电弧故障是当前引起电气火灾的重要原因之一,电弧故障检测装置就能及时发现电弧故障并断开回路,从而避免火灾的发生。因此,电弧故障检测技术成为当前防火灾技术领域的一个研究热点。本文提出了一个基于机器学习的电弧故障检测算法总体框架,包括电弧故障特征提取、数据预处理和电弧故障分类器三部分,在算法训练时,从电弧故障样本数据中提取电弧故障特征参数并进行预处理,对电弧故障分类器进行训练,建立分类器模型;分类器模型建立之后,算法就可以进行实际电弧故障检测,从实测电路数据中提取电弧故障特征参数并进行预处理,采用训练建立分类器模型分类出其中的电弧故障数据,从而检测出电弧故障的发生。论文对电弧故障数据进行时域、频域和层次分析,确定了电弧故障检测算法需要提取的能量、子带能量比、短时平均能量、频谱质心、带宽、过零率、脉冲个数、方差、电流积分等参数电弧故障数据特征参数。论文结合电弧故障检测的特点,设计了电弧故障检测算法中的数据预处理方法,包括基于压缩近邻规则算法的数据清洗、基于特征标准化的数据归一化和基于主成分分析PCA算法的数据降维。论文为训练出泛化能力足够强的电弧故障分类器,提出了一个Logistic回归、SVM和随机森林等三种分类器相结合的组合分类器,并设计和实现了三种分类器以及第二层分类器。对电弧故障检测算法的测试表明,算法在电弧故障检测的电弧故障识别率和误动作两个主要性能指标上均获得了比较满意的效果。