随着光伏发电提供的电量在世界总电量中的比重逐年增加，光伏发电在日常生活中所占的地位也越来越重要，这就要求光伏发电系统有更高的可靠性和安全性，同时，也对光伏发电系统中的主要电力设备——光伏逆变器的可靠性提出了更高的要求，一旦光伏逆变器发生故障而没有及时的诊断出来并将以处理，将会造成不可避免的重大损失。因而及时的故障诊断和定位是一个亟待解决的问题。基于对大量的运维数据的分析，可以发现实际运营中产生的光伏逆变器的故障对于电站的运营有较大影响，因此基于运维数据的光伏逆变器故障诊断研究就显得尤为重要。
　　本文基于实际光伏电站的运维数据，研究光伏逆变器的故障与运维监控数据之间存在的关系，从而构建光伏逆变器的故障诊断模型。通过对运维数据中故障数据的分析可以发现故障数据的分布服从长尾分布，即存在故障类别分布不均衡的问题。针对此问题，本文分析了目前常用的几种解决数据不均衡问题的方法，并选择采用合成少数类过采样技术（Synthetic Minority Oversampling Technique，SMOTE）人工合成样本数据解决了故障类别数据分布不均衡的问题。在构建故障诊断模型之前，先采用随机森林实现了对样本数据的特征选择，采用基于时间滑动窗口和分层抽样的方法进行了训练集和测试集的划分。基于扩充后的数据集可以建立故障诊断模型。
　　针对传统学习算法存在的训练速度慢，局部最优等问题，将稀疏贝叶斯极限学习机（ Sparse Bayesian Extreme Learning Machine ， SBELM）引入光伏逆变器的故障诊断中。该方法可以给出输出的概率分布，自动修剪冗余的隐藏节点，在不影响性能的前提下实现用部分节点进行多故障分类。通过实验分析发现，相比于其他故障诊断方法，SBELM诊断速度快且精度高，更适用于诊断光伏逆变器的故障。
　　针对SBELM中的模型参数为随机选择的问题，本文提出了一种改进的稀疏贝叶斯极限学习机的算法（ Improved Sparse Bayesian Extreme Learning Machine ， ISBELM ）。该算法使用ELM-自编码器（ELM Auto-Encoder，ELM-AE）学习设置隐藏层的输入权重代替原先的输入层参数，使得该模型可以挖掘出更多的信息。ISBELM在模型的训练过程中保留了ELM中训练速度快的优点，以及SBELM中可以进行隐藏层节点稀疏的优点，同时由于加入了ELM-AE的预先学习过程，使得模型学习到了更多的信息，增加了模型的稳定性，提高了预测的精确度。最后将改进后的算法运用到光伏逆变器故障数据集上，通过实验验证了该算法在实际故障诊断中的可行性。