[논문 리뷰] R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions

Zhi Sheng, Yuan Yuan외 2명|arXiv (Cornell University)|2026. 02. 17.

Energy Load and Power Forecasting인용 수 0

한 줄 요약

R2Energy는 중국의 902개 풍력/태양광 발전소에 걸친 대규모의 누출 없이 NWP 보조 예측 벤치마크를 제시하고, 체계별 극한 이벤트 주석으로 평균 정확도 이상의 강건성을 평가합니다.

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.

연구 동기 및 목표

• 신뢰할 수 있는 그리드 안정성을 위해 기후 주도 극한이 증가하는 상황에서 강건한 재생에너지 예측을 촉진한다.
• 기후 지역과 극한 사건 전반에 걸쳐 모델을 평가하기 위한 크고 다양한 다원 소스 데이터세트를 제공한다.
• 공정한 모델 간 비교를 가능하게 하는 표준화된 누출 없는 예측 프로토콜을 확립한다.
• 전문가 정렬된 극한 기상 주석이 포함된 체계별 평가를 도입하여 강건성의 격차를 드러낸다.

제안 방법

• 재생에너지 예측을 표준화된 향후 기상 신호를 갖는 NWP 보조 매핑 태스크로 다룬다.
• 모든 모델이 수평선에 걸친 향후 NWP에 동일하게 접근하도록 누출 없는 프로토콜을 사용한다.
• 예측의 산업 안전 준수를 측정하기 위해 Qualification Rate (Q)를 도입한다.
• Rainstorm 및 Heatwave levels 1–3를 포함한 CMA 기반 극한 기상 주석이 있는 체계별 평가를 채택한다.
• 통계/물리적 기준선, 자기회귀 RNN, 비자기회귀 트랜스포머/CNN/MLP 아키텍처에 걸친 16개 모델을 비교한다.

Figure 1. Overall framework of R 2 Energy.

실험 결과

연구 질문

• RQ1 향후 NWP 신호로 재생에너지 생성량을 예측할 때 중국의 다양한 기후 지역에서 모델은 어떻게 성능을 보이는가?
• RQ2 극한 기상 이벤트에서 총체적 정확도와 신뢰성 간의 강건성 차이는 무엇인가?
• RQ3 스트레스 상황에서 신뢰성에 가장 영향을 주는 예측 전략(아키텍처 대 기상 통합)은 무엇인가?
• RQ4 제안된 누출 없는 프로토콜이 자기회귀 및 비자기회귀 모델 간의 공정한 비교에 어떤 영향을 미치는가?

주요 결과

• R2Energy는 902개 스테이션에서 16개 모델을 10.7 million 시간당 기록으로 평가하며, 스트레스 하에서의 신뢰성이 아키텍처 복잡성보다는 기상 통합 전략에 의해 좌우되는 강건성-복잡성 트레이드를 드러낸다.
• 자기회귀 모델(예: GRU)은 각 단계에서 미래 NWP 신호를 주입하여 궤적을 고정시킴으로써 안정성을 보인다.
• 트랜스포머 기반 모델은 소음이 심한 구간에서 민감도와 불안정성이 더 높게 나타나며, 특히 변동성이 큰 풍력장에서 그렇다.
• Rainstorm 및 Heatwave 조건에서 체계별 극한 인식 평가가 전력의 비선형 분포 변화를 드러내 평균 사례 메트릭의 한계를 강조한다.
• Qualification Rate (Q)는 전통적인 MAE/RMSE 지표를 보완하는 산업적으로 관련된 디스패치 안전 측정치를 제공한다.
• 이 프레임워크는 강건한 성능이 단지 더 큰 모델 용량이 아니라 향후 기상 맥락의 적절한 반영과 체계 인지 평가 테스트가 필요하다고 강조한다.

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: