1.一种双神经网络模型卫星电源系统故障诊断方法，其特征在于：包括以下步骤：步骤S1、采集卫星电源系统数据：进行神经网络模型训练需要大量的数据，数据通过分布在卫星电源系统分流调节器、充电调节器、放电调节器、母线取值模块、太阳电池阵以及蓄电池组的传感器进行采集；

步骤S2、卫星电源系统数据预处理：将采集到的数据通过滑动时间窗分为多维时间序列，并通过训练好的栈式降噪自编码器进行处理，去掉无效干扰数据；

步骤S3、卫星电源系统数据分类：将预处理过的数据进行分类，将连接在分流调节器、充电调节器、放电调节器的传感器采集到的数据分为任务性数据集，将连接在母线取值模块、太阳能电池阵及蓄电池组的传感器采集到的数据分为受卫星状态影响较大的数据集，分别记为数据类型Ⅰ及数据类型Ⅱ，为之后进行不同数据类型的神经网络模型训练做准备；

步骤S4、双神经网络模型训练：搭建CTCN‑GRU模型和TCN‑A‑GRU模型，将步骤S3中分类好的数据类型Ⅰ和数据类型Ⅱ分别输入CTCN‑GRU模型和TCN‑A‑GRU模型中进行训练；

步骤S5，双神经网络模型使用：通过实际训练得到的神经网络模型来进行实际故障诊断效果测试，将实际采集到的数据经步骤S2及步骤S3后将其输入到训练好的双神经网络中进行识别，将网络模型输出与实际卫星电源系统的状态进行对比，对网络性能进行评价。

2.根据权利要求1所述的一种双神经网络模型卫星电源系统故障诊断方法，其特征在于：所述步骤S2中自编码器的编码过程公式表示为：m m

h＝f(Wx+b)；

m m

其中，x表示高维空间的训练样本集，h 表示通过编码器得到隐藏层的输出向量集，f表示输入层到隐藏层的激活函数，W为权值矩阵，b为偏置向量；

自编码器的解码过程公式表示为：

m

其中， 表示h通过逆变换得到的与输入样本集相同维度的数据集，g表示隐藏层到输出层的激活函数，W′表示权值矩阵，d为偏置向量；

采用均方误差作为自编码器的损失函数，其表达式如下：

其中，W、W′表示权值矩阵，b、d为偏置向量，m为层数，x为样本数据，为隐藏层输出向量通过逆变换得到的与输入样本集相同维度的数据，通过设置迭代次数，使得损失函数达到m最小，以得到编码器的输出h；栈式自编码器由多个上述自编码器堆叠而成。

3.根据权利要求1所述的一种双神经网络模型卫星电源系统故障诊断方法，其特征在于：所述步骤S3中将数据类型Ⅰ的90％分为训练集Ⅰ、10％分为测试集Ⅰ，将数据类型Ⅱ的

90％分为训练集Ⅱ、10％分为测试集Ⅱ，利用训练集Ⅰ和训练集Ⅱ对搭建的CTCN‑GRU模型和TCN‑A‑GRU模型分别进行故障诊断训练。

4.根据权利要求3所述的一种双神经网络模型卫星电源系统故障诊断方法，其特征在于：所述CTCN‑GRU模型搭建过程为：TCN包括因果卷积层、膨胀卷积层以及残差连接结构，在因果卷积层前增添卷积层，输入数据经卷积层、因果卷积层、膨胀卷积层和残差连接层进行特征提取处理，其中，膨胀卷积的运算式为：其中，x为输入序列；f为过滤器；d为膨胀系数；k为卷积核大小；s‑di确保只能对过去的输入做卷积操作；

经CNN层进行特征提取后输入到因果卷积层进行受时间约束的数据处理，所得到的数据输入到膨胀卷积层中扩展感受野，TCN层与层之间使用残差连接，每层中使用Dropout层来正则化网络，经TCN进行特征提取后的数据输入GRU中进行进一步处理；其中，GRU的输出状态的计算公式为：其中，xt为t时刻的输入，ht为t时刻的输出或状态，ht‑1为t‑1时刻的状态，w为权重，σ为激活函数sigmoid(·)，tanh(·)为激活函数，zt、rt、gt为中间变量。

5.根据权利要求3所述的一种双神经网络模型卫星电源系统故障诊断方法，其特征在于：所述TCN‑A‑GRU模型搭建的过程为：TCN包括因果卷积层、膨胀卷积层以及残差连接结构，数据在经TCN处理后进一步输入至GRU中处理，并引入注意力机制，所述注意力机制的计算公式如下：其中，ai为注意力权重分配；hi为隐藏层输出；c为注意力机制输出，i为隐藏层数。

6.根据权利要求3所述的一种双神经网络模型卫星电源系统故障诊断方法，其特征在于：所述测试集Ⅰ和测试集Ⅱ中的数据分别输入训练好的CTCN‑GRU模型和TCN‑A‑GRU模型进行故障诊断。