1.一种LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于，所述连续换相失败故障预警网络训练方法包括以下步骤：步骤1：利用仿真软件对交直流混联网络进行网格式的电磁暂态仿真，获取交直流混联网络的原始运行数据；步骤2：于原始运行数据中获取每个故障场景之下的设定时间窗内的原始运行数据作为原始特征向量，构造连续换相失败故障预警的自动编码器Autoencoder训练集；步骤3：选择隐空间的维度k作为数据压缩的维度，以最小信号重构误差作为目标函数，以Adam梯度下降法训练自动编码器Autoencoder；步骤4：对自动编码器的Encoder进行压缩降维构造新的训练集与测试集；步骤5：使用步骤4得到的新的训练集与测试集训练卷积神经网络分类器即得到连续换相失败故障预警的卷积神经网络分类器；步骤6：最后验证所训练的卷积神经网络分类器性能，判断其准确性和运算时间是否满足精确度阈值P thre 与运算时间上限T thre 要求；若精确度阈值P thre 与运算时间上限T thre 两个要求均不满足，需要对卷积神经网络分类器进行重设计，并且返回步骤5；若精确度阈值P thre 与运算时间上限T thre 两个要求只满足一个，则返回步骤3通过增减隐空间的降维维度k重新训练自动编码器Autoencoder，若精确度阈值P thre 不被满足，即卷积神经网络分类器的精确度P＜P thre ，则增加自编码器网络的隐空间的维度k以增加特征的关键信息；若运算时间上限T thre 不被满足，即卷积神经网络分类器的运算时间T＞T thre ，则需要减少自编码器网络的隐空间的维度k以减少数据特征相量的信息冗余；直到卷积神经网络分类器同时满足精确度阈值P thre 与运算时间上限T thre 要求，则完成连续换相失败故障预警网络的训练。
2.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：在步骤1中，所获得的原始运行数据应涵盖该交直流混联网络的所有可能运行方式。
3.根据权利要求2所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：为了保证连续换相失败预警的可靠性，原始运行数据包含的故障数据以及非故障数据的数据规模应该保证相等。
4.根据权利要求3所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：所述原始运行数据应至少为TB级别。
5.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：在步骤2中，原始运行数据加窗的具体方法为：对所有的原始运行数据标定第一次换相失败的发生时刻，并从先前的测量数据记录中，读取该次换相失败的发生时刻之前1/8个工频周波的直流侧、交流侧电气信息以及控制系统的触发脉冲信息，并且继续对直流侧、交流侧电气信息以及控制系统的触发脉冲信息进行维持1/8个工频周波的测量录波，以得到设定时间窗内对应的初始特征向量。
6.根据权利要求5所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：所述设定时间窗为5ms。
7.根据权利要求5或6所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：所述初始特征向量包括5ms时间窗内的整流侧和逆变侧的直流电流I dr/i 、直流电压v dr/i 、交流侧电流I acr/i 、交流电压U acr/i 及触发角α r/i 和换相重叠角μ r/i 。
8.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：在步骤3中，重构误差定义如下：其中，x为原始数据窗即设定时间窗内的原始运行数据，包括整流侧和逆变侧的直流电流I dr/i 和直流电压v dr/i 和交流侧电流I acr/i 交流电压U acr/i 及触发角α r/i 和换相重叠角μ r/i ， 为经过自编码器网络降维并重构的数据窗， 为原始数据窗与经过自编码器网络降维并重构的数据窗之间的重构误差函数，φ(·)对应Encoder网络的映射函数，ψ(·)对应Decoder网络的映射函数。
9.根据权利要求8所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：维度k的取值范围为[5,50]。
10.根据权利要求9所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：维度k的优选值为10。
11.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：在步骤4中，利用自动编码器的Encoder网络进行隐空间编码，以得到降维至维度为[5,50]范围内的交流电流电压与直流电流电压的通用特征，以两个换相周期之内是否发生连续换相失败作为样本标记，重构特征向量，并且分割新的训练集 与测试集 其中， 为训练集数据对应的重构特征向量，Y train 是训练集数据的标记， 是测试集数据对应的重构特征向量，Y test 是测试集数据的标记。
12.根据权利要求1或11所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：在步骤5中，使用新的训练集 与测试集 训练一个结构简单的二分类卷积神经网络作为卷积神经网络分类器；所述二分类卷积神经网络对应的目标函数是交叉熵，训练方法为Adam梯度下降法；其中， 为特征向量构成的训练集或测试集，Y为特征向量构成的训练集或测试集对应的标记集；z为训练集或测试集中的特征向量，y为训练集或测试集中的特征向量对应的标记；I(·)为指示器函数，其接受一个条件表达式作为变量，表达式为真时返回1，否则返回0。
13.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：若精确度阈值P thre 不被满足，则将维度k+1，然后返回步骤3。
14.根据权利要求1所述的LCC-HVDC连续换相失败故障预警网络训练方法，其特征在于：若运算时间上限T thre 不被满足，则将维度k-1，然后返回步骤3。
15.根据权利要求 1 所述的 LCC-HVDC 连续换相失败故障预警网络训练方法，其特征在于：所述重设计包括：增加或删减卷积层的层数、增加或删减特定卷积层对应的卷积核的通道数、增加或减少特定卷积层对应的卷积核的维度、以及增加或减少最后的全连接层的层数或者维度。
