边缘AI技术在直流电弧故障检测中的应用

（本文编译自Electronic Design）

直流（DC）系统应用场景无处不在，涵盖屋顶光伏、电动汽车充电设施及电池组等领域。直流供电已从小众应用迅速发展为基础设施刚需，但直流串联电弧故障这一隐患，往往要等到事故发生后才受到重视。电弧故障会造成汇流排熔化、连接器烧毁，甚至引发火灾隐患。一处未能及时被发现的微小电弧，便有可能造成整套系统的损毁。

传统继电保护方式难以有效识别电弧故障，而边缘人工智技术能凭借本地算力处理、响应速度快以及独有模式识别能力，可捕捉传统检测手段无法识别的故障特征，开始在该领域发挥重要价值。

本文将概述直流串联电弧故障基本特征，剖析搭载边缘AI的微控制器所具备的技术优势。

什么是直流串联电弧故障？

直流串联电弧故障是发生在负载串联回路中的非预期放电现象。它区别于电流向大地泄漏的接地故障，故障始终局限在电路回路内部，可出现在线路沿线、连接器接点或开关内部，隐蔽性极强。图1中部展示了标准测试平台下的电弧特征波形：系统正常电流发生异变并产生电弧，直至设备被人工关停。

图1：直流串联电弧故障的特征。

如图2流程图所示，当设备出现老化劣化问题时便会产生电弧，例如绝缘层开裂、焊点失效、连接器长期振动松动，或线缆在安装过程中被划伤。这类问题会形成紊乱的高频电流特征信号，能量高度集中，极易烧蚀铜材、熔化塑料外壳，在具备相应条件时还会引发火灾。

图2：电弧故障的演变阶段。

直流串联电弧故障可发生在以下场景：

光伏逆变器系统：光伏组件阵列置于户外，长期经受气候环境与温度循环变化。部分故障可溯源至MC4连接器腐蚀或线缆绝缘层出现细微裂纹。电弧会向逆变器方向蔓延，若无法快速检测，可能需要更换价格高昂的组件。

电动汽车充电桩与电池组：大电流工况下（部分场景超过200安），叠加振动与温度循环，充电桩及电池管理系统内部的汇流排与焊点易受损。有实际案例显示，某汇流排焊点在现场运行约18个月后失效。热成像发现隐患时已偏晚，而电弧检测器可提前发出预警。

高压直流链路与直流微电网：线缆排布密集且工作电压较高时容易产生此类故障。检修作业或沟槽施工中，线缆一旦被意外划伤，后续极易诱发电弧；整体电路串联架构也加大了电弧故障的隔离难度。

固定式储能系统：在大规模高密度锂离子电池阵列中，单处松动的电芯连接端子或压接端子不良，都可能让故障沿电池串蔓延。高能量密度特性会让火情快速加剧、火势迅猛。各类现代系统均包含多个易产生电弧故障的子部件，图3展示了各子系统构成及最易发生电弧故障的点位分布示例。

这些诱因存在一个共同薄弱点，即导电通路承受机械应力或热应力作用。由于直流电不像交流电存在过零点，电弧一旦产生，更难以自行熄灭。

图3：若干常见系统拆解及各组件电弧故障点位、组件本体。

直流串联电弧故障之所以备受关注，主要源于多方面隐患：

安全：无法自行熄灭的直流电弧温度可高达1500°C及以下，会造成电缆桥架熔化、设备外壳烧损，周边任何易燃物，包括绝缘层、线缆护套、塑料壳体，都存在被引燃风险。

可靠性：即便电弧未引发火灾，也会长期劣化器件性能，产生间歇性故障，排查难度极大。系统可能随机停机，维修人员到场后故障又无法复现，隔一段时间却再次发作。

法规：电弧故障检测UL 1699B标准、光伏领域IEC 62606标准、逆变器UL 1741标准以及汽车功能安全ISO 26262标准，如今均已成为强制要求。商用设备及并网设备在设计阶段，必须配备合规的电弧故障检测功能。

成本：光伏电站或储能场站一旦发生火灾，可造成数十万美元损失；若火势蔓延或整列阵列停运，损失可达数百万美元。即便是组件更换、非计划停机带来的间接成本也会快速累积，事前预防远比事后处置更具经济效益。

故障检测从简单跳闸到边缘AI的技术演进

传统保护方式原理较为基础，主要依靠过流继电器、有效值监测以及电压跌落检测装置。这类方式对明显的重大故障尚能有效响应，却无法捕捉早期隐患信号。串联电弧在发展至严重故障前，会产生特有的高频噪声特征，而基于阈值判定的传统检测方法无法识别这类特征。

现代MCU，尤其是集成在功率级ASIC中的主控芯片，现已具备数百千赫兹的电流采样能力。可对数据流执行快速傅里叶变换或小波变换，提取与电弧故障强相关的频谱特征，并完成识别。MCU依托本地端实现以下能力：

不间断实时传输原始数据，无需依赖云端；

实时开展信号处理，微秒级识别潜在电弧事件；

立即触发保护动作，断开接触器、关停功率单元，无需等待远端服务器指令。

这已是相较传统方式的大幅升级，而真正的技术突破在于将人工智能推理直接部署在MCU上。

边缘人工智能具备多项显著优势：

模式识别能力更为精密。即便小型卷积神经网络（CNN），也可自主学习电弧形成过程中随时间变化的谐波特征，能够精准区分电弧故障与正常工况扰动，例如电机启动感应反冲、开关瞬态扰动、负载阶跃变化等，避免传统阈值检测出现误触发。

具备自适应能力。不同应用场景的线缆长度、连接器品牌、环境电磁干扰均存在差异，依托边缘人工智能，可利用现场实际数据对模型进行重新训练或微调适配，实现越用越智能，而固化出厂参数的传统设备无法做到动态优化。

延迟近乎为零。推理在本地完成，耗时通常低于一毫秒；若将数据上传云端再等待反馈，电弧会持续燃烧数十至数百毫秒。在控制能量释放、防范安全事故的场景中，每一毫秒都至关重要。

节省带宽且兼顾数据隐私。系统无需持续上传海量波形数据，仅在检测到异常时上报信息。对于户用光伏、家用电动汽车充电桩而言，也避免了用电行为数据全天候上传的隐私顾虑。

易于规模化部署。单颗搭载人工智能的MCU可同时监测多路阵列或多相电路，在配备数十个汇流箱的光伏电站场景中，相比每个箱体单独配置高端处理器，成本优势十分明显，该部署逻辑同样适用于规模化充电桩集群及大型电池储能柜。

基于边缘人工智能的模型，能够精准识别传统傅里叶变换检测方式完全遗漏的早期萌芽型电弧故障，表现十分突出。当然模型并非尽善尽美，仍需依托优质训练数据并配合参数调优，但已是行业技术的重大跨越。

结语

人工智能技术发展速度超出预期，正全面融入工业自动化、设计优化与预测性维护等场景。在电力传输与电力电子领域，行业团队正借助机器学习，对以往需要数周仿真才能完成的系统动态特性进行建模分析。机器学习能够提前识别器件老化趋势、优化控制环路、实现节能降耗。

行业企业积极将人工智能融入研发与运维流程，既可以缩短开发周期，也能让系统更智能、更自主，同时整体安全防护水平也得到持续提升。