楊錫運，趙澤宇，楊 巖，張艷峰

（華北電力大學(xué)控制與計算機工程學(xué)院，北京 102206）

2020年9月，我國明確提出2030年“碳達(dá)峰”與2060年“碳中和”的目標(biāo)[1]，在“雙碳”目標(biāo)的指導(dǎo)下，光伏發(fā)電等新能源發(fā)電方式將逐步取代化石能源發(fā)電，成為主流發(fā)展方向。光伏發(fā)電具有波動性、間歇性等特點，提高光伏功率預(yù)測的準(zhǔn)確性有益于電網(wǎng)運行的安全性、穩(wěn)定性[2-3]。

近年來，已有眾多中外學(xué)者對光伏功率預(yù)測問題進行研究。光伏輸出功率的預(yù)測方法主要分為統(tǒng)計方法和物理方法2類[4-5]。物理方法是基于數(shù)值天氣預(yù)報等數(shù)據(jù)建立光伏發(fā)電系統(tǒng)物理模型，預(yù)測發(fā)電功率；統(tǒng)計方法是基于深度學(xué)習(xí)等方法利用光伏輸出功率的歷史數(shù)據(jù)進行分析預(yù)測。文獻(xiàn)[6]通過太陽輻射強度將歷史數(shù)據(jù)分為晴天、陰天、雨天，然后基于深度極限學(xué)習(xí)機進行預(yù)測。文獻(xiàn)[7]基于地面拍攝的云圖通過數(shù)字圖像處理技術(shù)提取特征，結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測光伏功率輸出。文獻(xiàn)[8]分別討論了理想與非理想的天氣類型，在理想天氣類型中，通過長短時記憶（long short-term memory，LSTM）神經(jīng)網(wǎng)絡(luò)直接預(yù)測，在非理想天氣類型時，結(jié)合相鄰日時間序列與天氣類型進行分析。上述預(yù)測方法均采用單一的預(yù)測模型，預(yù)測精度還有一定的提升空間。

分布式集成光伏電站規(guī)模的不斷擴大，對解決發(fā)電和電力消耗位置不匹配的問題起到促進作用[8-9]。因此，對分布式光伏電站的功率進行精準(zhǔn)預(yù)測，對于電網(wǎng)調(diào)度和穩(wěn)定運行具有重要意義。由于分布式光伏電站的分布特點，可以構(gòu)建空間相關(guān)性電站的多電廠預(yù)測方案。目前，該方法的研究現(xiàn)狀主要以聚類為基礎(chǔ)對分布式光伏電站分類[10-11]，對同類型的電站進行空間相關(guān)性預(yù)測，進而提升單電站的預(yù)測精度。文獻(xiàn)[12]基于K-means聚類方法，通過歷史發(fā)電數(shù)據(jù)的歐氏距離進行聚類，基于最小二乘支持向量機（least squares support vector machine，LSSVM）模型對空間相關(guān)性電站進行單電站預(yù)測分析。文獻(xiàn)[13]基于經(jīng)緯度歐氏距離，對光伏電站進行聚類分析，構(gòu)建不同天氣類型條件下的多電站自回歸移動平均模型（ARIMA）進行預(yù)測。上述文獻(xiàn)說明，通過聚類分析對光伏電站集群進行預(yù)測可以提高預(yù)測的穩(wěn)定性。

組合預(yù)測融合了各單一預(yù)測方法，可結(jié)合各類預(yù)測方法的優(yōu)勢[14-15]，通常情況下會獲得更高的預(yù)測精度。文獻(xiàn)[16]通過LSTM神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）分別提取天氣數(shù)據(jù)中的時間特征與空間特征，獲得了更高的預(yù)測精度。文獻(xiàn)[17]采用LSSVM、自回歸滑動平均模型和反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）分別對光伏功率進行預(yù)測，結(jié)合交叉熵算法設(shè)置3種單一預(yù)測方法的權(quán)重；文獻(xiàn)[18]采用持續(xù)法、支持向量機法、相似數(shù)據(jù)法分別預(yù)測光伏功率，通過信息熵賦權(quán)。上述文獻(xiàn)說明選擇合適的子模型與賦權(quán)方法對光伏輸出功率進行組合預(yù)測可進一步提升預(yù)測精度。

本文基于以上特點，提出一種基于時空信息組合的分布式光伏功率時空預(yù)測方法，該方法首先通過極度梯度提升-長短時記憶神經(jīng)網(wǎng)絡(luò)（XGBoost-LSTM）模型學(xué)習(xí)時間序列的優(yōu)勢提取時間相關(guān)性特征進行預(yù)測；然后基于K-means聚類算法尋找與預(yù)測目標(biāo)電站最相似的幾個電站，通過LSSVM提取空間相關(guān)性特征進行預(yù)測，最后計算2種方法在多誤差評價標(biāo)準(zhǔn)下的信息熵作為權(quán)值，完成時空組合預(yù)測。本文根據(jù)某分布式光伏電站的實測數(shù)據(jù)進行仿真分析并與其他賦權(quán)方法進行對比，結(jié)果表明該方法具有較高的預(yù)測精度。

1 基于時間序列的分布式光伏功率預(yù)測

1.1 長短時記憶神經(jīng)網(wǎng)絡(luò)模型

LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體，一般的循環(huán)神經(jīng)網(wǎng)絡(luò)無法處理長時間依賴的問題，但LSTM神經(jīng)網(wǎng)絡(luò)具有特殊的遺忘門、輸入門、輸出門結(jié)構(gòu)，實現(xiàn)了對時間序列的長期記憶，并解決了循環(huán)神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)的梯度爆炸與梯度消失問題[19]。由于日輻射量的變化具有一定的規(guī)律性，光伏輸出功率數(shù)據(jù)通常為規(guī)律波動的長時間序列數(shù)據(jù)，具有很強的時序相關(guān)性。為更好地提取時間序列的特征，本文選擇LSTM神經(jīng)網(wǎng)絡(luò)進行預(yù)測。

圖1為LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)示意。Ct-1、Ct分別為單元在t-1、t時刻的狀態(tài)，包含網(wǎng)絡(luò)對時間序列信息的長時記憶；ht-1、ht分別為隱含層在t-1、t時刻的狀態(tài)，包含網(wǎng)絡(luò)對時間序列信息的短時記憶；xt為t時刻的時間序列輸入。

圖1 LSTM神經(jīng)網(wǎng)絡(luò)單元結(jié)構(gòu)示意Fig.1 Schematic diagram of the LSTM neural network unit structure

LSTM神經(jīng)網(wǎng)絡(luò)通過遺忘門、輸入門和輸出門更新記憶單元狀態(tài)Ct與隱含層狀態(tài)ht。

遺忘門的作用為決定從舊記憶單元中遺忘的信息，即Ct-1對Ct的影響。第1個σ激活函數(shù)為遺忘門：

輸入門的作用為決定t時刻的時間序列輸入對記憶單元狀態(tài)的影響，即xt對Ct的影響。第2個σ激活函數(shù)為輸入門：

輸出門的作用為決定記憶單元輸出的信息，即Ct對ht的影響。第3個σ激活函數(shù)為輸出門：

式中：ft、it、ot分別為遺忘門、輸入門、輸出門在t時刻的計算結(jié)果；Wf、Wi、Wo、bf、bi、bo分別代表遺忘門、輸入門、輸出門的權(quán)值和閾值；C*代表輸入到記憶單元的候選狀態(tài)；WC、bC分別代表候選單元的權(quán)值和閾值。

1.2 XGBoost-LSTM集成預(yù)測模型

極端梯度提升（extreme gradient boosting，XGBoost）是基于分類與回歸樹（classification and regression tree，CART）模型的集成算法[20-21]。XGBoost算法首先基于多個CART分別對數(shù)據(jù)集進行預(yù)測；然后將這些樹集成為一棵樹，并不斷迭代建立新的樹來擬合上一棵樹預(yù)測殘差，隨著迭代次數(shù)的增加，預(yù)測精度不斷提高。XGBoost-LSTM集成預(yù)測模型基于XGBoost算法降低LSTM預(yù)測模型的殘差，提升分布式光伏功率時間序列預(yù)測的準(zhǔn)確性。

XGBoost-LSTM模型將LSTM神經(jīng)網(wǎng)絡(luò)的輸出作為XGBoost的輸入，并將弱學(xué)習(xí)器的預(yù)測結(jié)果連續(xù)相加，建立如下模型：

損失函數(shù)為：

將式(8)二階泰勒展開得：

式中：gi、hi分別為損失函數(shù)在梯度方向上的一階導(dǎo)數(shù)與二階導(dǎo)數(shù)。

將最優(yōu)解ωj*代入式(10)得：

XGBoost算法對損失函數(shù)進行二階泰勒展開使梯度收斂得更快，損失函數(shù)為任意二階可導(dǎo)函數(shù)，增強了模型的可拓展性。

XGBoost-LSTM集成模型功率預(yù)測流程：首先將分布式光伏電站的歷史功率數(shù)據(jù)分為n份，分別訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)，將輸出結(jié)果輸入到弱學(xué)習(xí)器；然后基于XGBoost算法對弱學(xué)習(xí)器集成學(xué)習(xí)，不斷迭代減小預(yù)測殘差；最后輸出模型的預(yù)測功率。XGBoost-LSTM集成模型功率預(yù)測流程如圖2所示。

圖2 XGBoost-LSTM集成模型功率預(yù)測流程Fig.2 Flow chart of power prediction using the XGBoost-LSTM integrated model

2 基于空間相關(guān)性的分布式光伏功率預(yù)測

在預(yù)測單電站發(fā)電功率的基礎(chǔ)上，基于K-means方法[22]對分布式電站進行空間相關(guān)性聚類，通過LSSVM構(gòu)建相關(guān)性參考電站與待預(yù)測單個目標(biāo)電站的模型，進而完成預(yù)測。這種預(yù)測方法可以有效利用參考電站的空間相關(guān)性，在單電站預(yù)測的基礎(chǔ)上提升預(yù)測精度。

LSSVM在SVM基礎(chǔ)上進行了改進[23]，其回歸模型主要的優(yōu)化思想是使離回歸平面距離最近的樣本與回歸平面之間的距離最大，并采用最小二乘線性方程作為損失函數(shù)。LSSVM將SVM的二次規(guī)劃問題轉(zhuǎn)化成了線性方程組的求解問題，降低了算法的復(fù)雜度，有助于分布式光伏電站功率的預(yù)測。

LSSVM算法的核心原理是通過核函數(shù)將低維特征空間的訓(xùn)練樣本通過非線性映射到高維特征空間，然后利用回歸函數(shù)將其進行回歸擬合，其回歸函數(shù)為：

式中：ω為權(quán)重向量；φ(x)為LSSVM的映射核函數(shù)，將低維空間的訓(xùn)練樣本映射到高維空間；b為偏差量。LSSVM的優(yōu)化問題按照結(jié)構(gòu)風(fēng)險最小化原則可以轉(zhuǎn)化為：

式中：γ為誤差泛化因子，反應(yīng)誤差大小和模型的泛化能力；ei為訓(xùn)練樣本擬合誤差；yi為第i個輸出向量，即懲罰因子，用來控制誤差的懲罰程度；xi為第i個訓(xùn)練樣本輸入向量；n為輸入向量的維數(shù)。然后引入拉格朗日乘子λi對上述問題進行求解：

式中：N為輸入訓(xùn)練樣本容量。然后對式(16)根據(jù)KKT條件[24]，進行求解推導(dǎo)：

通過上述偏導(dǎo)求解推導(dǎo)，得到4個線性方程組，然后將方程中的ω和ei通過其他變量進行消除替換，最終得到預(yù)測模型回歸函數(shù)：

式中：K(xi,xj)為核函數(shù)，可將輸入空間映射到高維特征空間的一種非線性映射。徑向基函數(shù)（RBF）常被用作作為解決回歸問題的核函數(shù)，如式(20)所示。

式中：σ為函數(shù)的寬度因子，反應(yīng)模型的樣本的分布特性。

由于LSSVM可提取光伏電站間空間相關(guān)性特征，本文基于LSSVM算法預(yù)測分布式光伏功率。通過聚類分析選擇與目標(biāo)光伏電站具有空間相關(guān)性的參考光伏電站，訓(xùn)練模型時輸入?yún)⒖脊夥娬镜念A(yù)測功率和目標(biāo)光伏電站的真實功率。其中，參考光伏電站的預(yù)測功率由第1節(jié)中介紹的LSTM模型得到。LSSVM將參考電站預(yù)測功率的均值與目標(biāo)光伏電站的真實功率進行回歸擬合，更新自身參數(shù)。將預(yù)測目標(biāo)時間段的參考電站預(yù)測功率輸入訓(xùn)練完成的LSSVM中，即可輸出目標(biāo)光伏電站在目標(biāo)時間段的預(yù)測功率。

3 基于多誤差評價標(biāo)準(zhǔn)的信息熵光伏功率組合預(yù)測

基于時間序列的預(yù)測方法通過提取分布式光伏電站輸出功率的時間特征進行預(yù)測?；诳臻g相關(guān)性的預(yù)測方法通過提取分布式光伏電站間的空間特征進行預(yù)測。為了獲得更高的預(yù)測精度，往往采用組合預(yù)測方法，結(jié)合光伏數(shù)據(jù)的時空信息。本文基于多誤差評價標(biāo)準(zhǔn)的信息熵確定2種預(yù)測方法的權(quán)值。熵權(quán)法是一種客觀賦權(quán)方法，通過熵的大小來度量每個方法中蘊涵信息量的大小，為含有信息量更多的方法賦予更大的權(quán)重。多誤差評價標(biāo)準(zhǔn)的信息熵是在信息熵的基礎(chǔ)上考慮到多種誤差對預(yù)測結(jié)果的影響，進一步提升了組合預(yù)測的精度。

3.1 信息熵

信息熵測量了信息源信號中的不確定性，常用于多目標(biāo)決策中計算每個評價屬性決策信息的能力，用信息熵作為權(quán)值即為含有更多信息的屬性賦予更大的權(quán)值[25]。信息熵權(quán)的計算方法如下。

1）建立評價矩陣A。1個評價體系中具有m個評價對象和n個評價指標(biāo)，建立評價矩陣A=[aij]m×n。

2）標(biāo)準(zhǔn)化。將評價矩陣A進行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化矩陣R=[rij]m×n，標(biāo)準(zhǔn)化公式為：

3）計算第j種方法在第i個評價對象下的比重gij：

4）計算信息熵Hj：

5）由熵值計算權(quán)值ωj：

式中：i=1,2,…,m；j=1,2,…,n。

將信息熵作為權(quán)值是一種完全客觀的賦權(quán)方法，避免了專家方法賦權(quán)的主觀性，按照各個評價方法所含信息量進行賦權(quán)，克服單個模型具有的缺陷，可以有效提升多目標(biāo)決策的合理性與組合預(yù)測精度。

3.2 多誤差評價標(biāo)準(zhǔn)的信息熵

使用信息熵為組合預(yù)測方法賦權(quán)時，一般采用單一預(yù)測方法與真實值的絕對誤差建立評價矩陣A，利用這種方法計算出的組合預(yù)測結(jié)果具有較小的絕對誤差。而使用多誤差評價標(biāo)準(zhǔn)計算熵權(quán)時[26]，考慮多種誤差對組合預(yù)測結(jié)果的影響，增強了預(yù)測結(jié)果的魯棒性，比傳統(tǒng)熵權(quán)法的預(yù)測精度更高。

使用的誤差評價標(biāo)準(zhǔn)有：平均絕對誤差（mean absolute deviation，δMAD）、均方誤差（mean square error，δMSE）、累積誤差（cumulative sum of forecast errors，δCFE）、跟蹤信號（tracking signal，δTS）。

式中：At為t時刻內(nèi)的預(yù)測值；Ft為t時刻內(nèi)的實際值；n為t時刻內(nèi)的預(yù)測值總數(shù)。

按3.1節(jié)的方法分別計算出4種誤差評價標(biāo)準(zhǔn)的熵權(quán)Pj。首先，將式(21)標(biāo)準(zhǔn)化公式替換為鄰近系數(shù)：

然后，計算單一預(yù)測方法的權(quán)重ωij：

式中：eij為由第j種誤差評價標(biāo)準(zhǔn)計算的第i個單一預(yù)測方法的誤差，使用誤差的倒數(shù)保證了具有更小誤差的單一預(yù)測方法會被分配到更大的權(quán)重。

最后，計算第i個單一預(yù)測方法的組合權(quán)重ωi：

采用組合權(quán)重的方法可以使計算出的權(quán)重客觀合理地兼顧4種誤差，與僅反映一種誤差的信息熵相比具有更高的預(yù)測精度。

4 基于時空信息組合的分布式光伏功率預(yù)測流程

基于時空信息組合的分布式光伏功率預(yù)測的基本研究思路為：首先，基于XGBoost-LSTM模型提取歷史功率數(shù)據(jù)的時序特征對目標(biāo)光伏電站進行功率預(yù)測，得到第1組預(yù)測值并計算4種誤差；然后，基于K-means聚類算法找到與目標(biāo)光伏電站最相似的參考光伏電站，結(jié)合LSSVM算法建立空間預(yù)測模型，得到第2組預(yù)測值并計算4種誤差；最后，基于信息熵理論，計算4種誤差評價標(biāo)準(zhǔn)的熵權(quán)，并根據(jù)單一預(yù)測模型的誤差計算每種模型的權(quán)重，將2種權(quán)值結(jié)合，最終獲得時空信息組合預(yù)測的功率。2種預(yù)測方法分別從時間和空間的角度出發(fā)，2個模型分別學(xué)習(xí)了時間序列中的特征以及空間相關(guān)性的特征，使組合預(yù)測更加合理。計算多誤差評價標(biāo)準(zhǔn)信息熵的基本步驟如下。

1）構(gòu)建評價矩陣A。計算出2種單一預(yù)測模型預(yù)測值的4種誤差（分別為δMAD、δMSE、δCFE、δTS），a1j、a2j（j=1,2,3,4）作為矩陣A的列向量，記A=[aij]2×4。

2）標(biāo)準(zhǔn)化。將評價矩陣A進行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)化矩陣R=[rij]2×4，鄰近系數(shù)公式為：

3）計算第j種誤差在第i種預(yù)測模型下的比重gij：

4）計算4種誤差的信息熵Hj：

式中：m為預(yù)測模型的數(shù)量，m=2。

5）計算4種誤差的熵權(quán)Pj：

6）計算單一預(yù)測模型的權(quán)重ωij：

式中：eij為第i種預(yù)測模型的第j個誤差值。

7）計算2種單一預(yù)測模型的多誤差評價標(biāo)準(zhǔn)信息熵權(quán)ωi：

基于多誤差評價標(biāo)準(zhǔn)的信息熵方法是一種客觀的賦權(quán)方法，并考慮了2種預(yù)測模型在多誤差評價標(biāo)準(zhǔn)下的綜合情況，能夠得到更高的預(yù)測精度。分布式光伏功率預(yù)測的整體流程如圖3所示。

圖3 分布式光伏功率預(yù)測整體流程Fig.3 The overall process of distributed photovoltaic power prediction

5 算例分析

以澳大利亞愛麗絲泉分布式光伏技術(shù)示范設(shè)施為例，選取其中的37號光伏系統(tǒng)作為預(yù)測目標(biāo)。該系統(tǒng)額定功率為5.5 kW，電池板材料為多晶硅。取2016年8月至11月的光伏輸出功率數(shù)據(jù)作為數(shù)據(jù)集，并進行歸一化處理。數(shù)據(jù)的時間分辨率為5 min。

5.1 構(gòu)建單一預(yù)測模型

1）構(gòu)建時間序列預(yù)測模型。設(shè)置LSTM神經(jīng)網(wǎng)絡(luò)模型的神經(jīng)元個數(shù)為56；dropout為0.113 4；預(yù)測數(shù)據(jù)步長為3；設(shè)置XGBoost算法中每棵樹的最大深度為4。首先，取2016年8月、9月、10月的數(shù)據(jù)分別輸入LSTM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，更新模型內(nèi)神經(jīng)元的權(quán)值與閾值，得到3個LSTM神經(jīng)網(wǎng)絡(luò)模型；然后，基于XGBoost算法對3個模型進行集成學(xué)習(xí)；分別通過訓(xùn)練完成的LSTM神經(jīng)網(wǎng)絡(luò)模型和XGBoost-LSTM模型對11月的光伏功率進行預(yù)測。

LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測的均方誤差為0.300 9，XGBoost-LSTM模型預(yù)測的均方誤差為0.297 6，通過集成學(xué)習(xí)后的模型具有更小的均方誤差。

2）構(gòu)建空間相關(guān)性預(yù)測模型?；贙means聚類算法挑選出5個參考電站，通過LSTM神經(jīng)網(wǎng)絡(luò)模型對5個參考電站11月的光伏發(fā)電功率進行預(yù)測，然后通過LSSVM模型結(jié)合5個參考電站的預(yù)測數(shù)據(jù)對第6個電站的功率進行預(yù)測。

圖4為2種預(yù)測模型對11月1日光伏功率輸出預(yù)測的結(jié)果。

圖4 2種預(yù)測模型的預(yù)測結(jié)果Fig.4 The prediction results of the two prediction models

5.2 構(gòu)建時空信息組合模型

根據(jù)式(32)—式(37)計算2種預(yù)測模型對應(yīng)的多誤差評價標(biāo)準(zhǔn)的信息熵權(quán)，時間序列模型的權(quán)重ω1=0.609，空間相關(guān)性模型的權(quán)重ω2=0.391。

計算時空信息組合預(yù)測結(jié)果P：

式中：PTS為時間序列模型的預(yù)測結(jié)果；PSC為空間相關(guān)性模型的預(yù)測結(jié)果。

為了驗證基于多誤差評價標(biāo)準(zhǔn)的信息熵權(quán)XGBoost-LSTM + LSSVM模型的性能，選取基于信息熵的熵權(quán)與基于交叉熵的熵權(quán)作為對照組。計算出的權(quán)重對比見表1；5種預(yù)測方法誤差對比見表2；時空預(yù)測方法誤差對比見表3；3種賦權(quán)方法的預(yù)測結(jié)果如圖5所示；組合模型與單一預(yù)測模型的相對誤差如圖6所示。由表3可見，均使用多誤差評價標(biāo)準(zhǔn)的信息熵組合的情況下，XGBoost-LSTM+LSSVM模型的4種誤差最小。從圖5、圖6可以看出：多誤差評價標(biāo)準(zhǔn)的信息熵與其他賦權(quán)方法相比，具有更高的預(yù)測精度，更貼合真實功率曲線；組合模型與單一預(yù)測模型相比，相對誤差更小。

圖5 3種賦權(quán)方法的預(yù)測結(jié)果Fig.5 Prediction results of the three weighting methods

圖6 組合模型與單一預(yù)測模型的相對誤差Fig.6 Relative errors of the combined models and the single predictive model

表1 3種賦權(quán)方法權(quán)值對比Tab.1 Comparison of weights of three weighting methods

表2 5種預(yù)測方法誤差對比Tab.2 The errors of five prediction methods

表3 時空預(yù)測方法誤差對比Tab.3 The errors of the spatiotemporal prediction methods

賦權(quán)方法ω1(時間序列)ω2(空間相關(guān)性)

為了進一步對比單一模型與組合模型的性能，圖7展示了5種預(yù)測方法在4種誤差評價標(biāo)準(zhǔn)下的對比結(jié)果。

圖7 不同方法的誤差對比Fig.7 Error comparison between different methods

從圖7可以得出：采用時空信息組合預(yù)測方法可以有效降低預(yù)測誤差；并且在3種熵權(quán)法中，多誤差評價標(biāo)準(zhǔn)信息熵能夠綜合考慮4種誤差，兼具了預(yù)測穩(wěn)定性與準(zhǔn)確性。

6 結(jié) 論

本文將基于時間序列的預(yù)測方法與基于空間相關(guān)性的預(yù)測方法結(jié)合，構(gòu)建時空信息組合預(yù)測模型。通過多誤差評價方法改進的信息熵為組合預(yù)測模型賦權(quán)，得到結(jié)論如下。

1）通過XGBoost集成算法擬合LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測模型的殘差，構(gòu)建XGBoost-LSTM集成預(yù)測模型，集成預(yù)測模型的均方根誤差與LSTM神經(jīng)網(wǎng)絡(luò)模型相比誤差降低了1.1%。

2）時空信息組合模型可以結(jié)合單一預(yù)測模型的優(yōu)勢，可降低分布式光伏功率預(yù)測的4種誤差，使預(yù)測更準(zhǔn)確。

3）基于信息熵改進的熵權(quán)法綜合考慮多種誤差評價標(biāo)準(zhǔn)，得到的基于多誤差評價標(biāo)準(zhǔn)的信息熵權(quán)的XGBoost-LSTM+LSSVM模型的平均絕對誤差與基于交叉熵的組合模型和基于信息熵的組合模型相比分別下降1.6%、8.3%。改進的模型具有更好的魯棒性與綜合性能，進一步提升了分布式光伏功率預(yù)測的準(zhǔn)確性。