Pour garantir un fonctionnement sûr et stable du réseau électrique et améliorer l'efficacité économique des centrales photovoltaïques, il est nécessaire d'améliorer davantage la précision de la prévision de la puissance photovoltaïque. À cette fin, une méthode de prévision de la puissance photovoltaïque distribuée basée sur la combinaison d'informations spatiales et temporelles est proposée. Tout d'abord, en utilisant le modèle intégré XGBoost-LSTM basé sur le réseau neuronal à mémoire à long terme et courte, une prévision est faite à partir de séries temporelles de données historiques photovoltaïques. Ensuite, en utilisant le modèle LSSVM basé sur la méthode des moindres carrés à vecteurs de support, une prévision est faite en utilisant la corrélation spatiale entre les centrales photovoltaïques. Enfin, sur la base des principes de base de l'entropie de l'information, en combinant une amélioration de l'entropie de l'information à partir de plusieurs points de vue d'évaluation des erreurs, des coefficients de poids sont déterminés pour deux méthodes de prévision uniques, et un modèle de prévision combinant des informations spatiales et temporelles est construit. Les résultats de l'étude montrent que le modèle XGBoost-LSTM+LSSVM avec un poids d'entropie de l'information basé sur des normes d'évaluation des erreurs multiples diminue de 1,6% par rapport au modèle combiné basé sur l'entropie croisée et le modèle combiné basé sur l'entropie de l'information selon plusieurs normes d'évaluation des erreurs, respectivement. La combinaison des avantages des modèles de prévision uniques peut réduire l'erreur de prévision, et le modèle combiné reposant sur des normes d'évaluation des erreurs et de l'entropie de l'information présente une robustesse et une performance globale supérieures, ce qui peut améliorer la précision de la prévision de la puissance photovoltaïque distribuée.

prévision de la puissance photovoltaïque; apprentissage intégré; LSTM; LSSVM; méthode de poids de l'entropie