.png){kind=icon}
返回
Data-Driven Feature Selection for Renewable Electricity Generation Forecasting
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15112379.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
全球向可持续能源系统的转型以及能源数据复杂性的日益增加，需要能够捕捉非线性、多维和时序依赖关系的先进分析方法。本研究提出了一种广泛应用于可再生能源发电的机器学习（ML）框架。数据集包含176个国家在2000年至2020年间的3649条记录，涵盖21个经济、人口和环境指标。为评估输入维度的影響，设计了两种实验场景：一种使用所有可用特征，另一种使用通过十种特征选择技术（过滤、包装和混合）导出的缩减子集。实现了四种机器学习算法——人工神经网络（ANN）、梯度提升回归（GBR）、极端梯度提升（XGBoost）和随机森林（RF），并使用均方误差（MSE）、平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R²）进行评估。为降低数据泄露风险并为面板数据提供更真实的评估，应用了保留观测值时序结构的PanelSplit交叉验证。此外，使用Bonferroni校正的Friedman和Wilcoxon符号秩检验评估了模型性能差异的统计显著性。结果表明，所有模型均实现了较强的预测精度，集成方法优于神经网络。RF表现最佳（MSE = 39.6791，MAE = 1.5859，RMSE = 6.2991，R² = 0.9955），其次是GBR和XGBoost。相关性分析证实了多个能源指标之间存在强关联，支持了降维的必要性。SHAP分析识别出土地面积、化石燃料发电和可再生能源是可再生能源发电的主导预测因子。这些结果说明，结合特征选择、面板感知验证、统计检验和可解释机器学习，可提供一个稳健且可解释的框架，用于理解全球可再生能源发电并支持可持续能源规划中的数据驱动决策。
Keyword:
machine learning
artificial neural network
gradient boosting regression
eXtreme Gradient Boosting
random forest
SHAP
feature selection
global energy transition
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
Intelligent Decision Support for Energy Management: A Methodology for Tailored Explainability of Artificial Intelligence Analytics能源管理的智能决策支持: 人工智能分析的量身定制可解释性方法.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏分享收藏Data-Driven Techniques for Short-Term Electricity Price Forecasting through Novel Deep Learning Approaches with Attention Mechanisms通过具有注意力机制的新型深度学习方法进行短期电价预测的数据驱动技术EnergiesOAAI
EnergiesIF0
OAAI分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏Energy Forecasting: A Comprehensive Review of Techniques and Technologies能源预测: 技术和技术的综合评述EnergiesOAAI
EnergiesIF0
OAAI分享收藏A Comprehensive Review of Deep Learning: Architectures, Recent Advances, and Applications深度学习全面综述：架构、最新进展与应用InformationOAAI
InformationIF0
OAAI分享收藏Evaluating Filter, Wrapper, and Embedded Feature Selection Approaches for Encrypted Video Traffic Classification评估过滤器、包装器和嵌入式特征选择方法在加密视频流量分类中的应用OAAI
OAAI分享收藏
查看更多内容