光伏发电系统在实际运行时,由于受到树木、云层等对电池面板的遮挡,光伏阵列常常存在局部遮蔽和光照温度不均匀的情况,致使光伏阵列的功率电压特性曲线呈现多峰特性,而传统的扰动观察法、增量电导法等最大功率点跟踪（Maximum power point tracking,MPPT）方法容易陷入局部极值,这会大大降低系统的运行效率。除此之外,光伏发电站长期在户外运行,恶劣多变的气候容易导致系统发生各种故障,如果不及时对各类故障进行识别处理,会严重影响系统的安全平稳运行。因此需要找到高效且精确的最大功率点跟踪算法及故障诊断方法,改善光伏发电运行工况,使其更具智能化和信息化,更高效的利用太阳能。本文具体研究内容如下:针对局部遮蔽情况下光伏系统最大功率点跟踪问题,提出一种基于改进多元宇宙优化算法跟踪全局最大功率点的方法,对多元宇宙优化算法进行了三方面改进,分别是引入螺旋更新和自适应压缩因子,提高了算法的全局搜索能力,改变算法中旅行距离率的更新方式,加快了算法的收敛速度。并在三种不同的辐照度情况下对该算法进行验证,结果显示改进多元宇宙优化算法在三种不同情况下都能对最大功率点进行持续且稳定的跟踪,同时在收敛精度、收敛时间两方面也有较大提高,由此证明将该算法应用于最大功率点跟踪是完全可行的。针对光伏系统故障分类问题,提出一种小波包变换和随机森林算法相结合的故障分类方法。首先使用PSCAD/EMTDC搭建独立光伏发电系统,采集光伏系统的故障电压数据,利用小波包变换对电压信号进行分解,提取各频带能量作为故障特征,将特征样本送入随机森林算法中进行分类。随机森林算法可以有效处理多维以及多特征数据,能够有效防止过拟合,而且具备较强的容噪能力,不容易被各种噪声所干扰,面对多故障情况也能进行准确的分类。仿真结果证明该分类方法可有效辨别光伏系统的12种故障,分类准确率达到97.92%。针对光伏系统故障数据量不足时分类模型精度低的问题,提出一种基于多核相关向量机（Multi-kernel relevance vector machine,MKRVM）和迁移学习的光伏系统故障分类方法。首先根据迁移学习理论将光伏系统分为源光伏系统和目标光伏系统,通过模拟各种故障条件,采集两种不同光伏系统故障电压数据,再利用基于权重迭代调整的Tr Adaboost迁移学习算法进行迁移学习,选择多核相关向量机作为其基本分类器,最终获得适用于目标域的故障分类模型。验证结果显示,与用少量目标域数据直接训练出的分类模型相比,将源域和目标域数据相结合,再使用迁移学习的方法进行训练,这样得到的目标域模型性能显著提高,分类准确率达到97%以上,有效解决了目标域数据量不足时模型精度低的问题。