随着环境污染与能源短缺问题日渐凸显,太阳能作为一种可以持续利用且取之不尽的清洁能源受到世界各国的日益重视。光伏电站大多是建设在地理位置偏远且现场环境恶劣的地区,容易出现各种异常或故障,导致发电效率降低、存在安全隐患等问题。对地域上广泛分散的光伏系统进行人工检修不仅需要消耗大量的人力物力,而且效率低、维护效果一般。针对这些问题,在现有的光伏阵列健康监测与故障诊断研究的基础上,本文提出了一种基于极限学习机的光伏阵列在线健康监测系统,以便提高光伏阵列运维效率。该系统主要由数据采集系统,故障诊断和远程监测服务器三个部分组成。数据采集系统由开源硬件Raspberry Pi 3与传感采集电路构成。传感采集电路包含电源模块、采集模块和模数转换模块。采集模块使用霍尔电压传感器与霍尔电流传感器获取光伏阵列工作时的电压电流等参数,然后输出到数模转换模块;模数转换模块主要采用具有8个输入通道的MCP3008 ADC芯片实现;Raspberry Pi 3通过控制MCP3008采集传感数据,并在本地缓存、生成数据文件,然后通过File Zilla服务器把数据文件发送到远程监测服务器端。故障诊断算法采用基于贝叶斯分类器与核函数极限学习机（Kernel based Extreme Learning Machine,KELM）的高效混合机器学习算法,选取各组串电流、阵列电压、参考板电流与参考板电压共同构成故障特征向量。贝叶斯二值分类器用于快速检测光伏阵列是否存在故障,而核函数极限学习机用于对短路、开路、阴影、老化等常见故障工况进行精确分类诊断。远程监测服务器采用B/S架构,基于Python的Flask框架进行Web的开发,把数据采集系统采集到的光伏组件各参数进行存储分析与数据可视化。在服务器上自主设计了一套基于Python的信息管理平台,方便值班人员记录故障信息并及时排除故障。基于实验室小型光伏并网发电平台及MATLAB/Simulink仿真模型,对所设计的光伏阵列健康监测系统进行测试和验证。通过搭建与实际光伏阵列相同的仿真模型,模拟光伏阵列在工作时可能出现的故障并获取仿真数据。通过在仿真和实验平台上的故障模拟,获取仿真与实测故障数据集,进而对故障诊断模型进行双重验证。实验结果表明:故障诊断算法能对常见故障进行精确可靠地诊断,平均准确率可达98.05%;所研发的远程监测系统能够实时采集光伏组件及阵列的工作参数并进行实时故障诊断,使得维护人员能够通过浏览器实时查看光伏阵列的运行工况,当存在异常工况时能够及时做出准确的运维决策。本文的工作对光伏阵列在线监测和故障诊断研究具有一定的参考价值。