基于C-DWT和FFNN的風電場接地故障診斷方法

收稿日期：2023-08-06

基金項目：國家電投上海發(fā)電設備成套設計研究院科技發(fā)展基金（202230125J）；遼寧省揭榜掛帥科技攻關專項（2021JH1/10400009）

通信作者：高 興（1998—），男，博士研究生，主要從事風電場故障辨識、故障定位技術方面的研究。15524310748@163.com

DOI：10.19912/j.0254-0096.tynxb.2023-1281 文章編號：0254-0096（2023）11-0393-06

摘 要：為及時、準確地檢測風電場交流輸電線路的接地故障并對其進行分類，同時解決故障電阻、故障起始時刻和故障位置給故障診斷精度帶來的影響，提出一種基于Clarke變換、離散小波變換（DWT）和前饋神經(jīng)網(wǎng)絡（FFNN）相結(jié)合的風電機組交流輸電線路故障檢測及分類方法。該方法通過Clarke變換對測量的三相電壓信號進行分解生成γ分量、α分量和β分量，采用DWT就3個分量進行高頻分量的提取，將5種統(tǒng)計學方法應用于高頻分量D1，生成最終故障特征值。將γ分量的故障特征值和γ分量、α分量和β分量的故障特征值分別與FFNN相結(jié)合以實現(xiàn)精準的風電機組接地故障檢測和分類。通過1400個故障案例驗證該方法可不受故障電阻、故障起始時刻和故障位置的影響，有效對風電場交流輸電線路進行故障診斷。

關鍵詞：風電場；故障檢測；神經(jīng)網(wǎng)絡；故障分類；輸電線路

中圖分類號：TM614 """"""""""""""""""" 文獻標志碼：A

0 引 言

風能因其穩(wěn)定性和可持續(xù)性，一直都是可再生能源關注熱點之一［1］。但由于風電場地理位置偏僻、風電場結(jié)構復雜，線路日常監(jiān)視維護困難導致故障頻發(fā)。長時間的線路故障會導致系統(tǒng)退出并網(wǎng)狀態(tài)，增加系統(tǒng)運營成本。因此精準的風電場線路故障檢測及分類對系統(tǒng)的安全、穩(wěn)定運行具有重要意義［2］。

文獻［3-4］提出基于阻抗方法零序?qū)Ъ{思想的小接地故障分析方法，然而該類方法受限于系統(tǒng)參數(shù)及故障電阻（fault resistance，F(xiàn)R）的影響。行波法是故障檢測、分類和定位的常用有段之一，但行波法都受限于采樣頻率的影響［5-6］。文獻［7］通過網(wǎng)絡層級優(yōu)化策略提出一種基于卷積神經(jīng)網(wǎng)絡的輸電系統(tǒng)故障診斷方法，但卻忽略了FR對精度的影響；文獻［8］將頻率響應分析和卷積神經(jīng)網(wǎng)路-長短期記憶網(wǎng)絡相結(jié)合成功辨識故障類型，然而僅適用于單支長距離輸電線路；文獻［9-10］成功將小波變換和神經(jīng)網(wǎng)絡相結(jié)合對輸電線路接地故障進行分析，然而未考慮多種故障類型的影響，且無法適用于多分支結(jié)構；文獻［11］通過短時傅里葉變換檢測線路短路故障的發(fā)生，通過分析電流信號的頻率分量，成功識別短路故障是否發(fā)生，但風電場發(fā)生接地短路故障時刻，系統(tǒng)故障信號會發(fā)生劇烈變化，短時傅里葉變換的時間與頻率變化不能同時得到最優(yōu)，影響判斷精度；文獻［12］利用經(jīng)驗模態(tài)分解和人工神經(jīng)網(wǎng)絡結(jié)合的方式對電壓信號進行實時分析，根據(jù)信號分解后的主要諧波特征實現(xiàn)檢測和分類。但該方法并未對分量的敏感度進行討論，同時故障發(fā)生的起始角度（initial-angle，F(xiàn)IA）未被討論。

FR、FIA及位置（fault location，F(xiàn)L）都很大程度上影響了故障時刻的電壓、電流變化，進而產(chǎn)生復雜的故障特征，嚴重影響風電場接地故障的檢測和分類精度。直接采用零序分量和離散小波變換（discrete wavelet transform，DWT）方法提取故障信號，雖然可解決噪聲問題，同時可對故障進行辨識，但缺少不同故障類型的信息，無法兼顧多種故障類型。

針對上述問題，本文提出一種基于Clarke變換、DWT和前饋神經(jīng)網(wǎng)絡（feedforward neural network，F(xiàn)FNN）的風電機組交流輸電線路故障檢測及分類方法。通過監(jiān)測風電機組出口測實時電壓值，實現(xiàn)準確的風電場交流輸電線路的接地故障檢測和接地故障類型判別。采用Clarke-DWT進行故障特征提取，一方面利用[γ]分量保留零序分量故障特性，另一方面利用[α]分量和[β]分量可兼顧多種故障類型。FFNN的使用前提是找到明顯的故障特征，將Clarke-DWT處理后的[D1]與數(shù)學統(tǒng)計方法相結(jié)合，多角度提取故障特征值，解決不確定FR，F(xiàn)IA及FL對故障檢測精度的影響。進而采用FFNN故障檢測分類模型進行故障辨識，以實現(xiàn)對多分支風電場接地故障的全面診斷。

1 基于C-DWT和FFNN的接地故障診斷方法

本文針對風電機組線路接地短路故障提出一種基于C-DWT和FFNN的診斷方法，可對風電機組的7種故障進行精準檢測及分類。本文提出的接地故障診斷方法分兩個階段，即基于C-DWT的故障高頻分量提取和基于FFNN的故障檢測及分類階段?；贑-DWT和FFNN的接地故障診斷方法流程圖如圖1所示。

1.1 線路故障高頻分量提取

故障發(fā)生之后，找到明顯的故障特征是保證故障檢測精度的關鍵，為提取明顯的故障序列，首先實時測量風電機組出口測電壓信號，并對[va、][vb、][vc]進行Clarke變化提取[γ]分量、[α]分量和[β]分量，在故障檢測階段，對一個周期內(nèi)的[γ]分量序列進行DWT，通過對多個高頻分量的觀察，發(fā)現(xiàn)[γ]分量的高頻分量[D1]可在不同的故障類型下較好地反映故障的發(fā)生。電壓[γ]分量雖然具有一定的故障特征，但將電壓[γ]分量進行DWT結(jié)合可得到更明顯的故障特征，增加了故障的識別率。

1.2 風電場線路故障檢測及分類

首先對D1進行統(tǒng)計指標計算，提取0.02 s內(nèi)的最大值、最小值、均值、熵和偏差5個故障指標。最后將生成的故障特征值（T1～T5）送入訓練好的FFNN故障檢測模型進行故障的判別。但故障發(fā)生后，找到可明顯區(qū)別不同故障類型的故障特征尤為重要，[γ]分量的DWT后的[D1]分量雖然可準確識別故障的發(fā)生，但缺少不同故障類型的信息，為此，當故障發(fā)生之后，將Clarke變化后的[α]分量和[β]分量引入故障分類階段，與故障檢測時對[γ]分量序列的處理方法一樣，對一個周期內(nèi)的[α]分量和[β]分量序列進行DWT，提取高頻分量[D1]，對[D1]進行統(tǒng)計指標計算，將3個分量生成的故障特征值（T1～T15）送入訓練好的FFNN故障分類模型進行故障的分類。Clarke變化后3個分量包含7種故障類型的正確信息，增加了故障分類的識別率。

2 基于C-DWT的故障高頻分量提取方法

2.1 基于Clarke變換的故障電壓處理

當風電機組發(fā)生接地短路故障之后，導致出口側(cè)電壓失去平衡，在處理三相不平衡系統(tǒng)時，Clarke變換可將三相分為[α]分量、[β]分量和[γ]分量。[γ]分量和零序分量具有相同的特征［9］。Clarke變換計算公式為：

[vαvβvγ=23-13-13013-13131313vavbvc]""""" （1）

式中：[va、vb、vc]——實時監(jiān)測的風電機組出口測三相電壓值；[vα、vβ、vγ]——三相電壓值經(jīng)過Clarke變換后對應的3個分量。

圖1為風電機組在0.1 s時刻發(fā)生AG時系統(tǒng)[va、][vb、][vc]經(jīng)Clarke變換后對應的3個分量的表現(xiàn)。從圖2可看出當系統(tǒng)發(fā)生接地故障之后，[α]分量、[β]分量和[γ]分量都會發(fā)生明顯的震蕩變化可作為判斷系統(tǒng)發(fā)生故障的依據(jù)，其中[γ]分量的變化更加顯著。

2.2 基于DWT的高頻分量提取

精準的故障特征是提高風電機組故障檢測精度的關鍵，通過將Clarke變換與DWT相結(jié)合，減小了故障特征對原始信號的依賴，DWT繼承了小波變換的優(yōu)勢，具有多分辨率特征，可在多個時間尺度上對故障信號進行故障分析［13］。DWT可對故障瞬態(tài)信號進行采樣，分解過程中將故障電壓信號[x（t）]分解為低頻分量[L1（t）]和高頻分量[D1（t）]，即：

[x（t）=L1（t）+D1（t）] （2）

信號的低頻分量，即近似系數(shù)，經(jīng)過[N]級分解，稱為分解級，如式（3）和式（4）所示。

[x（t）=L2（t）+D2（t）+D1（t）]""""" （3）

[x（t）=L3（t）+D3（t）+D2（t）+D1（t）]"" （4）

原始故障電壓信號即可表示為：

[x（t）=LN（t）+DN（t）+DN-1（t）+"…"+D1（t）]""" （5）

式中：[N]——分解級，在式（7）給出的條件下，允許[L]水平的最優(yōu)分解為：

[N=2L]"" （6）

在信號分解過程中，將各級故障電流信號劃分為不同的頻段，定義為：

[B=F2L+1]"""" （7）

式中：[B]——DWT后故障電壓序列每級的帶寬，Hz；[F]——系統(tǒng)采樣頻率，Hz。本文采樣頻率為10 kHz。

圖3展示了在噪聲影響下，故障電壓信號[γ]分量經(jīng)過DWT后對應的三級高頻分量[D1～D3]。

從圖3可直觀看出：[γ]分量經(jīng)過DWT后，在采樣點為100時，[D1]分量的變化最大程度的保留故障變化趨勢，同時可抑制部分噪聲影響，因此本文提出的方法將[D1]作為后續(xù)特征值提取的故障序列。[D1]可作為故障檢測的依據(jù)，增加風電機組故障檢測的精度。

3 基于高頻分量和FFNN的故障檢測及分類方法

3.1 故障特征值選擇過程

為提取可明顯區(qū)分風電機組故障的特征值，本文將最大值、最小值、均值、熵和偏差分別應用于第2節(jié)提取的[α]分量、[β]分量和[γ]分量對應下的3個[D1]高頻故障分量。

1） T1～T5：[γ]分量相對應[D1]高頻故障分量的最大值、最小值、均值、熵和偏差。

2）T6～T10：[α]分量相對應[D1]高頻故障分量的最大值、最小值、均值、熵和偏差。

3）T11～T15：[β]分量相對應[D1]高頻故障分量的最大值、最小值、均值、熵和偏差。

本文所提方法共采集3個風電機組出口側(cè)電壓（P1～P3），因此，該方法在每個測量節(jié)點分別收集15個風電機組相電壓特征，并在每種故障類型和健康情況下分別生成300個故障案例。其中故障案例分別平均分布在3條風電機組交流線路上。在風電機組故障檢測階段，將每種故障情況和健康運行情況下的T1～T5作為故障檢測的輸入特征，因此共產(chǎn)生5×3個故障特征值。在風電機組故障分類階段，將每種故障情況下的T1～T15作為故障分類的輸入特征，因此共產(chǎn)生15×3個故障特征值。表1總結(jié)了本文提出故障基于C-DWT和FFNN的接地故障診斷方法在故障檢測及故障分類所用特征值及其含義。

3.2 基于FFNN的故障檢測及分類方法

本文提出基于FFNN的接地故障診斷方法采用3層神經(jīng)網(wǎng)絡結(jié)構，基于FFNN的故障檢測及分類方法結(jié)構圖如圖4所示。

其中輸入層節(jié)點數(shù)量為L，輸入為3.1節(jié)高頻分量所產(chǎn)生的接地故障特征值。如表1所述，檢測問題時，基于FFNN的接地故障診斷方法故障特征值共15個，因此輸入節(jié)點數(shù)量[L=15]；分類問題時，基于FFNN的接地故障診斷方法故障特征值共45個，因此輸入節(jié)點數(shù)量[L=45]。

輸入層節(jié)點數(shù)量為[M]，檢測問題時，系統(tǒng)分為健康運行及接地故障兩種情況，因此[M=2]；分類問題時，系統(tǒng)分為7種情況，包括AG，BG，CG，ABG，ACG，BCG和ABCG，因此[M=7]。

隱含層的選取一般沒有規(guī)律，需通過大量實驗得出，檢測及分類問題時，當[Q]分別設置為20和50時，精度達到最優(yōu)。[wi，j]表示輸入層第[j]神經(jīng)元到隱含層第i神經(jīng)元的權值；[wk，i]表示輸出層第[k]神經(jīng)元到隱含層第i神經(jīng)元的權值；[θq]和[am]表示隱含層第[q]神經(jīng)元的閾值和輸出層第[m]神經(jīng)元的閾值，權值和閾值都通過訓練完成。

4 算例分析

4.1 仿真環(huán)境

為了驗證基于C-DWT和FFNN的風電場接地故障診斷方法的可行性和整體精度，在實時仿真軟件Matlab/Simulink中建立風電場交流輸電線路仿真模型。在相同條件下，將該方法與基于DWT與多種機器學習相結(jié)合的方法進行比較。風電場輸電線路仿真模型如圖5所示。表2總結(jié)了系統(tǒng)詳細的運行參數(shù)。

風電機組交流輸電線路仿真模型由3臺5 MW風電場組成。7種接地故障類型（AG、BG、CG、ABG、ACG、BCG和ABCG）隨機發(fā)生在L1～L3。每種案例生成時FR、FIA及FL均隨機產(chǎn)生，F(xiàn)R取值范圍為0.001～15 Ω。FIA取值范圍5～15 ms，大于一個仿真周期，包含所有故障起始角度。FL分3種，當接地故障發(fā)生在L1時，取值為0.1～4.9 km；L2時，為0.1～3.9 km，L3時；為0.1～5.9 km。

4.2 風電場接地故障檢測結(jié)果分析

為了說明本文提出方法在風電機組接地故障檢測方面的有效性，將700個故障案例和700個健康案例測得的電壓信號送到本文提出的基于C-DWT和FFNN的風電機組接地故障檢測方法中進行測試。7種接地故障類型各生成100個故障案例，故障類型包括AG、BG、CG、ABG、ACG、BCG和ABCG。表3給出了隨機工況下基于C-DWT和FFNN的風電機組接地故障檢測方法的混淆矩陣。

4.3 風電場接地故障分類結(jié)果分析

為解決[γ]分量在故障分類上的局限性，引入[α]分量、[β]分量，處理過程與[γ]分量一致。同風電機組接地故障檢測問題一樣，為了說明本文提出方法在風電機組接地故障分類方面的有效性，在故障發(fā)生之后，將700個故障案例測得的電壓信號送到本文提出的故障分類方法中。FR，F(xiàn)IA及FL故障條件設置同上節(jié)接地故障檢測階段。表4給出了隨機工況下基于C-DWT和FFNN的風電機組接地故障分類方法的混淆矩陣。

從表4可看出：本文提出的風電場線路接地故障分類方法，在引入[α]分量、[β]分量之后，將Clarke變換后3個分量同時進行DWT提取[D1]高頻分量，解決了[γ]分量在風電機組接地故障類型分類上的局限性，共提取45個故障特征值與FFNN相結(jié)合，通過700個案例驗證了該方法的有效性，本方法不僅可忽略FR、FIA及FL的影響，同時保持較高的精度，風電機組故障分類的精度可達99%。

4.4 不同方法性能對比

為分析不同高頻分量提取方法對風電機組故障檢測和分類影響，并驗證本文所提方法的優(yōu)越性，采用以下3種方法進行仿真對比。

1）本文基于C-DWT和FFNN的接地故障診斷方法（C-DWT-FFNN）：利用本文提出的接地故障診斷方法對風電機組接地故障進行檢測和分類。

2）Clarke與FFNN相結(jié)合（Clarke-FFNN）：利用Clarke變換提取三相電壓的[α]分量、[β]分量和[γ]分量，將3個分量進行統(tǒng)計分析后將提取的特征值直接送入FFNN。

3）DWT與FFNN相結(jié)合（DWT-FFNN）：直接對[va、][vb、][vc]分別進行DWT變換，將分解后的[D1]高頻分量進行統(tǒng)計分析后將提取的特征值直接送入FFNN。

圖6展示了上述3種方法在相同工況下，風電機組故障檢測和分類問題上的精度對比。

由圖6可見：無論在風電場故障檢測還是在故障分類階段，本文所提出的診斷方法精度更高，檢測精度高達100%，分類精度高達99%。相比于單變換Clarke和DWT的方法，在風電機組檢測階段精度分別提高了1.3%和1%，在風電機組分類階段精度分別提高了1.6%和0.5%，說明本文所提基于C-DWT和FFNN的接地故障診斷方法在風電場接地短路診斷問題上具有優(yōu)越性。

故障檢測的速率需滿足實時性要求。由于所提出的故障檢測和分類方法可分為兩個獨立的部分，因此故障分類的速度本身無意義。為了證明所提出方法的可行性和可靠性，表5為上述3種方法在相同工況下，故障檢測的執(zhí)行時間。

從表5可見：其中方案2由于步驟最少，所以訓練時間和測試時間最短。本文所提診斷方法由于需更多的求解步驟，因此導致需更長的執(zhí)行時間。盡管所提出方案測試需0.0042 s的平均時間，但所提方法每次檢測需采集0.02 s的故障數(shù)據(jù)，執(zhí)行時間遠小于測試時間，因此可滿足實時需求。

5 結(jié) 論

針對風電場交流輸電線路診斷精度低的問題，本文提出一種基于C-DWT和FFNN的接地故障診斷方法。經(jīng)過超過1400個故障案例驗證，該方法可不受故障電阻，故障距離和故障發(fā)生起始時刻的影響，故障檢測和分類的精度高達100%和99%，滿足實際需求。

該方法通過將Clarke變換和DWT相結(jié)合，提取風電機組出口側(cè)的電壓信號進行分解提取高頻故障序列D1。將γ分量所提取的故障特征值送入FFNN中進行風電機組的接地故障檢測。在故障發(fā)生之后，將[α]分量、[β]分量和[γ]分量所提取的故障特征值送入FFNN中進行風電機組的接地故障分類。

經(jīng)過大量的仿真案例驗證了本文所提出的雙分解C-DWT和FFNN的接地故障診斷方法相比于單分解Clarke變換和DWT的故障診斷方法，具有更好的優(yōu)越性，精度大幅提升。該方法可消除故障電阻、故障起始時間和故障位置對結(jié)果的影響。

［參考文獻］

［1］"""" 薛翼程， 張哲任， 徐政. 適用于短路故障分析的風電場動態(tài)等值建模方法［J］. 太陽能學報， 2022， 43（5）： 327-335.

XUE Y C， ZHANG Z R， XU Z. Dynamic equivalent model of" wind" farm"" for"" short-circuit"" faults" analysis［J］." Acta energiae solaris sinica， 2022， 43（5）： 327-335.

［2］"""" 賈科， 顧晨杰， 畢天姝， 等. 大型光伏電站匯集系統(tǒng)的故障特性及其線路保護［J］. 電工技術學報， 2017， 32（9）： 189-198.

JIA K， GU C J， BI T S， et al. Fault characteristics and line protection within the collection system of a large-scale photovoltaic""" power"" plant［J］."" Transactions""" of""" China Electrotechnical Society， 2017， 32（9）： 189-198.

［3］"""" 薛永端， 亓志濱， 蔡卓遠， 等. 基于零序?qū)Ъ{變化的跨線異名相兩點相繼接地故障檢測［J］. 電力系統(tǒng)自動化， 2023， 47（7）： 174-183.

XUE Y D， QI Z B， CAI Z Y， et al. Cross-line different-phase two-point successive grounding fault detection based on change of zero-sequence admittance［J］. Automation of electric power systems， 2023， 47（7）： 174-183.

［4］"""" HERLENDER J， I?YKOWSKI J， SOLAK K. Compensation of the current transformer saturation effects for transmission line fault location with impedance-differential" relay［J］." Electric" power" systems" research， 2020， 182： 106223.

［5］"""" 王曉東， 王永浩， 劉穎明， 等. 海上風電場集電多分支線路故障區(qū)段定位方法［J］. 太陽能學報， 2023， 44（1）： 163-170.

WANG X D， WANG Y H， LIU Y M， et al. Fault branch location for multi-branch collection lines of offshore wind farm［J］. Acta energiae solaris sinica， 2023， 44（1）： 163-170.

［6］"""" 張科， 朱永利， 鄭艷艷， 等. 風電場輸電線路單相接地故障定位研究［J］. 太陽能學報， 2020， 41（5）： 114-120.

ZHANG K， ZHU Y L， ZHENG Y Y， et al. Fault location of single-phase earth in transmission lines of wind farm［J］. Acta energiae solaris sinica， 2020， 41（5）： 114-120.

［7］"""" 張大海， 張曉煒， 孫浩， 等. 基于卷積神經(jīng)網(wǎng)絡的交直流輸電系統(tǒng)故障診斷［J］. 電力系統(tǒng)自動化， 2022， 46（5）： 132-145.

ZHANG D H， ZHANG X W， SUN H， et al. Fault diagnosis for AC/DC transmission system based on convolutional" neural" network［J］. Automation" of" electric power systems， 2022， 46（5）： 132-145.

［8］"""" MORADZADEH A， TEIMOURZADEH H， MOHAMMADI-IVATLOO B， et al. Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults［J］. International journal of electrical power amp; energy systems， 2022， 135： 107563.

［9］"""" 朱曉紅， 楊偉榮， 張蓉， 等. 基于RNN-LSTM神經(jīng)網(wǎng)絡的小電流接地故障選線方法［J］. 高壓電器， 2023， 59（7）： 213-220.

ZHU X H， YANG W R， ZHANG R， et al. Line selection method of low current grounding fault based on RNN-LSTM neural network［J］. High voltage apparatus， 2023， 59（7）： 213-220.

［10］""" 李臨風， 饒丹， 樊瑞， 等. 基于雙向LSTM和注意力機制的輸電線路故障判別方法［J］. 廣東電力， 2022， 35（11）： 91-98.

LI L F， RAO D， FAN R， et al. Fault identification method of transmission line based on bidirectional LSTM and attention mechanism［J］. Guangdong electric power， 2022， 35（11）： 91-98.

［11］""" TAO H F， WANG P， CHEN Y Y， et al. An unsupervised fault diagnosis method for rolling bearing using STFT and generative"" neural"" networks［J］. Journal" of" the" Franklin Institute， 2020， 357（11）： 7286-7307.

［12］""" LALA H， KARMAKAR S. Detection and experimental validation of high impedance arc fault in distribution systemnbsp; using" empirical"" mode"" decomposition［J］." IEEE systems journal， 2020， 14（3）： 3494-3505.

［13］""" 何瑞江， 胡志堅， 王天一. 計及分布式電源注入諧波的諧振接地系統(tǒng)故障選線方法［J］. 電網(wǎng)技術， 2019， 43（2）： 670-680.

HE R J， HU Z J， WANG T Y. A fault line selection method for resonant grounding system considering injected harmonics" of"" distributed"" generation［J］." Power"" system technology， 2019， 43（2）： 670-680.

GROUND FAULT DIAGNOSIS METHOD FOR WIND FARM BASED ON

C-DWT AND FFNN

Zhang Chengyi1，Gao Xing2，Yan Lipeng1，Wang Xiaodong2

（1. Shanghai Power Generation Equipment Complete Design and Research Institute Co.， Ltd.， Shanghai 200240， China；

2. School of Electrical Engineering Shenyang University of Technology， Shenyang 110870， China）

Abstract：In order to timely and accurately detect grounding faults in wind farm AC transmission lines and classify them. At the same time， to solve the influence of fault resistance， fault starting time and fault location on fault diagnosis accuracy， a fault detection and classification method for wind turbine AC transmission lines based on the combination of Clarke transform， discrete wavelet transform （DWT） and feedforward neural network （FFNN） is proposed. This method decomposes and generates the measured three-phase voltage signal through Clarke transform [γ] component， [α] component and [β] component， DWT is used to extract high-frequency components from three components， and five statistical methods are applied to high-frequency component [D1] to generate the final fault feature values. Take [γ] component of fault eigenvalues and [γ] Component， α component and [β] component of fault eigenvalues are combined with FFNN to achieve accurate detection and classification of wind turbine grounding faults. Through 1400 fault cases， it has been verified that this method can effectively diagnose faults in wind farm AC transmission lines without being affected by fault resistance， fault initiation time， and fault location.

Keywords：wind farm； fault detection； neural network； fault classification； transmission lines