随着能源短缺和环境问题的出现,未来的世界能源结构必然会向可再生能源方向倾斜,可再生能源中太阳能占比将会达到较高的水平。随着光伏产业的大力发展,其在电力生产方面所占的比重将会日益增加,但由于光伏电站大多建立在复杂的环境中,运行过程中难免会出现各种故障,对光伏阵列故障进行有效诊断是亟需解决的问题。本文的主要研究工作如下:（1）光伏电池及光伏阵列模型的建立。本文首先对光伏电池的发电原理及数学模型进行了研究和分析,在MATLAB/Simulink中建立光伏电池仿真模型并进一步构建光伏阵列模型,对光伏电池的输出特性进行了分析。（2）模拟光伏阵列故障状态并获取故障数据。分析了光伏阵列经常出现的四种故障类型以及出现的原因,然后通过建立的光伏阵列模型,对开路、短路、局部阴影及异常老化四种故障状态进行模拟,获取故障状态下光伏阵列的输出特性,并采集故障数据,通过与正常状态下的输出特性进行对比,确定每种故障所对应的变化参数,进而确定光伏阵列故障诊断模型的输入变量。（3）光伏阵列故障诊断研究。以SP结构光伏阵列为研究对象,通过自组织映射神经网络建立光伏阵列故障诊断模型进行故障诊断,将仿真获得的光伏阵列故障数据经过归一化预处理后输入到自组织映射神经网络中进行诊断,进而检测出开路、短路、局部阴影及异常老化四种故障状态,仿真结果表明,该方法对故障状态的识别正确率可达87%,诊断正确率高于BP神经网络,能够有效解决光伏阵列故障诊断问题。（4）提出了一种基于蜻蜓算法优化的自组织映射神经网络。针对自组织映射神经网络初始权值的随机选取对故障诊断结果的影响,提出一种应用蜻蜓算法优化的自组织映射神经网络,通过蜻蜓算法对自组织映射神经网络的权值进行寻优,将经过寻优获得的最优权值作为神经网络的初始权值,利用改进后的自组织映射神经网络对光伏阵列故障模式进行识别,仿真结果表明,与原始自组织映射神经网络相比,优化后的神经网络对故障状态的识别正确率达到95.12%,验证了该方法的可行性。（5）采用蜻蜓算法优化BP神经网络并将诊断结果与采用蜻蜓算法优化的自组织映射神经网络进行对比,进一步验证改进后的自组织映射神经网络性能。