由于化石燃料愈加紧缺，人们对太阳能和风能等可再生能源的利用也愈加关注。虽然可再生的能源具有良好的前景，但是风能和太阳能都受到环境和天气影响，具有能量密度低，随机性强的特点，由单纯的光伏电站或风电场发电难以有稳定的电能输出。风光互补供电系统合理利用了风能与太阳能的天然互补性，通过内部各个电源对本地区负荷进行供电，其主要目标是最大限度地增强发电功率与负荷之间的匹配性。为保证供电可靠性同时提高系统的经济性，需根据现有的天气和环境资源条件对系统的容量配置进行优化设计，选取最优的电源容量组合。遗传算法作为一种新的全局优化搜索算法，以其简单、通用、鲁棒性强、适于并行处理以及应用范围广等显著特点，常用来解决发电系统的容量配置优化问题，但是由于
其局部寻优能力较差，运行效率较低、参数难选择等问题，使得其计算过程较慢，结果不够精确。为此，引入极端学习机，以其良好的非线性映射能力与遗传算法种群进化机制相结合，对传统遗传算法进行改进，通过定量模拟染色体进化过程，引导种群进化方向，从而有效提高遗传算法的全局收敛速度，能更好的解决风光互补供电系统配置优化问题。算例分析表明了改进遗传算法相对于传统遗传算法，只需较少的迭代次数，就能使得函数快速收敛，且达到同样迭代误差所需时间也更短。在研究风光互补供电系统的运行情况的基础上分析了系统运行中各种可能的调度策略。根据系统的不同调度策略、约束条件以及包含供电可靠性和风光互补特性在内的
系统优化评价指标，建立了风光互补供电系统中各个电源的数学模型，以及包含初始投资成本、维护管理成本、电力富余成本等不同费用的经济性模型。将不同发电单元的数目作为变量，以综合成本费用最小为优化目标，利用ELM改进遗传算法求解系统中各个电源的最优容量配置。算例分析表明改进遗传算法能够快速求解模型，同时通过与HOMER软件仿真结果的对比，验证了模型和算法的合理性和优越性。
