لضمان تشغيل شبكة الكهرباء بشكل آمن ومستقر وزيادة كفاءة محطات توليد الطاقة الشمسية، يتعين تحسين دقة توقعات القدرة الشمسية بصورة أكبر. لهذا الغرض، يتم اقتراح طريقة توقع موزعة للقوة الشمسية بناءً على مزيج من المعلومات الزمنية والمكانية. أولاً، باستخدام النموذج المتكامل XGBoost-LSTM المعتمد على الشبكات العصبية طويلة وقصيرة الأمد على متطلب الحصيلة القصوى، يتم التنبؤ باستخدام سلاسل زمنية لبيانات التاريخ الخاصة بالطاقة الشمسية. ثم، باستخدام نموذج LSSVM المعتمد على أصغر مربعات دعم الفضاءية، يتم التنبؤ باستخدام الترابط المكاني بين محطات إنتاج الطاقة الشمسية. أخيراً، بناءً على مبدأ معلومات الإنتروبي، يتم تحديد قيمة الوزن اللازمة لنموذج التوقع الموزع المزود بتحسين زوايا تقييم الخطأ المتعددة لموقع الإنتروبي، وتشكيل نموذج توقع مزيج للمعلومات الزمنية والمكانية. تشير نتائج البحث إلى أن نموذج XGBoost-LSTM+LSSVM الذي يعتمد على وزن معلومات الإنتروبي المعتمد على معايير تقييم الخطأ المتعددة والناتج عن مجموعة البيانات من الحجم الصغير ومقارنة مع نموذج الترابط المبني على المعيار الصلب ونموذج الترابط المبني على معلومات الإنتروبي بشكل منفصل، هناك انخفاض يبلغ 1.6% في الخطأ المطلق المتوسط. يمكن أن يقلل النموذج المزجي من الأخطاء التنبؤية ضمن المعلومات غير دقيقة. النموذج المزجي المستخدم لتوقعات الطاقة الشمسية في بيئة متوزعة بناء على معايير تقييم الخطأ المتعددة ومبدأ معلومات الإنتروبي يتميز بمرونة أكبر وأداء شامل أعلى، ويمكن أن يحسن دقة توقعات القدرة الشمسية.

توقعات القوة الشمسية، التعلم المتكامل، LSTM، LSSVM، طريقة وزن الإنتروبي