未来世界的能源和电力结构势必将会成为高比例可再生能源结构,在高比例可再生能源结构中,太阳能的占比将达到较高的水平。光伏发电技术的不断发展,更使得太阳能资源的广泛使用成为必然趋势。但由于大量光伏电站的阵列部分都建立在环境较恶劣的室外,在运行过程中将不可避免的出现各种故障问题。因此,采用适当的故障诊断方法,能够准确快速的识别光伏阵列的故障并及时发出报警信号,成为保障光伏发电系统安全稳定运行的重要手段。本文主要针对光伏阵列的四种常见故障:短路、开路、局部阴影和老化故障进行详细的研究,并提出基于遗传算法优化BP神经网络的光伏阵列故障诊断方法。首先,本文对光伏发电系统的主要分类和光伏电池的工作原理进行了简要的说明,在Matlab/Simulink中建立光伏电池及光伏阵列仿真模型,并得出在标准状况下的输出特性曲线。详细分析光伏阵列的四种故障状态,分别建立这四种故障所对应的光伏阵列模型,进而得到各种故障状态下的阵列输出特性曲线,通过与正常情况下的输出进行对比确定各个故障所对应的变化明显的输出参数,并作为故障诊断模型的输入变量。其次,分别对BP神经网络和遗传算法的结构及工作原理进行详细的研究。针对BP神经网络算法在网络训练过程中易陷入局部最小值的问题,本文采用遗传算法对BP神经网络的权值和阈值进行优化。最后,本文依据BP神经网络和遗传算法的特点,分别对故障诊断模型的BP神经网络部分和遗传算法部分进行设计优化,得到完整的基于遗传算法优化BP神经网络的光伏阵列故障诊断模型。选择多组数据对模型进行训练,得到网络训练误差曲线,并对训练后的故障诊断模型进行测试,得到相应的故障诊断结果。通过与传统BP神经网络的网络训练误差曲线和测试结果相比较可以发现,经遗传算法优化的BP神经网络的收敛速度有所提高,对于本文研究的四种故障的诊断结果也更加的准确。因此,验证了本文采用的基于遗传算法优化BP神经网络的光伏阵列故障诊断方法,对光伏阵列故障的诊断效果具有改善作用,并提高了光伏阵列故障诊断的可靠性。