随着化石能源的加速枯竭,新能源也越来越被其他国家所关注,光伏发电因其污染少、零排放的优点逐渐走进人们的视野。由于光伏发电系统外部环境的多变性与内部模型的复杂性,极易出现多种故障,而且建模困难。光伏系统的监控手段显得极为重要,简单的监控及人工检测不仅耗时、效率低,而且难以实现光伏系统的智能化与信息化。随着光伏电站的大量应用,数据规模逐渐上升,传统的故障诊断方法在此状况下并不能理想的解决问题。因此,对故障诊断方法的要求也越来越高,采用人工智能的处理方法更加适应时代的发展。通过总结国内外参考文献,提出了一种在先验知识较少、数据量较大的情况下,基于数据特征降维的PCA+层次聚类方法,对采集到的光伏发电系统多维数据进行智能诊断。文献中的大部分论文都是使用仿真软件进行仿真,这些方法并不能很好的反映实际运行状态下的光伏发电系统,本团队使用自主研发的光伏发电系统,在户外设置真实实验并进行方法验证。本文的主要工作内容和创新点如下:1.首先介绍了光伏发电系统的研究背景及历史,归纳了光伏系统故障常用的诊断方法及聚类在光伏领域的研究,分析了多工况下光伏发电系统组件的运行机理,阐述了真实故障数据的数据特征。在真实的运行环境下,得到的数据量巨大,且先验知识较少,缺乏真实的数据标签,所以传统有监督学习的故障诊断方法无法建立精确模型,在真实的场景中无法得到很好的适用。2.光伏发电系统在运行过程中可以得到多维的原始数据,得到数据后需要对数据进行预处理,使用一种合理的预处理方法也极为重要。而文献中大部分方法忽略了数据本身的特征,本文根据数据特征选择合适的归一化方法,最大限度保留原始数据信息的特征,后使用PCA对多维数据进行降维。同时根据数据特征与先验知识少的情况,采用了层次聚类方法进行故障的区分。针对聚类结果无法评价的问题引入了多种外部指标,对聚类结果的评价具有一定的客观性。3.由于文献中的方法采用仿真软件仿真,无法验证真实环境下,光伏电站在运行时的复杂性以及所使用的方法在真实环境中的有效性。所以,本实验使用了自制的光伏电站微系统,设置户外真实实验,进行方法验证。将提出的基于特征降维的PCA+层次聚类方法与PCA+k-means方法、直接层次聚类方法、直接k-means方法进行评价指标对比,发现基于特征降维的PCA+层次聚类方法具有更好的效果。