智能、高效的故障诊断方法对提升光伏电站的发电效率,维持其正常运行具有重要意义。近年来,许多基于机器学习和深度学习的智能方法被应用于光伏阵列的故障诊断。然而,受最大功率点跟踪算法、时变环境条件等因素影响,光伏阵列的电气工作参数包含复杂的暂态过程,严重影响了故障特征质量。此外,难以从实际光伏阵列中获取大量真实样本数据,用于训练出高性能的故障诊断模型。针对上述问题,本文开展了深度迁移学习和稳态时序数据的光伏阵列故障诊断方法研究:首先,在Matlab/Simulink上建立了光伏发电系统的仿真模型。分析了基于静态的I-V曲线和基于动态工作点的电气特征,提出了一种基于最大功率点的稳态时间序列预处理方法。设计了一种突变点检测算法,对动态工作点进行序列点筛选,自动过滤数据中的暂态过程和噪声,获取连续的多元稳态时间序列特征数据。其次,研究了一种基于密集连接卷积神经网络（DenseNet）的光伏阵列故障诊断方法。设计了由两个密集连接模块、分类层和传递层构成的光伏阵列故障诊断模型,并结合了Adam优化算法。在仿真数据和实验数据上分别进行的验证和结果分析,证明了该模型是一种精度高,泛化能力强的故障诊断模型。然后,针对有标注的故障样本稀缺的情况,提出了一种基于模型迁移的深度迁移学习故障诊断方法。获取实际的温度和辐照度,通Simulink模拟出与真实的光伏阵列数据分布相同的仿真数据。以DenseNet为原始模型,采用了微调的策略,设计了基于DenseNet-FT的深度迁移学习模型。实验结果表明DenseNet-FT在小样本下的诊断精度和抗过拟合能力是最优的。最后,针对于目标域有标注样本稀缺且数据分布不同的情况,提出了一种基于领域自适应的深度迁移学习方法。针对于传统的差异性度量准则只考虑了源域和目标域的整体的领域自适应而没有涉及类别之间自适应的问题,提出了多类别的最大均值差异,并设计了基于DenseNet-MC-MMD的深度迁移学习模型。使用随机分布的仿真数据和实验数据对模型进行验证。实验结果表明,对于数据分布不同仿真数据集和实测数据集,DenseNet-MC-MMD的性能是最优的。