CSFS reduce el costo computacional en un 21% en la predicción de energía renovable

Los investigadores proponen la Selección Secuencial de Características Basada en Clusters (CSFS), un nuevo método envoltorio agnóstico al modelo diseñado para abordar la falta de selección sistemática de características en la predicción de potencia eólica y solar. El enfoque tiene como objetivo proporcionar una selección automática, eficiente y confiable de características para los flujos de trabajo de energía renovable.

• CSFS se evalúa en el modelado de la curva de potencia de turbinas eólicas y la predicción de potencia fotovoltaica.
• Se compara con técnicas establecidas que incluyen la selección secuencial de características basada en envoltorios (SFS), métodos basados en filtros y la importancia incrustada de características de Random Forest.
• Los resultados indican que los métodos basados en envoltorios generalmente proporcionan selecciones de características con mejor rendimiento.
• CSFS logra un rendimiento predictivo comparable al de SFS mientras reduce el costo computacional en un promedio del 21%.

Los autores proporcionan una implementación de código abierto en GitHub para apoyar la reproducibilidad y reutilización en tareas de predicción de energía renovable.