近年来,光伏发电由于安全清洁、便于布置的特点,受到了人们的青睐,其发展呈现出良好的增长趋势。由于布置在户外,恶劣的环境使得电站中故障频发,组件性能退化,导致系统发电量降低,严重时甚至会影响运行安全,因此掌握光伏电站运行状态并实现智能化运行具有重要意义。不过,光伏电站的发电单元数目繁多,占地面积广泛,不同阵列之间的出力差异,外加复杂多变的气候变化,导致对电站运行状态进行分析十分困难,在海量、复杂的运行数据中挖掘光伏电站状态信息成为其运行维护中急需解决的问题。所以,本文在探索光伏出力特性的基础上,提出了分别针对支路、阵列乃至组件的状态识别方法,并在其中融入了经典的统计分析和较为新颖的非参数估计方法。论文的主要工作内容如下:第一,本文基于单体光伏电池的数学模型,建立了光伏阵列的仿真模型;结合实际运行情况,探索出电站中典型的故障类型,并对各种情况进行模拟仿真,获得故障下的电气参数转移规律;对阵列输出的分布特征进行了统计分析,发现电流和功率主要受太阳辐照度的影响而产生较强的波动性和不确定性,故提出新的出力指标,为后续研究提供了研究基础。第二,为了快速获取阈值边界,本文将经典统计方法运用到组串数据中,通过分析STC修正直接设置法、3σ准则法、四分位法的应用过程来获取组串的实时运行电流、电压的阈值;根据实际故障产生的外在表现,设计了故障详情识别流程来辨别状态类型,并建立起维护建议知识库以便长期参考使用。第三,考虑到光伏出力的不确定性,本文详细介绍了核密度估计法的原理,并以此建立起阵列的三个出力指标的概率密度模型,通过分配模型的置信度,实现诊断过程中的动态阈值设置;该方法不需要概率密度函数的先验知识,在拟合阵列输出的分布方面优于传统的参数估计方法。最后,为了实现精准监测,本文将目光瞄准到组件级别,光伏组件传感器的存在使得在线异常识别成为可能。不同组件之间的数据分布存在区别,本文在核密度估计的基础上拟合组件的概率密度曲线,从曲线中提取出三个特征指标,揭示了正常和异常组件之间差异;通过动态时间窗来提取建模样本数据以实现循环滚动式的异常状态识别,案例研究证明了该方法的有效性。