卫星电源系统是卫星的唯一能量来源,同时也是非常容易出现故障的分系统中之一,通过有效的故障诊断技术以提高对其的维修和维护能力一直是卫星电源领域的研究重点。一方面,由于经济性、可重复性等原因,针对卫星电源的故障诊断研究大多采用仿真手段;同时,由于卫星电源系统结构复杂、拥有大量遥测数据,通过数据进行驱动的故障诊断方法逐渐取代基于模型的而成为一个重要研究方向。基于此,本文以地球同步轨道卫星(Geosynchronous Satellite,GEO)的电源分系统作为研究对象,对其进行系统级的数学建模和故障仿真,并利用基于深度学习的数据驱动故障诊断方法对其典型故障模式进行诊断。本文的研究内容主要包括:首先在掌握GEO卫星电源分系统工作模式的基础上,选择合适的拓扑基本结构,确定各模块(包括蓄电池组、太阳电池阵、以及各种电源控制器)的基本构成。根据设定的仿真系统技术指标对各模块进行建模,通过对其进行数学建模并搭建仿真模型,实现系统级的仿真并进行分析;其次对卫星电源系统故障中的典型模式进行总结,通过灵活的故障注入方式实现过程可控可重复的故障仿真并对反映系统状态的关键参数进行监测和采集;最后基于得到的监测数据,针对卫星电源系统提出基于时间卷积网络(Temporal Convolutional Network,TCN)的故障诊断方法,通过“序列到序列”的分类方式实现对系统运行时每个时间步的状态进行识别。通过将卷积架构引入故障诊断领域,直接面向多维时间序列,无需人工特征提取及选择,实现端到端的故障诊断。利用合理的评价指标对诊断结果进行评估与分析,并与序列建模领域的经典算法进行对比。实验结果证明,本文搭建的卫星电源系统仿真模型符合仿真设定的系统指标,能够合理的描述GEO卫星电源分系统的工作状态。对各部分典型故障模式的故障仿真结果与系统运行机理相匹配,能够为后续故障诊断提供支持。提出的基于TCN的数据驱动故障诊断方法,最大限度地减少人工参与,真正实现“端到端”的故障诊断。通过评价指标对结果进行评估,本文所提方法相较于LSTM与Bi LSTM相比准确率有所提高的同时兼顾运行效率,验证了诊断算法的有效性。