基于实验数据为太阳能电池和光伏组件建立高精度模型对于光伏系统的仿真,评估,控制和优化至关重要。因此需要高效的算法来可靠地获取最佳参数以建立最优模型,基于种群的优化算法是目前被认为较为有前景的技术。在本论文中,分别对哈里斯鹰优化算法(Harris hawk optimization,HHO)、正余弦优化算法(Sine cosine algorithm,SCA)和鲸鱼优化算法(Whale optimization algorithm,WOA)提出了改进机制,并将这三种改进的算法用于太阳能电池和光伏组件的参数辨识中。首先,哈里斯鹰优化算法是一种新颖的优化器,本论文针对该算法在光伏系统参数辨识问题上所存在的不足,在原始算法的基础上引入了正交学习机制和一般反向学习策略。在正交学习中,基于正交试验设计的思想,并利用量化正交交叉算子和极差分析法,加强了算法的局部搜索能力,提高了求解质量。在此基础上,引入的一般反向学习策略增强了种群的多样性,提高了算法的探索能力,能有效避免算法过早陷入停滞状态。其次,通过将正余弦优化算法与基于Nelder-Mead单纯形法的开发策略和基于反向学习的多元化机制相结合,提出了一种新的算法。所提出的新算法在利用原始正余弦优化算法的核心策略时,采用单纯形法提高算法的求解精度,增强了算法的局部搜索能力;同时,采用反向学习来有效地探索搜索空间,提高算法的全局寻优能力。因此,所提新方法在开发能力和探索能力之间获得了更稳定的平衡。最后,本文对鲸鱼优化算法提出了一种新的改进方法。改进的鲸鱼优化算法在原始算法的基础上增加了Levy飞行机制和模式搜索机制。在本文所提新算法中,沿用原始算法的种群更新公式来寻找问题的当前最优方案,并且采用Levy飞行以保持解决方案的多样性,从而增强了算法的探索能力;接着,模式搜索机制被用于开发当前最优方案的邻域,寻求更好的解。两种方法的结合一方面减小了算法过早陷入局部最优的可能性,另一方面提高了算法的求解质量。当然,本论文中所提出的三种改进算法均被用于辨识太阳能电池单二极管模型、双二极管模型和光伏组件的不确定参数,实验结果清楚地显示了三种算法的有效性和准确性。此外,对于在不同类型的光伏组件的测试中表明,所提出的算法可以在不同温度和不同光照强度下给出优越的结果。因此,本论文提出的三种改进算法可以作为太阳能电池和光伏组件参数辨识的新选择。