随着电力电子技术的迅猛发展,电力电子装置的应用日益广泛,其故障问题也越来越突出。且电力电子装置通常在工程系统中起着很重要的作用,一旦发生故障而不能及时得到诊断和恢复的话,就会导致停机而造成人员伤亡,带来巨大的经济损失。因此进行电力电子电路故障诊断理论和方法的研究,具有现实和经济意义。目前在电力电子电路的故障诊断中,普遍使用人工神经网络来实现。虽然使用人工神经网络的方法来实现具有许多方面的优势,但是随着应用的发展,人工神经网络也逐渐表现出了它的不足之处。为了解决这些缺陷,许多研究学者开始去探索新的神经网络结构和理论,并出现了神经网络和其他理论相结合的研究。本文在神经网络的基础上结合其它理论提出了三种电力电子电路的故障诊断方法。提出了一种基于小波神经网络的电力电子电路故障诊断方法。此方法是将小波变换良好的时频局域化性质及神经网络的非线性映射和自学习的优点结合起来,将小波函数作为BP神经网络隐层神经元的激活函数,从而使BP神经网络具有更强的逼近、容错能力。然后用它对双桥12相脉波整流电路进行故障诊断,实验结果证明了这种方法比BP神经网络具有更高的故障诊断率,是正确可行的。提出了一种基于量子神经网络的电力电子电路故障诊断方法。此方法是将量子理论中的量子态叠加思想应用于神经网络形成多层激活函数的量子神经网络,使量子神经网络有了一种固有的模糊性,很好地解决了电力电子电路故障诊断时故障模式间存在交叉数据的模式识别问题,并以双桥12相脉波整流电路为例进行故障诊断,实验结果证明这种方法具有很高的故障诊断率,且误诊断率很低。提出了一种基于遗传神经网络的电力电子电路故障诊断方法。此方法先由神经网络的拓扑结构确定其网络参数,然后利用遗传算法善于求解复杂的全局最优解,有极强的稳定性和整体优化性的优势去求解神经网络的网络参数,实现网络参数的全局最优化,最后再把网络参数传给神经网络从而实现故障诊断。通过对双桥12相脉波整流电路故障诊断实验数据的观察,可以看出遗传神经网络具有高的诊断率和较低的误诊断率(比量子神经网络略差),且大大缩短了故障诊断的时间,从而可以满足工程应用中的高实时性要求。