随着化石能源的快速消耗和环境污染问题的增多,新能源产业被国际社会的关注也越发增加。风能和太阳能作新兴能源产业两大重点也开始飞速发展,而其发电过程中的问题也日益受到重视和研究。光伏、风电系统均存在的较强的模型/参数不确定和随机性,导致功率产出的不可知和变负载条件下混合能源配置的难度增大。针对该问题,本文将仿生算法融合进支持向量机(Support Vector Machine,SVM)的参数优化中,进而构建光伏出力预测、风速预测及负载预测模型,实现混合能源系统参数配置。主要研究内容包括:(1)提出基于改进的后向寻优蝙蝠算法(Backward Bat Algorithm,BBA)的支持向量机算法(BBA-SVM),以及在此基础上融合遗传规则的仿生蝙蝠算法(Genetic-BBA,G-BBA);其核心思想是将蝙蝠算法的变步长和寻优时的搜索方向进行修正,增加反向搜索寻优机制,以快速跳出局部最优,提高SVM参数全局寻优精度和效率。(2)以光伏系统为例,利用SAM(System Advisor Model)建模软件提供的光伏功率、光照强度、温度的历史数据辅助构建光伏出力预测模型,将BBA-SVM和G-BBA-SVM算法应用至其功率预测中,并对多种仿生SVM预测算法进行对比分析。(3)将BBA-SVM应用到风力发电功率预测,利用Bladed专业风机建模软件产生的风速数据作为输入,构建风力回归预测模型,并进行了数据分析。(4)进行BBA-SVM负载需求预测下的发电参数配置研究。针对不同发电资源对应的不同发电价格和发电效率,构建以边际电价为核心的电力发电与传输简化分析模型。