化石燃料的大量消耗造成了各种各样的环境问题,因此可再生能源和分布式电源发电成为了目前与储能系统齐头并进的重要研究课题。在各种可再生能源中,太阳能因其具有普遍、数量巨大、清洁安全以及利用方便等优点,得到了广泛的应用。光伏发电系统作为将太阳能直接转化为电能的装置,需要对其能量转化效率进一步地提高,因而光伏发电系统的建模以及优化过程显得尤为必要。本文针对光伏系统建模过程中的光伏电池的参数辨识问题以及最大功率点追踪技术,进行了重点研究。首先,本文提出了一种基于动态自适应与相互比较的教与学算法（DMTLBO）来解决光伏电池模型的参数辨识问题。该算法根据实际的教学情况,分别在传统教与学算法的两个阶段引入新的教学策略来进行改进。在教学阶段引入了两个动态自适应权重因子ω和β来反映学习者学习状态的变化情况,其次在学习阶段选择了三个不同的学习者进行相互交流与学习。与其他优化算法相比,该算法在光伏模型参数提取方面更加准确可靠,它可以实现整体更快的收敛速度,并且通过相互比较学习阶段和动态自适应教学阶段之间很好的配合,提高了DMTLBO算法的性能。此外,引入的权重因子ω和β能够有效地去平衡算法的探索和开发。然后,本文首次将一种新颖且有效的基于知识获取-共享算法（GSK）应用于解决光伏电池的参数辨识问题中。该算法模拟了人类生命周期中的知识获取和共享过程,并且在解决优化问题方面具有很强的竞争力。通过实验结果可知,种群规模的大小对于GSK的算法性能会产生一定的影响,并且在种群大小设置为30的情况下,GSK算法可以获得整体更小的均方根误差值以及具有更好的鲁棒性和收敛性。最后,在GSK算法辨识出未知参数的光伏电池模型基础上,通过在MATLAB/Simulink平台上去建立光伏发电系统的仿真模型,并对最大功率追踪技术进行研究。为了提高光伏发电效率,本文提出了一种双种群知识获取和分享算法（DPGSK）来解决最大功率点追踪问题。在基本的GSK算法基础上,该算法引入双种群演化策略以提高搜索能力,使种群的多样性和收敛性能够得到更好的协调,本文在均匀光照和局部阴影两种光照条件下,将P＆O、INC、PSO、GSK和DPGSK五种算法来进行比较。实验结果表明,在光照情况复杂多变时,DPGSK保证了其跟踪的速度及稳定性,并且有效地解决了在多峰值环境下的功率震荡问题,提高了光伏系统的发电效率。