由光伏组件串并联而成的光伏阵列是光伏发电系统的核心和发电源头,对光伏发电系统的的稳定和可靠运行起着决定性作用,因此对光伏阵列的故障进行精确的诊断和定位至关重要。面对目前各种光伏阵列故障诊断及定位方法难以同时兼顾故障类型诊断、故障点定位以及低成本的问题,本文将多传感器法与智能算法相结合,进行了基于多传感器法的光伏阵列故障诊断及定位研究。主要研究内容如下:（1）基于Simulink平台搭建了光伏阵列系统仿真模型,通过分析模型的输出特性及最大功率跟踪性能,验证了仿真模型的稳定性及可靠性。首先基于光伏电池的数学模型搭建了光伏电池仿真模型,并分析了不同温度和辐照度下光伏电池的输出特性,验证了所搭模型的实用性;然后对传统的三种最大功率控制跟踪算法进行跟踪性能仿真测试,结果表明扰动观察法能最为快速准确的实现光伏阵列最大功率追踪;最后基于搭建的光伏电池模型和最大功率追踪模型,在Simulink平台模拟了位于中国电力科学研究院实验基地的1.2 k Wp的小型光伏发电系统。结果表明所建立的仿真模型收敛速度快且稳态性能可靠,可用于光伏阵列故障诊断及定位仿真分析。（2）针对传统的传感器布置方法电压传感器数量多、系统成本过高的问题,研究了一种改进的电压传感器布置方法。首先基于搭建的光伏阵列仿真模型,分析了短路、开路、退化和遮阴故障状态下的光伏阵列输出特性,由此确定了光伏阵列故障诊断及定位的特征参量;在不过多影响定位精度的基础上,分析了一种改进的电压传感器布置方法,此方法将光伏阵列按照串联支路数目的奇偶性进行子阵列划分后进行传感器布置。结果表明,此方法大大优化了传感器的使用数量,并且在此方法下的故障组件电压传感器数据特性明显,有助于进行光伏阵列故障诊断及定位。（3）故障数据样本的采集是模型进行训练和学习的保证,是进行光伏阵列故障诊断及定位的基础,故本文基于搭建的光伏发电系统仿真模型和改进的电压传感器布置方法对光伏阵列进行了故障模拟以获取数据样本。通过设置不同的环境参数和故障类型及位置,获取了共31种不同故障状态和位置下的故障数据样本,每个数据都包括温度、辐射度、电压传感器数据、总电流、总电压及总功率这些特征数据。通过对采集的故障数据特征量进行分析,验证了本文选取电压传感器数据作为主要故障特征量对于后续光伏阵列故障诊断及定位的必要性。（4）针对目前智能检测法难以兼顾故障类型诊断及故障点定位的问题,将智能检测法与多传感器法与相结合,研究了融合支持向量机（Support Vector Machine,SVM）和多层感知器（Multi-layer Perceptron,MLP）的光伏阵列故障诊断及定位方法SVM-MLP。该方法首先按照特征重要性依次减少特征数量,反复利用SVM进行故障诊断,以找出最佳特征组合,然后将最佳特征组合输入至MLP,经过MLP模型特征分析及处理后将故障诊断结果输出。结果表明所提出的方法对于短路、开路、退化和遮阴四种典型故障的诊断和定位具有较为优异的性能。（5）研究了一种用于解决光伏阵列故障诊断及定位问题的融合标签传播算法（Label Propagation,LP）和极端随机树（Extra-Trees,ET）的半监督学习算法LP-ET,有效克服了现有的监督学习方法过度依赖大量有标签样本以及实际工程难以获得大量故障样本等问题。首先使用标签传播算法对少量有标注的故障样本进行故障诊断,然后利用预测诊断结果对原始故障样本集进行扩充,再将扩充后的故障样本集输入极端随机树,经过极端随机树的特征分析及处理后进行光伏阵列故障诊断及定位。结果表明,所提出的LP-ET模型在解决含有未标注样本的光伏阵列故障诊断问题中表现出良好的诊断性能,证明了其有效性和可行性。