当煤炭和石油等化石能源频频告急,越来越多的国家开始关注太阳能资源。光伏发电系统内部结构复杂,并且在恶劣的环境下经常发生故障。光伏发电系统的监控手段与故障诊断技术变得尤为重要,简单的监控以及依靠纯人工故障检测的技术不仅耗时长,而且效率低。光伏发电系统存在复杂的非线性问题,而且极易受外部环境的影响,因此难以针对性地获取电站运行的机理模型难。在大数据与人工智能飞速发展的时代,采用人工智能的故障诊断方法更能顺应技术发展的潮流,实现光伏发电系统的智能化与信息化。当光伏发电系统在不同状态之间切换时,各个组件的输入输出都会发生变化。基于光伏发电系统的结构特点,分析并总结文献中光伏发电系统故障诊断方法的不足与难点,提出一种聚类的故障诊断方法,通过DTW+k-means方法对采集到的光伏发电系统运行数据进行故障类型诊断。文献中大部分实验通过仿真软件,不能代表真实的光伏电站。使用本团队制造的微型光伏电站,分别在户内和户外进行实验。本文的主要工作与创新点如下:1.首先介绍了光伏发电系统的背景与发展历程,总结了国内外文献中的光伏故障类型和诊断方法。由于在真实光伏电站运行中,无法得到大量的标签数据,所以现有的基于神经网络的故障诊断方法就没有大量的先验知识建立可靠的模型,因此此类方法在实际应用中有一定的局限性。2.光伏发电系统可以提供海量的时间序列数据,当系统在不同状态之间切换时,系统各个组件的输入输出都会随着时间发生变化,因此前后数据的关联性显得尤为重要。而文献中大部分方法都会忽略数据的时间标签,本文通过一种动态时间扭曲法(DTW)提取前后数据的相似度。在此基础上,提出一种时间序列k-means的光伏发电系统故障诊断方法,通过k-means方法对提取的数据特征进行聚类。同时针对k-means方法没有先验知识,无法判断聚类效果的问题,引入聚类内部和外部评价准则。通过内部评价准则和外部评价准则交叉验证,来提升聚类模型的准确性。3.由于文献中的方法大多通过SIMULINK等仿真软件进行模拟,或者在单独的光伏电池板上进行简单研究,实验设备与实验环境都没有综合考虑到整个光伏发电系统在真实环境中的运行状态。因此实验中采用自制的光伏电站模拟平台,在户内和户外环境分别进行实验,将现有方法与所提出方法进行对比验证,结果表明时间序列k-means可以更好的分类出故障。