Los investigadores proponen la Selección Secuencial de Características basada en Clústeres (CSFS), un nuevo método envolvente basado en clústeres para la selección automática y eficiente de características en pipelines de predicción de energías renovables. El enfoque aborda la falta de métodos sistemáticos para seleccionar características de entrada entre el gran número de variables de monitoreo y ambientales disponibles.

  • CSFS es independiente del modelo y está diseñado para mejorar la fiabilidad en el modelado de la curva de potencia de aerogeneradores y la predicción de potencia fotovoltaica.
  • Se proporciona una implementación de código abierto en GitHub para apoyar la reproducibilidad y la reutilización.
  • La evaluación empírica compara CSFS frente a la selección secuencial de características basada en envoltorios (SFS), métodos basados en filtros y la importancia incrustada de características de Random Forest.
  • Los métodos basados en envoltorios generalmente proporcionan selecciones de características con mejor rendimiento en comparación con otras técnicas.
  • CSFS logra un rendimiento predictivo comparable al de SFS mientras reduce el costo computacional en un promedio del 21%.

El estudio destaca que los métodos basados en envoltorios ofrecen un rendimiento superior en la selección de características, con CSFS proporcionando una alternativa más eficiente a los enfoques secuenciales existentes sin sacrificar la precisión.