随着社会经济的快速发展,人类对电的需求逐步扩大,但传统的风力光伏发电技术受到运输距离远、规模极大的限制,使得电力在传输过程中的成本极为昂贵,且电力系统并网点电压极为不稳定。模块化多电平换流器（Modular Multilevel Converter,MMC）具有开关损耗较小及输出电压谐波畸变风险小等显著优点,在新能源发电中使用极为宽泛。但MMC具有极多的子模块,每个子模块内部元器件都是隐藏的故障点,极易影响整个系统运行的平稳性。因此,本文以三相MMC为研究模型,采用半桥型子模块结构,围绕绝缘栅双极晶体管（IGBT）开路故障分类及其定位展开研究。本文主要研究工作围绕以下几点展开:1、结合MMC的机理,基于PSCAD平台建立MMC仿真模型,对IGBT开路故障特性进行仿真研究,并分析桥臂电压、环流等物理量故障前后波形变化,同时采集实验数据。针对MMC不平稳的故障信号时间复杂度高导致特征提取效果不理想的问题,本文提出一种基于最大重叠离散小波包变换（Maximal Overlap Discrete Wavelet Packet Transform,MODWPT）能量熵的方法。该方法对原始故障信号进行6层MODWPT分解,进而通过能量熵技术进一步处理该信号,基于PSCAD平台建立MMC仿真模型,通过IGBT开路故障特性仿真及采集故障后的桥臂电压、环流,以欧氏距离作为评判指标,同时进行相关方法的对比验证,实验结果表明基于MODWPT能量熵方法的优越性,对MMC故障特征提取具有重要意义。2、针对深度神经网络（Deep Neural Network,DNN）在IGBT开路故障分类中,参数设置过于繁杂的问题,本文提出一种基于DNN-贝叶斯的故障分类算法。该方法以DNN作为分类器,采用贝叶斯迭代器对冗杂的DNN参数组合进行寻优,贝叶斯迭代器以之前的评价信息为基础,通过较少的寻优次数确定DNN最佳超参数组合,从而获得最优DNN分类模型。以基于MODWPT能量熵方法提取的特征向量作为输入,与多种方法进行对比,实验结果表明,基于DNN-贝叶斯的方法能够明显提升故障分类准确度,具有较强的鲁棒性。3、为获得故障分类后准确定位到具体的故障子模块位置,以及解决支持向量机（Support Vector Machine,SVM）核函数及其参数选择困难的问题,本文提出一种基于多核SVM的故障子模块定位算法。该方法通过随机搜索优化算法确定单一核函数的最佳参数组合,同时预先挑选出训练效果较好的单一核函数,采用累加权值的方法进行多核SVM的组合。结合MMC仿真模型进行实验,实验结果表明,由线性核函数与高斯核函数组合的多核SVM子模块故障定位算法,与基于单一核函数和其它组合核函数的SVM相比,故障定位准确率得到了显著提升,模型的正确性得到有效的验证,能够精确地找到故障子模块的具体位置。