随着全球经济的不断发展,对于能源的需求也越来越大,能源危机和环境保护也受到了全世界的广泛重视,因此,新能源发电技术得到了国内外的深入研究和推广应用。因地制宜地建设风电、太阳能发电等新能源混合发电系统,既符合目前我国建设节约环保型社会的时代要求,也是解决海岛、偏远地区等用电难题的一种有效方式。本论文从独立新能源混合发电系统的实际应用需求出发,在查阅大量国内外相关书籍和文献的基础上,探讨独立新能源混合发电中的一些关键技术和科学难题,重点研究了一种风光互补混合发电系统的优化设计与运行控制策略,主要研究内容如下：(1)研究了基于遗传算法的系统容量配置。介绍了新能源混合发电系统的结构,描述了新能源混合发电系统各主要组件的数学模型,主要包括风力发电机模型、光伏发电模型、柴油发电机燃料成本模型以及蓄电池模型等。在此基础上,研究了一种采用遗传算法(Genetic algorithm, GA)进行新能源混合发电系统容量配置的方法,以最小化混合发电系统的综合成本作为容量优化配置的目标函数,建立相应的约束条件,采用GA算法搜索不同类型发电设备的最优容量配置结果。根据应用实际数据进行MATLAB仿真的结果表明,采用GA算法优化后的容量配置方案,新能源混合发电系统供电可靠性较高,具有综合成本低、污染物排放少等优势。(2)为了更好地利用太阳能发电功率,研究了一种基于组合模型的光伏发电短期功率预测方法,由纵向模型与横向模型二部分加权组合而成,而每一个子模型均采用一个支持向量机(Support Vector Machines, SVM)来实现预测。在所提出的组合模型中,横向模型的输入量为辐照强度、太阳入射角、温度、天气类型等,输出值为光伏发电短期功率；纵向模型的输入量为光伏发电功率数据的四个序列值,输出值为下一个时刻的光伏发电功率。为了实现较优的短期功率预测结果,论文采用一种最小二乘方法对综合模型的加权系数进行优化。论文详细介绍了该组合模型的设计原理和实施过程,而采用的支持向量机学习方法具有优良的学习能力和泛化性能,可以提高预测的准确性。采用不同天气情况下的数据仿真结果也验证了该光伏发电短期功率预测模型的有效性。(3)考虑到风电功率受气候、天气等自然条件的影响较大,论文研究了一种经验模态分解(Empirical Mode Decomposition, EMD)与关联向量机(Relevance vector machine, RVM)相结合的风电功率短期预测方法。该方法结合了经验模态分解与关联向量机的优点,首先利用经验模态分解的滤波器性能,将原始的风电功率序列数据的时频特性相近的固有模态函数进行分类组合,再采用关联向量机对分解后的各类信号分别建立相应的功率预测模型,最后,将若干个关联向量机预测模型进行求和,便得到了风电功率短期预测模型,从而提高了预测模型的精度。数据仿真结果也表明该风电功率短期预测方法具有较高的准确度。(4)针对变速风力发电机(VSWT)这个非线性控制对象,提出了一种基于RBF神经网络的自适应控制策略。在所研究的神经网络自适应控制系统中,采用基于神经网络的辨识器估计VSWT对象模型,该辨识器可提供关于VSWT输入输出关系的信息；同时,采用另外一个神经网络来设计逆模型控制器。论文给出了神经网络自适应控制系统的实现过程和学习训练算法,可以克服非线性等因素的影响。仿真结果也表明所提出的的神经网络自适应控制系统具有较好的效果和性能。(5)针对一个实际应用工程,研究了该新能源混合发电系统的能量调度策略。在基于能量平衡和调度策略的基础上,给出了系统的能量管理与调度策略的实施流程图。根据东澳岛微电网项目给出的系统配置方案,使用Matlab软件建立了混合发电系统的仿真模型。结果表明,这些策略虽然简单,但系统的稳定性较高,而且提高了系统的经济性,具有较好的工程应用价值。论文最后总结了全文的主要研究成果,对下一步研究工作进行了展望。