为应对日益严峻的能源短缺和环境污染问题,近年来光伏电站装机量迅猛增长。光伏阵列作为光伏发电系统的能量采集核心,往往安装在户外恶劣环境中,容易发生各种故障,引发异常的功率损失、系统老化、火灾隐患等安全问题。因此,光伏阵列的在线实时故障监测与诊断对于提高光伏电站的发电和维护效率具有重要意义。针对现有基于机器学习的光伏阵列故障诊断方法存在的泛化性能有限、准确性不高、难以同时诊断和定位故障等问题,本文重点研究和设计了一种主要基于随机森林集成学习算法的光伏阵列在线智能故障监测与诊断系统。本文的主要工作在于:首先,研究一种组串级的光伏阵列故障检测与定位方法。采用一种“阈值法-Hampel辨识法”相结合的光伏阵列离群值检测算法,首先计算各组串电流的样本中值以及中值绝对偏差,进而求解Hampel辨识法的限域,进行初步的故障检测,然后创新性地选取组串电流离散率阈值来对可疑异常点进行最终判决,提高了故障检测与定位的精度。基于仿真和实测数据的实验验证结果表明该算法可以快速准确检测故障及定位故障组串。其次,研究两种光伏阵列的故障分类诊断算法。将随机森林（RF）和旋转森林（Ro F）两种集成学习算法应用于光伏阵列的故障检测和诊断中。RF仅将光伏阵列电压和每个光伏组串电流作为故障诊断模型的故障特征变量,采用网格搜索方法,通过最小化袋外误差（OOB）估计,优化RF模型的参数,从而改进故障诊断模型。Ro F利用Relief F特征选择算法获取重要性权重较大的故障特征,然后极限学习机代替决策树基分类器以克服过拟合问题,遍历法获取最优模型参数。为了获得足够多的故障数据样本,对基于Simulink的光伏仿真系统和实验室光伏平台进行全面的故障模拟仿真与实验。基于仿真和实测数据的实验验证结果均表明,优化后的RF和Ro F故障诊断模型均能够对线线故障和失配故障进行高精度识别;RF适用于大规模光伏阵列的在线实时故障诊断,而Ro F适用于对实时性需求不高的小规模阵列。最后,针对现有光伏阵列监测系统存在的采样率低、灵活性低、集成度不高等局限性,开发了一体化故障监测与诊断系统。选用高速多功能USB-1608G采集卡作为采集硬件,并基于MATLAB的数据采集工具箱对其进行配置和控制。设计一体化上位机监测界面进行数据采集卡采样方式设定、采样率设定、模式设定、通道使能设置等各项设置以及数据显示与处理,实现实时的故障定位与诊断等功能。本文的工作对光伏阵列故障监测与诊断领域具有一定的理论与实用参考价值。