論文の概要: Improving Wind and Solar Power Prediction with Efficient Wrapper-based Feature Selection: An Empirical Study

• arxiv url: http://arxiv.org/abs/2607.14024v1
• Date: Wed, 15 Jul 2026 16:55:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.836215
• Title: Improving Wind and Solar Power Prediction with Efficient Wrapper-based Feature Selection: An Empirical Study
• Title（参考訳）: 効率的なラッパー型特徴選択による風力・太陽エネルギー予測の改善に関する実証的研究
• Abstract要約: 実世界の再生可能エネルギー予測タスクに関する2つの構造化文献レビューの結果を報告する。 利用可能な監視変数や環境変数は多数存在するが、機能選択のための限定的あるいは非体系的な方法のみが存在する。 本稿では,クラスタ・ベース・シークエンシャル・フィーチャー選択(CSFS)を提案する。
• 参考スコア（独自算出の注目度）: 1.2220938855238672
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: With rising global energy demand and growing awareness of climate change and its impacts, the share of renewable energies in the global energy mix continues to grow. Unlike conventional power generation, the output of renewable energy sources cannot be controlled as consistently due to their dependence on environmental conditions. Therefore, reliable prediction of current and future energy production is essential. In this paper, we report findings from two structured literature reviews on real-world renewable energy prediction tasks: wind turbine power curve modeling and photovoltaic power prediction. For the former, we conducted a comprehensive literature review ourselves, while for the latter, we synthesize the key findings regarding frequently selected input features based on an existing survey. Across both domains, our analysis reveals that despite the large number of available monitoring and environmental variables, only limited or unsystematic methods for feature selection exist. To address this gap, we propose Cluster-based Sequential Feature Selection (CSFS), a novel, model-agnostic, clustering-based wrapper method for automatic, efficient, and reliable feature selection in renewable energy prediction pipelines. To support reproducibility and reuse, we provide an open-source implementation of CSFS on GitHub. We empirically evaluate the proposed approach on both use cases and compare it with established feature selection techniques such as wrapper-based sequential feature selection (SFS), filter-based methods, and Random Forest's embedded feature importance. The results show that the wrapper-based methods overall provide better-performing selections of features. CSFS achieves a predictive performance comparable to SFS while reducing computational cost by an average of 21%.
• Abstract（参考訳）: 世界のエネルギー需要の増加と気候変動とその影響に対する認識の高まりにより、世界のエネルギー混合における再生可能エネルギーのシェアは成長を続けている。 従来の発電とは異なり、再生可能エネルギー源の出力は環境条件に依存しているため、一貫した制御はできない。 したがって、現在および将来のエネルギー生産の信頼できる予測が不可欠である。 本稿では,風力タービンパワーカーブモデリングと太陽光発電パワー予測という,現実の再生可能エネルギー予測タスクに関する2つの構造化された文献レビューの結果を報告する。 前者は総合的な文献レビューを行い,後者は既存調査に基づいて,頻繁に選択された入力特徴に関する重要な知見を総合的に分析した。 両領域にまたがって,モニタリングや環境変数が多数存在するにもかかわらず,特徴選択のための限定的あるいは非体系的手法が存在することが判明した。 このギャップに対処するために、再生可能エネルギー予測パイプラインにおける自動的、効率的、信頼性の高い特徴選択のための、モデルに依存しない新しいクラスタリングベースのラッパー手法であるクラスタベースの逐次特徴選択(CSFS)を提案する。 再現性と再利用をサポートするため、GitHub上でCSFSのオープンソース実装を提供しています。 提案手法を両ユースケースで実証的に評価し,ラッパーベースシーケンシャル特徴選択(SFS)やフィルタベース手法,ランダムフォレストの組込み特徴選択など,確立された特徴選択手法と比較した。 その結果,ラッパーをベースとした手法により,機能選択の高速化が図られた。 CSFSはSFSに匹敵する予測性能を達成し、計算コストを平均21%削減する。

関連論文リスト

• Evaluating the Environmental Impact of using SLMs and Prompt Engineering for Code Generation [2.2165845825140695]
  本稿では,サステナビリティ・ファクターとともにコード生成の精度に異なるエンジニアリング・ストラテジーがどう影響するかを,最初の系統的な実証的研究を行った。 我々は,HumanEval+ベンチマークとMBPP+ベンチマークを用いて,11個のオープンソースモデル(1Bから34Bパラメータ)にまたがる6つの顕著なプロンプト戦略を評価した。 以上の結果から,より単純なプロンプト技術であるChain-of-Thoughtは,推理能力とエネルギー効率のほぼ最適バランスを実現できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-03T06:37:51Z)
• On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
  電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
  論文  参考訳（メタデータ） (2026-02-24T11:21:45Z)
• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• Towards Hybrid Embedded Feature Selection and Classification Approach with Slim-TSF [0.0]
  本研究の目的は、太陽フレアとその起源領域の隠れた関係と進化的特性を明らかにすることである。 True Skill Statistic (TSS) とHeidke Skill Score (HSS) の双方で平均5%の増加が認められた。
  論文  参考訳（メタデータ） (2024-09-06T18:12:05Z)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Glocal Energy-based Learning for Few-Shot Open-Set Recognition [57.84234213466372]
  FSOR(Few-shot Open-set Recognition)は、非常に実用的なタスクである。 FSORのための新しいエネルギーベースハイブリッドモデルを提案する。 3つの標準FSORデータセットの実験は、我々のモデルの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-04-24T07:06:50Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• Deep generative modeling for probabilistic forecasting in power systems [34.70329820717658]
  本研究では,近年のディープラーニング技術である正規化フローを用いて,正確な確率予測を行う。 我々の方法論は他の最先端のディープラーニング生成モデルと競合していることを示す。
  論文  参考訳（メタデータ） (2021-06-17T10:41:57Z)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。