模块化多电平换流器（modular multilevel converter,MMC）由于其模块化和可扩展性而显示出极其重要的工程应用前景。MMC的子模块（Sub-Module,SM）包含大量功率设备,使MMC的每个子模块都可能成为故障点,这可能会使MMC中的电压和电流失真,甚至在严重的情况下甚至损坏MMC。因此MMC可靠性研究已经成为学术界和工业界的研究热点,而研究MMC子模块故障特征提取与实时定位策略是MMC可靠性研究的重要课题。本文以HB-SM的三相六桥臂对称结构的MMC拓扑为研究对象,提出一种基于数据挖掘的MMC子模块故障特征提取与实时定位策略,包含MMC子模块滑动时间窗口故障特征提取策略和基于滑动时间窗口特征提取的二维神经网络（two-dimensional Convolutional Neural Networks,2D-CNNs）故障诊断策略,从数据泛在关系出发为MMC子模块故障特征提取与实时定位研究提供新的思路。具体研究内容及创新性成果如下:（1）详细分析了MMC的工作原理,建立了详尽的MMC数学模型,在此基础上给出了具体的MMC系统控制,包括总体控制、电容电压平衡控制、二倍频环流抑制,基于MMC数学模型及系统控制对MMC子模块开路故障特征进行深入的分析,分析MMC子模块在功率开关T1开路故障和功率开关T2开路故障下MMC的故障特性。（2）提出了一种MMC子模块滑动时间窗口故障特征提取策略,用滑动时间数据矩阵对MMC的电容电压、环流、桥臂电流、直流侧电压、三相电流和电压以及时间等无限长流量信号序列集合进行采样,结合滑动时间窗口理论,提出基于滑动时间窗口的快速小波包变换算法提取故障信号时域和频域综合特征—滑动时间窗口小波包系数,基于相邻滑动时间窗口之间的存在一部分相同小波包系数数据组的特征关系,利用相邻滑动时间窗口之间的数据重叠关系提取滑动时间数据矩阵信号时域和频域综合特征,在两次相邻滑动间隔通过预先存储一部分与前次的滑动时间窗口收集的信号序列的相同小波包系数,避免重复计算过程,以较小的存储空间为代价,获得了计算效率很高的MMC子模块小波变换实时特征提取算法。该特征提取策略是将大数据处理技术应用于MMC系统可靠性研究的新思路,从数据泛在关系出发开展MMC子模块开关开路故障研究,同时基于奈奎斯特采样定理和中心频谱分析理论选择最佳滑动时间窗口间隔。（3）提出了一种基于滑动时间窗口特征提取的2D-CNNs故障诊断策略,基于滑动时间窗口小波包系数特征关系,分析滑动时间窗口的故障特征能量熵特征表达与输入,将故障特征能量熵作为输入量输入到二维卷积神经网络经离线训练后,积累足够样本数量的训练数据与结果,进行实时在线故障检测和识别,生成可能故障类型的发生概率P（F）,判别P（F）值是否达到故障标准,可同时实现子模块开路故障故障检测和定位。同时对基于滑动时间窗口特征提取的2D-CNNs故障诊断策略进行性能评估与对比。所提的策略可以在时域和频域上均具有简洁、低数据量的特征样本的优点,可以有效地实现故障的定位,从而可以在短时间内高精度地定位故障。另外,它不需要MMC的数学模型和经验阈值的手动设置。（4）基于专业工具PSCAD/EMTDC仿真软件及实验室搭建的小型样机均验证了所提出的基于数据挖掘的MMC子模块故障特征提取与实时定位策略的可行性和在不同工况和工作模式下MMC子模块故障特征提取与实时定位策略的有效性。