Para garantizar un funcionamiento seguro y estable de la red eléctrica y mejorar la eficiencia económica de las plantas fotovoltaicas, es necesario mejorar aún más la precisión de la predicción de la potencia fotovoltaica. Con este fin, se propone un método de predicción de la potencia fotovoltaica distribuida basado en la combinación de información espacial y temporal. En primer lugar, utilizando el modelo integrado XGBoost-LSTM basado en la red neuronal de memoria a largo y corto plazo, se realiza una predicción basada en series temporales de datos históricos fotovoltaicos. Luego, utilizando el modelo LSSVM basado en el método de vectores de soporte de mínimos cuadrados, se realiza una predicción utilizando la correlación espacial entre las plantas fotovoltaicas. Finalmente, basado en los principios básicos de la entropía de la información, en combinación con una mejora de la información de la entropía desde varios puntos de vista de la evaluación de errores, se determinan los coeficientes de peso para dos métodos de predicción únicos, y se construye un modelo de predicción combinado de la información espacial y temporal. Los resultados del estudio muestran que el modelo XGBoost-LSTM+LSSVM con una entropía de información de peso basada en estándares de evaluación de errores múltiples disminuye en un 1,6% en comparación con el modelo combinado basado en la entropía cruzada y el modelo combinado basado en la entropía de la información según varios estándares de evaluación de errores, respectivamente. La combinación de las ventajas de los modelos de predicción únicos puede reducir el error de predicción, y el modelo combinado basado en los estándares de evaluación de errores y la entropía de la información presenta una mayor robustez y rendimiento global, lo que puede mejorar la precisión de la predicción de la potencia fotovoltaica distribuida.

predicción de la potencia fotovoltaica; aprendizaje integrado; LSTM; LSSVM; método de peso de entropía