光伏阵列是光伏电站的重要组成部分,其安全运行不但是光伏电站正常发电的保障,而且对于减少能源损失和排查安全隐患有着重要意义。随着智能技术在光伏发电行业的应用,相关理论的研究为设计适合光伏阵列的故障预测方法奠定了基础。本文以光伏阵列为研究对象,首先,研究了光伏阵列的故障特征提取、特征参数预测趋势模型以及故障识别模型,然后将它们应用到光伏阵列的故障预测中,论文主要包含以下工作:第一、研究了太阳能发电运行的基本原理,分析了光伏阵列的常见故障及其原因,通过建立光伏阵列仿真模型,对比正常状态和故障状态下的输出特性曲线,提取出关键故障特征参数,并分析了环境因素对特征参数的影响。第二、搭建了光伏阵列实验平台,描述了实验平台的设计方案、故障模拟方法和数据采集方案,并对采集的数据进行分类后形成样本数据库。第三、研究了光伏阵列的特征参数趋势预测算法和故障识别算法。利用三种改进策略优化后的果蝇算法对支持向量回归算法的参数进行优化,建立了基于MFOA-SVR（a mutant fruit fly optimization algorithm with multi-strategy-support vector regression）的特征参数趋势预测模型,并采用网格搜索和交叉验证的方法确定支持向量机的模型参数,建立参数优化的SVM（support vector machine）故障识别模型。第四、提出了一种基于MFOA-SVR-SVM的组合模型,用于光伏阵列的故障预测。首先,在仿真实验中将采集的数据样本输入到光伏阵列特征参数趋势预测模型中,通过综合对比四种预测模型的性能,选定预测性能最优的MFOA-SVR算法模型。然后,将MFOA-SVR预测模型的输出向量输入到参数优化的SVM故障识别模型中,输出状态类型从而实现故障预测。最后,通过仿真实验验证了该方法的可行性和有效性。