摘要
本研究提出了一种基于人工神经网络（ANN）的方法，用于检测和高电压交流（HVAC）输电线路故障分类。研究考虑了12个类别，包括11种故障类型和一个健康状态。与依赖复杂特征提取流程的传统方法不同，本研究直接将三相电压、电流和相位角的测量值作为ANN的输入，从而避免了计算密集的信号分解和手工特征提取阶段。模型使用回归导向的指标进行评估，包括均方误差（MSE）和相关系数（R）。此外，5折交叉验证表明，所提出的ANN在回归性能上优于高斯过程回归（GPR）、支持向量回归（SVR）和核回归模型。在不同负载条件和故障电阻值下进行的额外稳健性分析进一步证明了所提出的ANN模型在变化运行条件下的泛化能力。为了评估相位角信息的实际贡献，基于分类的消融研究比较了仅使用三相电压和电流测量的6输入ANN与包含相位角测量的12输入ANN。在相同的测试条件下，6输入和12输入分类器的准确率分别为88.51%和84.73%，宏平均F1得分分别为0.8789和0.8374。重复训练分析进一步表明，6输入配置取得了更高的平均性能和更低的变异性。结果表明，相位角信息提供了补充性的且依赖于类别的判别价值，但并不能持续改善所有故障类别。因此，传统的电压和电流测量本身代表了更简单且更稳定的替代方案，而相位角测量则在同步相量信息已经可用时可以纳入考量。
