随着当代社会不可再生能源的日益减少以及环境污染问题的日益严峻,大力发展新能源产业已经成为了必然趋势,光伏发电作为典型的新能源产业近年来备受青睐。光伏发电是利用太阳能进行发电,为了得到充足的光照,光伏电站大多建立在偏远、戈壁等光照强度强的地区。由于光伏电站所处地区环境相对恶劣,因此不利于人工长期驻守,从而制约了光伏产业的推广与应用,进而体现了光伏智能监测的必要性。由于光伏组件自然老化的原因,组件效率、电气元件性能会逐年降低。除自然因素外,还有光伏组件、逆变器的质量问题,现场线路的布局、串并联损失以及线缆损失等多种非自然老化因素的影响也会造成光伏组件效率下降。为了保证光伏发电的发电量水平,就要有效掌握光伏组件的损耗率情况,对故障组件提前做好检修和更换准备,因此对光伏组件进行故障预测也是很有必要的。本文围绕光伏电站管理和维护中的两个突出问题—光伏阵列智能监测问题和光伏组件故障预测问题展开研究,主要贡献如下:(1)由于光伏阵列管理维护不及时会影响用户受益,光伏阵列的智能监测和故障检测成为了关注的热点。本文提出了一种基于CPS(cyber physical systems)的光伏阵列智能监测模型,该模型包括基于CPS的光伏阵列信息采集系统和光伏智能监测平台。在基于深度学习的智能监测平台中,利用多隐层神经网络模型,通过监测信息的深度学习和分析处理,提出了一种能够检测光伏阵列故障的故障检测方法。实验结果表明,该方法能够有效地检测出故障阵列并实现故障定位,从而保证了光伏电站安全稳定的运行,减轻了人工排查的难度。(2)为了能够准确掌握光伏组件的损耗率情况,保证光伏发电的发电量水平,本文提出了光伏组件故障预测方法。本方法利用灰色预测模型对光伏组件的衰减状态进行预测,当光伏组件的损耗率预测曲线与厂家给定的损耗率曲线相差较大时,可以认为光伏组件处于非自然因素衰减,预测光伏组件在未来某一时段会发生故障。实验结果表明,光伏组件故障预测方法具有较高的精度,在工程应用方面具有很高的实用价值。