为了缓解环境污染、化石能源消耗、气候变化等一系列问题,近年来光伏发电装机量在世界范围内迅猛增长。光伏阵列作为光伏发电系统的核心能量采集部件,长期工作在恶劣户外环境下易发生性能退化及遭受各种故障,因此评估其工作状态对提高发电效率、减少火灾事故发生等方面具有重要意义。本文主要从基于Ⅰ-Ⅴ特性曲线的光伏电池/阵列模型内部参数辨识和光伏阵列故障诊断两个方面开展研究,主要工作内容如下:首先,提出一种基于网格搜索和改进的Nelder-Mead Simplex（NMS）优化算法相结合的光伏模型参数辨识算法（GS-INMS）。GS-INMS先是利用网格搜索的全局搜索能力快速定位模型参数的搜索起点,然后进一步利用改进的NMS优化算法的强大局部搜索能力确定光伏模型的最优参数。在基准Ⅰ-Ⅴ曲线、美国可再生能源实验室（NREL）公开的Ⅰ-Ⅴ曲线数据集和实验室实测Ⅰ-Ⅴ曲线数据集上开展与其它算法的性能对比研究,结果表明所提出的GS-INMS具有准确性高、收敛性好、鲁棒性强、算法复杂度低等优点。另外充分发挥GS-INMS算法时间复杂度低、便于在硬件系统实现的优点,将GS-INMS算法集成到一个实验室所研发的光伏阵列Ⅰ-Ⅴ曲线测试系统上,实现光伏模型参数的实时辨识,验证其在实验室的光伏阵列的性能。其次,提出一种基于Ⅰ-Ⅴ特性曲线和集成学习的光伏阵列故障诊断研究方法。先通过实验室的光伏阵列故障模拟和利用Simulink搭建的光伏阵列仿真系统获取阵列不同工作状态下的Ⅰ-Ⅴ特性曲线数据,通过分析Ⅰ-Ⅴ特性曲线的关键点信息、模型参数和温度、辐照度来设计故障特征;然后通过集成学习Stacking的方法将极端随机树、Light GBM、支持向量机和K-近邻算法融合成强分类器,来检测和诊断光伏阵列的各种故障及其类型。这种模型融合的方法能够结合不同模型的优点提升故障诊断精度。在实验室模拟的Ⅰ-Ⅴ曲线数据集和仿真数据集上的验证结果表明,Stacking的方法相比单一模型能够进一步提高其准确率和稳定性。最后,设计一个光伏阵列的参数辨识和故障诊断应用软件。利用My SQL设计软件的数据库以存储Ⅰ-Ⅴ曲线数据,在软件中集成所提出的参数辨识算法和故障诊断算法,并利用Py Side2设计软件用户界面以便用户操作和功能结果显示。用户通过该软件可以方便地管理、查询光伏阵列的Ⅰ-Ⅴ曲线数据,并实现在线参数辨识和在线故障诊断功能。