1.一种进行换相识别、预测的ELM网络模型的获取方法，其特征在于，包括以下步骤：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：

1‑1）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；

1‑2）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；

1‑3）计算隐含层输出矩阵H1；

+

1‑4）计算输出矩阵H1的Moor‑Penrose广义逆H1；

1‑5）计算输出权重β1，得到模型输出 ；

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：

2‑1）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；

2‑2）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；

2‑3）计算隐含层输出矩阵H2；

+

2‑4）计算输出矩阵H2的Moor‑Penrose广义逆H2；

2‑5）计算输出权重β2，得到模型输出 ；

通过以上步骤完成后续换相失败识别模型训练；

通过以上步骤获取进行换相识别、预测的ELM网络模型。

2.根据权利要求1所述的方法，其特征在于，在步骤1‑3）中，矩阵H1为：；

其中，r为样本数量，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，其中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：。

3.根据权利要求1所述的方法，其特征在于，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，其中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：。

4.根据权利要求2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。