随着工业水平技术的不断进步,光伏发电系统的持久稳定运行对整个能源系统必要性也与日俱增。光伏组件的短期阴影故障如落叶、建筑物遮挡和随机运动的云层,长期阴影故障如热斑效应,黏附的污物等故障问题,都会对光伏电站的稳定运行和光伏组件的使用寿命产生严重影响,光伏发电系统中光伏组件的故障识别与诊断逐渐成为近年来的研究热点。本文从时间序列预测误差的角度对不同故障的发生情况进行分析,研究不同状态下数据集的特点,并结合深度学习算法与机器学习算法对特征集进行分析,进而提出了一种能对光伏组件故障进行识别的,智能多尺度量化分析故障诊断方法。主要研究内容包括:（1）分析了短期阴影、长期阴影故障对光伏发电系统产生的危害,对相关故障及时进行诊断的必要性。结合循环递归神经网络系列模型的预测机理,对光伏出力数据的时间序列特性进行研究,得出本文故障诊断方法的原理,即量化光伏组件故障的概率,实现基于预测误差构建相应的阴影故障特征。对不同的云层类型进行分类别分析,研究不同情况下故障特征的变化及差异,得出将云层干扰情况分类为正常运行状态的论证,并通过数据分析进一步验证。（2）对光伏出力数据进行多尺度分析,使用集成经验模态分解和fine-to-coarse方法将分解得到本征模态分量重构为高频、低频分量。光伏出力序列中的秒分钟级云层扰动、和人为因素干扰通过去除高频分量而去除。（3）分析基于循环递归神经网络系列模型进行故障特征构建的优越性,通过多个评价指标、预测曲线图、误差分布图,对比分析该系列模型与传统机器学习模型与集成学习模型的预测性能及故障特征构建有效性的差异。将预测值与实际出力数据、标准光伏组件的出力数据作比较,并基于选定的18个回归预测评价指标构建故障诊断特征集。（4）对构建的故障特征集进行数据探索,分析基于预测误差构建的特征会存在的分布问题。采用特征工程处理方法,改善数据集的正态性、对称性和方差等特性。故障分类阶段,使用机器学习分类算法对优化后的故障集进行学习和预测,使用分类结果评估指标及学习曲线对故障诊断结果进行评估分析。实验数据通过故障模拟获得,使用EKO MP-170便携I-V曲线测试仪测得光伏组件不同运行状态下的出力。实验结果证明了该特征构建方法和阴影故障诊断方法的有效性,首次实现了短期阴影与长期阴影故障的有效识别,为光伏系统故障诊断的相关研究提供了新思路。实现了对故障的实时诊断,防止故障的扩散,进一步保证了系统的稳定运行。