随着能源危机和环境污染的问题日益严重,可再生能源因为其清洁和高效性成为传统化石能源的最佳替代品,国内外对可再生能源的课题研究也越来越深入。其中,太阳能发电与风力发电的起步比较早,应用技术发展较其他形式而言最为成熟。可是,由于太阳能和风能的发电情况受到来自许多外界因素的制约和影响,输出的不确定性使其大范围接入电网受到明显限制。因此,为了实现能源的高效利用,有效减轻外界波动性对可再生能源发电及电网的影响,可再生能源的预测精度必须得以提高。本文在概要智能优化方法和神经网络的基础上,重点分析了改进的神经网络模型对可再生能源预测的影响,并在以下几个方面展开深入研究,取得一定进展。1.针对风速预测涉及的输入变量比较多,参数规模比较大的特点,提出了合作协同进化理论对神经网络进行改进的方法。该方法通过向传统BP神经网络中引入遗传算法建立GABP模型;并向BP神经网络的隐含层神经元中引入分组策略,通过单维合作协同进化理论和折半合作协同进化理论对神经网络结构进行分组。实验证明,结合合作协同进化理论的GABP模型拟合精度更高,能够实现对风速更加准确的预测。2.针对光伏发电的特性,提出了基于分组的混合算法改进的BP神经网络模型(基于分组的GAPSOBP)。该方法能够显著提高训练样本集与预测样本集的关联度,从而建立更精确的模型。实验证明,分组后的GAPSOBP神经网络改进模型归纳能力更强,对功率曲线的拟合度非常高。3.针对部分光伏发电功率预测实验中同样存在输入变量比较多、参数维度比较高的情况,本文同样采取合作协同进化理论改进的GABP神经网络模型的方法对此类型的光伏发电功率曲线进行拟合。实验对比发现,基于分组的模型准确度更高,近一步证明了合作协同进化理论在可再生能源预测方面的有效性。