1.一种无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，包括以下步骤：步骤A，采集无人驾驶列车M种不同已知故障类型下的多组建模数据，其中，每组建模数据包括各故障类型下的电气系统总电压数据、电气系统总电流数据、电气系统中各电气设备的电压数据、电气系统中各电气设备的电流数据；将各组建模数据转换为额定工作频率相同的时序序列后，按照设定的比例将转换后的多组建模数据分成训练集和测试集；

步骤B，基于以总电压时间序列和总电流时间序列作为输入向量、以各电气设备的电压时间序列和各电气设备的电流时间序列作为输出向量的深度学习模型，利用训练集对深度学习模型进行训练，同时，利用测试集对深度学习模型进行测试，当测试结果的准确率未达到设定要求时，更新深度学习模型并继续训练，否则终止训练并获得训练好的深度学习模型；

步骤C，利用特征提取方法提取训练集经由深度学习模型后输出的各输出向量中的电力特征；

步骤D，利用特征选择方法对提取的电力特征进行选择，基于以选择好的电力特征作为输入量、以电力系统故障诊断类型作为输出量的分类器，利用训练集对分类器进行训练，同时，利用测试集对分类器进行测试，当测试结果的故障类型诊断准确率未达到设定要求时，基于更新后的特征选择方法和分类器继续训练，否则终止训练并确定特征选择方法和训练好的分类器；

步骤E，采集待诊断的电气系统的多组实测数据，其中，每组实测数据包括待诊断的电气系统的总电压数据和总电流数据，将各组实测数据转换为额定工作频率相同的总电压时间序列和总电流时间序列，将实测数据对应的总电压时间序列和总电流时间序列作为输入向量输入经由步骤B确定的深度学习模型，利用步骤C中的特征提取方法提取实测数据经由深度学习模型后输出的各输出向量中的电力特征，利用经由步骤D确定的特征选择方法对实测数据对应的电力特征进行选择，并将选择获得的实测数据对应的电力特征输入经由步骤D确定的分类器，分类器输出待诊断的电气系统的故障类型。

2.如权利要求1所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，所述步骤B中的深度学习模型包括一个CNN框架和一个QRNN框架。

3.如权利要求1所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，所述步骤C中的特征提取方法包括物理特征提取方法和时序特征提取方法。

4.如权利要求3所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，所述步骤C中，时序特征提取方法包括：将深度学习模型输出的电压时间序列和电流时间序列进行分解，获得K个带宽之和最小的IMF分量；

计算各IMF分量的多尺度排列熵，将得到的排列熵特征数据作为时序特征。

5.如权利要求1所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，所述步骤D中，所述特征选择方法为强化学习方法。

6.如权利要求1所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，所述步骤D中的分类器为SRU分类器。

7.如权利要求2所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，CNN框架中的激活函数为ReLU函数，CNN框架中的优化算法为Adam算法。

8.如权利要求4所述的无人驾驶列车车载电气系统故障非侵入诊断方法，其特征在于，利用变分模态分解方法对深度学习模型输出的电压时间序列和电流时间序列进行分解。