摘"要：串聯(lián)故障電弧是由電氣線路或設備中電氣連接松動或線路絕緣老化引起的空氣擊穿現(xiàn)象，會導致設備損壞、電路短路等問題，甚至引起電氣火災。為了準確識別三相交流電動機的振動故障電弧，提出一個基于一維卷積神經(jīng)網(wǎng)絡（1D CNN）并結合鵜鶘優(yōu)化算法（POA）的故障診斷模型。所提模型可以直接利用上位機輸出的一維時序電流數(shù)據(jù)進行訓練;通過POA尋找1D CNN的最佳超參數(shù)，提升模型的識別能力;經(jīng)過t-SNE算法分析模型的特征提取效果后，證實其有效性。測試結果顯示，故障電弧識別準確率高達99.72%，所提方法比現(xiàn)有技術更加方便且性能更優(yōu)。

關鍵詞： 卷積神經(jīng)網(wǎng)絡; 三相交流故障電弧; 鵜鶘優(yōu)化算法; 故障診斷

中圖分類號：

文獻標志碼： A

文章編號： 2095-8188（2024）08-0069-08

DOI： 10.16628/j.cnki.2095-8188.2024.08.009

Method for Diagnosing Line Fault Arcs in Three-Phase AC Motors Under Vibration Condition

SUN Yifan1，"LIU Yujun2，"ZHANG Shuwang2，"QI Dongqian3，"CHEN Guanghua3，"GUO Fengyi1

［1.School of Electrical and Electronic Engineering，Wenzhou University， Wenzhou 325035， China;

2.Kailuan （Group） Co.，Ltd.Qianjiaying Mining Branch， Tangshan 063300， China;

3.Electro optic Explosion proof Technology Co.，Ltd.， Yueqing 325600， China］

Abstract：

Arc fault is an air breakdown phenomenon caused by loose electrical connections or aging insulation in wiring or equipment，which can lead to equipment damage，circuit faults，and even electrical fires.To accurately identify three-phase AC motor vibration fault arcs，a fault diagnosis model based on one-dimensional convolutional neural networks （1D CNN） combined with the pelican optimization algorithm （POA）is proposed.The proposed model can be trained directly using one-dimensional temporal current data output from the host computer.The POA is utilized to find the optimal hyperparameters of the 1D CNN，enhancing the model’s recognition capability.After analyzing the feature extraction effectiveness of the model using the t-SNE algorithm，its validity is confirmed.Test results show that the fault arc identification accuracy reaches 99.72%.The proposed method is more convenient and superior in performance compared to existing technologies.

Key words：

convolutional neural network（CNN）; three-phase AC arc fault; pelican optimization algorithm（POA）; fault diagnosis

0"引"言

隨著電力電子設備的廣泛應用，電力利用變得更加高效且方便。然而，低壓配電系統(tǒng)的現(xiàn)代化，也給電力安全帶來了潛在威脅。2022年《中國消防協(xié)會年鑒》中各類火災統(tǒng)計數(shù)據(jù)顯示，電氣火災發(fā)生率高居各類火災之首，高達34.6%;在重特大火災中，超過1/2的火災為電氣火災。電氣火災主要由故障電弧、過電流、漏電和電器過熱等引起。在開斷電路時，當被中斷的電流以及斷路器開斷后在觸頭之間產(chǎn)生的電壓均超過特定閾值時，會導致在觸頭間形成一種高溫、發(fā)出強光和導電的氣體，這就是故障電?。?］。

目前，對故障電弧的研究集中于電弧物理特性分析、電弧仿真建模以及通過深度學習算法在時域、頻域、時頻域方面進行特征提取等3個方面。故障電弧發(fā)生時會伴隨著強烈的弧光、弧聲、電磁輻射以及溫度變化等物理效應，通過物理特性分析的方法可有效識別故障電弧，該方法可用于識別特定位置（如開關柜中）發(fā)生的故障電弧［2-3］，也可以用于建立電弧仿真模型。研究人員對Mayr［4］、Cassie［5］以及Schwarz［6］等傳統(tǒng)電弧模型進行了深入研究和改進，并且采用傅里葉變換和小波分析等多種方法，有效驗證仿真的正確性和實用性。

隨著科技的發(fā)展，人工智能技術逐漸應用于電弧檢測領域，并在近年來取得顯著的發(fā)展。目前，對于故障電弧的人工智能檢測方法主要集中在支持向量機和神經(jīng)網(wǎng)絡2個方面。在神經(jīng)網(wǎng)絡方面，提出自適應非對稱卷積神經(jīng)網(wǎng)絡（CNN）［7］、基于EffNet改善的CNN模型［8］、基于CNN算法的ArcNet算法［9］以及深度殘差網(wǎng)絡［10］等算法。對故障電弧特性進行分析時，往往會面臨電弧特征提取困難、串聯(lián)故障電弧不易快速準確檢測等問題，因此當前主流研究旨在找到更準確可行的電弧檢測和定位方法。

本文建立基于一維卷積神經(jīng)網(wǎng)絡（1D CNN）并用鵜鶘優(yōu)化算法（POA）對參數(shù)進行優(yōu)化的神經(jīng)網(wǎng)絡算法，加快了神經(jīng)網(wǎng)絡的收斂速度，并提高算法的準確率。

1"振動故障電弧模擬實驗

故障電弧根據(jù)生成方式不同分為開斷電弧和碳化路徑電弧，而開斷電弧又分為點動模式與振動模式2種。其中，點動模式被認為是目前電弧研究的主要方法。該模式具有較高的控制性，能夠精準操控電弧的生成并調(diào)節(jié)電弧間距［11］。相反，振動模式的電弧產(chǎn)生具有隨機性，其電弧間距難以控制。根據(jù)相關資料，通過振動形式表現(xiàn)出來的機械故障占所有故障的70%以上［12］，振動使得連接部位處于松動接觸狀態(tài)，在機械振動作用下，接觸點處于頻繁通斷狀態(tài)，當由通到斷轉(zhuǎn)換時，感應電勢產(chǎn)生的電場將使觸頭間的空氣擊穿，產(chǎn)生串聯(lián)型振動故障電弧。電動機主要故障頻率［13-14］如表1所示。表1為后文選取振動頻率提供重要依據(jù)。

振動故障電弧模擬實驗平臺總體框圖如圖1所示。實驗平臺由三相電動機負載、電流傳感器、銅鼻子、數(shù)據(jù)采集卡、變頻器以及上位機組成。其中，上位機顯示畫面由LabVIEW軟件開發(fā)，實驗數(shù)據(jù)采集過程為傳感器測量后輸出模擬信號，經(jīng)過數(shù)據(jù)采集卡A/D轉(zhuǎn)換將其轉(zhuǎn)換為數(shù)字信號，最后在LabVIEW程序界面實時顯示。

實驗所用電極為黃銅材料銅鼻子，通過電纜連接在接線柱上。振動電弧實驗平臺結構如圖2所示。實驗通過型號為CZ50的電磁倉壁振動器調(diào)節(jié)振動頻率，使振動板上下振動，從而為銅鼻子上的電極提供振動環(huán)境。電極不斷開斷，產(chǎn)生電弧。

三相電動機會因定子或轉(zhuǎn)子鐵心的斷條、偏心、軸線不對中等情況出現(xiàn)振動故障電弧。本文以三相電動機為負載，選取A相為故障相，B、C兩相均為正常狀態(tài)。實驗過程中，將故障電弧發(fā)生器串入A相中，在正常狀態(tài)下保持銅鼻子上的電極接觸正常，使電路處于正常狀態(tài)。當電路處于穩(wěn)定狀態(tài)并工作一段時間后，通過電磁倉壁振動器改變振動頻率，分別設置40 Hz、45 Hz、50 Hz的變頻器頻率和40 Hz、45 Hz、50 Hz的振動頻率觀察電弧電流波形，將電弧數(shù)據(jù)由數(shù)據(jù)采集卡輸送至上位機，提取振動故障電弧特征，記錄每一組故障相電流數(shù)據(jù)，每一組實驗參數(shù)下進行故障和正常2種狀態(tài)下的電弧實驗，采樣頻率為10 kHz。實驗方案如表2所示。

2"電流信號分析與數(shù)據(jù)集處理

2.1"三相電動機電流信號波形分析

當三相電動機負載線路發(fā)生串聯(lián)故障電弧時，三相電動機負載電流波形中會出現(xiàn)大量的毛刺，且高頻分量明顯增加［15］。在判斷三相交流電動機線路是否發(fā)生故障電弧的過程中，若故障電弧發(fā)生在任意一相，其他兩相電流信號也包含故障電弧特征［16］。因此，僅需分析任意一相電流信號即可得到故障電弧特征。本文對A相電流信號進行分析和提取故障電弧特征。

本文在380 V電源電壓以及5 A的電流條件下展開實驗。正常狀態(tài)下電流波形如圖3所示。該波形是標準的雙峰波。變頻器頻率40 Hz時振動故障電弧電流波形如圖4所示;變頻器頻率45 Hz時振動故障電弧電流波形如圖5所示;變頻器頻率50 Hz時振動故障電弧電流波形如圖6所示。

以圖4為例，在振動頻率為40 Hz時，電流的雙峰波產(chǎn)生了些許畸變，當故障電弧燃燒劇烈時，電流波形為單峰波，如圖中圓圈位置;振動頻率為45 Hz時，電流波形畸變程度增加，故障電弧電流中單峰波數(shù)量增多，并且出現(xiàn)了些許“毛刺”現(xiàn)象;振動頻率為50 Hz時，故障電弧波形已經(jīng)完全被單峰波占據(jù)，且發(fā)生了嚴重的波形畸變。該現(xiàn)象為揭示電動機故障電弧特性與振動頻率的關聯(lián)性提供了關鍵實驗證據(jù)，有助于發(fā)展更為有效的故障檢測和診斷策略?，F(xiàn)有故障電弧檢測方法主要依靠故障電弧電壓電流的時頻域特征實現(xiàn)［17］。通過先進的傳感器、信號處理和人工智能技術，特別是在特征分析和機器學習應用于模式識別領域，電弧的檢測方法得到改進［18］。

隨著變頻器頻率的升高，故障電弧電流等級逐漸升高。使用快速傅里葉變換（FFT）算法對不同振動頻率及變頻器頻率條件下的電流信號進行分析。正常狀態(tài)下不同變頻器頻率的故障電弧電流頻譜如圖7所示;振動頻率40 Hz條件下不同變頻器頻率的故障電弧電流頻譜如圖8所示。

在正常狀態(tài)下，隨著變頻器頻率的增加，除了峰值略有增加外，不同頻率下的電流頻譜并無顯著差別，這表明設備在正常運行時，頻譜特性保持一致。但隨著故障的發(fā)生，在變頻器頻率為40 Hz時，諧波成分顯著增加，且峰值較正常狀態(tài)時顯著下降，電弧的特征信號與諧波成分混合在一起，特

征信號不明顯，需采用濾波技術進行提取;當變頻器頻率為45 Hz時，峰值增加，且故障電弧特征頻率與諧波分量較好分離，代表此時有較高的響應增益;當變頻器頻率為50 Hz時，特征信號峰值突出越發(fā)明顯，奇次諧波（如3次、5次諧波）的含量顯著增加，而偶次諧波含量改變不明顯。該頻率成分在信號中占據(jù)了較大的比重，具有更顯著的頻率成分。振動頻率為45 Hz與50 Hz的電流頻譜圖特征與40 Hz相似，該特征為故障電弧診斷提供重要依據(jù)。

2.2"數(shù)據(jù)集的構建

本文提出的三相交流振動故障電弧診斷模型是基于1D CNN，相較于二維卷積神經(jīng)網(wǎng)絡（2D CNN），1D CNN可直接輸入電流信號，無須進行灰度圖轉(zhuǎn)換，這為數(shù)據(jù)輸出到模型輸入提供直接性與便利性。信號采樣頻率為10 kHz，通過提取8 000個電弧樣本和6 000個正常樣本，形成總體14 000個數(shù)據(jù)集用于訓練和測試。其中，以訓練集與測試集的比例是3∶1的原則，即訓練集中含有10 500個數(shù)據(jù)樣本、測試集中含有3 500個數(shù)據(jù)樣本，時間長度50 ms，每個數(shù)據(jù)樣本中含有500個樣本點。

為保證模型在訓練和測試時的訓練精度，需對輸入變量和輸出變量進行標準化，消除輸入和輸出之間過大的數(shù)值差異，以便更好地適應模型，并提高其訓練精度和泛化能力。標準化的計算公式為

X=x-μσ（1）

式中："X——標準化后的結果;

x——某一特征值的值;

μ——某一特征值的總體平均值;

σ——某一特征的總體標準差。

3"振動故障電弧識別模型

3.1"一維卷積神經(jīng)網(wǎng)絡

本文構建的1D CNN結構如圖9所示。其中包括輸入層、卷積層、池化層、全連接層和輸出層。卷積層是CNN的核心部分，其作用是從輸入層的數(shù)據(jù)中提取特征。池化層主要目的是降低特征的維度，將特征圖進行采樣以防止過擬合并減少參數(shù)數(shù)量。

經(jīng)過卷積層和池化層的操作后，輸入信號的特征提取完成。提取的特征信號通過展開層（flatten）整合成一列向量。通過全連接層（fullyconnection layer）獲取全局信息，進一步處理這些特征以獲取全局上下文信息。輸出層采用softmax函數(shù)對特征進行多類別的概率分布預測。

3.2"1D CNN-POA參數(shù)設置

鑒于振動故障電弧的隨機性和不穩(wěn)定性，CNN存在著缺乏靈活性、計算復雜度高、數(shù)據(jù)需求量大等缺點。對CNN進行改進，通過調(diào)整網(wǎng)絡結構或使用優(yōu)化算法等方式，對CNN診斷故障電弧的能力進行進一步優(yōu)化與增強，很好地提高CNN對故障電弧的識別能力，增強魯棒性，能夠準確識別串聯(lián)故障電弧。

本文設計的1D CNN-POA神經(jīng)網(wǎng)絡具有11層結構，由4層卷積層、4層池化層以及3層全連接層組成。

為防止梯度消失的問題，為每一層卷積層設置了批量歸一化以加速網(wǎng)絡的收斂，同時在前2層全連接層后設置了dropout層，其會隨機將一部分神經(jīng)元的輸出置為0，可以迫使網(wǎng)絡學習到更加魯棒和穩(wěn)健的特征，能夠有效防止過擬合。池化層為最大池化層，池化核長度和步長都為2。設置邊緣補零方式防止邊緣信息丟失。全連接層設置在卷積層和池化層之后，單元數(shù)為416，最后經(jīng)由輸出層完成目標的分類。

激活函數(shù)均采用ReLU函數(shù)，損失函數(shù)選用交叉熵損失函數(shù)，優(yōu)化器采用Adam優(yōu)化器，batch_size設置為16，能夠更加精細地提取電弧特征。在POA中，個體因子C1設置為0.3，該參數(shù)表示個體基于自己過去經(jīng)驗的學習能力。個體通過C1參數(shù)來探索新的解決方案，即會考慮自己的歷史最優(yōu)位置來更新當前的位置。群體因子C2設置為0.2，該參數(shù)反映個體基于群體信息的學習能力。個體通過C2參數(shù)利用群體知識，即會考慮群體的歷史最優(yōu)位置來更新自己的位置。慣性權重w設置為0.9，用來控制個體速度的影響程度，隨著迭代過程的進行可能會逐漸減小，從而在算法初期允許較大的探索空間，在后期則減少探索以促進開發(fā)。因此學習率不用再過多地進行設置，POA會輸出最佳候選解，找到1D CNN的最優(yōu)超參數(shù)，學習率和權重參數(shù)的最小值設為0.001，最大值設為0.1。使用Pytorch框架訓練和測試1D CNN-POA網(wǎng)絡，其經(jīng)過訓練后，即可用于快速振動故障電弧檢測。

4"實驗結果與分析

4.1"評判標準

在本實驗中，采取一種綜合性的數(shù)據(jù)處理策略，即將不同振動頻率的信號樣本進行系統(tǒng)性聚合，以便構建一個多元化的數(shù)據(jù)集供神經(jīng)網(wǎng)絡模型學習。該策略的目的在于促進模型對各類振動頻率特征的深入理解和掌握，避免模型僅對單一振動頻率建立起認識框架，進而在遭遇未訓練過的新振動頻率時，仍能保持較高的識別準確度。

同時將燃弧振動頻率分別為40 Hz、45 Hz、50 Hz的數(shù)據(jù)整合成一個數(shù)據(jù)集，送進構建好的1D CNN-POA神經(jīng)網(wǎng)絡中訓練，充分提取不同振動頻率之間電弧信號的固有特征。本文以準確率（Accuracy）、召回率（Recall）、F1值（F1 Score）和混淆矩陣為模型的評價標準。評判指標結果如圖10所示。

4.2"實驗結果

準確率（Accuracy）是評估模型預測結果正確性的一個重要指標，反映模型預測為故障的電弧中實際確實為故障電弧的比例。由圖10可知，識別準確率為0.997 2，即正確率為99.72%，所構建的1D CNN-POA神經(jīng)網(wǎng)絡模型能夠準確有效地判斷出故障電弧數(shù)據(jù)，預測結果更接近實際情況。召回率（Recall）是評估模型捕捉所有可能故障電弧能力的一個指標，反映模型實際檢測到的故障電弧數(shù)量占所有實際存在的故障電弧數(shù)量的比例。圖10中召回率為0.989 8，意味著該模型能夠較好地覆蓋所有可能的故障電弧，從而提高故障檢測的全面性。F1值（F1 Score）是一個綜合考慮準確率和召回率的指標，是準確率和召回率的調(diào)和平均值。圖10中F1值為0.993 5，意味著模型的預測結果既有較高的準確性，又有較好的全面性。

1D CNN-POA訓練結果如圖11所示。圖11中，當?shù)螖?shù)達到240次，即完成了4輪完整的epoch后，訓練準確率開始接近于100%，表明模型的學習效果逐漸趨于理想。此外，隨著訓練的持續(xù)進行，損失函數(shù)值也呈現(xiàn)出持續(xù)下降的趨勢，這進一步證實模型正在逐步優(yōu)化并逼近最優(yōu)解。然而，當?shù)螖?shù)達到1 200次，也就是20個epoch后，模型的準確率和損失函數(shù)值均趨于穩(wěn)定，不再發(fā)生顯著變化，標志著模型已經(jīng)達到收斂狀態(tài)，學習過程結束。

模型的預測結果混淆矩陣如圖12所示。通過該混淆矩陣可知，故障電弧數(shù)據(jù)的識別準確率為100%，僅有2.04%的正常數(shù)據(jù)被識別成電弧數(shù)據(jù)，表明該模型能夠?qū)θ嘟涣髡駝庸收想娀∵M行有效的識別。

4.3"識別結果分析

為深入理解神經(jīng)網(wǎng)絡的擬合效果，本研究采納一種基于t分布的改進型非監(jiān)督聚類技術，即t-SNE，用于對測試集數(shù)據(jù)進行嵌入和可視化分析。通過將測試樣本輸入訓練完成的神經(jīng)網(wǎng)絡中，利用t-SNE技術進行特征提取和降維處理，本文對模型的分類性能進行細致的評估和解析。該方法能夠有效揭示數(shù)據(jù)內(nèi)在的結構和模式，從而對模型的預測能力及泛化性能提供直觀的展示和解釋。通過這種方式，能夠全面審視模型在面對新數(shù)據(jù)時的表現(xiàn)，及其對于不同類別間的區(qū)分度和邊界清晰度，進而對模型的整體效能做出精確的評判。利用t-SNE降維的網(wǎng)絡輸出結果如圖 13所示。

由圖13可知，故障和正常的標簽彼此明顯地分離，從降維結果可知，該網(wǎng)絡的泛化性能較好，已滿足電弧故障的識別要求。

4.4"與現(xiàn)有的方法對比

為了驗證本文提出方法的有效性，選取3種不同的神經(jīng)網(wǎng)絡框架進行比較分析。電弧故障識別結果對比如表3所示。在實驗中，發(fā)現(xiàn)2D CNN和殘差神經(jīng)網(wǎng)絡（ArcNet）在故障電弧識別方面的性能與本文提出的1D CNN-POA模型相當。但這2種網(wǎng)絡的輸入要求是二維矩陣形式，這意味著無法直接處理來自上位機的一維電弧數(shù)據(jù)，必須先將其轉(zhuǎn)換為灰度圖像才能被納入訓練流程。這一額外步驟不僅增加處理的復雜性，而且在特征提取過程中可能引入信息損失，影響最終的識別精度。相比之下，雖然LSTM神經(jīng)網(wǎng)絡能夠處理一維數(shù)據(jù)，但由于其內(nèi)在的梯度問題，其識別率明顯低于本文提出的模型。LSTM神經(jīng)網(wǎng)絡在處理長期依賴關系時易遭遇梯度消失或爆炸的問題，這會導致訓練難度增加，從而影響模型的性能。本文提出的1D CNN-POA模型在處理一維電弧數(shù)據(jù)時展現(xiàn)出更高的便利性和更好的性能。

5"結 語

針對三相交流串聯(lián)振動故障電弧問題，本文提出一種基于1D CNN-POA的三相交流串聯(lián)故障電弧檢測方法。該方法可以直接輸入上位機提供的一維電弧數(shù)據(jù)，通過引入POA提升檢測精度，并與多種模型進行對比，證明所提方法可有效檢測三相交流串聯(lián)型振動故障電弧，識別準確率達99.72%，具有良好的識別穩(wěn)定性和泛化能力。

【參 考 文 獻】

［1］"郭鳳儀，王智勇.電器基礎理論［M］.北京：機械工業(yè)出版社，2019.

［2］"熊慶，汲勝昌，陸偉鋒，等.低氣壓下串聯(lián)直流電弧故障電磁輻射幅值及頻率特性［J］.中國電機工程學報，2017，37（4）：1071-1079.

［3］"高漢林，許峰，張涵.光伏系統(tǒng)直流故障電弧特性與檢測裝置研究［J］.電器與能效管理技術，2022（11）：46-53.

［4］"劉艷麗，郭鳳儀，李磊，等.一種串聯(lián)型故障電弧數(shù)學模型［J］.電工技術學報，2019，34（14）：2901-2912.

［5］"楊帆，高有華.Mayr電弧模型下GIS中快速暫態(tài)過電壓的仿真分析［J］.電器與能效管理技術，2024（2）：28-32.

［6］"劉艷麗，郭鳳儀，李磊，等.礦井供電系統(tǒng)串聯(lián)型故障電弧仿真分析及診斷方法［J］.煤炭學報，2019，44（4）：1265-1273.

［7］"ZHANG T， ZHANG R C， WANG H Q， et al.Series AC arc fault diagnosis based on data enhancement and adaptive asymmetric convolutional neural network［J］.IEEE Sensors Journal，2021，21（18）：20665-20673.

［8］"PAUL K C， ZHAO T F， CHEN C， et al.Efficient-ArcNet：series AC arc fault detection using lightweight convolutional neural network［C］//2021 IEEE Energy Conversion Congress and Exposition （ECCE），2021：1328-1333.

［9］"WANG Y， HOU L M， Paul K C， et al.ArcNet：Series AC arc fault detection based on raw current and convolutional neural network［J］.IEEE Transaction On Industrial Informatics，2022，18（1）：77-86.

［10］"ZHANG S， QU N， ZHENG T F， et al.Series arc fault detection based on wavelet compression reconstruction data enhancement and deep residual network［J］.IEEE Transactions on Instrumentation and Measurement，2022，71：3508409.

［11］"高小慶，陳曉軍，鮑光海.考慮故障電弧電流高頻特征的阻抗電弧模型［J］.電器與能效管理技術，2021（3）：6-7.

［12］"陳長征.設備振動分析與故障診斷技術［M］.北京：科學出版社，2007.

［13］"LIU Y L， LV Z Y， ZHANG S Y， et al.Feature extraction and detection method of series arc faults in a motor with inverter circuits under vibration conditions［J］.IEEE Transactions on Industrial Electronics，2024，71（6）：6294-6303.

［14］"張西瑞.不同振動頻率對串聯(lián)型故障電弧特性的影響［D］.阜新：遼寧工程技術大學，2018.

［15］"高悅哲，王智勇，郭鳳儀，等.三相電動機和變頻器條件下串聯(lián)故障電弧頻域特征研究［J/OL］.電氣工程學報：1-8［2024-05-10］.http：//kns.cnki.net/kcms/detail/10.1289.TM.20231215.1033.004.html.

［16］"GAO H X， WANG Z Y， Tang A X， et al.Research on series arc fault detection and phase selection feature extraction method［J］.IEEE Transactions on Instrumentation and Measurement，2021，70：2004508.

［17］"王堯，田明，劉峰，等.低壓交流電弧故障檢測方法研究綜述［J］.電器與能效管理技術，2018（10）：8-13.

［18］"LI Z Y， CAI D S， Luo S， et al.A review on arc fault diagnosis methods for DC distribution networks［C］//2024 The 6th Asia Energy and Electrical Engineering Symposium，2024：639-644.

收稿日期： 20240606