Les chercheurs proposent la Sélection Séquentielle de Caractéristiques basée sur des Clusters (CSFS), une nouvelle méthode wrapper indépendante du modèle conçue pour pallier l'absence de sélection systématique de caractéristiques dans la prédiction de la puissance éolienne et solaire. L'approche vise à fournir une sélection automatique, efficace et fiable de caractéristiques pour les pipelines d'énergies renouvelables.
- CSFS est évaluée sur la modélisation de la courbe de puissance des éoliennes et la prédiction de la puissance photovoltaïque.
- Elle est comparée à des techniques établies, notamment la sélection séquentielle de caractéristiques basée sur un wrapper (SFS), les méthodes basées sur des filtres, et l'importance intégrée des caractéristiques du Random Forest.
- Les résultats indiquent que les méthodes basées sur un wrapper fournissent généralement de meilleures sélections de caractéristiques en termes de performance.
- CSFS atteint une performance prédictive comparable à celle de SFS tout en réduisant le coût computationnel d'une moyenne de 21 %.
Les auteurs mettent à disposition une implémentation open-source sur GitHub pour soutenir la reproductibilité et la réutilisation dans les tâches de prédiction des énergies renouvelables.