Um einen sicheren und stabilen Betrieb des Stromnetzes zu gewährleisten und die Wirtschaftlichkeit von Photovoltaikanlagen zu verbessern, ist es erforderlich, die Genauigkeit der Photovoltaikleistungsvorhersage weiter zu erhöhen. Zu diesem Zweck wird eine auf der Kombination von Zeit- und Rauminformationen basierende Methode zur Vorhersage der verteilten Photovoltaikleistung vorgeschlagen. Zunächst wird mithilfe des integrierten XGBoost-LSTM-Modells, das auf dem langen und kurzen neuronalen Netz basiert, eine Vorhersage anhand von Zeitreihen historischer Photovoltaikdaten erstellt. Anschließend wird mithilfe des LSSVM-Modells, das auf der Methode der kleinsten Quadrate der stützenden Vektoren basiert, eine Vorhersage anhand der räumlichen Korrelation zwischen den Photovoltaikanlagen erstellt. Schließlich werden basierend auf den grundlegenden Prinzipien der Informationsentropie zusammen mit einer Verbesserung der Informationsentropie aus verschiedenen Blickwinkeln der Fehlerbewertung Gewichtskoeffizienten für zwei einzigartige Vorhersagemethoden bestimmt und ein kombiniertes Vorhersagemodell für Zeit und Raum erstellt. Die Untersuchungsergebnisse zeigen, dass das XGBoost-LSTM+LSSVM-Modell mit einem Informationsentropiegewicht basierend auf multiplen Fehlerbewertungsstandards um jeweils 1,6% gegenüber dem kombinierten Modell basierend auf der Kreuzentropie und dem kombinierten Modell basierend auf der Informationsentropie gemäß mehreren Fehlerbewertungsstandards reduziert wird. Die Kombination der Vorteile einzelner Vorhersagemodelle führt zu einer Verringerung des Vorhersagefehlers, und das kombinierte Modell, das auf Fehlerbewertungsstandards und Informationsentropie basiert, weist eine höhere Robustheit und Gesamtleistung auf, die die Genauigkeit der Vorhersage der verteilten Photovoltaikleistung verbessern kann.

Photovoltaikleistungsvorhersage; integriertes Lernen; LSTM; LSSVM; Entropiegewichtsmethode