R$^2$Energy：面向多样性极端条件下的鲁棒可再生能源预测大规模基准
机器学习
2026-02-19 v1
摘要
可再生能源（特別是風力和太陽能發電）的快速擴張，使得可靠預測對電力系統運營至關重要。雖然近期深度學習模型在平均準確度方面取得了強大的成果，但日益頻繁且日益嚴重的氣候驅動極端氣候事件已對電網穩定性與運營安全構成嚴重威脅。因此，發展能在波動條件下保持鲁棒性的預測模型已成為當務之急。本文提出 REnergy，作為 NWP（數值天氣預測）輔助可再生能源預測的大規模基準。該基準涵蓋來自中國四個省份 902 個風力與太陽能站點超過 1070 萬條高品質小時記錄，提供捕捉可再生發電廣泛變化性所需的多樣氣候條件。我們進一步建立了標準化、無資料洩漏的預測范式，給予所有模型相同的未來 NWP 信號存取權，實現狀態-of-the-art 意代表模型之間的公平且可復現的比較。除總體準確度外，我們納入情境階級評估，結合專家對極端氣候事件的標註，揭示了通常被平均指標掩蓋的關鍵「鲁棒性差距」。這一差距揭示了鮮明的鮁健性-複雜性權衡：在極端條件下，模型的可靠性取決於其氣候整合策略，而非其架構複雜度。REnergy 提供了原則性基礎，用於評估和發展面向安全關鍵電力系統應用的預測模型。
引用
@article{arxiv.2602.15961,
title = {R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions},
author = {Zhi Sheng and Yuan Yuan and Guozhen Zhang and Yong Li},
journal= {arXiv preprint arXiv:2602.15961},
year = {2026}
}