1.一种对高压直流输电换向失败进行识别的模型，其特征在于，它包括数据采集模块(1)、特征提取模块(2)、决策模块(3)、输出模块(4)；

数据采集模块(1)用于对原始数据进行采集及数据预处理；

特征提取模块(2)用于从原始数据中进行特征提取并进行分类，并对所提特征数据进行计算将其转化为分类器可用的样本集；

决策模块(3)用于进行首次换相失败识别及后续换相失败预测；

输出模块(4)用于输出预测结果。

2.根据权利要求1所述的模型，其特征在于，数据采集模块(1)的输出端与特征提取模块(2)的输入端连接，特征提取模块(2)的输出端与决策模块(3)的输入端连接，决策模块(3)的输出端与输出模块(4)的输入端连接；

特征提取模块(2)包括第一特征计算单模块(2‑1)、第二特征计算模块(2‑2)，决策模块(3)包括首次换相失败识别模块(3‑1)、后续换相失败预测模块(3‑2)；

数据采集模块(1)的输出端均与第一特征计算模块(2‑1)、第二特征计算模块(2‑2)的输入端连接，第一特征计算单元(2‑1)的输出端与首次换相失败识别模块(3‑1)的输入端连接，首次换相失败识别模块(3‑1)的输出端与输出模块(4)、以及第二特征计算模块(2‑2)的输入端连接，第二特征计算模块(2‑2)的输出端与后续换相失败预测模块(3‑2)的输入端连接，后续换相失败预测模块(3‑2)的输出端与输出模块(4)的输入端连接。

3.根据权利要求2所述的模型，其特征在于，第一特征计算模块(2‑1)用于将第一段原始特征量转化为分类器可用的特征量，第二特征计算模块(2‑2)将第二段原始特征量转化为分类器可用的特征量，首次换相失败识别模块(3‑1)用于识别首次换相失败，后续换相失败预测模块(3‑2)用于预测后续换相失败。

4.根据权利要求2所述的模型，其特征在于，数据采集模块(1)包括数据采集模块(1‑

1)、初步计算模块(1‑2)，数据采集模块(1‑1)的输出端与初步计算模块(1‑2)的输入端连接，初步计算模块(1‑2)的输出端与第一特征计算模块(2‑1)、以及第二特征计算模块(2‑2)的输入端连接。

5.根据权利要求2所述的模型，其特征在于，特征提取模块(2)、决策模块(3)协同工作时，包括以下步骤：步骤1：特征提取模块(2)从原始电气量数据中提取出用于换相失败识别及预测所需要的两段电气特征量数据；

步骤2：将第一段数据通过第一特征计算模块(2‑1)进行计算转化为分类器可用的样本并输入至决策模块(3)中的首次换相失败识别模块(3‑1)，以进行首次换相失败识别；

步骤3：由首次换相失败识别模块(3‑1)的输出结果判断换相是否失败，若输出结果为无换相失败发生，则将识别结果输出至输出模块(4)；

步骤4：若输出结果为发生首次换相失败，则向第二特征计算模块(2‑2)发出信号，则由第二特征计算模块(2‑2)对第二段数据进行计算转化为分类器可用的样本并输入至决策模块(3)中的后续换相失败预测模块(3‑2)，以进行后续换相失败预测；

步骤5：由输出模块(4)输出模型预测结果。

6.一种进行换相识别、预测的ELM网络模型，其特征在于，它在建立时采用以下步骤：步骤1.对首次换相失败识别模型进行训练；

步骤1包括以下步骤：

1)选择满足无限可微的函数g1(x)作为隐含层节点的激活函数，随机设定输入层与隐含层之间的权值ω1和隐含层节点的阈值b1；

2)选择准确率最高的函数作为激活函数，通过改变ELM算法的隐含层节点数目，比较不同隐含层节点数时的准确率，从而选择最优的隐含层节点数；

3)计算隐含层输出矩阵H1；

+

4)计算输出矩阵H1的Moor‑Penrose广义逆H1；

5)计算输出输出权重β1，得到模型输出T1＝H1β1；

通过以上步骤完成首次换相失败识别模型训练；

步骤2.对后续换相失败预测模型进行训练；

步骤2包括以下步骤：

1)选择满足无限可微的函数g2(x)作为隐含层节点的激活函数，随机设定输入层与隐含层之间的权值ω2和隐含层节点的阈值b2；

2)选择准确率最高的函数作为激活函数，通过改变ELM算法的隐含层节点数目，比较不同隐含层节点数时的准确率，从而选择最优的隐含层节点数；

3)计算隐含层输出矩阵H2；

+

4)计算输出矩阵H2的Moor‑Penrose广义逆H2；

5)计算输出输出权重β2，得到模型输出T2＝H2β2；

通过以上步骤完成后续换相失败识别模型训练。

7.根据权利要求6所述的进行换相识别、预测的ELM网络模型，其特征在于，在步骤1.3)中，矩阵H1为：其中，r为样本数量，l为隐含层节点数，F1j、ω1i、b1i分别为隐含层神经元的输入向量、输入权值向量和阈值向量(j＝1，2，…，r；i＝1，2，…，l)；

+

在步骤1.4)中，采用奇异值分解法计算输出矩阵H1的Moor‑Penrose广义逆H1；

在步骤1.5)中，β1的计算公式如下：

+

β1＝H1T1；

在步骤2.3)中，矩阵H2为：

其中，R为样本数量，L为隐含层节点数，F2j、ω2i、b2i分别为隐含层神经元的输入向量、输入权值向量和阈值向量(j＝1，2，…，R；i＝1，2，…，L)；

+

在步骤2.4)中，采用奇异值分解法计算输出矩阵H2的Moor‑Penrose广义逆H2；

在步骤2.5)中，β2的计算公式如下：

+

β2＝H2T2。

8.根据权利要求7所述的模型，其特征在于，在首次换相失败识别模型中，得到分类结果T1后，根据故障下的电气特征量识别各故障下是否已经会发生换相失败；

在后续换相失败预测模型中，得到分类结果T2后，根据故障下的电气特征量预测各故障下是否将会导致后续换相失败。

9.一种高压直流输电换相失败识别、预测方法，其特征在于，包括以下步骤：步骤1：对逆变侧换流母线电压不断进行检测，当检测到电压发生突变时，进行数据采集和数据预处理，以获得原始电气量数据；

步骤2：从原始电气量数据中提取出用于换相失败识别及预测所需要的两段电气特征量，将第一段数据进行计算转化为ELM分类器可用的样本并输入至决策模块；

步骤3：将特征提取模块传来的第一段样本作为首次换相失败识别模型的输入，判断是否已经发生首次换相失败，若没发生，则将结果输送至输出模块；

步骤4：若发生首次换相失败，则向特征提取模块发出信号，进行第二段数据计算处理并输入至决策模块的后续换相失败预测模型中进行后续换相失败预测并将预测结果输入至输出模块；

步骤5：由输出模块将最终换相失败信息输送出来。

10.根据权利要求9所述的方法，其特征在于，采用ELM网络模型作为首次换相失败识别模型，对首次换相失败识别模型进行训练时，采用以下步骤：

1)选择满足无限可微的函数g1(x)作为隐含层节点的激活函数，随机设定输入层与隐含层之间的权值ω1和隐含层节点的阈值b1；

2)选择准确率最高的函数作为激活函数，通过改变ELM算法的隐含层节点数目，比较不同隐含层节点数时的准确率，从而选择最优的隐含层节点数；

3)计算隐含层输出矩阵H1；

+

4)计算输出矩阵H1的Moor‑Penrose广义逆H1；

5)计算输出输出权重β1，得到模型输出T1＝H1β1；

通过以上步骤完成首次换相失败识别模型训练。