基于自適應ECA的串聯故障電弧檢測

摘要：在用戶側負載不斷增加和復雜的情況下，串聯故障電弧變得更加難以有效識別，威脅到了線路的安全和系統的運行。以往的檢測方法多采用二維或三維模型，相比于一維模型通常需要更大的計算量，且較少關注特征通道間的信息。由此提出一種基于自適應高效通道注意力的串聯故障電弧檢測方法，自適應地提取電流信號中的有效特征。首先，使用高效通道注意力及殘差結構對一維的卷積網絡進行改進，構建出網絡模型結構。然后，通過搭建的故障電弧實驗平臺，采集正常工況和故障電弧情況下的各類負載電流數據，建立相應的數據庫。最后，利用構建的一維網絡模型對數據樣本進行訓練和分類，使其能夠有效地識別故障電弧。結果表明，該模型對故障電弧的平均識別準確率為98.68%，具有良好的識別效果。

關鍵詞：串聯故障電弧；高效通道注意力；殘差結構；卷積神經網絡；電弧檢測

中圖分類號： TM501.2 文獻標識碼： ADOI：10.3969/j.issn.1007-791X.2025.02.006

0引言

現在各種智能電器的廣泛使用，提高了人們的生活便利度，同時也增加了使用電器設備所帶來的風險。電器設備線路老化、長期超負荷運行、接觸頭松動等情況，都可能引發故障電弧，其中隱患最大的就是串聯故障電弧。因為串聯故障電弧發生時線路中間出現空氣間隙，相當于在線路中串聯接入一個非線性電阻，導致線路阻值增加，線路中的電流低于正常值，傳統的過流檢測裝置出現漏檢[1]。

為了提高對串聯故障電弧的檢測識別，已經有許多學者針對這個方向進行了相關研究。檢測回路中的母線電流信號是進行電弧故障識別的一種常用方法。相較于測量負載兩端的電壓，這種方法使得母線電流獲取更方便，并且電流信號的獲取不受電弧故障發生位置的影響。利用小波變換[2-4]、改進完全集合經驗模態分解[5-6]、快速傅里葉變換[7]、經驗模態分解[8-9]等特征提取方法來獲取電流信號中的時域、頻域和時頻域信息及其他特征。此類方法均是先通過特征提取工具獲取特征，直接設定判斷閾值或結合機器學習進行識別，提取特征的重要程度和準確性是決定故障電弧識別準確率的關鍵。文獻[10]提出了一種基于電弧電流和超聲波的串聯故障電弧的檢測；文獻[11]提出了一種鄰波電流差與隨機性的交流串聯電弧故障識別方法；文獻[12]提出了一種低壓交流串聯故障電弧辨識方法。這幾種方法均需對提出的特征判據設定閾值，但是有些負載的特征在正常狀態和故障電弧狀態之間存在一定的交叉，導致檢測準確率下降。

隨著深度學習方法的快速發展，許多深度學習的方法被運用到故障電弧的檢測中，如時域可視化[13]、小波變換特征圖[14]、時域灰度圖[15]、格拉姆角差場編碼[16]等方法。通過使用深度網絡，提高了故障電弧的識別準確率，但都需要將電流信號進行圖像化轉換，增加了額外的計算成本和運算時間。為了直接處理采集的電流信號，1D-CNN[17]、RNN[18]、CNN_LSTM[19]等電弧識別網絡被提出，直接利用采集的電流信號來訓練網絡，生成電弧故障識別模型。

對以往研究總結可知，通過特征提取建立特征集的方法并不能覆蓋所有負載類型的有效特征，會出現某些負載特征混疊，影響檢測準確率；若采用多種特征提取方法建立融合特征集，有助于提高檢測準確率，但會產生冗余數據，加大檢測的計算成本。采用深度網絡進行特征自動提取避免了對特征提取方法的選擇，簡化了檢測模型。現有檢測網絡模型多采用二維或三維模型，相比于一維模型通常需要更大的計算量，且較少關注特征通道間的信息。本文提出了一種基于自適應高效通道注意力（Efficient Channel Attention，ECA）的串聯故障電弧檢測方法，直接利用采集的原始電流時序信號進行故障電弧的識別。通過卷積神經網絡（Convolutional Neural Networks，CNN）模塊和殘差ECA模塊的結合，自動提取故障電弧的特征，最后實現對故障電弧的分類。

1理論基礎

CNN是一種深度學習模型，主要用于圖像識別、自然語言處理等。其優勢在于自動提取特征，減少手動設計特征提取器的需求。盡管CNN能逐步學習復雜特征，但訓練時計算量大，耗時長。為了降低模型的參數量和計算負擔，有時可能會考慮簡化模型結構，例如減少層數。然而，這種做法雖然能夠減少計算量，但同時也可能削弱模型捕捉復雜特征的能力，進而影響其泛化性能。

在卷積神經網絡中，可以利用通道注意力機制替換部分卷積層，能夠在降低模型復雜度的同時，有效地提升網絡性能。

1.1高效通道注意力

擠壓激勵網絡[20]（Squeeze-and-Excitation Networks，SENet）作為通道注意力的一種，通過學習不同通道的權重，增強特征提取能力。但其需要對全連接層進行降維，可能導致通道間直接關系丟失[21]。ECA則解決了這個問題，如圖1所示，通過為每個局部通道交互指定權重，專注于重要通道信息，從而提高網絡性能。

1.2殘差結構

殘差結構[22]如圖2所示，通過跨層的特征融合，促進了網絡對復雜特征的學習和表示，并且其結構本身具有一定的正則化效果，可以減少過擬合的風險。

快捷連接只是執行恒等映射，其輸出被添加到堆疊層的輸出中。快捷連接將輸入F與通過堆疊層變換后的輸出F（X）相加得到最終的輸出H（X）。殘差結構中的快捷連接通過增加低層特征使用率，能夠幫助訓練和有效特征的傳遞。

2故障電弧識別模型

為了能夠處理不同負載復雜的電弧電流，并識別出負載電流正常和電弧故障狀態，提出了一種基于自適應ECA的卷積網絡模型：AdapECA。該模型可以自適應地關注不同特征之間的交互關系，以增強卷積網絡模型對于輸入特征的學習。

2.1模型概述

模型的框架如圖3所示。主要由三部分組成：1）CNN模塊，2）殘差ECA模塊，3）分類。首先，利用CNN模塊對電流信號的初級特征進行學習。其次，利用殘差ECA模塊學習特征之間的交互關系。ECA模塊通過對通道權重自動分配，可以自適應地強調重要特征，學習特征之間的依賴關系，增強對特征的表達效果。最后，利用全連接層和Softmax激活函數構成的分類模塊完成分類識別工作。

2.2特征提取

1）CNN模塊：CNN具有稀疏連接和權值共享的特性。稀疏連接有效地降低了模型訓練過程中參數的數量，而權值共享則有益于抑制網絡對樣本產生過擬合的風險。為了學習數據信號的初級特征，設計了一個三層的CNN結構，如圖4所示。其中的Conv1D（64，3，1）表示采用具有64個卷積核的一維卷積，卷積核的大小為3，步長為1；MaxPool1D（4，2）表示采用最大池化，卷積核的大小為4，步長為2；Dropout 0.3表示設置模型訓練過程中丟失率為0.3，這將有利于降低模型過擬合的風險。在每個卷積層后都進行批量歸一化和激活（使用ReLU函數）。

2）殘差ECA模塊：該模塊中，實現了兩個卷積和ECA模塊的結合，具體結構如圖5所示。兩個一維卷積Conv1D（32，1，1），使用的卷積核大小和步長都為1，采用ReLU作為激活函數。兩次卷積操作過程可以表示為

接下來，將卷積的結果F送入到ECA模塊中，得到輸出為Oout。本文中的數據處理對象是時間序列信號F∈RC×L，其中C、L分別為通道數（特征總數）和特征的長度，因此需要對GAP進行一維操作的適應性修改，修改后的GAP可以表示為

式中，Fci表示輸入特征映射F中通道c的第i個元素。另外，添加了一個快捷連接，將原始的輸入特征映射X與ECA模塊的輸出Oout結合起來。殘差ECA模塊的最終輸出可以表示為

2.3分類

分類部分的組成如圖3所示，主要包括Flatten層、Full connection層和Softmax層。模型應用標準多類交叉熵作為損失函數，其具體實現公式為

式中，N為樣本總數，K為類別數，yki表示第i個樣本的實際標簽，y^ki表示第i個樣本對k類的預測概率。

3電弧數據的采集與分析

3.1電弧故障實驗平臺

根據UL1699國際標準，搭建了串聯故障電弧實驗平臺。該實驗平臺采用AC 220 V/50 Hz供電電源，通過優利德UNI-T MSO2204-S型號示波器對波形進行觀察，采用霍爾電流傳感器對實驗平臺的電流數據進行實時檢測，經專門設計的信號采集硬件電路板，將電流信號降采樣至10 kHz并傳輸到PC端。串聯電弧發生裝置主要由可移動銅棒電極和固定安裝的石墨電極構成，兩種電極的直徑均為6 mm大小，通過控制移動電極與固定的石墨電極之間的間隙來模擬電弧的發生。實驗電路的結構示意圖如圖6所示。實驗電路共設3處故障發生位置，每次實驗啟用一處故障位置；故障位置a可以模擬干路發生電弧的情況，其余兩處故障位置主要用來模擬單支路串聯故障電弧的發生。

3.2負載類型劃分

為收集不同負載在電弧故障和正常情況下的電流數據，實驗負載包括了取暖器、電吹風、飲水機、臺式電腦、風扇、吸塵器、LED燈。取暖器和飲水機都是加熱作用，工作狀態呈阻性，故將其歸類為電阻性負載。取暖器和飲水機在正常工況和電弧故障狀態下的電流波形分別如圖7（a）、圖7（b）所示，電流波形圖中均按照虛線左半部分曲線表示正常工況，虛線右半部分曲線表示電弧故障繪制。可以看出，電阻性負載電弧故障狀態下的電流波形會在電流的過零點附近出現“平肩區”現象。

電吹風、風扇、吸塵器主要靠電機運行，工作狀態大致呈感性，故將其歸為感性負載類。這些負載在正常工況和電弧故障狀態下的電流如圖7（c）、圖7（d）、圖7（e）、圖7（f）所示。從圖中可以看出，感性負載類正常工況時電流就有較多的“毛刺”現象，導致故障電弧識別難度增加。尤其是從圖7（d）中可以看出，正常工況和電弧故障狀態下的電流波形較為相近，通過簡單的觀察波形難以直接判斷負載是否發生電弧故障。

臺式電腦和LED燈中因含有較多電子元件，工作電流類似濾波電流波形，故將其歸為電子負載類。其正常工況和電弧故障狀態下的電流波形如圖7（g）、圖7（h）所示。可以看出故障狀態的電流波形發生了嚴重變形，出現瞬態突變。

除了測試單個負載外，還進行了多負載并聯使用的實驗。分別將臺式電腦與電吹風組合、取暖器與飲水機組合、風扇與LED燈組合形成并聯支路負載，其電流波形如圖8（a）、圖8（b）、圖8（c）所示。按照各自的電流波形，將臺式電腦與電吹風組合、風扇與LED燈組合歸為感性負載類，將取暖器與飲水機組合歸為電阻性負載類。通過波形觀察可以發現，當多負載并聯使用的時候，測得的電流波形出現了疊加現象。

3.3電弧數據的獲取

將收集到的頻率為10 kHz的原始數據，按照每三個完整的電流周波劃分為一個獨立的樣本，每個樣本都由一維的電流序列數據組成。單負載類的數據來自故障位置b或故障位置c，并聯負載類的數據來自故障位置a。該數據集包含4 446個電弧樣本和6 612個正常電流樣本，共計11 058個樣本。數據集是按照隨機劃分的原則，6 658個樣本用于訓練，2 200個樣本用于驗證，2 200個樣本用于測試。用于訓練的數據樣本中不包含風扇樣本和取暖器+飲水機的樣本，后續將這兩組數據單獨用于對模型進行測試驗證。各類負載具體的樣本數量和對應的標簽如表1所示。

4故障電弧的識別

本節利用實驗平臺采集的數據對模型進行訓練和測試，其中訓練集、驗證集、測試集分別按照6∶2∶2的比例劃分，每一類的數據利用標簽進行分層抽取，防止數據樣本的不平衡。各數據集之間的樣本獨立存在，不交叉使用。

4.1參數配置

使用PyTorch 2.0構建模型，并在Intel i5-12500H處理器，16.00 GB運行內存，NVIDIA RTX 3050 GPU的主機環境下進行訓練。共設置了100個訓練輪次，批量處理的大小為32，初始學習率設置為0.001，采用AdamW優化器進行優化，應用多類交叉熵作為模型的損失函數。

4.2故障電弧識別模型性能評估指標

本文采用5個指標來評價故障電弧識別模型的性能，即準確率（PACC）、宏觀平均F1分數（SMF1）、測試時間、參數量和計算量。宏觀平均F1分數是評估模型在不平衡數據集上性能的常用指標。在評價多分類問題時，常會將多分類分解為多個二分類。給定第i類的真陽性（PTPi）、假陽性（PFPi）、真陰性（PTNi）和假陰性（PFNi），則準確率PACC和SMF1定義為

式中，PPrei=PTPiPTPi+PFPi表示精確率（又稱查準率），PReci=PTPiPTPi+PFNi表示召回率（又稱查全率），N表示樣本的總數，K表示樣本的類別數量。

4.3故障電弧識別結果與分析

訓練過程中訓練集、驗證集的準確率與損失值變化曲線分別如圖9（a）、圖9（b）所示。從圖9（a）可以看出，訓練準確率和訓練損失密切相關，訓練損失降低的同時訓練準確率也隨之升高，在第66個訓練輪次之后，訓練準確率基本維持在99.60%以上，損失降到0.008以下。從圖9（b）可以看出，在前40個訓練輪次中，驗證集的損失值不斷下降，并且伴有較大的波動，說明此時模型的內部參數還沒有調整到合適的范圍，到第60個訓練輪次之后，驗證準確率基本平穩地維持在98.30%以上。

對訓練后的AdapECA網絡模型進行了5次測試，結果顯示，模型對故障電弧的平均識別準確率為98.68%。圖10是根據測試結果繪制的可視化分類混淆矩陣圖，可以看出，各類型負載正常狀態的樣本識別準確率均較高，感性負載類故障電弧狀態（真實標簽“2”）被識別錯誤的樣本數量最多。結合圖7（c）、圖7（d）中的電流波形圖分析，感性類負載分類錯誤的原因主要是：1）感性類樣本數據量最大；2）其正常電流波形本身就有類似故障電弧的“毛刺”變化；3）感性類負載中電吹風熱風檔的正常和故障電流波形較為相近，其在發生電弧故障時的電流波形相較于正常情況下的電流波形沒有較為明顯的突變特征。

此外，為了驗證模型的泛化性能，利用未經訓練的風扇樣本和取暖器+飲水機的樣本，對AdapECA模型進行測試，兩類樣本的測試準確率依次為98.27%、98.91%。測試結果說明，本文模型有較好的泛化性能和普適性。

4.4與其他識別方法的比較

為驗證本文所提模型識別故障電弧的性能，采用實驗平臺采集的相同數據集，對不同模型進行訓練和測試。具體對比模型如下。

1）1D-CNN：主要使用了4層卷積層和1層全連接層，該模型選自文獻[17]。

2）CNN_LSTM：主要使用了1層卷積層、1層LSTM隱層和1層全連接層，該模型選自文獻[19]。

3）AdapECA：即本文提出的網絡模型。

基于以上模型對比，通過圖11（a）、圖11（b）中不同模型的準確率和損失值變化曲線可以看出，本文提出的模型比其他兩種模型能更快達到較高的準確率和較低的損失值，這說明AdapECA模型能夠更快、更有效地捕捉到數據中的關鍵特征，高效通道注意力的加入有利于提高卷積的性能。

表2中列出了各模型之間的具體參數，其中測試時間是2 200個測試樣本的測試總耗時。CNN-LSTM模型雖然在測試時間上最短，但其準確率和宏觀平均F1分數卻是最低的。相比之下，1D-CNN模型雖然測試時間較長，但其準確率和宏觀平均F1分數均高于CNN-LSTM模型。本文提出的模型在測試時間、參數量和計算量方面略高于CNN-LSTM模型，但識別準確率有了顯著提升，增加了3.79%。此外，與1D-CNN模型相比，本文模型在參數量和計算量上都有大幅度減少，這在一定程度上反應了對模型復雜度的簡化。

5結論

本文提出的基于自適應ECA的串聯故障電弧識別網絡模型，通過使用CNN模塊和殘差ECA模塊，直接處理采集的電流時序信號數據，自動提取電流信號中的特征，簡化了模型的復雜度。模型中的殘差ECA模塊能夠自適應地關注特征之間的交互關系，增加對特征通道間信息的獲取，提高卷積模塊的性能。與使用傳統一維卷積的1D-CNN模型相比，提高了檢測準確率，縮短了運算時間。在實驗平臺自采集數據集上的實驗結果表明，本文的模型取得了98.68%的識別準確率，且能夠識別負載的具體類型，具有較好的泛化性和普適性。

參考文獻

[1] 郭鳳儀， 高洪鑫， 唐愛霞， 等. 局部二值模式直方圖匹配的串聯故障電弧檢測及選線[J]. 電工技術學報， 2020， 35（8）： 1653-1661.

GUO F Y， GAO H X， TANG A X， et al. Series arc fault detection and line selection based on local binary pattern histogram matching[J]. Transactions of China Electrotechnical Society， 2020， 35（8）： 1653-1661.

[2] 王毅， 劉黎明， 李松濃， 等. 基于經驗小波變換復合熵值與特征融合的故障電弧檢測[J]. 電網技術， 2023， 47（5）： 1912-1919.

WANG Y， LIU L M， LI S N， et al. Arc fault detection based on empirical wavelet transform composite entropy and feature fusion[J]. Power System Technology， 2023， 47（5）： 1912-1919.

[3] HAN X Y， LI D K， HUANG L Z， et al. Series arc fault detection method based on category recognition and artificial neural network[J]. Electronics， 2020， 9（9）： 1367.

[4] YIN Z D， WANG L， ZHANG B， et al. An integrated DC series arc fault detection method for different operating conditions[J]. IEEE Transactions on Industrial Electronics， 2021， 68（12）： 12720-12729.

[5] 楊帆， 宿磊， 楊志淳， 等. 基于改進CEEMDAN分解與時空特征的低壓供電線路串聯故障電弧檢測[J]. 電力系統保護與控制， 2022， 50（12）： 72-81.

YANG F， SU L， YANG Z C， et al. Series fault arc detection in low voltage power supply line based on improved CEEMDAN decomposition and spatial-temporal features[J]. Power System Protection and Control， 2022， 50（12）： 72-81.

[6] 江永鑫， 陳麗安， 郭夢倩， 等. 基于改進CEEMD和RF的低壓串聯故障電弧識別方法[J]. 電力系統保護與控制， 2024， 52（1）： 97-108.

JIANG Y X， CHEN L A， GUO M Q， et al. Identification method of low voltage series fault arc based on improved CEEMD decomposition and RF[J]. Power System Protection and Control， 2024， 52（1）： 97-108.

[7] QU N， ZUO J K， CHEN J T， et al. Series arc fault detection of indoor power distribution system based on LVQ-NN and PSO-SVM[J]. IEEE Access， 2019， 7： 184020-184028.

[8] 蘇晶晶， 許志紅. 基于EMD和PNN的故障電弧多變量判據診斷方法[J]. 電力自動化設備， 2019， 39（4）： 106-113.

SU J J， XU Z H. Diagnosis method of multi-variable criterion based on EMD and PNN for arc fault diagnosis[J]. Electric Power Automation Equipment， 2019， 39（4）：106-113.

[9] 楊洋， 黃羅杰， 李平， 等. 基于多維度特征提取的電弧故障檢測方法[J]. 電子測量與儀器學報， 2021， 35（10）： 107-115.

YANG Y， HUANG L J， LI P， et al. Arc fault detection based on multi-dimension feature extraction[J]. Journal of Electronic Measurement and Instrumentation， 2021， 35（10）： 107-115.

[10] 舒奇航， 劉希喆， 王陽. 基于電弧電流和超聲波的串聯故障電弧的檢測[J]. 電氣自動化， 2023， 45（3）： 23-25.

SHU Q H， LIU X Z， WANG Y. Detection of series fault arcs based on arc current and ultrasonic wave[J]. Electrical Automation， 2023， 45（3）： 23-25.

[11] 丁銳， 陳羽， 孫伶雁， 等. 基于鄰波電流差與隨機性的交流串聯電弧故障識別[J]. 電力系統保護與控制， 2023， 51（8）： 169-178.

DING R， CHEN Y， SUN L Y， et al. Series arc fault detection in low-voltage AC power lines based on absolute difference of the neighboring waveform of the current and randomness[J]. Power System Protection and Control， 2023， 51（8）： 169-178.

[12] 何志鵬， 李偉林， 鄧云坤， 等.低壓交流串聯故障電弧辨識方法[J]. 電工技術學報， 2023， 38（10）： 2806-2817.

HE Z P， LI W L， DENG Y K， et al. Identification method of low voltage AC series fault arc[J]. Transactions of China Electrotechnical Society， 2023， 38（10）： 2806-2817.

[13] YANG K， CHU R， ZHANG R， et al. A novel methodology for series arc fault detection by temporal domain visualization and convolutional neural network[J]. Sensors， 2020， 20（1）： 162.

[14] 胡從強， 曲娜， 張帥， 等. 連續小波變換和具有注意力機制的深度殘差收縮網絡在低壓串聯電弧故障檢測中的應用[J].電網技術， 2023， 47（5）： 1897-1905.

HU C Q， QU N， ZHANG S， et al. Application of continuous wavelet transform and deep residual contraction network with attention mechanism in low-voltage series arc fault detection[J]. Power System Technology， 2023， 47（5）： 1897-1905.

[15] 褚若波， 張認成， 楊凱， 等. 基于多層卷積神經網絡的串聯電弧故障檢測方法[J]. 電網技術， 2020， 44（12）： 4792-4798.

CHU R B， ZHANG R C， YANG K， et al. A series arc fault detection method based on multi-layer convolutional neural network[J]. Power System Technology，2020， 44（12）： 4792-4798.

[16] 張婷， 張認成， 楊凱. 基于非對稱卷積神經網絡的電弧故障檢測系統[J]. 電子測量與儀器學報， 2022， 36（11）： 116-125.

ZHANG T， ZHANG R C， YANG K. Arc fault detection system based on asymmetric convolutional neural network[J]. Journal of Electronic Measurement and Instrumentation， 2022， 36（11）： 116-125.

[17] 周新城， 吳自然， 吳桂初. 基于1D-CNN的串聯故障電弧檢測[J]. 消防科學與技術， 2020， 39（2）： 278-281.

ZHOU X C， WU Z R， WU G C. Series fault arc detection based on 1D-CNN[J]. Fire Science and Technology， 2020， 39（2）： 278-282.

[18] LI W C， LIU Y L， LI Y， et al. Series arc fault diagnosis and line selection method based on recurrent neural network[J]. IEEE Access， 2020， 8：177815-177822.

[19] 余瓊芳， 徐靜， 楊藝. 基于CNN_LSTM模型的復雜支路故障電弧檢測[J]. 中國安全生產科學技術， 2022， 18（4）： 204-210.

YU Q F， XU J， YANG Y. Complex branch fault arc detection based on CNN_LSTM model[J]. China Safety Production Science and Technology， 2022， 18（4）： 204-210.

[20] HU J， SHEN L， SUN G， et al. Squeeze-and-excitation networks[C]∥ 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition， Salt Lake City， USA， 2018： 7132-7141.

[21] WANG Q L， WU B G， ZHU P F， et al. ECA-Net： efficient channel attention for deep convolutional neural networks[C]∥ 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition， Seattle， USA， 2020： 11531-11539.

[22] 時培明， 吳術平， 于越， 等. 基于注意力機制和深度殘差網絡的滾動軸承故障診斷[J]. 燕山大學學報， 2024， 48（1）： 39-47.

SHI P M， WU S P， YU Y， et al. Rolling bearing fault diagnosis based on attention mechanism and depth residual network[J]. Journal of Yanshan University， 2024， 48（1）： 39-47.

Series arc fault detection based on adaptive ECAYUAN Jianhua1，2， HUANG Tao1， LU Yun1

（1. College of Electrical Engineering and New Energy，China Three Gorges University， Yichang， Hubei 443002， China；2.Hubei Provincial Collaborative Innovation Center for New Energy Microgrid，China Three Gorges University， Yichang， Hubei 443002， China）

Abstract： In the case of increasing and complex load on the user side， the series fault arc becomes more difficult to identify effectively， which threatens the safety of the line and the operation of the system. Previous detection methods mostly use two-dimensional or three-dimensional models， which usually require more computation than one-dimensional models， and pay less attention to the information between feature channels. Therefore， a series fault arc detection method based on adaptive Efficient Channel Attention（ECA） is proposed to adaptively extract the effective features in the current signal. Firstly， the one-dimensional convolutional network is improved by using efficient channel attention and residual structure， and the network model structure is constructed. Then， through the built arc fault experimental platform， various load current data under normal working conditions and arc fault conditions are collected， and the corresponding database is established. Finally， the constructed one-dimensional network model is used to train and classify the data samples， so that it can effectively identify the arc fault. The results show that the average recognition accuracy of the model for fault arc is 98.68 %， which has a good recognition effect.

Keywords： series arc fault; efficient channel attention; residual structure; convolutional neural network; arc detection

收稿日期：2024-05-28責任編輯：溫茂森

基金項目：湖北省自然科學基金資助項目（2020CFB248）

作者簡介：*袁建華（1978-），男，湖南邵陽人，博士，副教授，主要研究方向為光電子技術應用、微電網運行與控制等，Email：sdyjh@ctgu.edu.cn。