传统化石能源的大量消耗引发了严重的环境污染问题,并对人类社会和生态环境的发展产生威胁,于是人们开始关注到新型能源的发展与应用。其中,太阳能因其清洁无污染、易于安装、不限地域、安全可靠、永不枯竭可永久使用的天然优势,得到了快速发展和广泛应用。而光伏组件作为光伏发电系统中最重要的组成部分,它的使用寿命和安全问题越来越受到人们的关注。如果处于故障下的光伏阵列得不到及时的诊断与处理,可能会造成火灾等严重后果。因此,针对光伏组件进行故障诊断的相关研究,具有非常重要的意义。本文将光伏组件作为研究对象,针对光伏组件运行过程中可能出现的故障进行了分析。基于径向基函数神经网络(RBF)的优秀模式识别能力,选择RBF神经网络来构建本文的故障诊断模型;采用粒子群算法(PSO)优化RBF神经网络隐含层基函数的中心、宽度以及连接权值,可以避免参数值选择不当的问题,更好地构建RBF神经网络。本文的主要研究内容如下:(1)对光伏组件可能出现的的主要故障,如短路故障、开路故障、阴影故障以及异常老化等问题进行了分析,总结其故障成因。(2)在建立光伏电池Matlab仿真模型的基础上,构建了2×20的光伏阵列仿真模型,通过建立的仿真模型对不同故障状态进行模拟。(3)从PSO算法的参数入手,采用动态自适应的惯性权重以及调整学习因子和更新公式,对神经网络的参数进行优化;将该改进PSO算法优化的RBF神经网络模型应用到光伏阵列故障诊断过程中,并与RBF神经网络、基本PSO-RBF神经网络模型进行比较,仿真结果表明,IPSO-RBF神经网络模型的故障诊断效果要优于其他两种模型。(4)将PSO算法与人工鱼群算法(AFSA)相结合,对RBF神经网络的参数进行优化;将AFSA-PSO-RBF模型应用到光伏阵列故障诊断过程中,仿真结果表明,诊断精度较IPSO-RBF模型有所提高。