本研究课题来源于“风力发电系统并网逆变器智能故障诊断方法研究”国家自然科学基金项目（编号61364010）。功率变换器作为风电系统跟电网的接口，承担着核心电能地转换与控制作用，是分布式智能电网控制系统的主要核心部件，同时是系统中极易产生故障的薄弱环节。逆变器直接决定了系统能否向电网或负载提供优质的电能。因此，逆变器的故障诊断与预测技术已成为了一个亟待解决的难题。　　本文针对风电系统中的常用的三电平逆变器进行研究讨论，以运用较多的二极管钳位式三电平逆变器作为研究对象，探究功率开关器件在开路故障下的各类情形。　　并网三电平逆变器中的关键核心器件绝缘栅双极晶体管（IGBT），IGBT的失效引起的设备故障将带来巨大的人力、物力损失。本文针对IGBT的若干失效问题，通过对IGBT的结构、工作原理及特性的深入学习基础上，分析与探究了IGBT的失效机理与失效模式。　　首先，利用小波变换和SOM神经网络相联合的方式对三电平逆变电路展开故障定位，再利用改进教与学优化的最小二乘支持向量机LS-SVM的故障预测模型对其进行故障预测。由于三电平逆变电路的故障信号特征是突变的非线性信号，因此采用小波包变换方式得到其故障信号的各频带能量值当作相应的故障特征向量，然后通过SOM神经网络对其故障模式进行定位识别。　　最后，针对集成化与智能化程度较高的三电平逆变器中各类元器件间存在的复杂关联性和非线性问题，使得整个系统的故障预测精度较低，本文采用一种改进的教与学算法优化LS-SVM的故障预测方式，该算法在标准的教与学算法的基础上，通过引入反向学习技术和设计一种新的教学因子设定方法，提升了算法全局搜索的能力，使算法陷入局部最优的机会减小。利用Matlab软件进行仿真分析，通过对传统的LS-SVM与本文采用的教与学优化LS-SVM的预测效果进行比较，发现本文提出的方法其收敛性更好，预测精度更精确等特点。