针对光伏阵列的开路故障、短路故障、老化故障和局部阴影故障，提出了一种基于核极限学习机 KELM（kernel extreme learning machine）的光伏阵列故障诊断方法，并采用改进的蝙蝠算法 IBA（improved bat algorithm）对核极限学习机模型的参数进行优化来提高模型的诊断准确率。为避免蝙蝠算法陷入局部最优并加快在参数寻优过程中的收敛速度，引入 Levy 飞行策略并在速度更新公式中引入指数递减的惯性权重。通过全连接 TCT（total-cross-tied）结构光伏阵列的故障数据验证表明，与 BA-KELM、PSO-KELM、PSO-ELM 模型相比，IBA-KELM 模型在参数优化过程中收敛速度更快，优化后模型诊断精度也更高。