전력망 안정적인 운영을 보장하고 태양광 발전소의 경제적 이익을 향상시키기 위해 태양광 발전 출력을 더욱 정확하게 예측해야 합니다. 이를 위해 시간 및 공간 정보를 결합한 분산형 태양광 발전 출력 예측 방법을 제안합니다. 먼저, 극한 그레이디언트 부스팅-단기 단기 기억 신경망 (XGBoost-LSTM) 앙상블 모델을 사용하여 태양광 발전 이력 데이터의 시계열을 예측합니다. 그런 다음 최소 제곱 지원 벡터 머신 (LSSVM) 모델을 사용하여 태양광 발전소 간의 공간 상관 관계를 예측합니다. 마지막으로, 기본 엔트로피 원리에 기반하여 다양한 오차 평가 각도를 개선한 정보 엔트로피를 사용하여 2 가지 단일 예측 방법의 가중치를 결정하여 시간 및 공간 정보를 결합한 예측 모델을 구축합니다. 연구 결과는 다음과 같습니다 : 다중 오차평가 표준에 기반한 정보 엔트로피 가중치의 XGBoost-LSTM+LSSVM 모델은 교차 엔트로피 및 정보 엔트로피 기반의 결합 모델과 비교하여 각각 1.6%, 8.3% 감소하였습니다. 단일 예측 모델을 결합함으로써 예측 오차를 줄일 수 있으며, 다중 오차평가 표준에 기반한 정보 엔트로피 결합 모델은 높은 강인성과 종합 성능을 갖는 분산형 태양광 발전 출력 예측의 정확성을 향상시킬 수 있습니다.

태양광 발전 출력 예측;앙상블 학습;LSTM;LSSVM;엔트로피 가중