逆变器作为将直流电转化交流电的转换装置为人们日常生产和生活带来巨大便利。多电平逆变器可实现低耐压器件高压输出而广泛使用于中高压领域,但其特殊的结构也增加了故障发生的可能性。由于逆变器故障的发生对逆变器本身及整个光伏发电系统都将造成影响,因此研究有效的故障诊断方法对整个系统的稳定性和安全性都具有深远意义。本文对多电平逆变器故障诊断方法和量子神经网络的国内外研究现状进行了综述。紧接着对NPC三电平逆变器功率管IGBT开路故障及三相输出电压波形进行分析。然后在长短期记忆（Long Short-Term Memory,LSTM）网络的基础上嵌入变分量子电路（Variational Quantum Circuits,VQC）,从而融合成一种量子长短期记忆（Quantum Long Short-Term Memory,QLSTM）网络的逆变器故障诊断模型。并且为提取NPC三电平逆变器故障数据中的深层特征,将CNN-LSTM网络与VQC结合为一种QCNN-LSTM网络模型,从而进一步提高逆变器故障分类能力。具体内容分为以下几点:（1）本文首先对NPC三电平逆变器的结构和工作原理进行介绍。然后分析了逆变器IGBT开路故障特征和两个及以下IGBT开路的三相输出电压波形。（2）通过将LSTM网络隐藏层输出和记忆细胞状态分别输入VQC,从而融合成QLSTM模型。为了对QLSTM网络的分类效果进行评估,将该模型与LSTM网络进行对比。实验结果表明,QLSTM网络的分类准确率比LSTM网络提高了1.31%,并且在不同噪声情况下也表现出更高的准确率。因此QLSTM网络对比LSTM网络具有更好的故障诊断效果和抗噪能力。（3）为充分利用卷积神经网络（Convolutional Neural Network,CNN）的自动提取深层特征能力和具有量子优势的VQC,本文将CNN中的卷积核用VQC代替以实现卷积操作,并利用LSTM网络进行故障辨识,从而结合为QCNN-LSTM网络。其中QCNN部分被用来提取故障特征和数据降维,所得信号特征划分训练数据与测试数据,然后将其输入LSTM网络用于故障分类。通过实验分析可得,与CNN、LSTM和CNN-LSTM模型相比,QCNN-LSTM网络具有更好的分类效果,分类精度达99.73%,并在噪声数据下表现出良好的抗噪能力。因此将QCNN-LSTM网络应用于三电平逆变器故障诊断可有效提高故障分类能力。