能源是当今社会发展进步的重要推动力。化石能源得到了大量的开发使用,但是化石能源是不可再生能源,而且会带来温室效应和环境污染,因此可再生能源的应用越来越广泛。太阳能是重要的可再生能源,当前最好的太阳能利用装置之一是光伏电池。在光伏系统中加入储能电池作为光伏电池运行时的辅助电源已经非常流行。为了优化光伏电池的输出功率以追踪最大功率点,监测储能电池工作时的状态,对光伏系统中电池模型的内部参数进行辨识尤为重要。本文通过对智能优化算法进行研究,针对如何解决光伏系统中光伏电池与储能电池的模型参数辨识问题,达到提高辨识参数准确度的目的。主要工作内容如下:（1）运用智能优化算法解决光伏系统中模型参数辨识问题时,为避免出现结果收敛到局部最优值的情况,设计了动态反向学习策略,对该问题进行改进。通过动态的方法调整每一代粒子的搜索区域,细化每一代结果的质量,增大种群中粒子找到全局最优解的概率。（2）将动态反向学习策略应用到辨识光伏系统电池模型参数中,针对自适应差分进化算法中不同种群个体能力不足的问题,对算法中的精英粒子种群和淘汰粒子种群都采用动态反向学习策略进行改进。在搜索初期采用反向学习策略改善粒子的开发能力,后期根据粒子的学习能力动态调整粒子的搜索空间,提高粒子的探索能力。（3）分析光伏电池等效电路模型,确定需要提取的内部参数和目标函数。结合多种型号的光伏电池实验数据,运用改进后的算法在光伏电池模型中进行参数辨识实验。利用辨识出的模型参数进行光伏电池最大功率点追踪实验。对比不同算法的参数辨识结果和算法性能,分析不同算法在多次实验下的结果分布,测试不同种群采用动态反向学习策略的效果。结果表明改进的智能优化算法在辨识光伏电池模型参数上具有更精确的结果,在算法的性能上也比其它算法优异,能够解决光伏电池的模型参数辨识问题。（4）对储能电池不同的模型进行对比,确定进行参数辨识实验的储能电池模型。分析储能电池输出方程,得出参数辨识的目标函数。利用放电实验采集的实验数据进行参数辨识实验,根据辨识模型参数构建电池的输出电压曲线与电压误差曲线。对改进的算法与同类算法之间的辨识结果和算法性能进行比较,分析了动态反向学习策略在不同种群中的效果。结果表明改进的智能优化算法在保证自身性能的前提下,能够获得较好的储能电池模型参数,并且计算出的输出电压与实际电压误差较小,可以满足系统监测电池工作状态的需求。