为了应对环境污染、化石能源匮乏等问题,光伏（PV）发电作为一种主要清洁可再生能源得到了迅速发展。光伏电站直流侧光伏阵列工作在无人值守的复杂室外环境中,容易因故障导致发电功率下降甚至产生安全隐患。光伏组件建模、光伏阵列在线故障监测,对确保光伏系统正常运行具有重要意义。本文主要开展基于机器学习和I-V输出特性的光伏组件建模和光伏阵列故障诊断研究。首先,建立光伏发电系统的仿真模型并研究了标准工作条件下光伏阵列故障的瞬时特征。在Simulink中建立基于单二极管等效电路的光伏电池模型,将其封装成光伏组件后搭建外围电路构成光伏发电系统及其故障的仿真模型。由仿真模型获得光伏阵列的故障仿真数据,通过数据分析比较了光伏阵列在开路故障、短路故障、异常老化、局部阴影与正常工作工况下的输出电流、电压和功率变化,并且分析了发生故障后最大功率点跟踪算法恢复最大功率输出的过程。其次,提出了一种基于极限学习机（ELM）的光伏建模方法,利用不同工况下的电流电压（I-V）曲线来表征光伏组件的电气行为。先对原始测量的I-V曲线进行重采样,减少数据冗余;提出基于斜率的异常I-V曲线检测方法来排除异常曲线,提高数据质量;采用基于辐照度-温度网格的方法对数据进行降采样。使用单隐层前馈神经网络作为光伏模型结构,用ELM算法进行训练,并通过交叉验证优化了ELM算法参数。在美国国家可再生能源实验室的六种不同材料的光伏组件的I-V曲线数据集上,对所提出的基于ELM的光伏建模方法进行了验证和测试。此外,还与一些不同的建模方法进行了比较,结果表明,基于ELM的光伏建模方法具有训练速度快、精度高、泛化能力强等特点。最后,提出了一种基于卷积神经网络（CNN）和ELM结合的光伏阵列故障诊断方法。先采用固定时间窗结合均匀采样的方式对故障数据进行降采样,降低冗余;设计一种低通FIR滤波器来滤除工频干扰,增强故障特征;并使用参考光伏面板的开路电压和短路电流对数据进行归一化,为其引入辐照度和温度信息。提出一种CNN-ELM结合的机器学习模型,利用CNN网络自动提取故障特征,进而采用ELM算法作为分类器以完成光伏阵列的故障诊断,并使用交叉验证方式优化模型参数。最后,利用实测故障样本数据训练和测试该CNN-ELM模型,并与其他机器学习模型比较。结果表明,所提出的故障诊断方法具有精度高、泛化性能强的特点。