随着可再生能源电网接入比例逐步提高,其精确预测对提高新能源消纳和电网稳定性,以及降低系统规划运行成本具有重要意义。因此本文提出了基于极限学习机ELM和进化算法的可再生能源功率预测及其特征输入选取和网络参数两阶段优化改进模型。首先提出了基于二元遗传算法BGA的特征输入选取算法。如何选择可再生能源功率预测模型输入层数据一直以来都是一个比较重要的课题。二元遗传算法的编码特性使它得非常契合特征输入选取问题。在本文所提出的特征选择过程中,大量的输入特征经过二元编码之后,进入算法进行基因优化。通过重复100次实验,记录每一位基因最终出现的频率来代表该基因与预测对象之间的相关性高低,成功地筛选出了预测误差较低的输入特征组合。该方法与传统预测模型相比能够降低计算和存储成本,而不会降低学习性能。其次本文引入了自然进化策略NES算法对预测模型网络参数进行两阶段参数优化。第一阶段使用极限学习机随机和广义矩阵逆运算过程初始化模型网络参数。由于极限学习机模型第一次初始化模型网络参数的过程会导致初始模型对训练集产生过拟合状态,需要通过引入优化算法对第一阶段所得参数进行调整。第二阶段使用自然进化策略算法在原有模型训练结果的基础上对参数进行第二次的优化调整。结果证明该优化算法能够有效地提高预测模型在测试集上的预测精度。最后本文结合一个太阳能出力预测的案例,进行了基于特征输入和两阶段参数训练的联合优化实验,并与传统优化方法的结果做出对比,其对比结果显示本文所提出的优化方法在各个预测误差方面均优于传统预测模型。