R$^2$Energy: Benchmark für robuste Erneuerbare‑Energie‑Prognosen bei Extremen

Mit dem raschen Ausbau von Wind- und Solarkraft wird zuverlässige Wettervorhersage zum entscheidenden Faktor für die Stabilität von Stromnetzen. Obwohl moderne Deep‑Learning‑Modelle durchschnittlich hohe Genauigkeiten erreichen, stellen klimabedingte Extreme zunehmend Bedrohungen für die Netzsicherheit dar.

R$^2$Energy stellt ein umfassendes Benchmark‑Set bereit, das über 10,7 Millionen hochauflösende Stundenaufzeichnungen von 902 Wind‑ und Solaranlagen in vier chinesischen Provinzen umfasst. Diese Daten decken ein breites Spektrum meteorologischer Bedingungen ab und ermöglichen die Untersuchung der Leistungsfähigkeit von Prognosemodellen unter realen, variablen Szenarien.

Ein zentrales Merkmal des Benchmarks ist ein standardisiertes, leakage‑freies Vorhersage‑Paradigma, bei dem allen Modellen identischer Zugang zu zukünftigen numerischen Wettervorhersagen (NWP) gewährt wird. Dadurch lassen sich Modelle fair und reproduzierbar vergleichen, ohne dass Vorhersagen durch ungleiche Datenzugriffe verzerrt werden.

Darüber hinaus integriert R$^2$Energy eine regime‑basierte Bewertung mit Experten‑annotierten Extremwetterfällen. Diese Analyse offenbart einen signifikanten „Robustheits‑Gap“, der bei durchschnittlichen Metriken oft verborgen bleibt: In Extremsituationen bestimmt die Art der meteorologischen Integration die Zuverlässigkeit eines Modells, nicht dessen architektonische Komplexität. R$^2$Energy bietet damit eine solide Grundlage für die Entwicklung und Bewertung von Prognosemodellen, die den steigenden Anforderungen an Zuverlässigkeit und Resilienz gerecht werden.