1.一种模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，包括如下步骤：S1、获取MMC整流及逆变模式下不同子模块开路故障的桥臂电流数据，对数据进行数据增强处理得到扩展数据集；

S2、将扩展数据集中的数据进行配对形成训练集，利用训练集训练构建的深度小波孪生网络，所述深度小波孪生网络包括两个结构相同的深度小波神经子网络，且子网络之间的参数共享权值，深度小波孪生网络的损失函数表示为：式中，N为批训练的样本对数，y为标签，margin为设定的常数，d为输入样本对特征向量之间的欧式距离；

S3、将扩展数据集输入训练好的深度小波孪生网络计算各故障类别的特征聚类中心作为基准特征向量；

S4、获取当前运行情况下的桥臂电流数据输入训练好的深度小波孪生网络，根据输出特征向量与基准特征向量的匹配度进行故障定位；

S5、利用故障定位之后的新增故障数据对深度小波孪生网络进行增量学习，更新故障诊断模型的参数。

2.根据权利要求1所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述步骤S1中数据增强处理方法为，添加不同程度的噪声，并将加噪数据与原数据合并为扩展数据集，具体表示为如下公式：Xi＝X+noisei；

其中，X为原始样本；Xi为生成的添加了不同噪声强度的样本；noisei为不同强度的噪声。

3.根据权利要求2所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述深度小波孪生网络包括两个结构相同的深度小波神经子网络，且子网络之间的参数共享权值。

4.根据权利要求3所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述步骤S3中深度小波孪生网络计算各故障类别的特征聚类中心的方法为：S31、将所有训练样本经深度小波孪生网络提取特征后，求取各类训练样本的低维特征聚类中心作为基准特征向量，其中，所述基准特征向量的计算如下所示：式中Ci为第i类故障的基准特征向量；Ni为第i类故障的样本总数；

Xn为样本；G(Xn)为经深度小波孪生网络提取到的低维特征向量；

S32、根据故障类别的基准特征向量，将待分类样本输入深度小波孪生网络提取的低维特征向量，计算该低维特征向量与基准特征向量之间的距离，将待分类样本归属到与之低维特征向量距离最近的基准特征向量所属的故障类别中。

5.根据权利要求4所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述步骤S32中待分类样本的低维特征向量的提取过程为：S41、输入样本对经过所述深度小波神经子网络的多层隐含层提取其特征，其表达式为：其中，Hl为l层输出，Wl为l层权值，Hl‑1为第l‑1层输出；τl为该层平移因子，al为l层尺度因子；

ψl(·)为该层小波基激活函数，具体表示为，

S42、所述深度小波神经子网络的输出层输出子络提网取的低维特征，其表示为，Gw(X)＝WGHl；

其中，Gw(X)为子网络提取的特征；WG为权值；

S43、输出输入样本对的距离，具体表示为：

Ew(X1，X2)＝‖Gw(X1)‑Gw(X2)‖；

其中，(X1，X2)为输入样本对，Ew(X1，X2)为输入样本对的距离，Gw(X1)、Gw(X2)为经过子网络提取的低维度特征。

6.根据权利要求5所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述故障定位的方法为：根据分类结果定位发生故障的桥臂；

根据故障桥臂中子模块的电容电压变化率定位故障子模块。

7.根据权利要求6所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述定位故障子模块的方法为：提取故障桥臂每个子模块电容电压变化率，将其作为特征值；

计算每个特征值到其近邻的K个特征值之间的平均距离Di；

若Di大于设定的异常阈值Dth且持续预定时间Tth，则判断第i个子模块发生了故障并结束故障定位流程。

8.根据权利要求7所述的模块化多电平换流器的深度小波孪生网络故障诊断方法，其特征在于，所述增量学习包括如下步骤：S51、将新增故障数据通过当前的深度小波孪生模型提取特征，并根据样本类别，求取各类别特征的聚类中心，求取方式为加权平均和方式，表示为：其中，Fi为第i类样本的特征聚类中心； 为第i类样本的第n个特征；Mi为第i类样本数；

S52、利用新增故障数据的特征聚类中心更新原基准特征向量，其更新的方式表示为：其中， 为更新后的第i类故障基准特征向量；Ni为原训练集第i类故障样本数，Ci为第i类故障基准特征向量；

S53、将更新后的基准特征向量作为故障识别模型中的基准特征向量应用于后续故障诊断。