要約

R2Energyは中国の902の風力/太陽光 stationを対象に大規模で漏洩なしのNWP補助予測ベンチマークを提供し、 regime-wise な極端イベント注釈で平均精度を超えた頑健性を評価する。

ABSTRACT

The rapid expansion of renewable energy, particularly wind and solar power, has made reliable forecasting critical for power system operations. While recent deep learning models have achieved strong average accuracy, the increasing frequency and intensity of climate-driven extreme weather events pose severe threats to grid stability and operational security. Consequently, developing robust forecasting models that can withstand volatile conditions has become a paramount challenge. In this paper, we present R$^2$Energy, a large-scale benchmark for NWP-assisted renewable energy forecasting. It comprises over 10.7 million high-fidelity hourly records from 902 wind and solar stations across four provinces in China, providing the diverse meteorological conditions necessary to capture the wide-ranging variability of renewable generation. We further establish a standardized, leakage-free forecasting paradigm that grants all models identical access to future Numerical Weather Prediction (NWP) signals, enabling fair and reproducible comparison across state-of-the-art representative forecasting architectures. Beyond aggregate accuracy, we incorporate regime-wise evaluation with expert-aligned extreme weather annotations, uncovering a critical ``robustness gap'' typically obscured by average metrics. This gap reveals a stark robustness-complexity trade-off: under extreme conditions, a model's reliability is driven by its meteorological integration strategy rather than its architectural complexity. R$^2$Energy provides a principled foundation for evaluating and developing forecasting models for safety-critical power system applications.

研究の動機と目的

• 気候変動由来の極端性が強まる中での系統安定性のある再生可能エネルギー予測の動機付け。
• モデルを climatic regions および極端イベント全体で評価するための大規模で多様な多源データセットの提供。
• 公正なモデル間比較を可能にする標準化された漏洩なし予測プロトコルの確立。
• 専門家と整合した極端気象注釈を用いた regime-wise 評価を導入し、頑健性のギャップを明らかにする。

提案手法

• 再生可能予測を標準化された将来天気信号を用いるNWP補助のマッピングタスクとして扱う。
• すべてのモデルが視 horizons 全体で将来のNWPへ等しくアクセスできるよう漏洩なしプロトコルを適用する。
• 予測の産業的安全性適合を測る指標としてQualification Rate (Q) を導入する。
• CMAベースの極端気象注釈（RainstormおよびHeatwaveレベル1–3）を用いた regime-wise 評価を採用する。
• 統計的/物理的ベースライン、自己回帰RNN、非自己回帰的トランスフォーマー/ CNN/ MLPアーキテクチャを含む16モデルを比較する。

Figure 1. Overall framework of R 2 Energy.

実験結果

リサーチクエスチョン

• RQ1 将来のNWP信号を用いた予測において、中国の多様な気候域でモデルはどのように発電量を予測するか？
• RQ2 極端気象イベント下での平均的な精度と信頼性の間にどの程度の頑健性ギャップが生じるか？
• RQ3 信頼性に最も影響を与える予測戦略（アーキテクチャ対気象統合）は何か？
• RQ4 提案された漏洩なしプロトコルは自己回帰モデルと非自己回帰モデルの公正な比較にどのように影響するか？

主な発見

• R2Energyは902地点で16モデルを評価し、1070万時間データを用いて頑健性と複雑性のトレードオフを明らかにし、ストレス下での信頼性はアーキテクチャの複雑性よりも気象統合戦略に左右されることを示した。
• 自己回帰モデル（例：GRU）は各ステップで将来NWP信号を注入して軌跡を固定することで安定性を示す。
• Transformersベースのモデルはノイズの多い領域で感度が高く不安定になりやすい、特に風力場の変動が大きい場合。
• regime-wiseで極端事象を考慮した評価は、RainstormおよびHeatwave条件下での電力の非線形な分布シフトを明らかにし、平均ケース指標の限界を示す。
• Qualification Rate (Q) はディスパッチ安全性の産業的に関連する指標を提供し、従来のMAE/RMSE指標を補完する。
• この枠組みは堅牢な性能には将来の天気文脈の適切な組み込みと regime-aware testingが必要であり、単にモデル容量を増やすだけでは不十分であることを強調している。

Figure 2. Intra-day and seasonal variability across the wind and solar datasets. The top row (a) illustrates the average wind speed (m/s) variations between daytime (07:00–18:00, solid bars) and nighttime (dotted bars). The bottom row (b) compares solar radiation (W/m²) during peak midday hours (11: