高阻抗接地故障 （HIF） 由于电流弱、随机性和对噪声的敏感性而带来了重大挑战，使得传统方法难以准确检测。本研究提出了一种基于随机森林的分类方法，该分类方法整合了多维特征，以解决这些问题。构建了10kV实景式试验平台，模拟了树木接触、草地、水泥接地等典型故障场景。同步采集电流-电压波形和环境参数。通过时频域分析，提取了包括三/五谐波分量、能量熵在内的9个特征参数，构建了一个全面的数据集。采用超带hy-perparameter优化算法对随机森林参数进行动态优化，提高了对细微故障差异的敏感性。实验结果显示，在识别四种 HIF 类型和正常状态方面具有超过 99% 的准确率，优于梯度提升决策树 （GBDT） 和支持向量机 （SVM） 等传统模型。这种方法为快速故障定位和风险评估提供了有效的解决方案，提供了巨大的工程价值。

High impedance grounding faults; Random Forest; multi-dimensional feature fusion; time-frequency domain analysis; current harmonics