電力網の安定した運用を確保し、光発電所の経済効果を向上させるためには、光発電出力をより正確に予測する必要があります。そのため、時間と空間情報を組み合わせた分散型光発電出力予測手法を提案します。まず、極度勾配ブースト-長短期記憶ニューラルネットワーク（XGBoost-LSTM）アンサンブルモデルを使用して、光発電の履歴データの時系列を予測します。次に、最小二乗サポートベクターマシン（LSSVM）モデルを使用して、光発電所間の空間的相関性を予測します。最後に、情報エントロピーの基本原理に基づいて、複数の誤差評価角度を改善した情報エントロピーを使用して、2つの単一予測方法の重みを決定し、時空情報組み合わせ予測モデルを構築します。研究結果は次のとおりです：多重誤差評価基準に基づく情報エントロピーの重み付けXGBoost-LSTM+LSSVMモデルは、交差エントロピーと情報エントロピーの組み合わせモデルと比較して、それぞれ1.6％、8.3％低下しました。単一予測モデルを組み合わせることで予測誤差を低減させることができ、多重誤差評価基準に基づく情報エントロピーの組み合わせモデルはより高い頑健性と総合性能を持ち、分散型光発電出力予測の正確性を向上させることができます。

光発電出力予測;アンサンブル学習;LSTM;LSSVM;エントロピー重み法