不平衡数据在日常生活中普遍存在,不平衡数据是指构成数据的各类样本数量之间具有差异的数据。不平衡数据中少数类样本往往含有更重要的信息,对少数类样本错误分类的代价往往较高。但是,传统机器学习分类方法趋向于在少数类样本上产生较低的准确度,不适用于不平衡数据。因此,有效解决不平衡数据分类问题具有重要意义。本文分别从算法层面和数据层面分别提出不平衡数据分类的解决方法,并应用到光伏阵列故障诊断领域。本文主要内容和创新点如下:第一、针对现有的过采样方法生成样本质量不高的问题,提出一种基于边界样本的概率密度估计过采样方法（SFGMM）。首先,根据位于类边界的样本含有更多有效信息的性质,建立一种基于近邻规则的样本种子筛选策略,将位于边界的样本作为合成样本的种子,同时删除噪音样本来减少噪音对分类结果的影响。其次,为充分利用样本种子的统计信息,实现样本种子在平衡前后的一致性,采用高斯混合模型对样本种子的概率密度进行估计,并利用该估计合成相同分布的样本,从而合成高质量的均衡化样本。采用Keel数据库的多组不平衡数据集进行实验并和其他采样方法进行比较,结果证明SFGMM优于对比方法。第二、针对代价敏感支持向量机存在参数选择困难的问题,提出一种改进灰狼算法优化代价敏感支持向量机的方法（IGCSSVM）。改进灰狼算法在灰狼算法的基础上引入非线性控制因子和新的灰狼种群位置更新策略,提升了灰狼算法的参数寻优能力。针对不平衡数据的分类特点提出一种新的不平衡数据分类的评价指标,并以该评价指标为参数优化目标函数,利用改进灰狼算法优化代价敏感支持向量机的参数,从而提升代价敏感支持向量机在不平衡数据上的分类性能。为验证IGCSSVM方法的有效性,在Keel库中18个不平衡数据集上进行实验,结果表明IGCSSVM有较好的分类效果。第三、针对光伏阵列故障诊断中不平衡数据的多分类问题,提出一种基于SFGMM和IGCSSVM的多分类故障诊断方法（SFGMM-IGCSSVM）。首先,利用团队研发的光伏微网系统进行实验并采集系统在不同工况下数据,采用SFGMM对光伏阵列不平衡数据进行过采样。随后,采用多分类的分解策略并结合IGCSSVM方法对均衡后的数据进行分类实验。同时设置两组对比实验,第一组用来比较过采样和参数优化前后的性能,第二组用来与其他不平衡数据分类算法的分类性能进行比较。两组实验的结果都表明,提出的SFGMM-IGCSSVM在多个评价指标上取得最大值,能够更准确的判别不同运行工况,有较好的故障诊断效果。