1.一种光伏阵列多传感器故障检测定位方法，其特征在于，包括以下步骤：步骤1，布置光伏阵列传感器

将一个m×n的光伏阵列分割成i个检测单元，每个检测单元为一个3×3的子阵列，每个检测单元安装若干电压传感器；

步骤2，故障检测单元的确定

根据下式计算每个检测单元的残差系数θ，当残差系数超过预设的限定值时，判定该检测单元发生故障，式中，Uave——任一检测单元传感器电压均值；Ui——任一检测单元各传感器电压值；

步骤3，计算故障特征值

在第i个检测单元内部，根据下列公式计算出光伏组件电在不同故障情况下传感器的故障特征值：Uia＝PVi4+PVi5-PVi1

Uib＝PVi5+PVi6-PVi3

Uic＝PVi7+PVi8-PVi4

Uid＝PVi8+PVi9-PVi6

Uunit＝PVi1+PVi2+PVi3＝PVi4+PVi5+PVi6＝PVi7+PVi8+PVi9正常运行时，Uia＝Uib＝Uic＝Uid＝1/3Uunit式中Uunit——检测单元的电压；

步骤4，故障数据的预处理

采用下式对步骤3的第i个检测单元内部的故障特征值进行归一化处理：式中，xk——样本数据；yk——经过归一化处理后的数据；

步骤5，神经网络的改进

采用改进的BP神经网络，其数学表达式为：

式中，W(k)——总输出向量；m、n——隐含节点与输入节点数目；Wz——隐含层到输出层的权值 ——第i个隐含层节点的输出；Wb1——隐含层偏差单元权值；ξ——隐含节点层的激活函数；Wy——反馈误差权值；Wx——输入层到隐含层的权值；Ii(k)——本网络在时间k的第i个输入；Wb2——输出层偏差单元权值；

在学习的训练过程中，设k＝1，2，3，…，n；输入向量Ak＝(a1,a2,…,an)；输出向量Bk＝(b1,b2,…,bn)；隐含层单元输入向量Ck＝(c1,c2,…,cn)；输出向量Dk＝(d1,d2,…,dn)；输出层单元输入向量Ek＝(e1,e2,…,en)，输出向量Fk＝(f1,f2,…,fn)；隐含层各单元输出阈值{θj}，j＝1，2，…，n；输出层各单元输出阈值{γj}，j＝1，2，…，n。

则有，隐含层各单元输入输出：

dn＝f(k)  (6)

输出层各单元输入及输出响应：

fn＝f(Ek)  (8)

输出层各单元的一般化误差：

gn＝(bn-fn)·fn·(1-fn)  (9)隐含层各单元的一般化误差：

修正连接权值：

Wx(N+1)＝Wx(N)+β·hn·an；0<β<1  (12)步骤6，训练神经网络

以步骤4经过归一化处理的第i个检测单元内部各传感器的故障特征值作为网络输入，以故障位置编号作为网络的输出，对改进的BP神经网络进行训练；

步骤7，实际运行情况下故障位置的确定

在实际运行情况下，对各传感器采集到的故障数据进行与步骤4相同的归一化处理，再将其输入训练好的神经网络进行识别，可以得到对应的故障位置编号，即识别出检测单元中发生故障的光伏组件。

2.根据权利要求1所述的光伏阵列多传感器故障检测定位方法，其特征在于，还包括步骤8，判断是否为非硬性故障，判据为Uia＝Uib＝Uic＝Uid。

3.根据权利要求1或2所述的光伏阵列多传感器故障检测定位方法，其特征在于，步骤1所述光伏阵列的分割方法为，当光伏阵列能完全分割时，第1，2，3行第1，2，3列共计9个光伏组件组成第1个检测单元；第1，2，3行第4，5，6列组成第2个检测单元；依次类推，第m-2,m-1,m行第n-2,n-1,n列组成第i个检测单元，不能完全分割时，将剩余行或列与上一检测单元的部分行列组成新的检测单元，其编号方式与之前一致。

4.根据权利要求1或2所述的光伏阵列多传感器故障检测定位方法，其特征在于，步骤2所述预设的限定值为6％。

5.根据权利要求1或2所述的光伏阵列多传感器故障检测定位方法，其特征在于，对所述改进的BP神经网络进行训练时，其输入、输出节点数均为4，隐含层节点数为12，学习速率

0.1，训练次数为1000，训练目标为0.0001。