伴随社会的不断发展,我国资源问题越来越凸显,光伏电力用作我国电力供应可以有效缓解资源枯竭的问题,近年来我国光伏产业规模逐年增大,庞大的发电规模使得光伏系统的稳定运行面临严峻挑战。准确的建立光伏发电系统模型,得到模型下未知的参数来实现对光伏数据的拟合,以此可以实现对光伏电站的效能监控、功率预测、MPPT和电力输出控制等功能。但光伏系统监测点多、数据大且复杂,目前的现有的参数辨识方法已难以满足需求,因此参数辨识领域也成为国内外学者的研究重点,现阶段,科研机构和高校的研究方向集中在光伏模型参数辨识方法上。本论文致力于优化参数辨识寻优算法,探索提高参数辨识模型精确度的方法。主要的研究内容如下:（1）将FOA算法应用于光伏组件参数辨识,提出禁忌搜索算法和果蝇算法结合（TSFOA）的参数辨识方法来进一步优化FOA算法的能力,该算法是基于果蝇觅食的复杂关系,衍生出的一种全局范围下迭代的TS-FOA算法,该算法既保证了前期全局搜索能力,同时又引入TS概念对传统FOA算法进行优化,进一步减少后期迭代时间,可以避免迭代后期陷入局部最优解的问题,提升寻优效率。结果表明,与传统算法相比TS-FOA算法的预测值曲线和实际功率曲线更加吻合,预测精度更高。（2）为进一步解决双二极管模型下大规模数据集的参数辨识问题,提出了基于奖惩机制的分数阶达尔文粒子优化算法（RFOD-PSO）,RFOD-PSO算法是对传统的粒子群算法（PSO）的升级调整,设计了一种使用分数阶微积分的改进方式来对PSO算法进行优化,避免了当数据量较大或者搜索时间过长时PSO算法较早陷入局部最优的缺陷,同时还引入奖惩机制（RP）进一步的改进粒子群的搜索性能。在使用实证数据进行测试之后,结果表明RFOD-PSO算法在多次迭代和双二极管模型条件下都比其他算法具有更好的参数辨识效果。（3）针对实证光伏电站系统要求,基于Idea+Tomcat+Springboot+Vue等技术框架,设计了一个实证电站监控管理系统,开发了光伏电站系统的登录、监控、检索、错误预警、参数辨识等模块,实现了一个可以便捷实现参数辨识信息分析的光伏电站系统,提高了电力信息的管理能力。