随着全球能源需求的上升和气候变化影响的日益关注，可再生能源在全球能源组合中的份额持续增长。与传统发电方式不同，可再生能源的输出受环境条件影响，难以保持一致。因此，可靠的当前和未来能源生产预测显得尤为重要。本文报告了针对风力发电机功率曲线建模和光伏发电预测的两项结构化文献综述的发现。
在风力发电领域，我们进行了全面的文献回顾；而在光伏发电方面，我们综合了现有调查中频繁选择的输入特征的关键发现。通过分析，我们发现尽管有大量监测和环境变量可用，但特征选择的方法依然有限且不系统。为了解决这一问题，我们提出了一种新颖的聚类基础序列特征选择方法（CSFS），这是一种模型无关的聚类包装方法，旨在实现可再生能源预测管道中的自动、高效和可靠的特征选择。
为了支持可复现性和重用性，我们在GitHub上提供了CSFS的开源实现。我们在两个用例上对所提方法进行了实证评估，并将其与现有的特征选择技术（如包装式序列特征选择（SFS）、过滤器方法和随机森林的嵌入式特征重要性）进行了比较。结果表明，包装方法整体上提供了更优的特征选择性能。相较于SFS，CSFS在实现可比的预测性能的同时，平均降低计算成本21%。
博主点评： 本文通过提出CSFS方法有效地解决了可再生能源预测中的特征选择问题，展示了聚类与特征选择结合的潜力，对未来的研究和实际应用具有重要的指导意义。