太阳能是21世纪以来最具有开发前景的新能源之一,它分布广泛、蕴含量大、无污染的特点受到了全世界的认可。光伏发电成为高效利用太阳能的一种方式,将太阳能转化为电能输送到千家万户,方便了居民的生活,促进人类走向清洁能源时代。光伏逆变器是光伏发电系统中承担电能变换的电力电子装置,将光电效应产生的直流电转换为交流电后并入电网或者直接供负载使用。在额定工况下,光伏逆变器故障不仅直接影响到光伏发电系统的效率,还影响到能源互联网的稳定运行,为此对其进行及时的故障诊断及排除具有必要性。目前大部分光伏逆变器核心器件绝缘栅双极型晶体管(Insulate-Gate Bipolar Transistor,IGBT)的开路状态故障都是利用交流侧的三相电压或者三相电流来进行诊断的,这就需要使用3个传感器来监测三相电压或电流信号。本课题采用光伏逆变器直流侧电流信号作为检测量实现对逆变器开路故障的诊断,能有效减少传感器数量。深度学习为能源互联网具备智慧、自学习的生命体特征提供重要技术支撑。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习中典型的应用之一,能直接从低层原始信号出发,通过逐层学习获得深层特征表示,避免传统人工特征提取与选择所带来的复杂性和不确定性,提高诊断过程的智能性。基于卷积神经网络的故障诊断方法相较于其他传统故障诊断方法,其优势不仅能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取,而且将检测器与卷积神经网络进行联合端到端的学习,能有效地解决特征与检测目标不匹配引起的诊断能力不足等问题。该方法具有较强的通用性和适应性,非常适合处理能源互联网光伏逆变器的故障诊断问题。利用Simulink仿真平台搭建了光伏发电系统模型,该模型考虑了光照强度变化这一因素,采用最大功率点跟踪法,保证系统稳定在最大功率点附近工作。利用处于稳态的光伏发电系统模型来模拟光伏逆变器发生开路故障的情形,采集直流侧电流信号数据。数据经过预处理后分别使用本文所提出的CNN,经验模态分解(Empirical Mode Decomposition,EMD)和卷积神经网络相结合(EMD-CNN)的两种方式进行故障诊断。基于CNN的故障诊断方法直接对预处理后一维电流信号数据进行特征提取之后使用全连接的检测器完成故障诊断。而基于EMD-CNN的故障诊断方法,首先使用EMD方法,获取故障数据的多个固有模态函数分量(Intrinsic Mode Function,IMF)原本的一维信号转换为二维信号,再利用二维CNN模型来完成特征提取,之后连接全连接层诊断故障状态。经过实验验证,两种方式都取得了较好的故障诊断性能。此外,还设计了不同噪声水平下的故障诊断测试,测试结果表明基于EMD-CNN的故障诊断模型在噪声环境下具备更高的准确率和更强的鲁棒性。