Исследователи предлагают кластерный последовательный отбор признаков (CSFS), новый обобщённый метод-обёртку, предназначенный для решения проблемы отсутствия систематического отбора признаков в прогнозировании мощности ветряных и солнечных электростанций. Подход направлен на обеспечение автоматического, эффективного и надёжного отбора признаков для конвейеров обработки данных возобновляемой энергии.

  • CSFS оценивается на моделировании кривой мощности ветрогенератора и прогнозировании фотоэлектрической генерации.
  • Он сравнивается с устоявшимися методами, включая последовательный отбор признаков на основе обёрток (SFS), методы на основе фильтров и встроенную важность признаков Random Forest.
  • Результаты показывают, что методы на основе обёрток, как правило, обеспечивают более качественный отбор признаков.
  • CSFS достигает предсказательной производительности, сопоставимой с SFS, при этом снижая вычислительные затраты в среднем на 21%.

Авторы предоставляют реализацию с открытым исходным кодом на GitHub для поддержки воспроизводимости и повторного использования в задачах прогнозирования возобновляемой энергии.