企业官网建设流程全解析

做了这么多年电弧故障检测，我最深的体会是：算法本身不难，难的是现场环境永远比实验室复杂。你就说AFDD（电弧故障检测装置）这东西，实验室里怎么测都准，一上真实配电箱就闹脾气，尤其是多回路共零线、共箱体的时候，一个回路的电弧没检测到，隔壁回路反倒跳闸了——这就是典型的电弧串扰。今天不聊理论推导，就把我实际调算法、查误报、和串扰死磕的过程掰开揉碎讲一遍。

1. 电弧故障的物理本质：算法设计绕不开的三个特征维度

先说个基础认知：电弧故障检测算法的一切出发点，都建立在电弧电流与正常负载电流的物理特征差异上。如果不懂电弧长什么样，后面的串扰分析根本无从下手。

1.1 串联、并联、接地：三种电弧的电流特征差异

电弧故障按发生位置和回路关系，大致分三类，每一类的电流特征差得很远，算法必须分别对待。

串联电弧是最难检测的一类。它发生在线路中段或者连接点松动处，比如插座端子氧化、线缆接头压接不紧。因为电弧本身是串联进回路的，负载电流照样流过，所以回路电流不会突变，电弧信号就"叠"在负载电流上，信噪比很低。尤其当负载是空调压缩机或者电机这种大电流设备时，电弧的微小电流波动很容易被淹没。这也是串联电弧检测被称为"行业难题"的直接原因。

并联电弧（包括相间电弧和相地电弧）由于存在直接的低阻抗放电通道，回路电流会出现明显异常增大。这类电弧通常伴随短路性质，电流特征非常明显，检测相对容易，但破坏力也最大，往往是绝缘老化、线缆破损导致的。

接地电弧在光伏系统中尤其常见，例如组件对地绝缘破损时产生的电弧。其特点是电流路径部分经过大地，幅值可能不大，但高频分量依然丰富。

算法设计的第一原则是：必须先判断回路处于哪种工况，再决定用哪个特征子集。一锅端的算法在现场必然出问题。

1.2 平肩窗口：时域上最容易捕捉的"指纹"

电流波形上，电弧最典型的特征是过零附近的"平肩"现象。正常电流在过零时是迅速换向的，波形斜率很大；而电弧在电流过零附近由于弧隙介质需要重新击穿，电流会短暂停滞在零值附近，形成一个近似平坦的平台，这就是常说的"零休"。

零休时间的宽度受很多因素影响：弧隙距离、电极材料、散热条件、电路功率因数。一般来说，从几十微秒到数毫秒都可能出现。在算法里，我们通常不追求精确测量零休宽度，而是检测"电流在零点附近是否存在异常的平台段"。实现上，就是把采样电流归一化后，统计每半个工频周期内电流幅值落在阈值区间（比如峰值的3%-5%）以内的连续点数，看是否超过正常水平。

不过要留意一点：很多非线性负载的电流本身就有过零畸变。比如调光器、开关电源的输入电流在过零附近往往有死区或畸变，单独用平肩特征会引发大量误报。所以平肩必须和其他特征组合使用，不能单打独斗。

1.3 高频分量与随机性：为什么电弧噪声不像普通负载

电弧本质上是一个时变的非线性电阻，它的导通与熄灭过程伴随剧烈的电子碰撞和电离，这决定了电弧电流上叠加了极宽频带的高频分量，从十几kHz一路延伸到数MHz。更关键的是，这些高频分量的幅值和相位是随机的，不像开关电源的开关噪声那样稳定地集中在固定频率点上。

正是"宽频带"和"随机性"这两个属性，构成了电弧区别于绝大多数负载噪声的分水岭。

2. 电弧串扰到底是怎么串过来的：单回路检测失效的物理根因

串扰这个问题，不亲自在现场踩过坑，很难理解它的顽固程度。我遇到过一个典型项目：一套三相配电系统，三个回路的AFDD共用一个箱体，零线和PE线在端子排上短接。现场反复出现B回路报警，但检查B回路负载完全正常，最后定位发现真正的电弧在A回路的一个松动端子上，硬生生通过共用的零线串到了B回路的采样电路里。

2.1 三条传播路径：传导、公共阻抗、空间辐射

串扰信号进入检测装置的路径，归纳起来就是三条，实际现场往往是三条叠加。

传导路径：电弧产生的高频电流脉冲沿着导线传输。在多回路共用一个零线排或者共用PE线的场景下，A回路电弧电流的高频分量会直接注入公共零线，再通过零线进入B回路AFDD的采样回路。这条路径的耦合强度通常最高，也最难靠硬件彻底隔离。

公共阻抗路径：配电箱内零线排、接地端子排本身有阻抗（高频下阻抗更不可忽略），当电弧回路的大电流流过公共排时，两点之间就会产生高频压降。这个压降叠加在另一回路传感器的参考地上，导致检测装置在"地"和"被采样导线"之间看到虚假的高频信号。

空间辐射路径：电弧本质上就是一个宽带的电磁辐射源。AFDD的电流采样线、罗氏线圈的引出线、PCB走线在强辐射场中会像天线一样拾取信号。特别是采样线没有用双绞或屏蔽时，即使传感器安装距离电弧源有几十厘米，辐射耦合也可能超过正常负载信号。

理解了这三条路径，再去看串扰带来的是"真信号"还是"假信号"？答案是：对检测装置来说，它看到的就是一个真实的高频电流脉冲，单凭本回路采样信号，算法根本无法区分信号来源。

2.2 负载噪声与电弧信号的频谱混淆

串扰问题还有一个升级版——不是电弧信号传过来，而是"长得像电弧"的负载噪声本身就在误导算法。

典型嫌疑犯有三类：

• 变频器与伺服驱动器：IGBT开关过程产生陡峭的电压跳变沿，频谱可以覆盖到数十MHz，且伴随较强的脉冲特性。
• 开关电源（SMPS）：PWM开关频率从几十kHz到几百kHz，高次谐波很丰富。
• LED调光电源：调光时使用Burst Mode（猝发模式），产生周期性脉冲群，脉冲包络的样式和电弧非常像。

这三类负载的噪声和电弧有一个本质区别，明白了它，算法设计就有了解法：周期性。负载噪声的开关频率与工频相位是严格同步的，每个工频周期重复出现，幅值和相位基本一致；电弧则是随机事件，这个周期的电弧脉冲和下一个周期的脉冲在幅值、相位、频谱分布上都有明显波动。

所以，"跨周期的重复性检验"是区分这两者最可靠的一把尺子。

2.3 误报产生的典型场景还原

我复盘过大量现场误报案例，场景高度重复：

场景一：B回路是变频器回路，A回路发生串联电弧。电弧高频电流经由公共零线进入B回路，B回路AFDD检测到超过阈值的高频能量，直接跳闸。这是最常见的传导串扰误报。

场景二：A、B两个回路在同一个配电箱内，A回路电弧的辐射耦合到B回路的采样PCB走线，B回路AFDD捕获到高频毛刺，加上负载本身是开关电源，频谱相似度高，触发报警。

场景三：C回路是LED调光照明，调光瞬间产生脉冲群，算法如果只看短时高频能量，没有做跨周期重复性校验，就会把调光脉冲误判为电弧。

这些场景的共同点在于：检测装置获取的只是"本回路电流上叠加的电气信号"，但从信号层面，既无法确认电弧的物理位置在这个回路内，也无法排除其他回路串扰过来的可能。这正是"检测算法"需要升级为"识别算法"的原因。

3. 从波形到判据：电弧特征参数的提取与量化

无论做传统阈值判断还是后端接机器学习分类器，特征参数的提取都是算法的地基。我用的是组合特征方案：时域、频域、统计特征多路并行提取，最后送进决策器。

3.1 采样与预处理：多少采样率才够用

电弧高频分量理论上可达数MHz，但受限于AFDD的功耗和成本，实际采样率不能无限制拉高。我的经验值：

• 只做串联电弧检测的民用AFDD，采样率200kS/s-500kS/s足够。电弧的多数可辨识特征在10kHz-200kHz频段已经有明显表现。
• 如果要兼顾并联电弧和响应速度，用到1MS/s更好。
• 采样精度12-bit起步，16-bit更好，因为平肩检测和微弱高频特征都依赖足够的幅值分辨率。

预处理环节有两个容易被忽视的细节：一是抗混叠滤波器必须在ADC之前做，通常用一阶或二阶有源低通，截止频率设置在采样率的1/3到1/2之间，不然高频噪声折返到低频段会把特征彻底搅浑；二是采样数据要做去除工频分量处理，否则50Hz基波幅值远远大于高频分量，在时域特征提取时会掩盖小信号。

3.2 时域特征：零休检测与di/dt突变

时域特征我固定提取四个量：

零休宽度T_zero：每半个工频周期内，归一化电流幅值低于设定阈值（一般为峰值电流的5%）的连续时间长度。正常正弦电流的零休宽度在几十微秒量级，电弧发生时可能扩展到数百微秒甚至更长。

电流过零附近的斜率K_zc：对零点附近的电流波形做局部线性拟合，计算斜率。斜率异常偏小往往意味着电弧平肩，斜率异常偏大则可能出现了高频振荡叠加。

电流变化率峰值max(di/dt)：电弧弧柱电阻突变时会产生很陡的电流阶跃，这是并联电弧的重要特征，串联电弧相对弱一些。

高频毛刺计数：把采样数据经过带通滤波（如10kHz-200kHz），统计一个周期内超过自适应阈值的毛刺个数。这个量对串扰信号同样敏感，所以要配合跨周期校验。

3.3 频域特征：FFT与小波变换怎么配合

频域特征提取，我在工程上用的是"FFT粗看+小波细看"的组合。

先说FFT。取一个工频周期的采样数据（比如500kS/s下取10ms，即5000个点），加窗后做FFT，得到频谱。重点关注的频带是10kHz-500kHz，提取三个参数：

• 高频总能量E_hf：选定频段内功率谱积分值。
• 频谱质心F_c：能量重心所在频率，电弧因宽带特性，频谱质心往往明显高于普通负载；开关电源有对应的主开关频率，质心落在开关频率附近。
• 高频能量在不同子带（如10k-50k、50k-200k、200k-500k三段）的分布比例R_sub。电弧能量在三个子带都有分布，而很多负载噪声集中在某一两个窄频带。

但FFT的天然局限是窗口固定、频率分辨率与时间分辨率不能兼得，所以还需要小波变换来处理突变信号。工程实现上不用什么复杂小波基，用Daubechies 4阶（db4）做三层分解就够了。第三层细节系数的包络对应电弧的随机脉冲，它的活跃度和波动度是很好的分类特征。

小波变换的计算量确实比FFT大，在低成本的MCU上要掂量一下。我一般用FFT做粗筛，只有粗筛触发后才启动小波分析做细判，这样既省电又不牺牲性能。

3.4 统计特征：随机性度量的具体方法

前面反复强调电弧的"随机性"，在算法里必须把它量化，不然"随机"没法参与决策。我用三个统计量来刻画：

• 跨周期相关性：取连续N个工频周期的高频能量时间序列（每周期算一个均值E_n），计算序列的方差σ²和变异系数CV=σ/μ。正常负载噪声的CV通常小于0.3，电弧的CV可以飙升到0.6以上，因为电弧每周期都不一样。
• 频谱相似度：计算相邻两个周期FFT频谱的相关系数，电弧频谱的相关系数明显偏低。
• 脉冲间隔分布：提取高频包络中超过阈值的脉冲位置，统计连续脉冲间隔的分布情况。负载噪声的脉冲间隔相对规则，电弧的脉冲间隔呈现近似随机分布。

统计特征的计算窗口不需要太短，每10-20个工频周期更新一次即可，太频繁反而会因为窗口内样本不足导致统计量本身波动过大，产生新的误报源。

4. 应对串扰的算法设计：多特征融合与空间一致性校验

这章是重头戏。串扰问题的本质是"信号来源不唯一"，所以应对思路也分成两类：一类是算法内部把"本回路电弧"和"外来串扰"的特征边界找出来，另一类是在系统层面引入更多的空间信息做一致性校验。

4.1 特征指纹库：建立负载噪声与电弧的区分边界

前面提到，负载噪声和电弧在周期性、频谱稳定性上有系统性差异，这个差异可以工程化为一张"特征指纹表"。

在实际项目中，我倾向于在装置出厂前完成一轮"负载指纹采集"，把客户侧典型负载（空调、变频器、伺服电机、开关电源、LED电源等）的噪声特征录入阈值库，算法部署后自动匹配最严格的一组阈值。注意用"最恶劣正常负载"而不是"典型正常负载"来标定阈值，前者才是决定误报率上限的基准。这一步做的越早，现场问题越少。

4.2 多回路时间一致性校验

串扰信号与真实电弧信号在"空间信息"上是有差异的，可以利用这一点设计空间校验环节。

真实电弧发生在本回路时，本回路的电流高频能量、电压波形畸变、电磁辐射近场信号会同时出现且强度相关。而串扰信号来自其他回路，它的波形形态与源回路的负载特性相关，与本回路的负载状态相关性很弱。

实现上，可以在同一配电箱内给多个AFDD增加一个同步脉冲或基于工频过零的时间同步机制。各AFDD在相同的时间窗内交换"检测到疑似电弧事件"的标志。如果在一个时间窗内，多个回路同时报"疑似电弧"，大概率是串扰而非多点同时故障——多点同时真实电弧的概率在现实中低到可以忽略。此时算法进入"仲裁模式"，优先相信高频能量最强、且频谱特征最符合电弧定义的回路；其他回路把事件标记为"串扰事件"，不再触发脱扣。

这套逻辑在实验室里验证效果很好，但现场需要注意一点：不同回路的采样时间基准如果用的是各自的工频过零检测，会存在相位偏差，同步时要把偏差标定掉，不然强信号回路会把相邻回路误拉进"同时报警"集合。

4.3 滑窗决策与持续电弧判定

AFDD不能出现一次高频脉冲就跳闸，那会疯掉。工程上一定要做"持续电弧判定"。这是和串扰斗争的最基础也是最有效的一招。

我的做法：以半个工频周期（10ms）为一个特征提取单元，每10ms更新一次上述特征向量；然后用一个长度为20-40个单元（200-400ms）的滑窗来投票。只有当窗口内超过60%-70%的单元判定为"疑似电弧"，并且窗口内的特征连续性满足要求（不允许中间有连续5个单元以上的"正常"回落），才输出最终跳闸信号。

滑窗长度的选择要权衡两个指标：检出的快速性和抗串扰的鲁棒性。短窗口（100ms）对快速发展的电弧响应快，但误报率上升；长窗口（400ms）抗干扰好，但真实电弧情况恶化时跳闸偏慢。我通常的做法是设备支持两档可调，默认用300ms档，现场根据线路长度和负载类型做微调。

补充一个细节：滑窗内的投票权重不要等权。最新产生的特征向量权重高一些，较老的权重低一些，这样既保持了对持续电弧的锁定，又避免了一瞬即逝的串扰杂波把窗口"污染"掉太久。

4.4 分类器选型：从阈值逻辑到机器学习

当特征维度越来越多，固定阈值逻辑的边界就越来越难定。你给A负载调好了阈值，换个B负载又误报。此时机器学习分类器就派上用场了。

特征向量建议为9-10维，包括：零休宽度、过零斜率、高频总能量、频谱质心、三个子带能量比例、跨周期变异系数、频谱相关系数。

算法选型：

• 传统方法优先选随机森林。它对特征量纲不敏感、不需要做复杂的归一化，训练快，部署到MCU上只需要一组判断树，内存占用小，可解释性也还行。
• **SVM（RBF核）**在小样本下精度不错，但对参数（C和γ）敏感，现场更新麻烦。
• 轻量级CNN（如只有2个卷积层）效果最好，能自动提取一些人工特征工程发现不了的耦合模式，但部署成本和数据需求都高，适合旗舰级产品。

我的建议是：量产项目先上随机森林，跑通流程、积累一批现场数据后，再用数据训练CNN做迭代升级。不要一上来就上深度学习，数据量不够时效果反而更差。

分类器输出的"电弧概率"要和时间决策逻辑结合起来。比如，单窗口的分类概率超过0.85，且连续4个窗口中至少3个达到0.7以上，才输出跳闸。这样可以同时利用分类器的判别能力和时间滤波的稳定性。

5. 工程落地中的实测记录与参数标定

理论框架说完了，聊点实操层面的数据和教训。

5.1 实验平台搭建与负载配置

实验室平台我建议至少准备以下负载用于算法验证：

• 阻性负载（电炉、白炽灯）：基准，无干扰。
• 开关电源（电脑电源、通信电源）：测试窄带噪声干扰。
• 变频器+电机：测试脉冲群干扰，注意变频器谐波很大，测试时AFDD供电要用隔离电源。
• LED调光电源：测试猝发脉冲干扰。
• 手电钻、吸尘器等串激电机：测试换向火花干扰，这个和电弧特征很接近，最难区分。

电弧发生装置用的是两根铜电极，通过步进电机控制分离速度和间距，在设定电流下拉开电弧。注意电极材料建议用铜，比碳电极更接近真实线路故障的弧隙特性。

5.2 典型测试波形与特征参数参考值

以我常用的测试基准来说：220V/50Hz，串联电弧回路的负载电流在5A-20A区间，电极间距调到约1mm-2mm时，稳定燃弧状态下测得的特征参数大致如下：

• 零休宽度：150μs-800μs，视平肩判据阈值不同有波动，正常线性负载在50μs以下。
• 高频能量（10kHz-200kHz带内，以20A为基准）：电弧状态下比正常状态高10倍以上，且逐周期波动大。
• 频谱相关系数：电弧状态下相邻周期约0.3-0.6，正常开关电源在0.95以上。
• 变异系数：电弧序列CV约0.5-1.0，正常负载0.05-0.3。

这些数值在不同负载电流下会有偏移，所以我每次标定都要求覆盖负载电流从最小工作电流到1.2倍额定电流的范围，划出二维边界。

5.3 误报与漏报的平衡调试经验

踩过的坑说出来给你避着走：

第一，门限定太高，真实串联电弧接触电阻较大时高频能量上不来，漏报风险很大。我吃过一次亏，在某型AFDD上把高频能量阈值拉到很高以求过EMC测试，结果现场一个端子松动，电弧燃了超过1秒都没跳，客户测试时直接复现了故障，弄得很难看。

第二，只加高频能量判据，导致变频器满载时频繁误报，因为IGBT开关的di/dt产生的尖峰电流在高频带能量非常高，且周期重复性也很强。后来加了相对频带质心判据才压下来。

第三，传感器饱和问题。电流互感器在大电流下磁芯饱和后，次级电流波形严重畸变，高频分量被"削平"，反而导致漏报。用罗氏线圈没有饱和问题，但弱信号下的噪声特性要选好运放。如果要覆盖1A-63A的宽电流范围，我建议用罗氏线圈或者加磁复位电路的开环霍尔传感器。

第四，地环路干扰。样机做整机EMC测试时，因为接地不良，50Hz共模电流直接进入信号地，把微弱电弧信号淹没。解决方法很简单：采样电路和功率电路分开供电，采样参考地单点连接到PE，不要大面积覆铜把两地连成环。

第五，滑窗长度和用户用电体验的冲突。400ms的滑窗在电弧已燃的情况下，铜导线可能已经烧灼到相当程度，尤其串联电弧的发热集中，要兼顾安全性。我的建议是：方案上做成两阶段，第一阶段用短窗口（100ms）粗判，一旦出来立即启动第二阶段延长窗口的细判，细判期间可以输出声光告警但不脱扣，等细判确认后再跳闸。这样既避免了串扰误跳，又能尽早提醒用户检查线路。

6. 串扰特征库的持续更新与扩展思路

最后分享一个长期主义视角的事情。

现场串扰问题的本质是"特征漂移"。今天客户现场是变频器和开关电源，明天可能就换成储能逆变器、充电桩、新能源车V2L电源，负载噪声库永远在更新。电弧检测算法要能在现场做在线更新，这要求把特征提取和支持向量机的参数设计成可配置项，甚至预留OTA升级通道。我在一个光伏直流电弧检测项目里就是靠OTA升级，把客户现场新出现的一种MPPT扰动噪声从误报源中排除，不然那一批机器全部要返厂改参数。

后续我觉得可以扩展的方向有这几个：

一是融合电压采样。好多人只做电流特征，但电弧发生瞬间电压波形同样有高频畸变和高频噪声。增加电压通道，用电压电流联合特征做互相关，在串扰场景下可以大幅提高来源辨识能力。缺点是成本增加，适合高端产品。

二是边缘侧小模型训练。新一代MCU算力提升很快，可以在装置里做简单的在线学习，把运行期间识别出的"疑似串扰特征样本"存下来，定期在本地做分类器增量更新。这相当于让装置越用越懂现场的负载环境。

三是我个人还在尝试的方向：利用相邻回路之间的相位差信息做空间定位。不同回路的电流相位不同，串扰信号会带着源回路的相位印记，通过分析串扰脉冲的相位分布，可以反向定位电弧所在回路，把"误报"变成"定位信息"，这个问题就不攻自破了。

做电弧故障检测这些年，我一直觉得这行是"脏活累活"，没有捷径。每一个误报、每一次漏报背后，都是对特征理解不够深的代价。希望这篇文章能把串扰问题的一些经验传递到位，让后来的人少走几步弯路。