鉴于能源安全问题和全球气候问题的日益突出,可再生能源的开发和利用势在必行,太阳能因其储量大、绿色无污染等优点得到了世界各国的广泛关注。光伏发电是太阳能开发利用的主要方式,光伏发电技术的不断发展,使得光伏电站在全球范围内的数量日趋增多。由于规模光伏阵列所处工作环境复杂,电池板数量大,在运行过程中难免会出现各种故障,严重影响整个系统的工作效率。因此,对光伏阵列故障进行实时有效的诊断,是保证光伏发电系统高效运行的前提。本文以光伏阵列为研究对象,通过对短路、开路、老化及局部遮阴四种典型故障的分析研究,基于机器学习技术展开光伏阵列故障诊断的相关研究。论文主要包含以下工作内容:（1）利用Matlab/Simulink软件搭建光伏阵列故障仿真模型。首先,在对光伏电池工作原理及其等效电路进行简要分析的基础上,采用两种建模方法构建了光伏组件仿真模型,并选取较优的组件模型建立光伏阵列故障仿真模型。然后,通过改变光照强度大小和电阻的阻值,对光伏阵列局部遮阴、开路、短路以及老化状态进行了仿真模拟。最后,对典型故障条件下光伏阵列输出参数变化情况进行详细分析,确定了故障诊断模型的输入特征参数。（2）选取在人工智能领域常见的两种机器学习算法:最小二乘支持向量机和核极限学习机。首先,为提高最小二乘支持向量机的故障诊断精度,利用鲸鱼优化算法对最小二乘支持向量机进行参数优化,提出了一种基于WOA-LSSVM（whale optimization algorithm-least squares support vector machine）的故障诊断方法。然后,针对蝙蝠算法易陷入局部最优和后期收敛速度慢等问题,引入Tent映射和高斯扰动策略对蝙蝠算法进行改进,提出一种TGBA（Tent mapping and Gaussian perturbation strategy optimize bat algorithm）算法。利用TGBA算法优化核极限学习机（kernel extreme learning machine,KELM）的正则化系数和核函数参数,得到最优的参数组合,从而建立一种基于TGBA-KELM的故障诊断模型。（3）搭建光伏阵列硬件实验平台,并对实验平台进行短路、开路、老化和局部遮阴故障实验模拟,采集不同天气状况下光伏阵列正常运行和故障情况下的实验数据。其次,利用采集的实验数据分别验证WOA-LSSVM方法和TGBA-KELM方法的准确性和有效性。最后,对WOA-LSSVM、TGBA-KELM和BP（back propagation）算法进行仿真测试,实验结果表明,TGBA-KELM具有更高的诊断精度和更好的稳定性。