Resumen

Este artículo muestra empíricamente que el efecto de aplicar subconjuntos de características seleccionadas a las técnicas de aprendizaje automático mejora significativamente la precisión de la predicción de la energía solar. Se realizan experimentos utilizando cinco métodos conocidos de selección de características envolventes para obtener la precisión de predicción de la energía solar de las técnicas de aprendizaje automático con subconjuntos de características seleccionadas. Para todos los experimentos, se utilizan las técnicas de aprendizaje automático, a saber, mínimo cuadrado medio (LMS), perceptrón multicapa (MLP) y máquina de vectores soporte (SVM). Posteriormente, estos resultados se comparan con la precisión de predicción de la potencia solar de esas mismas técnicas de aprendizaje automático (es decir, LMS, MLP y SVM) pero sin aplicar métodos de selección de características (WAFS). Los experimentos se llevan a cabo utilizando datos meteorológicos históricos fiables y reales. La comparación entre los resultados muestra claramente que LMS, MLP y SVM proporcionan una mejor precisión de predicción (es decir, MAE y MASE reducidos) con subconjuntos de características seleccionados que sin subconjuntos de características seleccionados. Los resultados experimentales de este artículo facilitan un veredicto concreto de que prestar más atención y esfuerzo al aspecto de la selección de subconjuntos de características (por ejemplo, subconjuntos de características seleccionados en la precisión de la predicción que se investiga en este artículo) puede contribuir significativamente a mejorar la precisión de la predicción de la energía solar.

• Materias:Red eléctrica (Energía) Radiación solar Energía limpia Reducción de contaminación Parque eólico Sistema fotovoltaico
• Subjects:Power grid (Energy) Solar radiation Clean energy Pollution reduction Wind farm Photovoltaic system
• Palabras claves:subconjuntos de características, precisión de la predicción de la energía solar, predicción de la energía solar, técnicas, lms, mlp, svm, máquina, aspecto de la selección de subconjuntos de características, métodos de selección de características envolventes
• Keywords:feature subsets, solar power prediction accuracy, solar power prediction, techniques, lms, mlp, svm, machine, feature subset selection aspect, wrapper feature selection methods