太阳能是清洁能源和新能源的代表之一,在化石能源供应态势吃紧且造成污染较为严重的当下,越来越受到人们的重视。光伏发电是当前人们利用太阳能的主要方式,而但光伏电池阵列在实际运行过程中易出现阴影遮挡、老化、腐蚀、裂纹、热斑等现象,使得光伏阵列的输出特性与正常情况相比出现发生很大巨大变化,不仅导致传统的系统的最大功率点跟踪方法效果不佳,也使得整个光伏发电的系统的稳定性和安全性也面临严峻的挑战受到影响。研究表明:由于几乎所有的光伏阵列故障对光伏阵列的影响都可以通过局部阴影遮挡来等效[1],因而研究局部阴影遮挡下光伏阵列的输出特性变化规律,并探索应对阴影遮挡情况的最大功率点跟踪方法,不仅可以发电系统的稳定性和输出效率,而且,以及通过研究光伏阵列阴影遮挡特性确定光伏阵列是否处于故障状态,情况的在线诊断方法,对于解决光伏系统故障等原因导致的功率损失以及运行安全等问题具有重要意义。针对自然影响因素的随机性造成传统的解析方法无法简单概括甚至难以描述自然因素对光伏阵列的影响规律的问题,本文提出通过描述统计法对光照度和温度这两类因素对于光伏阵列输出特性的影响规律进行阐释。为保证数据的权威性并满足描述统计方法对于数据范围和精度上的高要求,以美国可再生能源实验室(NREL)的光伏阵列模型数据库中的推荐参考模型为依据搭建仿真模型,通过光照度、温度的单变量分析以及两种因素的综合分析,分别总结了光伏阵列在不同的光照度、温度分布情况下的输出特性规律。然后,针对局部阴影遮挡下传统光伏最大功率点跟踪方法失效效果不理想的问题,在利用光伏阵列统计分析所得出的结论的基础上,提出了一种基于统计信息的自适应变步长扰动观察法作为局部阴影遮挡下光伏阵列最大功率点跟踪方法,该方法以扰动观察法作为搜索策略基础,规避了传统全局搜索算法在应对动态寻优问题时的可能导致系统振荡的问题,设计了一种变步长机制以应对传统扰动观察法的稳态振荡问题,然后,以光伏阵列统计分析信息为设计指导,选取了恰当适当的跟踪变量并对应地优化了搜索范围,并设计了一种电压逆向搜索机制,避免了传统扰动观察法陷入局部极值的问题,在此基础上,建立了一套变量初值自适应机制,保证了算法的快速性。最后,本文通过仿真的方法验证了所涉及方法的有效性。由于几乎所有的光伏阵列故障对光伏阵列的影响都可以通过局部阴影遮挡来等效[1],因而光伏阵列故障诊断问题可以转化阴影遮挡情况的诊断问题。本文针对光伏阵列阴影遮挡情况的在线诊断问题,在考虑了在线诊断问题所面临的数据不全面、数据精度不高等问题后,参考当前光伏阵列各种诊断方法的优缺点,提出一种基于功率跟踪数据的光伏阵列阴影遮挡情况的在线诊断方法。该方法通过本文提出的基于统计信息的自适应变步长扰动观察法实时获取原始数据,从而将在线诊断方法与最大功率点跟踪方法结合起来,节省了系统成本,提出了基于主成分分析法的特征提取及降维方法,针对解决了诊断的数据维度随着光伏子阵列的增多而增大的问题,采用支持向量机作为诊断算法,提出了基于主成分分析法的特征提取及降维方法,减小了数据量,针对缓解了当前广泛采用的人工神经网络在实际应用时出现的训练时间长、过拟合的问题,采用了支持向量机作为诊断算法,提高了诊断方法对于高维数据的适应性以及快速性。最后,本文通过仿真的方法验证了方法的有效性和优越性。