在复杂多变的环境因素影响下,光伏发电系统事故频发,简单的监控及故障诊断技术无法实现系统的智能化与信息化。光伏发电系统是一个复杂的非线性系统,具有时变性和不确定性等特点,难以获取精确的数学模型,因此非常适合采用人工智能诊断方法处理。当光伏发电系统处于不同的故障状态时,各部件的输出特性会呈现不同的变化。神经网络提供了一种能够准确挖掘不同故障状态与系统输出特性之间映射关系的方法。本文从光伏发电系统的结构出发,分析并总结了现有小型独立光伏系统故障诊断研究的不足与难点,提出一种面向光伏发电系统的神经网络故障诊断方法,采用神经网络方法对检测到的光伏发电系统运行数据进行多种故障类型辨识。基于自制的微型光伏电站,在室内与室外环境下分别进行实验,对所提出的方法进行验证。本文的主要研究内容与创新性如下:1.首先归纳了国内外文献中的故障类型及其故障成因,结合真实光伏电站情况,将故障发生率高的光伏组件作为典型案例研究。由于独立光伏发电系统具有储能环节,对输出功率有补偿作用,故障发生后难以检测,现有故障诊断方法有一定局限性。2.针对独立光伏发电系统故障诊断问题,建立神经网络故障诊断数学问题描述。在此基础上,提出一种面向光伏发电系统的神经网络故障诊断策略。将BP神经网络(BPNN)和Elman神经网络(ENN)作为两种具体模型,嵌入神经网络故障诊断策略中,形成两种具体的光伏发电系统神经网络故障诊断方法。同时针对现有神经网络方法与光伏发电系统融合性不足的问题,加入诊断信号类型筛选、神经网络训练优化和初始权值寻优3种优化策略,通过在神经网络输入端与输出端改进来提升故障诊断性能。3.由于现有文献中大多采用仿真软件或单块电池板进行简单实验验证,实验设备和实验环境单一,输入类型中缺乏必要的故障信息,因此本实验采用多套自制的光伏电站模拟平台分别在实验室的可控环境和户外真实环境进行实验,同时设置多种故障类型,将现有方法与所提出方法的有效性进行对比验证。