模块化多电平矩阵变换器（modular multilevel matrix converter，M3C）是一种用于海上风力发电的低频电力传输AC-AC变换器。为了提高M3C工作的可靠性和稳定性，对其子模块中IGBT（insulated gate bipolar transistor）的开路故障需要有高效准确的诊断方法，为此提出了基于卷积神经网络（convolutional neural network，CNN）和门控循环单元（gated loop unit，GRU）相结合的深度学习故障诊断方法。在对M3C子模块运行工况分析基础上对原始故障数据进行小波包分析，并通过时序图像转换将其中高频分量转化为二维故障图片作为深度学习的训练及验证数据集，经过CNN对高维数据的特征提取，再通过GRU对数据进行优化训练，实现了对M3C故障类别的诊断识别。所提方法相比传统方法具有更加准确、快速的故障诊断能力。
