电力电子系统已在新能源发电、智能电网、电动汽车、轨道交通、航空航天等领域得到广泛应用。随着多电/全电飞机、电力系统电力电子化、电力电子变压器等概念的提出,各领域对电力电子系统可靠性、安全性、保障效能的要求也逐渐提升。为降低由于系统性能降级或故障造成的危害与经济损失,故障预测与健康管理(Prognostics and Health Management,PHM)受到了当前国内外研究机构及工业界的极大重视与推广应用,可有效提前预告故障发生、预报系统剩余使用寿命、最大限度减少计划外维护次数、降低全寿命周期费用。本文研究功率变换器PHM的故障诊断、状态监测及健康状态评估技术,主要研究内容与创新点包括:(1)研究了基于改进深度信念网络(DBN)模型的功率变换器结构性故障诊断方法。由于功率变换器故障模式类型较多时不同故障类型间的故障特征存在相似性,导致传统浅层神经网络诊断方法难以有效地在该情形下进行识别与定位。为此,基于深度信念网络的优越模式识别能力,提出一种基于CSA-DBN的单端初级电感变换器(SEPIC)结构性故障诊断方法,通过乌鸦搜索算法(CSA)优化隐含层节点数以提高DBN网络对故障模式类型较多情形时的分类性能,从而增强故障检测能力以准确判别故障类型。(2)研究了基于堆栈去噪自动编码器(SDAE)自动提取特征的无刷直流电机全桥式逆变器开关管开路故障诊断方法。针对传统人工提取特征存在的不确定性及优选特征引起的复杂性等问题,即采取何种信号处理手段进行提取特征以及分析何种特征对各类故障模式较为敏感。鉴于深度学习网络具有自适应逐层提取特征以及可建立数据样本与故障模式间映射关系的能力,提出基于SDAE进行提取三相电流深层故障特征信息,以实现逆变器开关管开路故障类型的准确识别与定位。(3)全面考虑关键元器件(二极管、电感、功率MOSFET及电解电容)寄生参数对Boost变换器性能退化的影响,推导了Boost变换器以功率MOSFET漏源极电压及电路输出电压为状态变量的混杂系统模型。提出一种非侵入式功率变换器参数性故障辨识方法,将参数辨识问题转换为多变量目标函数寻优问题,采用混沌鲸鱼优化算法(CWOA)求解适应度函数以获取各关键元器件的故障特征参数值。克服了传统基于电感电流与输出电压为状态变量而无法准确独立辨识二极管通态内阻、电感内阻及功率MOSFET漏源极导通电阻的难题。(4)研究了一种基于改进核极限学习机(KELM)的数据驱动方法实现功率变换器无源器件特征参数辨识目的,采用CSA算法优化核函数超参数以提高参数估计精度与稳定性。克服由于元器件与变换器等效电路模型较为复杂时而难以准确依据数学模型描述其动态行为的难题。仅需采集二极管两端电压及电路输出电压即可辨识Buck变换器的电感与电解电容特征参数。(5)针对工作温度变化会导致元器件特征参数估计值与失效标准(25℃条件下)不统一,致使健康状态评估结果不准确。通过实验研究分别建立电解电容特征参数C、RC及功率MOSFET漏源极导通电阻Ron与工作温度间的数学模型,从而获得元器件特征参数归一化因子模型;同时,基于元器件失效标准提出了可定量评估电解电容与功率MOSFET健康状态的健康指数HI表达式。研究了采用无迹粒子滤波(UPF)动态更新归一化因子模型参数的方法,从而实现变工作温度下Boost变换器关键元器件健康状态评估。