新能源需求日益增长,分布式光伏发电产业规模不断扩大。而光伏发电因受多因素影响而极不稳定,不利于电网安全和电力调度。因此,建立分布式光伏储能发电监控系统,对系统状态进行实时监测,预测未来发电功率,实现对光伏系统的监控意义重大。本文分析了分布式光伏储能发电功率预测与监控技术的发展现状,设计光伏功率预测模型并将其嵌入监控系统,建立上位机与远程监控系统。论文主要工作如下:（1）设计光伏储能发电监控系统总体框架。研究光伏发电系统、储能系统结构以及蓄电池充电原理,设计光伏发电系统、储能系统、气象数据等关键信息采集模块;通过分析光伏监控数据和功能需求,设计上位机与远程监控系统的界面布局,确定光伏储能发电系统整体框架。（2）研究基于ADARNN-Stem GNN（Adaptive Recurrent Neural Networks-Spectral Temporal Graph Neural Network）的光伏发电功率预测技术。分析了ADARNN与Stem GNN算法原理并训练模型,实验结果均无过拟合与欠拟合现象。将光伏融合预测模型与长短时记忆网络、梯度提升算法进行预测对比,结果表明融合模型能更好地拟合功率曲线,均方误差低至0.047。（3）建立基于C#的光伏上位机监控系统。设计数据通信模块与阿里云数据库,建立多功能光伏上位机监控系统,并成功嵌入光伏功率融合预测模型。实验结果表明,系统能够实时获取并更新监控数据与光伏功率预测值,将光伏数据与数据文件分别更新至云数据库和上传至云服务器。（4）建立前后端分离的光伏远程监控系统。部署基于Spring Boot框架的光伏后端服务器,设计光伏数据访问与下载接口;建立基于React的光伏前端监控系统,完成远程监控界面设计。实验结果表明:光伏服务器启动正常,接口能正常访问,前端监控界面各模块每1秒更新一次。（5）实验验证光伏储能发电监控系统功能与性能。进行光伏并网发电、蓄电池充放电和气象采集试验,验证光伏功率预测、光伏上位机与远程监控系统相关功能。结果表明:系统储能发电功能正常,融合模型短期预测精度大于95%,上位机与远程监控系统能实时更新数据,响应时间小于0.25秒,显示值与数据库存储值相同,功能测试正常。