随着新能源技术的发展,光伏发电越来越普及到人们的生活中,逆变器是新能源开发中不可或缺的部分,其中中点钳位型（Neutral Point Clamped,NPC）三电平光伏逆变器具有输出谐波小和电磁干扰小等特点,广泛应用于光伏发电领域。功率开关器件是NPC三电平光伏逆变器的核心部件,但极易发生开路故障,故对其进行故障诊断方法研究很有必要。本研究以NPC三电平光伏逆变器为研究对象,主要研究内容有以下四个方面:（1）对NPC三电平光伏逆变器的几何拓扑结构,工作原理,控制策略以及故障成因进行分析,并将所有的故障情况划分为四大类和二十二小类。对不同故障状况下的电压信号特征进行分析,确定故障模式。在MATLAB/SIMULINK平台搭建NPC三电平光伏逆变器仿真模型,模拟不同故障模式的工作情况。采样功率开关器件的桥臂输出端的三相电压作为故障信号,用作样本数据区分各种故障类型。（2）根据NPC三电平光伏逆变器故障信号的特点,提出了一种基于集合经验模态分解（Ensemble Empircial Mode Decomposition,EEMD）和模糊熵降维的故障特征提取方法。针对EEMD分解产生的无效本征模态函数（Intrinsic Mode Function,IMF）分量维数过高,通过计算IMF分量的皮尔逊相关系数剔除相关度较低的无效分量,再利用模糊熵特征降维,从而剔除冗余信号,获取维度较低的故障特征。（3）提出了一种基于核函数极限学习机（Kernel Extreme Learning Machine,KELM）和粒子群算法（Particle Swarm Optimization,PSO）的故障诊断方法。针对传统KELM的参数优化问题,采用PSO算法优化KELM建立PSO-KELM故障诊断模型。提取不同故障模式下的EEMD样本熵作为特征向量,将其划分为训练集和测试集,其中训练集用于建立PSO-KELM故障诊断模型,测试集用于测试PSO-KELM故障诊断模型的精度。（4）提出了一种基于EEMD模糊熵和PSO-KELM的NPC三电平光伏逆变器故障诊断方法。实验结果表明,该诊断方法的正确率达到了99.3636%。将EEMD模糊熵和与EEMD样本熵进行特征提取方法对比,故障诊断正确率提高了0.8181%,这说明EEMD模糊熵提取了信号更为本质和核心的特征;将PSO-KELM和KELM进行对比,表明了粒子群优化算法对于故障诊断模型性能具有提升作用,且故障诊断正确率提高了1.5454%;PSO-KELM对比PSO-SVM和随机森林（Random Forest,RF）,故障诊断率分别提高了1.4545%和0.505%,这说明了KELM相较于其他分类器,在处理NPC三电平光伏逆变器信号数据时的泛化性和稳定性更好。因此PSO-KELM作为故障诊断模型在测试中得到了最高的故障诊断正确率。