1.一种模块化多电平换流器型高压直流输电故障诊断方法，其特征在于包括：

S1建立基于PSCAD/EMTDC的四终端MMC‑HVDC电磁暂态模型；

S2设置换流站传感器，所述传感器收集正负电压和正负电流的四个电气量；

S3设置故障数据集，故障数据集数据分布在(0，1)之间，所述故障数据集数据来自传感器；

S4建立基于Bi‑GRU的深度学习模型，模型包括输入层、隐藏层、输出层和训练网络，所述输入层是模型的底部，将收集的故障数据集采用批量处理技术进行规范化、标记化和批量处理，分批处理行波数据后，表示为[x1,x2,x3...xn]"n"为序列长度，所述隐藏层是模型的中间部分，是特征提取的主要部分，在每一步中，多个Bi‑GRU层被堆叠并用于输入序列的[x1,x2,x3...xn]特征提取，作为一个封闭的双向网络，多层Bi‑GRU将对未来信息和历史信息预测权重，隐藏层的输出序列表示为[y1,y2,y3...yα]，输出形状被重组为[批次序列大小、步数大小、尺寸]，所述输出层是模型的顶部组件，它根据隐藏层的提取特征输出确定输入序列中每个元素的类型，隐藏层的输出是三维张量，而完整连接层的输入需要是二维张量，输出在发送到完整连接层之前需要进行成形，因此，[y1,y2,y3...yα]从[批次大小、步数大小、GRU神经元数量]到[批次大小×步大小、GRU神经元数量]进行重塑，完全连接的层输出[o1,o2,o3...oβ]，其形状是[批次大小×步大小，完全连接的神经元的数量]，最后，外层直接[o1,o2,o3...oβ]发送到softmax层；

输入与输出对应的标签是一个离散值，由于离散值与不确定区间的产值之间的误差难以测量，通过softmax运算解决，softmax回归与线性回归相同，将输入特征与权重做线性叠加的，通过下式将输出值变换成值为正且和为一的概率分布：softmax层的形状输出为[Batch_size、步骤、故障类型和位置]，Softmax的总输出为1，输出值被视为预测故障类型和位置的概率；

训练上述模型是通过时间展开模型，然后使用反向传播通过时间策略，softmax输出是根据上述网络获得的，误差参数是通过反向推进计算的，模型参数的梯度根据误差参数计算，损失函数选择交叉熵和亚当算法作为优化方法；

交叉熵损失函数如下公式所示：

Θ和n表示培训数据集中的模型参数和样本数。

2.根据权利要求1所述的一种模块化多电平换流器型高压直流输电故障诊断方法，其特征在于，所述传感器用于收集故障的时间序列电气数据并设置故障数据集。

3.根据权利要求1所述的一种模块化多电平换流器型高压直流输电故障诊断方法，其特征在于，所述GRU为三层堆叠，神经元数量256。