随着科技的发展,算法已经成为智能化技术的核心。机器学习算法已成为主要的研究领域。在近年的机器学习领域中,神经网络、BP神经网络、支持向量机和极限学习机算法相继出现了,其中极限学习机算法成为近年机器学习领域的研究热点。随着科学的发展,原有的极限学习机在众多的领域已不能满足其要求,所以在极限学习算法的基础上,国内外的研究人员相继提出了众多基于极限学习机的改进算法。例如,基于蚁群的极限学习机和基于粒子群的极限学习等。为此,本文提出了一种基于烟花算法优化的极限学习算法。并对此算法展开研究,阐述烟花极限学习机的理论及相关应用。首先,本文对人工神经网络、单隐层神经网络和极限学习机算法的基本理论及原理进行了深入研究,介绍了几种算法的公式推导和算法实现流程。在研究粒子群极限学习机原理的基础之上,采用烟花算法优化极限学习机的输入权值。其原理如下:首先烟花算法经过多次的迭代,确定M个最优的烟花,并且以极限学习机测试样本的RMSE作为烟花算法每次迭代的适应度函数。然后达到优化极限学习机输入权值矩阵和隐含层偏差的效果。最后根据广义逆求出输出矩阵。其次,在完成算法的基础上,采用一维SinC函数和一维高斯函数对算法性能进行分析,并与极限学习机进行对比。例如,分析隐含层节点数目、迭代次数分别对算法性能的影响。最后得出结论,烟花极限学习机相比于极限学习机能够以更少的隐含层节点个数达到更高的精度,在实际应用过程中节省了输入节点所占用的空间。然后,把烟花极限学习机算法运用到光伏发电输出功率预测中,在验证烟花极限学习机算法的同时,也验证了一种光伏发电输出功率预测的可行性方法。本文采用某网站公布的澳大利亚某地区的一个光伏发电系统输出功率及其相关的气象数据信息。本文先对数据进行归一化处理、数据异常值处理、数据值缺失处理,建立预测模型的训练样本和测试样本。最后,本文分别建立基于极限学习机光伏发电输出功率预测模型、粒子群极限学习机光伏发电输出功率模型和烟花极限学习机光伏发电输出功率模型。在相同的隐含层节点数目的情况下对三种预测模型进行对比试验,得出烟花极限学习机光伏发电输出预测模型能够到达更高的预测精度。