发展太阳能是解决化石能源紧缺和环境污染等问题的重要途径之一,其中光伏发电是太阳能应用的主要形式。在光伏发电系统中,光伏阵列长期工作在复杂恶劣的室外环境中常常会发生短路,开路,阴影,老化等诸多故障。这些故障的存在会降低光伏阵列的输出效率,损坏光伏组件,甚至引发火灾。因此,研究高效可行的故障诊断算法,实时地在线监测光伏阵列具有重要的意义。由于在不同故障下,光伏阵列的电气运行参数呈现出不同的暂态特征。基于此,本文利用小波多分辨率分析和稀疏表示提取光伏阵列更通用的故障暂态特征,并与机器学习算法进行结合,研究光伏阵列故障诊断方法及其系统。首先,研究了一种基于小波多分辨率分析和机器学习算法的光伏阵列故障诊断方法。根据采集的光伏阵列电流和电压信号构造电流变化率、电压变化率、功率变化率和电导变化率4类样本信号来表征光伏阵列的暂态特性。然后,用定义的滑动窗口对4个样本信号进行滑动,用小波函数对取得的4个窗口信号进行多尺度分解以获取高频信号。接着,量化样本信号在故障发生时的高频信号,完成故障特征向量的构造。最后,基于所构建的故障特征,采用BP＿Ada Boost强分类器训练故障诊断模型,实现光伏阵列工作状态的识别。其次,研究了一种基于稀疏表示的故障诊断方法。利用K-SVD算法对光伏阵列暂态电流信号样本集进行学习训练,获取过完备字典。在检测过程中,根据电流信号和过完备字典重构信号的相关度来识别光伏阵列的故障类型。此外,为了进一步稳定地识别多种故障,计算电流信号和各类型字典重构信号的均方根误差,进而构建特征向量,并利用SVM算法训练光伏阵列故障分类器,实现了光伏阵列故障的诊断。最后,搭建了一套光伏阵列故障在线监测和故障诊断系统,该系统实现数据采集、故障诊断和实时数据显示功能。以STM32和MSP430为主控芯片的数据采集电路完成光伏阵列电压,电流,温度和光照度数据的采集。MATLAB上位机通过TCP/IP协议接收采集的数据并运行故障诊断算法,实现光伏阵列的故障检测与分类。最终在监测中心界面显示光伏阵列工作状态、运行数据和环境参数。