Pesquisadores propõem a Seleção Sequencial de Características baseada em Clusters (CSFS), um novo método wrapper baseado em clusters para seleção automática e eficiente de características em pipelines de previsão de energias renováveis. A abordagem aborda a falta de métodos sistemáticos para selecionar características de entrada entre o grande número de variáveis de monitoramento e ambientais disponíveis.

  • CSFS é agnóstico ao modelo e foi projetado para melhorar a confiabilidade na modelagem da curva de potência de turbinas eólicas e na previsão de potência fotovoltaica.
  • Uma implementação de código aberto está disponível no GitHub para apoiar reprodutibilidade e reutilização.
  • A avaliação empírica compara o CSFS contra a seleção sequencial de características baseada em wrappers (SFS), métodos baseados em filtros e a importância embutida de características do Random Forest.
  • Métodos baseados em wrappers geralmente fornecem seleções de características com melhor desempenho em comparação com outras técnicas.
  • O CSFS alcança desempenho preditivo comparável ao do SFS, enquanto reduz o custo computacional em uma média de 21%.

O estudo destaca que métodos baseados em wrappers oferecem desempenho superior na seleção de características, com o CSFS fornecendo uma alternativa mais eficiente às abordagens sequenciais existentes sem sacrificar a precisão.