知识卡片：基于聚类包装法的风能/太阳能预测特征选择（CSFS）

一句话结论
本文提出一种名为 CSFS（Cluster‑based Sequential Feature Selection）的聚类包装式特征选择方法，能在不牺牲预测精度的前提下，将风能/太阳能功率预测的特征选择计算成本平均降低 21%。所有结论均基于摘要，因无法获取全文而需待核实。

事件概述或研究问题
可再生能源发电受环境条件影响，出力不稳定，因此准确预测至关重要。然而现有预测流程中，面对大量监测和环境变量，特征选择方法要么有限、要么不成体系。本文通过两项结构化文献综述（自做风电功率曲线建模综述，以及基于已有综述的光伏功率预测综述）确认了这一缺口，并为此设计了 CSFS 方法。

方法/产品要点

• CSFS（Cluster‑based Sequential Feature Selection）：一种基于聚类的包装式（wrapper）特征选择方法，模型无关，自动、高效、可靠。
• 提供开源实现（GitHub）。
• 实验基准对比方法：传统包装式序列特征选择（SFS）、过滤式方法、随机森林嵌入式特征重要性。

主要结果或产业意义

• 包装式方法整体上比过滤式/嵌入式方法得到更优的特征子集。
• CSFS 在预测性能上与标准 SFS 相当，但计算成本平均降低 21%。
• 该方法可用于风电和光伏两种预测场景。

为什么重要
在可再生能源占比持续增长的背景下，高效、自动化的特征选择能直接降低模型训练与部署的计算开销，有利于大规模、多场站的预测系统落地。本文通过两项文献综述系统指出了当前特征选择方法的不足，并提供了可复用的开源工具。

局限与不确定性

• 由于无法获取全文，具体实验设置、数据集规模、是否仅使用公开数据、CSFS 聚类方式的具体细节均待核实。
• 声称“计算成本降低 21%”的统计显著性、是否在不同风/光条件下一致也待核实。
• 文献综述的覆盖范围（时间跨度、数据库）未能在元数据中确认。

可用于图书/PPT/简报的角度

• 可再生能源预测中特征选择的重要性（减少过拟合、降低计算负担）。
• 包装式 vs 过滤式 vs 嵌入式方法的对比案例。
• 聚类辅助搜索策略如何降低经典包装法（如 SFS）的计算复杂度。

英文标题
Improving Wind and Solar Power Prediction with Efficient Wrapper‑based Feature Selection: An Empirical Study

英文关键词
Wind power prediction; solar power prediction; feature selection; wrapper method; clustering

原始材料

• URL: https://arxiv.org/abs/2607.14024v1
• 未能抓取全文，本卡片仅基于 arXiv 元数据（标题、摘要、作者、发表年代等）生成。