中国太阳能资源非常丰富,理论储量达每年17000亿吨标准煤,其开发利用的潜力非常广阔。而光电转换则是最为重要一种开发方向,具有发电成本低、安全无污染等优点。我国已经确定将光伏发电作为一种重要的能源利用方式进行重点开发利用,其装机容量和应用范围不断扩大。由于复杂的生产工艺,恶劣的工作环境,再加上光伏电站建设周期短,方阵设备数量众多等问题,光伏电站发生故障难以避免,大大降低了光伏电站的使用寿命,严重影响了光伏系统的安全、经济运行。因此,准确、有效的智能故障诊断方法对于保证光伏电站的正常运行,提高光伏系统的发电效率具有重要意义。本文依托于华北电力大学10 kwp屋顶光伏实验电站,探索基于数据驱动的光伏阵列智能故障诊断方法。1.根据光伏电池的单二极管等效电路及数学模型,建立光伏电池、组件、阵列的工程用仿真模型。通过对不同工况下光伏系统的输出特性进行仿真,归纳故障条件下光伏阵列电气参数转移规律,提取故障特征向量并建立光伏阵列外部行为特性与故障特征之间的映射关系。2.本文提出一种基于模糊C均值的无监督聚类算法以划分故障样本,并通过外行为特性与故障特征的映射关系对划分结果进行标识。该方法有效解决了目前依赖于人工先验知识筛选故障样本的困难,并进一步做出以下两方面的改进:Ⅰ)数据的标幺化改进。消除了环境参数变化对光伏阵列输出的影响,使的算法能够正确识别故障特征。Ⅱ)基于高斯核函数的改进。减低了计算复杂程度,大大提高了算法的普遍适用性和聚类正确性。3.通过引入光伏输出时间序列,对故障条件下光伏输出的时序特征进行分析,提出基于相似性和偏差性的判断指标,进一步提高故障诊断模型的训练精度。4.基于概率神经网络算法对故障诊断模型进行训练,建立光伏阵列智能故障诊断模型。最后,通过实际数据验证,该方法能有效,准确的对光伏阵列典型故障进行识别和判断。该方法具有较高的工程适用性,能够实现光伏系统的在线的故障诊断,同时极大的降低了系统的建设、维护成本。