論文の概要: R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions

• arxiv url: http://arxiv.org/abs/2602.15961v1
• Date: Tue, 17 Feb 2026 19:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.415291
• Title: R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions
• Title（参考訳）: R$2$Energy: 様々な条件下でのロバスト再生可能エネルギー予測のための大規模ベンチマーク
• Authors: Zhi Sheng, Yuan Yuan, Guozhen Zhang, Yong Li,
• Abstract要約: R$2$EnergyはNWPによる再生可能エネルギー予測のための大規模なベンチマークである。 中国4州にまたがる902の風力発電所から170万以上の高忠実な時給記録がある。
• 参考スコア（独自算出の注目度）: 13.981431155407249
• License: http://creativecommons.org/licenses/by/4.0/
• 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.
• Abstract（参考訳）: 再生可能エネルギーの急速な拡大、特に風力と太陽光発電は、電力系統の運用において信頼性の高い予測を重要視している。 最近のディープラーニングモデルは、高い平均精度を達成したが、気候変動による極端な気象現象の頻度と強度の増加は、グリッドの安定性と運用上のセキュリティに深刻な脅威をもたらしている。 その結果、揮発性条件に耐えられる堅牢な予測モデルの開発が最重要課題となっている。 本稿では,NWPを用いた再生可能エネルギー予測のための大規模ベンチマークであるR$^2$Energyを提案する。 中国の4つの州にまたがる902の風と太陽の観測所から170万以上の高忠実な時限記録があり、再生可能エネルギーの幅広い変動を捉えるのに必要な様々な気象条件を提供している。 さらに,次世代の数値天気予報(NWP)信号に対して,すべてのモデルに同一アクセスを許し,最先端の代表予測アーキテクチャ間の公正かつ再現可能な比較を可能にする,標準化された漏洩予測パラダイムを確立する。 総合的精度の他に、我々は、概して平均的なメトリクスによって隠蔽される批判的な「ロバストネスギャップ」を明らかにするために、専門家が調整した極端な天気予報に、システマチュアワイズな評価を組み込む。 極端な条件下では、モデルの信頼性は、そのアーキテクチャの複雑さよりも、その気象統合戦略によって駆動されます。 R$2$Energyは、安全クリティカルな電力システムアプリケーションのための予測モデルの評価と開発のための原則化された基盤を提供する。

関連論文リスト

• Supporting renewable energy planning and operation with data-driven high-resolution ensemble weather forecast [12.409241426884426]
  再生可能エネルギー、特に風力発電の計画と運用は、正確でタイムリーで高解像度の気象情報に依存している。 我々は,高分解能数値気象シミュレーションを用いて,目標風力発電場の気候分布を学習することにより,これらの課題に対処する。 この学習された高分解能気候予報と粗いグリッドの大規模予測との最適な組み合わせは、高度に正確で、きめ細かな、完全な変動可能な、大規模な気象パターン予測のアンサンブルをもたらす。
  論文  参考訳（メタデータ） (2025-05-07T13:20:36Z)
• TianQuan-S2S: A Subseasonal-to-Seasonal Global Weather Model via Incorporate Climatology State [23.8714341737652]
  正確なサブシーズン・ツー・シーソン(S2S)予測は農業、エネルギー生産、緊急管理において決定に不可欠である。 近年のデータ駆動型研究は有望な結果を示しているが、その性能は気候状態の不十分な取り込みとモデル劣化傾向によって制限されている。 本研究では,気象予報モデルであるTianQuan-S2Sを提案する。
  論文  参考訳（メタデータ） (2025-04-14T07:02:34Z)
• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Lightning-Fast Convective Outlooks: Predicting Severe Convective Environments with Global AI-based Weather Models [0.08271752505511926]
  激しい対流嵐は最も危険な気象現象であり、正確な予測は影響を緩和する。 最近リリースされたAIベースの天気モデルスイートは、中距離の予測を数秒で生成する。 本稿では,再解析とECMWFの運用数値天気予報モデルISSに対して,対流パラメータを対象とした3つのAIモデルの予測能力を評価する。
  論文  参考訳（メタデータ） (2024-06-13T07:46:03Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。