Для обеспечения безопасной и стабильной работы электросети и повышения экономической эффективности солнечных электростанций необходимо дополнительно увеличить точность прогнозирования мощности солнечной энергии. В этом целях предлагается метод прогнозирования распределенной мощности солнечной энергии на основе комбинации временной и пространственной информации. Во-первых, с использованием интегрированной модели XGBoost-LSTM, основанной на долгосрочной и краткосрочной нейронной сети, делается прогноз на основе временных рядов исторических данных солнечной энергии. Затем, с использованием модели LSSVM, основанной на методе наименьших квадратов опорных векторов, делается прогноз на основании пространственной корреляции между солнечными электростанциями. Наконец, на основе основных принципов информационной энтропии, в сочетании с улучшением информационной энтропии из нескольких точек зрения оценки ошибок, определяются весовые коэффициенты для двух одиночных методов прогнозирования, и создается модель прогнозирования в сочетании времени и местоположения. Результаты исследования показывают, что модель XGBoost-LSTM+LSSVM с весовой информационной энтропией по стандартам оценки ошибок выше снижается на 1,6% по сравнению с объединенной моделью на основе кросс-энтропии и объединенной моделью на основе информационной энтропии в соответствии с несколькими стандартами оценки ошибок, соответственно. Сочетание преимуществ отдельных моделей прогнозирования позволяет снизить ошибку прогнозирования, и модель сочетания, основанная на стандартах оценки ошибок и информационной энтропии, обладает более высокой устойчивостью и общей производительностью, что может повысить точность прогнозирования распределенной мощности солнечной энергии.

прогнозирование мощности солнечной энергии; интегрированное обучение; LSTM; LSSVM; метод весовой интропии