光伏发电对能源结构的转型与脱碳起到重要作用,未来仍将持续发展。光伏阵列工作在室外,环境变化不稳定,容易发生各种故障,因此建立准确的光伏阵列故障诊断模型,实现故障的在线识别能够有效的提升光伏阵列的工作效率和安全性。本文基于改进的稀疏表示技术,分别针对光伏阵列电流-电压（I-V）特性和暂态数据的故障特征进行挖掘,以此建立诊断模型,并通过迁移学习使目标阵列的模型建立更加高效,具体研究工作如下:首先,针对光伏阵列I-V特性曲线,采用稀疏表示分类器建立光伏故障诊断模型,并针对稀疏表示分类器进行了改进。先通过K-SVD算法学习过完备字典代替了样本直接构成的字典。然后针对稀疏表示分类器对成比例的信号存在分辨困难,导致在光伏故障诊断中无法正确诊断正常与开路故障的问题,使用二级判别准则,对成比例的类进一步使用稀疏编码判别。基于光伏阵列的I-V特性曲线数据集进行模型测试实验,结果表明改进后的算法解决了原有的不足,可实现短路、开路、阴影、组件异常老化的故障诊断。其次,针对光伏阵列模拟故障收集大量的训练样本可能对阵列造成损伤的问题,研究基于费舍尔判别的稀疏表示分类器实现故障诊断以解决需要大量训练样本的问题。该方法对改进了字典学习,使得子字典仅对本类样本有良好的重构能力,对其他类的重构能力较差,从而增强了重构误差的判别性。并对稀疏编码加入了费舍尔判别准则,使得类内间距较小,类间间距较大,使得稀疏编码具有判别性。结合光伏阵列在故障发生过程的暂态特征训练故障诊断模型。实验结果表明,针对短路故障、开路故障和阴影故障,每种故障情况仅需要少量标定样本,模型就可以得到较高的诊断精度。最后,为了充分利用已有的光伏阵列数据集实现目标阵列故障诊断模型的高效建立,设计基于特征的有监督迁移学习方法。先对源域和目标域进行映射,满足在新空间内相同标签的类语义对齐,不同标签的类语义分类。其中使用孪生网络训练映射函数,并借鉴支持向量机多分类方法。然后用映射后的源域数据训练稀疏表示分类器。分别测试了同阵列不同老化情况下的特征迁移以及在跨阵列之间的特征迁移,结果证明该模型实现了单样本学习。