随着电力电子技术的发展,新型电力电子装置在设备中稳定可靠运行的要求随之提高。由于电力电子变流器在能量变换和控制中的重要作用,一旦发生故障将会导致整个系统严重损坏甚至瘫痪。因此,研究针对电力电子变流电路故障的快速智能化诊断和精准定位技术,具有重要的理论意义和实际意义。传统故障诊断方法主要分为特征提取和类型识别两个阶段。其中传统特征提取方法如:傅里叶变换(FFT)是基于信号时域频域变换;主成分分析法(PCA)是忽略类别属性的基于最小化均方误差的最优线性映射。它们不光存在人工经验选择的主观影响,而且被忽略成分反而可能包含重要区分信息。另外故障类型识别的传统神经网络方法对于故障标签混淆或缺失、噪声干扰等因素的适应性严重不足。为此本文提出一种基于堆栈稀疏自动编码器的深度神经网络(SAE-DNN)故障诊断方法。其中自动编码器能够从未给定标签的数据集中自动地学习并提取原数据的内在特征。SAE-DNN方法能够将自动特征提取和类型识别融合为一体,并完成高维数据的深层隐含特征的逐层贪婪提取与故障分类。本文在传统浅层神经网络的基础上,引出深度神经网络的概念、原理及基本训练过程,介绍了其常见模型并给出本文研究的SAE-DNN方法。然后,以功率变换装置的整流部分为研究内容,建立三相全控和不可控整流电路故障模型,给出故障分析与分类并确立信息采集位置以及相应故障编码机制,针对具体分类设计故障生成模块。最后,为验证方法的故障诊断识别精度和抗干扰性能,将本文所提SAE-DNN方法和传统FFT-BPNN、PCA-BPNN方法进行各种抗噪性能测试对比实验。本文SAE-DNN方法自动提取的深层隐含特征,表现出更好的同类聚合、异类疏远特性,而且最终诊断具有更高更稳定的准确率精度。综上,本文所提方法具有优异的特征提取、识别分类和抗干扰性能,有效地弥补了传统故障诊断技术的不足,提高电力电子故障诊断技术水平。