随着过去传统能源对于环境的污染和破坏后果愈加凸显,以及伴随着化石燃料的日益减少,太阳能已成为人类能源利用的必不可缺的一部分,并持续发展着。在第三次工业革命的驱动下,我国对清洁能源如风能、太阳能推出了大量政策来鼓励和发展新型能源产业,具备的可再生、清洁环保等优点的太阳能迅速成为新能源代表,围绕着光伏发电技术领域也迅速成为国内外研究热点。其中光伏组件是光伏发电系统中必不可少的一环,保证光伏组件的安全平稳运行与及时故障报警是提高发电能力和防止意外火灾等重大事故的前提保障。所以,本文以光伏组件为研究对象,分析组件长期运转可能存在的故障并搭建了仿真模型。依靠概率神经网络(PNN)良好的模式分类能力,采用概率神经网络(PNN)作为故障诊断的基本模型。同时为了解决概率神经网络在人为设定参数产生的精确度偏差问题,本文引入正余弦随机优化(SCA)算法来对PNN的平滑因子进行优化以达到自适应调整目标。并基于AdaBoost的集成算法模型,将SCA优化后的PNN作为弱分类器,并将多种弱分类器采用概率线性组合的方式得到强分类器输出结果,提高模型诊断的准确度。本文的主要研究内容如下:(1)通过分析光伏电池的等效电路,在电脑仿真平台搭建并测试了单个组件模型的功率电流等输出情况,通过模型分析了光伏组件在光照不均和不同温度的情况下和正常情况下的输出特性,并指出其变化特征趋势。(2)总结了光伏组件常见的主要故障(开路、异常老化、遮挡阴影、短路)类型并对故障形成原因和表现特征进行了概述。搭建了 3x3的光伏阵列模型,并模拟了不同故障状态,得到不同故障条件状态下光伏阵列的输出特性曲线,分析列举出影响光伏阵列的主要参数,并以此作为故障诊断特征参数进行诊断。(3)针对传统概率神经网络有需要人为设定并不断尝试平滑因子的局限性,采用SCA算法优化PNN平滑因子搭建一种自适应的概率神经网络模型(SPNN)。再以此模型的基础上引入AdaBoost,将SPNN作为弱分类器,采用输出概率线性组合的方式得到分类结果,并和传统的BP算法进行了分析比较,ASPNN模型诊断精度有了较大的提高。验证了改进模型的有效性和高效性。