CSFS mengurangi biaya pemilihan fitur prediksi daya angin dan surya sebesar 21%

Para peneliti mengusulkan Cluster-based Sequential Feature Selection (CSFS), metode wrapper berbasis klasterisasi baru untuk pemilihan fitur otomatis dan efisien dalam pipeline prediksi energi terbarukan. Pendekatan ini mengatasi kurangnya metode sistematis untuk memilih fitur input dari sejumlah besar variabel pemantauan dan lingkungan yang tersedia.

• CSFS bersifat model-agnostik dan dirancang untuk meningkatkan keandalan dalam pemodelan kurva daya turbin angin dan prediksi daya fotovoltaik.
• Implementasi open-source disediakan di GitHub untuk mendukung reproduktibilitas dan penggunaan kembali.
• Evaluasi empiris membandingkan CSFS dengan pemilihan fitur sekuensial berbasis wrapper (SFS), metode berbasis filter, dan pentingnya fitur tertanam dari Random Forest.
• Metode berbasis wrapper umumnya memberikan pemilihan fitur yang lebih baik dibandingkan teknik lainnya.
• CSFS mencapai kinerja prediktif yang sebanding dengan SFS sambil mengurangi biaya komputasi rata-rata sebesar 21%.

Studi ini menyoroti bahwa metode berbasis wrapper menawarkan kinerja pemilihan fitur yang unggul, dengan CSFS menyediakan alternatif yang lebih efisien daripada pendekatan sekuensial yang ada tanpa mengorbankan akurasi.