晨光
暗夜
晨光
极光
Bilingual Paper Reading · 中英对照精读

光伏风电合成预测数据：120 座光伏 + 273 座风电场、500 天的开源数据集

准大一 · 电气工程 × 新能源 × AI+电力 —— 新能源预测数据集精读材料
原文：arXiv:2204.00411 2022年4月1日发布 arXiv 预印本（cs.LG / cs.AI / eess.SP） 数据集 × 光伏/风电预测 × 迁移学习 附英文摘要朗读音频

一、论文档案

英文标题Synthetic Photovoltaic and Wind Power Forecasting Data
中文标题合成光伏与风电功率预测数据：面向机器学习预测研究的公开数据集
作者斯特凡·福格特, 延斯·施赖伯, 伯恩哈德·西克（机构未在素材中标注）
发布时间2022年4月1日（v1）｜分类：cs.LG（机器学习）、cs.AI（人工智能）、eess.SP（信号处理）
原文链接arxiv.org/abs/2204.00411
一句话概括用德国真实气象实测 + 物理模型仿真出「逼真的合成功率」公开数据集：120 座光伏 + 273 座风电场、约 500 天、小时级分辨率，附 ICON-EU 天气模型输入特征与电站静态信息，并验证了合成数据上的预测误差与真实历史数据相当。
💡 为什么选这篇给你：① 数据是机器学习研究的「地基」，看懂数据论文 = 看懂「数据从哪来、坑在哪、能做什么实验」；② 规模够大（120 + 273 座电站、500 天），支持空间相关、迁移学习、多任务学习实验；③ 有一个反直觉的验证——合成数据的预测误差与真实世界历史功率数据相当，这个结论对「能不能用合成数据做研究」至关重要。

二、核心术语表（先扫一遍再读正文）

英文术语中文大白话解释
synthetic data合成数据不是直接测量得到的，而是用物理模型+实测气象「仿真生成」的数据，但尽量逼真。
photovoltaic (PV)光伏太阳能电池板发电，出力主要取决于太阳辐射。
numerical weather prediction (NWP)数值天气预报用超级计算机求解大气方程得到的天气预报，是功率预测模型的主要输入特征。
ICON-EU weather modelICON-EU 天气模型德国气象局（DWD）的欧洲区域数值天气预报模型，本文用它提供非合成的输入特征。
virtual power plant虚拟电厂把多个分布式电站聚合起来统一调度/预测的「虚拟」电厂；本文数据集里的电站即虚拟电站。
static information静态信息不随时间变化的电站属性，如光伏组件朝向、风机转子-发电机比，是迁移学习的关键元数据。
transfer learning (TL)迁移学习把在别的电站/任务上学到的知识迁移到数据稀缺的新电站，少数据也能做预测。
multi-task learning多任务学习一个模型同时学多个相关任务（如同时预测多个电站），互相促进。
zero-shot learning零样本学习对完全没见过的新电站直接做预测，考验模型的泛化能力。
spatiotemporal dependencies时空依赖电站出力在空间上（相邻电站）和时间上（前后时刻）的关联关系。
hourly resolution小时级分辨率数据每 1 小时采一个点，本文时间范围从 2018 年 12 月 8 日到 2020 年 6 月 2 日。
forecast error预测误差预测值与真实值的差距；本文用它证明合成数据与真实数据「同样难预测」。
meteorological measurements气象实测真实测得的天气数据（风速、辐射等），是生成合成功率序列的依据。
German Weather Service (DWD)德国气象局提供天气数据的研究合作机构，ICON-EU 模型的拥有者。
Fraunhofer IEE弗劳恩霍夫能源研究所德国能源经济与能源系统技术研究所，为本文提供天气数据。

三、摘要中英对照（精读核心）

🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。

摘要 Abstract

EN · 原文
Photovoltaic and wind power forecasts in power systems with a high share of renewable energy are essential in several applications.
CN · 翻译
在可再生能源占比很高的电力系统中，光伏与风电功率预测在许多应用中都是必不可少的。
EN · 原文
These include stable grid operation, profitable power trading, and forward-looking system planning.
CN · 翻译
这些应用包括稳定电网运行、盈利性电力交易和前瞻性系统规划。
EN · 原文
However, there is a lack of publicly available datasets for research on machine learning based prediction methods.
CN · 翻译
然而，面向机器学习预测方法研究的公开数据集却很缺乏。
EN · 原文
This paper provides an openly accessible time series dataset with realistic synthetic power data.
CN · 翻译
本文提供了一个开放获取的、包含逼真合成功率数据的时间序列数据集。
EN · 原文
Other publicly and non-publicly available datasets often lack precise geographic coordinates, timestamps, or static power plant information, e.g., to protect business secrets.
CN · 翻译
其他公开或非公开数据集常常缺少精确地理坐标、时间戳或电站静态信息（例如出于保护商业机密的原因）。
EN · 原文
On the opposite, this dataset provides these.
CN · 翻译
与之相反，本数据集提供了所有这些信息。
EN · 原文
The dataset comprises 120 photovoltaic and 273 wind power plants with distinct sides all over Germany from 500 days in hourly resolution.
CN · 翻译
数据集包含德国全境不同站点的 120 座光伏电站和 273 座风电场，共 500 天、小时级分辨率。
EN · 原文
This large number of available sides allows forecasting experiments to include spatial correlations and run experiments in transfer and multi-task learning.
CN · 翻译
如此多的可用站点，使预测实验可以纳入空间相关性，并支持迁移学习与多任务学习实验。
EN · 原文
It includes side-specific, power source-dependent, non-synthetic input features from the ICON-EU weather model.
CN · 翻译
它还包含来自 ICON-EU 天气模型的、站点特定、随电源类型而变、非合成的输入特征。
EN · 原文
A simulation of virtual power plants with physical models and actual meteorological measurements provides realistic synthetic power measurement time series.
CN · 翻译
用物理模型与实际气象实测对虚拟电厂进行仿真，提供了逼真的合成功率测量时间序列。
EN · 原文
These time series correspond to the power output of virtual power plants at the location of the respective weather measurements.
CN · 翻译
这些时间序列对应于各气象测点位置处虚拟电厂的功率输出。
EN · 原文
Since the synthetic time series are based exclusively on weather measurements, possible errors in the weather forecast are comparable to those in actual power data.
CN · 翻译
由于合成时间序列完全基于气象实测生成，天气预报中可能存在的误差与真实功率数据中的误差具有可比性。
EN · 原文
In addition to the data description, we evaluate the quality of weather-prediction-based power forecasts by comparing simplified physical models and a machine learning model.
CN · 翻译
除了数据描述，我们还通过对比简化物理模型与机器学习模型，评估了基于天气预报的功率预测质量。
EN · 原文
This experiment shows that forecasts errors on the synthetic power data are comparable to real-world historical power measurements.
CN · 翻译
该实验表明：合成功率数据上的预测误差与真实世界历史功率测量相当。

关键词 Keywords：Synthetic Data 合成数据 ｜ Wind Power Forecasting 风电功率预测 ｜ Photovoltaic Forecasting 光伏预测 ｜ Open Dataset 公开数据集 ｜ Transfer Learning 迁移学习

四、引言精选（为什么这个问题重要）

① 可再生能源占比越高，预测越重要

EN · 原文
Renewable energies are taking on an increasing role in modern energy supply systems. As their share increases, the energy supply system’s volatility and dependence on the weather grow. Therefore, energy forecasts are an essential tool to assure grid stability and reduce uncertainty, e. g., in energy markets or planning assets of electrical grids.
CN · 翻译
可再生能源在现代能源供应系统中扮演越来越重要的角色。随着占比提高，能源供应系统的波动性和对天气的依赖也在增加。因此，能量预测是保证电网稳定、降低不确定性（例如在能源市场或电网资产规划中）的essential 工具。

② 预测管线的标准姿势：NWP 天气预测 → 机器学习模型 → 功率预测

EN · 原文
In renewable energy forecasts, we typically utilize weather forecasts, such as the wind speed or radiation, from a so called numerical weather prediction (NWP) model. These predicted weather features are the input to machine learning (ML) models, predicting the expected power generation, e. g., in day-ahead forecasts. Open datasets allow to compare newly developed methods, reproduce these results, and compare results to state of the art.
CN · 翻译
在可再生能源预测中，我们通常使用来自所谓数值天气预报（NWP）模型的天气预测（如风速或辐射）。这些预测的天气特征作为机器学习（ML）模型的输入，用于预测预期发电量（例如日前预测）。开放数据集让大家能比较新方法、复现结果、并与最新技术水平对比。

③ 现有数据集的三大毛病：站点少、被匿名化、静态信息缺失

EN · 原文
However, the existing datasets usually have various limitations. In some cases, the number of sites considered is relatively small (e.g., in [1]), so it is impossible to make statements with statistical significance. In some cases, the data is anonymized without an exact geographic location and not synchronized in time, see [2] and [3]. Such anonymizations prohibit a model from taking spatiotemporal dependencies into account that are common in the electrical grid. Further static information, e.g., technical conditions such as the orientation of PV modules or the rotor-generator ratio of wind turbines, is often missing.
CN · 翻译
然而，现有数据集通常有各种局限：有时站点数量较少（如 [1]），无法做出具有统计显著性的结论；有时数据被匿名化，没有精确地理位置、时间不同步（见 [2] 和 [3]）——这种匿名化使模型无法利用电网中常见的时空依赖；此外，静态信息（如光伏组件朝向、风机转子-发电机比等技术条件）常常缺失。

④ 本文的答案：一个完整、开放、够大的合成数据集

EN · 原文
Therefore, we provide a complete and open accessible dataset that allows researchers to answer various questions in the field of wind and photovoltaic forecasting with ML techniques. In particular, we provide a large dataset that comprises synthetic but realistic 120 photovoltaic and 273 wind virtual power plant sides for roughly 500 days that includes the most relevant static data. This dataset is the largest open accessible dataset for renewable power forecasts to the best of our knowledge.
CN · 翻译
因此，我们提供了一个完整且开放获取的数据集，让研究者可以用 ML 技术回答风电与光伏预测领域的各种问题。具体来说，我们提供一个大型数据集：约 500 天、120 座光伏 + 273 座风电虚拟电站，合成但真实，并包含最相关的静态数据。据我们所知，这是最大的开放获取可再生能源功率预测数据集。

⑤ 关键设计：合成功率只依赖气象实测，误差结构与真实数据可比

EN · 原文
We assure that the synthetic power measurements are realistic by utilizing meteorological weather measurements and physical models. This consideration is essential as most of the forecast error in energy forecasting relates to the forecast error caused by the input features from the NWP model. The period under consideration starts December 8, 2018, and ends June 2, 2020 with hourly time resolution. The length of 500 days allows a model training to include all seasons in the training set (a year comprises about 75%) and still have sufficient test data (about 25%).
CN · 翻译
我们利用气象实测与物理模型确保合成功率测量是逼真的——这一点至关重要，因为能量预测中的大部分预测误差都来自 NWP 模型输入特征带来的误差。数据时段从 2018 年 12 月 8 日开始，到 2020 年 6 月 2 日结束，小时级时间分辨率。500 天的长度让训练集能覆盖全部季节（一年约占 75%），同时仍保留足够的测试数据（约 25%）。
💡 这是全文最有味道的一句：“Since the synthetic time series are based exclusively on weather measurements, possible errors in the weather forecast are comparable to those in actual power data.”——合成数据的「误差来源」和真实数据同源（都是天气），所以它才配得上「逼真」二字。这是整篇数据论文可信度的根基。

五、论文贡献（4 个要点）

EN · 原文
1. A complete and open dataset. Therefore, we provide a complete and open accessible dataset that allows researchers to answer various questions in the field of wind and photovoltaic forecasting with ML techniques.
CN · 翻译
1. 完整且开放的数据集。提供一个完整、开放获取的数据集，让研究者能用 ML 技术回答风电与光伏预测领域的各种问题。
EN · 原文
2. Large scale with static metadata. In particular, we provide a large dataset that comprises synthetic but realistic 120 photovoltaic and 273 wind virtual power plant sides for roughly 500 days that includes the most relevant static data.
CN · 翻译
2. 大规模 + 静态元数据。提供约 500 天、120 座光伏 + 273 座风电虚拟电站的大型数据集（合成但真实），并包含最相关的静态数据。
EN · 原文
3. Realism by construction. We assure that the synthetic power measurements are realistic by utilizing meteorological weather measurements and physical models.
CN · 翻译
3. 构造即真实。通过结合气象实测与物理模型，确保合成功率测量的逼真性。
EN · 原文
4. Baseline evaluation. In addition to the data description, we evaluate the quality of weather-prediction-based power forecasts by comparing simplified physical models and a machine learning model.
CN · 翻译
4. 基线评估。除数据描述外，还对比简化物理模型与机器学习模型，评估基于天气预报的功率预测质量，为后续研究提供基线。

六、结论中英对照

EN · 原文
We successfully created a realistic wind and photovoltaic power forecast dataset within the article.
CN · 翻译
我们在本文中成功创建了一个逼真的风电与光伏功率预测数据集。
EN · 原文
Power measurements are generated based on real-world weather measurements, ideal for creating power time series through physical models.
CN · 翻译
功率测量基于真实世界的气象实测生成，非常适合通过物理模型创建功率时间序列。
EN · 原文
At the same time, considering numerical weather prediction as input features for the ML model, results show that forecast errors are in line with other real-world renewable power datasets.
CN · 翻译
同时，以数值天气预报作为 ML 模型的输入特征，结果表明预测误差与其他真实世界可再生能源数据集一致。
EN · 原文
By providing metadata for each plant, we provide the possibility for transfer learning, multi-task learning, and zero-shot learning for future research by considering those physical characteristics.
CN · 翻译
通过为每座电站提供元数据，结合这些物理特性，我们为未来研究提供了迁移学习、多任务学习与零样本学习的可能性。

七、编者解读：这篇论文到底讲了什么（大白话版）

  1. 痛点：做风电/光伏预测研究最缺的不是模型，而是数据——真实电站数据要么站点太少、要么被匿名化（没有坐标和时间戳）、要么缺设备参数，做不了空间相关和迁移学习实验。
  2. 做法：作者用「物理模型 + 德国气象局真实气象实测」仿真出虚拟电厂的功率序列——辐射、风速是实测的，功率曲线是物理公式算的，所以合成数据「长得像真的」。
  3. 规模：120 座光伏 + 273 座风电场、500 天、小时级，覆盖全德国；还附上 ICON-EU 天气模型的预测特征（这是真实非合成的输入）和每座电站的静态元数据（组件朝向、转子-发电机比等）。
  4. 关键验证：拿简化物理模型和机器学习模型在这份合成数据上做预测，误差和真实历史功率数据差不多——证明「用合成数据练出来的模型，拿到真实场景不会翻车」。这也是「数据可信」最硬的证据。
  5. 边界：论文自己承认数据集当时还没挂到中心数据仓库（需要邮件索取）；合成功率的「逼真度」上限取决于物理模型对真实风电场复杂工况（尾流、限电等）的刻画程度。
🎯 对保研的启示：数据论文展示的是「工程诚信」——把数据怎么来的、误差怎么验证的交代得明明白白。复试或做项目时，主动交代「数据来源、预处理、误差验证」三个环节，比只会调模型更能体现科研素养。

八、给准大一的阅读路线图 & 延伸方向

📖 怎么读这篇论文（三遍法）

  1. 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？（答案：缺公开数据；物理模型+实测气象合成；误差与真实数据相当）
  2. 第二遍（20 分钟）：读引言 + 结论，重点体会「现有数据集三大毛病」以及「误差同源」这个设计巧思。
  3. 第三遍（30 分钟）：读引言的结构预告段（The remainder of this article...），跳过参考文献编号，理解一篇数据论文的骨架：数据概览 → 数据来源 → 生成方法 → 基线实验 → 总结展望。

🚀 这个方向你能延伸做什么

九、英文摘要朗读（练听力用）

先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（120 photovoltaic、273 wind、500 days）和术语（synthetic、ICON-EU weather model、transfer learning、forecast errors comparable）。