电力电子设备在如今的生产和生活中使用非常广泛。电力电子整流装置是电力电子设备中主要的部分,当电路内部的元件出现不正常状态时,会损坏电路内部系统,情况严重的可能会威胁到生命安全,因此为提高电力电子设备运行的可靠性,研究与分析整流装置内的电路故障并进行诊断非常重要。本文主要研究应用最为广泛的三相桥式整流电路的故障诊断。首先,分析三相桥式整流电路中晶闸管所有可能出现的故障,然后对电路进行故障信息的提取。影响电路正常工作的主要原因之一就是晶闸管出现故障。本文首先分析了三相桥式整流电路运行中经常会遇到的晶闸管的故障情况。根据晶闸管的故障对电路输出电压波形产生的影响,在SIMULINK模块中对电路可能出现的故障状态进行仿真,在电路负载端得到故障状态电压波形。使用傅里叶分析法从波形中提取故障特征信息:直流分量、基波幅值、二次谐波幅值以及三次谐波幅值。然后将故障信息归一化处理。其次,用BP神经网络对电路进行故障诊断。将故障信息输入BP网络中,将网络输出信息与期望值对比,从而得出故障位置与故障诊断率,证明BP网络可以对电路进行故障诊断。由于BP网络存在易收敛于局部极小值的缺陷、故障诊断率低,故需要对BP网络进行优化。然后,由于粒子群算法具有全局搜索性能,其可与BP网络的局部搜索性能有效结合,进而优化BP网络中的权值与阈值,故采用粒子群算法优化BP网络。然后对网络进行训练与仿真验证,得出诊断结果,该结果优于BP网络的结果。但粒子群算法存在易陷入局部最优解的问题,故障诊断率达不到期望值。最后,选取深度学习网络中的堆叠自编码器网络对电路进行故障诊断,该网络对以上两种网络的结构进行优化,有效弥补了上述网络中存在的不足,同时对故障数据进行深度特征提取,大大缩短网络训练时长以及提高电路故障诊断率。通过仿真表明,比较三种神经网络,第三种改进的网络完成训练时间少、故障诊断率高、有很好的可靠性,同时有较广的适用性等优点,达到所预期的效果。