CSFS mengurangi biaya komputasi sebesar 21% dalam prediksi energi terbarukan

Para peneliti mengusulkan Cluster-based Sequential Feature Selection (CSFS), metode wrapper baru yang tidak bergantung pada model, yang dirancang untuk mengatasi kurangnya pemilihan fitur sistematis dalam prediksi daya angin dan surya. Pendekatan ini bertujuan untuk menyediakan pemilihan fitur yang otomatis, efisien, dan andal untuk pipa energi terbarukan.

• CSFS dievaluasi pada pemodelan kurva daya turbin angin dan prediksi daya fotovoltaik.
• Metode ini dibandingkan dengan teknik yang telah mapan termasuk pemilihan fitur sekuensial berbasis wrapper (SFS), metode berbasis filter, dan pentingnya fitur tertanam dari Random Forest.
• Hasil menunjukkan bahwa metode berbasis wrapper umumnya memberikan pemilihan fitur dengan kinerja yang lebih baik.
• CSFS mencapai kinerja prediktif yang sebanding dengan SFS sambil mengurangi biaya komputasi rata-rata sebesar 21%.

Para penulis menyediakan implementasi sumber terbuka di GitHub untuk mendukung reproduktibilitas dan penggunaan kembali dalam tugas prediksi energi terbarukan.