本发明涉及新能源配电网过流保护，具体为一种特征能量谱故障识别的新能源配电网过流保护系统。
背景技术：
1、目前，新型电力系统背景下，以分布式新能源为主体电源占比不断攀升，随着大规模分布式新能源并网对电力系统的影响，表现出稳态工频分量大幅度减弱且失去稳定，各种整次和非整次谐波大幅度增强的特点，同时，故障类型、故障位置、持续时间等其他因素的不确定性，使得新能源电源的故障特性缺乏规律可言，因此，故障特性的改变使得传统配电网电流保护失去其原有的适应性，现有保护的性能明显下降，误动或拒动的情况也时有发生；
2、随着分布式新能源的大批量接入，使得配电网由传统的单电源网络变为双电源甚至多电源网络，其潮流分布规律和网供负荷的性质发生了变化，造成了传统保护方案难以适应、新问题层出不穷，发电时大量的分布式电源不仅具有时断时续的特性，传统过电流保护方案很难整定，而且，逆变型分布式电源与传统的同步机类型的电源存在差异，采取的控制策略往往会对其故障输出特性造成较大的影响，因此，对含分布式电源的配电网过流保护适应性分析，不仅实现含分布式电源配电网过电流保护的故障安全风险分析，对新能源接入后配电网过流保护方案的设计以及提高配电网安全可靠运行具有重要意义。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本发明提供了一种特征能量谱故障识别的新能源配电网过流保护系统，具备提高保护速度等优点，解决了上述技术问题。
3、(二)技术方案
4、为实现上述目的，本发明提供如下技术方案：一种特征能量谱故障识别的新能源配电网过流保护系统，包括多频率电流波形采集模块、波形分拣模块、波形处理模块、电流特征能量谱转化模块、电流特征能量谱提取模块、电流特征能量谱多分辨率模块、故障类型识别模块、电流特征能量谱横向比较模块、电流特征能量谱纵向比较模块、电流特征能量谱数据库模块、电流特征能量谱检测模块、新能源配网过流保护判别逻辑模块和系统执行模块；
5、所述多频率电流波形采集模块用于采集、存储配电网电流波形，所述波形分拣模块通过极限学习机算法对多频率电流波形进行分拣归类，所述多频率电流波形采集模块包括工频电流波形采集单元和非工频电流波形采集单元，所述工频电流波形采集单元和非工频电流波形采集单元分别对工频电流波形、非工频电流波形数据进行采集；
6、所述波形处理模块用于波形数据进行预处理，消除电磁干扰、系统扰动引起的波形畸变，同时对多频数据进行分解；
7、所述电流特征能量谱转化模块通过小波包对分解的波形进行特征能量谱转化，所述电流特征能量谱提取模块将特征能量谱提取量作为分类器的输入量，所述电流特征能量谱多分辨率模块用于识别最小频率的分解量；
8、所述故障类型识别模块通过特征能量谱对新能源配电网的故障进行识别，同时针对故障类型识别模块识别的不同故障，分别由电流特征能量谱横向比较模块和电流特征能量谱纵向比较模块进一步识别；
9、所述电流特征能量谱横向比较模块用于处理特定频率电流波形前1/4周波与后1/4周波的特征能量谱比对后输出判别指令；
10、所述电流特征能量谱纵向比较模块进一步识别故障的过程为：经电流特征能量谱数据库模块进行特征能量谱的训练，通过电流特征能量谱检测模块对有效特征能量谱进行检测，电流特征能量谱纵向比较模块与历史特征能量谱数据库进行纵向比较并输出判别指令；
11、所述电流特征能量谱横向比较模块和电流特征能量谱纵向比较模块输出的判别指令传送至新能源配网过流保护判别逻辑模块，并经过新能源配网过流保护判别逻辑模块的数据经过判别指令或电流量判据满足，最后输出至系统执行模块。
12、作为本发明的优选技术方案，所述工频电流波形采集单元对波形输入经过模拟低通滤波器后引入dft正交系数，并经过同步采样单元和工频向量计算数字滤波器最终输出工频电流波形，工频向量计算数字滤波器采用hamming窗低通滤波器进行滤波计算，其具体表达式如下：
13、
14、其中，x(i)表示汉宁窗函数的自变量，i表示窗口的位置，h＝0,1，2…n-1表示窗函数的宽度，n表示窗函数的窗长，f0表示采样频率，wk表示hamming窗函数的系数，e表示自然对数，上标j表示虚数单位，gain表示矩形窗函数；
15、所述非工频电流波形采集单元对输入的波形数据经过同步采样单元，进行旋转因子计算，之后通过结合频谱校正的加窗fft算法完成2～2.5khz范围的非工频电流波形同步向量采集，其中非工频电流波形同步采集数据应用汉宁窗频谱函数，其具体表达式如下：
16、
17、其中，wh(ω)表示汉宁窗频谱特性函数，ω∈[-π,π]表示角频率，n表示窗函数的窗长，wr(*)表示汉宁窗的连续谱，且wr(ω)的表达式如下：
18、
19、其中，sin(*)表示正弦函数，e表示自然对数，上标表示虚数单位，ω表示角频率，n表示窗函数的窗长；
20、当非工频电流波形采集单元接收到的非工频电流信号的实际频率不是fft的频率分辨率的整数倍时，则利用主瓣内相邻两条最大谱线的幅值比值来估计信号的实际频率位置，实际频率fr具体表达式如下：
21、
22、其中，表示频率点，表示第个频率点的分辨率，表示第个频率点的信号时间，表示一个整数值，代表与实际频率分量fr最接近的fft频点，表示实际频率分量fr相对，的偏移量，δ表示频率偏移，其具体表达式如下：
23、
24、其中，表示第条谱线的幅值，表示第条谱线的幅值，表示第条谱线的幅值，|*|表示谱线幅值绝对值。
25、作为本发明的优选技术方案，所述波形分拣模块中极限学习机算法包含输入层、隐含层和输出层，极限学习机算法的数学模型如下：
26、
27、简化得到如下表达式：
28、hβ＝y
29、其中，h表示隐含层输出矩阵，β表示隐含层输出权值矩阵，y表示输出层期望输出矩阵，βσ表示第σ个隐含层节点至输出神经元的输出权重，ωσ表示输入神经元至第σ个隐含层节点的输入权重，bσ表示第σ个隐含层节点的阈值，yj表示第j个训练样本的输出值，隐含层输出矩阵h的表达式如下：
30、
31、其中，f(*)表示隐含层的激活函数，所述波形分拣模块分拣的步骤如下：
32、a1、对工频电流波形、非工频电流波形进行信息融合诊断后送至输入层，同时初始化隐含层相关参数，确定隐含层神经元个数，并随机生成输入权值和隐含层阈值初始值，对于扰动波形数据则进行备案，接受其他关联数据的信息融合请求；
33、a2、选择隐含层激活函数，并求解波形数据在隐含层的输出矩阵h；
34、a3、对输出层权值矩阵进行求解，完成多频电流波形有效数据的分拣，输出层权值矩阵的计算表达式如下：
35、
36、其中，h+为矩阵h的moore-penrose广义逆矩阵，是βi输出权值逆矩阵，y为输出层期望输出矩阵；
37、所述波形处理模块的具体流程为：
38、b1、对新能源配电网波形数据进行处理，消除电磁干扰、系统扰动引起的波形畸变；
39、b2、进行波形峰值锐化，找到电流波形中的隐藏峰值，对新能源配电网电流波形数据参数编码，设置拟合迭代次数的最大阈值和拟合收敛的标准，使用实数编码在分解得到的初始参数范围内随机生成个数据个体作为初始群体g(0)；
40、b3、基于遗传算法对多频波形数据分解。
41、作为本发明的优选技术方案，所述电流特征能量谱转化模块经过小波包分解后得第j层的总量能量具体表达式如下：
42、
43、其中，s0表示离散信息序列，sj,0、sj,1、...、分别表示表示第j层第0、1、...、2j-1个节点小波离散信息序列，||*||2表示euclid范数的平方；
44、所述电流特征能量谱提取模块的具体实现步骤如下：
45、c1、对采集的新能源配电网多频率电流波形故障信号进行第j层小波包分解，提取特定频率特征能量谱；
46、c2、对小波包分解产生的不同频率的数据进行波形重构，用于去除干扰信号；
47、c3、分别求取每个重构频率所蕴含的电流波形能量谱，具体表达式如下：
48、
49、其中，ej,n表示第j层n个节点小波特定频率所占有的能量，表示第j层n个节点重构信号的k个离散点幅值，|*|2表示小波包分解系数的能量，g和o分别表示小波包的层级数；
50、c4、构造小波包能量谱向量t，具体表达式如下：
51、
52、其中，t表示小波包能量谱向量，ej,0,ej,1,...,分别表示第j层第0、1、...、2j-1个节点小波特定频率所占有的能量，并对小波包能量谱向量t进行归一化处理：
53、
54、其中，t'表示能量谱特征量作为分类器的输入量，e表示能量，ej,0,ej,1,...,分别表示第j层第0、1、...、2j-1个节点小波特定频率所占有的能量。
55、作为本发明的优选技术方案，所述电流特征能量谱横向比较模块把第n个电流1/4波的特征能量tn'与第n-1个电流1/4波的特征能量tn-1'进行横向对比，当tn'≥1.5tn-1'时，判断新能源配电网系统出现异常。
56、作为本发明的优选技术方案，所述电流特征能量谱数据库模块采用fcm聚类算法进行特征能量谱库的训练，具体步骤如下：
57、d1、初始化，给出特征能量聚类数c、迭代标准ε、隶属度矩阵u0和迭代次数l＝1；
58、d2、计算特征能量的聚类中心，具体表达式如下：
59、
60、其中，v表示第τ个聚类的隶属度,经过l次迭代的特征能量的聚类中心矩阵，uτk为第k个样本数据对第τ个聚类的隶属度，xk第k个样本数据，上标l表示迭代次数，m表示模糊度加权指数；
61、d3、计算能量特征的隶属度矩阵及目标函数值如下：
62、
63、其中，uτk为第k个样本数据对第τ个聚类的隶属度，dτk＝||xk-vτ||为第k个样本数据到第τ个聚类中心的欧式距离，||*||表示聚类中心vτ与样品xk的距离，上标l表示迭代次数，jl(ul,vl)表示在整个聚类的过程，迭代l次的优化目标函数；
64、d4、迭代误差判断，直到前后两次迭代所得结果趋向稳定，即则迭代结束，当l＝l+1，则返回步骤d2继续迭代；
65、d5、确定每个聚类的半径，采用类内最远距离作为聚类半径，得到经过迭代后的到的隶属度矩阵u，将能量特征样本数据归入隶属度最大的那一类；
66、所述电流特征能量谱检测模块的具体步骤如下：
67、e1、基于测量方程的数据辨识方法，需对检测的电流波形特征能量谱进行统计整理，并计算出数据的阈值范围，形成可行域矩阵，如果识别的目标数据在数据库中找不到相应调用的数据，需转到非正常数据库中进行匹配，若仍未匹配上，则辨识为异常数据；
68、e2、将特征能量数据输入到训练数据库中，并对每一个聚类中心进行计算，当落入对应的聚类中心的半径中则标志为正常进程，否则，辨识到的不良数据需进一步匹配，再次输入到已建立的聚类中心，将已知的特征能量数据作为一个新的类带入，采用新的目标优化迭代函数重新聚类，产生更精确的聚类中心，如果辨识到的不良数据仍然未落入聚类中心的半径，确定为匹配失败，将判为异常数据；
69、e3、对于判断为异常的数据，标识为干扰数据，需进行停止进程，隔离处理；
70、所述电流特征能量谱横向比较模块对分解到的不同频率的电流波形特征能量谱数据与特征能量谱数据库中的数据进行纵向比对，当满足t2≥1.5t1或t2≤0.5t1时，判断为异常的迹象，其中，t2为当前特定频率电流特征能量值，t1为电流波形特征能量谱数据库或历史数据特定频率电流特征能量值。
71、与现有技术相比，本发明提供了一种特征能量谱故障识别的新能源配电网过流保护系统，具备以下有益效果：
72、1、本发明通过小波包进行多频率电流波形的分解，实现高频、中频及低频的全频电流波形分解，其次，针对特定频率电流波形积分的特征能量进行前后半波横向比较，最后，通过聚类分析训练的数据形成多频电流特征能量数据库及历史数据库与实时采集的电流特征能量数据进行纵向比对，最终使保护速度明显提高。
73、2、本发明通过采用电流波形的特征能量数据作为新能源配电网电流保护判据，弥补了新能源配电网中分布式新能源电源的接入，配电网由单电源网络变为多电源网络，对保护测量电流带来影响，使得传统的定值配合式保护可能发生拒动和误动的情况时有发生，通过电流保护的特征能量数据灵敏性高，能可靠反映各种分布式新能源配电网各种内部故障。
1.一种特征能量谱故障识别的新能源配电网过流保护系统，其特征在于：包括多频率电流波形采集模块、波形分拣模块、波形处理模块、电流特征能量谱转化模块、电流特征能量谱提取模块、电流特征能量谱多分辨率模块、故障类型识别模块、电流特征能量谱横向比较模块、电流特征能量谱纵向比较模块、电流特征能量谱数据库模块、电流特征能量谱检测模块、新能源配网过流保护判别逻辑模块和系统执行模块；
2.根据权利要求1所述的一种特征能量谱故障识别的新能源配电网过流保护系统，其特征在于：所述工频电流波形采集单元对波形输入经过模拟低通滤波器后引入dft正交系数，并经过同步采样单元和工频向量计算数字滤波器最终输出工频电流波形，工频向量计算数字滤波器采用hamming窗低通滤波器进行滤波计算，其具体表达式如下：
3.根据权利要求1所述的一种特征能量谱故障识别的新能源配电网过流保护系统，其特征在于：所述波形分拣模块中极限学习机算法包含输入层、隐含层和输出层，极限学习机算法的数学模型如下：
4.根据权利要求3所述的一种特征能量谱故障识别的新能源配电网过流保护系统，其特征在于：所述电流特征能量谱转化模块经过小波包分解后得第j层的总量能量具体表达式如下：
5.根据权利要求4所述的一种特征能量谱故障识别的新能源配电网过流保护系统，其特征在于：所述电流特征能量谱横向比较模块把第n个电流1/4波的特征能量tn'与第n-1个电流1/4波的特征能量tn-1'进行横向对比，当tn'≥1.5tn-1'时，判断新能源配电网系统出现异常。
6.根据权利要求1所述的一种特征能量谱故障识别的新能源配电网过流保护系统，其特征在于：所述电流特征能量谱数据库模块采用fcm聚类算法进行特征能量谱库的训练，具体步骤如下：
