1.一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，包括：
步骤1、从每组原始量测数据中提取其对应的观测窗口内的一组母线电压离散点集，并构建每组离散点集对应的电压幅值矩阵和电压相角矩阵；
步骤2、根据每组原始量测数据对应的功角曲线形态，确定其对应工况在所述观测窗口之后的预设时间段位置处的失稳模式标签信息；
步骤3、基于所有样本，通过监督学习，训练得到神经网络预判模型，其中，每个样本包括一组原始量测数据对应的所述电压幅值矩阵、所述电压相角矩阵和所述失稳模式标签信息。
2.根据权利要求1所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述步骤1包括：
获取不同潮流运行工况、故障线路、故障位置和/或故障持续时间下的多组原始量测数据；提取每组原始量测数据在其对应的观测窗口内每相隔半周波的母线电压相量以构成电压幅值初始矩阵和电压相角初始矩阵；采用z-score标准化法，标准化所有所述电压幅值初始矩阵和所有所述电压相角初始矩阵，形成每组原始量测数据对应的电压幅值矩阵和电压相角矩阵。
3.根据权利要求1所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述步骤1还包括：
向每组离散点集对应的电压幅值矩阵和电压相角矩阵中添加噪音数据，形成新的电压幅值矩阵和新的电压相角矩阵。
4.根据权利要求1所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述步骤2中，所述根据每组原始量测数据对应的功角曲线形态，具体为根据每组原始量测数据对应的功角曲线形态以及各功角失稳模式的形成因素。
5.根据权利要求1所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述失稳模式标签信息包括稳定模式、暂态失稳模式和动态失稳模式。
6.根据权利要求1至5任一项所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述卷积神经网络预判模型包括：
卷积神经网络，用于从每个样本中提取特征向量，并发送至全连接神经网络；
所述全连接神经网络，用于基于每个样本对应的所述特征向量，通过非线性变换和softmax函数，对该样本进行分类。
7.根据权利要求6所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述卷积神经网络包括依次连接的卷积层、批标准化层、激活函数和dropout层；
所述全连接神经网络包括：依次连接的全连接层和dropout层，以及均与所述dropout层连接的三个神经元。
8.根据权利要求7所述的一种电力系统故障后功角失稳模式的预判模型构建方法，其特征在于，所述监督学习具体为：
采用带热重启的随机梯度下降法，并以交叉熵损失函数作为目标函数，进行监督学习，其中，在监督学习过程中，对卷积神经网络预判模型中不同层的输出结果进行可视化。
9.一种电力系统故障后功角失稳模式预判方法，其特征在于，包括：
步骤1、在待测电力系统发生故障后，采集故障后观测窗口的待测原始量测数据；
步骤2、基于如权利要求1至8任一项所述的一种电力系统故障后功角失稳模式的预判模型构建方法中步骤1的数据处理方法，对所述待测原始量测数据处理，得到一组电压幅值矩阵和电压相角矩阵；
步骤3、基于所述一组电压幅值矩阵和电压相角矩阵，采用如权利要求1-8任一项所述的一种电力系统故障后功角失稳模式的预判模型构建方法构建得到的神经网络预判模型，预判得到故障后功角失稳模式。
10.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述如权利要求1至8任一项所述的一种电力系统故障后功角失稳模式的预判模型构建方法和/或如权利要求9所述的一种电力系统故障后功角失稳模式预判方法。