Resumen: Los interruptores de circuito por falla de arco (AFCI) son esenciales para mitigar los riesgos de incendio en sistemas fotovoltaicos (PV) residenciales, pero lograr una detección confiable de fallas de arco de CC en condiciones del mundo real sigue siendo un desafío. La interferencia espectral de la conmutación del inversor, la heterogeneidad del hardware, la variación de las condiciones de funcionamiento y el ruido ambiental comprometen colectivamente las soluciones AFCI convencionales. Este artículo propone un marco basado en el aprendizaje (LD-framework) liviano, transferible y autoadaptativo para la detección inteligente de fallas de arco de CC. A nivel de dispositivo, LD-Spec aprende representaciones espectrales compactas que permiten una inferencia eficiente en el dispositivo y una discriminación de arco casi perfecta. En plataformas de inversores heterogéneas, LD-Align realiza una alineación de representación entre hardware para garantizar una detección sólida a pesar de los cambios de distribución inducidos por el hardware. Para abordar la evolución a largo plazo, LD-Adapt presenta un mecanismo de actualización autoadaptativo colaborativo en el borde de la nube que detecta regímenes operativos invisibles y realiza una evolución controlada del modelo. Amplios experimentos con más de 53.000 muestras marcadas demuestran una detección casi perfecta, logrando una precisión de 0,9999 y una puntuación F1 de 0,9996. En diversas condiciones propensas a disparos molestos, incluido el arranque del inversor, transiciones de red, conmutación de carga y perturbaciones armónicas, el método logra una tasa de disparos falsos del 0%. La transferencia entre hardware muestra una adaptación confiable utilizando solo entre un 0,5% y un 1% de datos de destino etiquetados y al mismo tiempo preserva el rendimiento de origen. Los experimentos de adaptación de campo demuestran una recuperación de la precisión de detección del 21 % al 95 % en condiciones nunca antes vistas. Estos resultados indican que el marco LD permite una solución AFCI escalable y orientada a la implementación que mantiene una detección altamente confiable en dispositivos heterogéneos y una operación a largo plazo.
Publicado originalmente en export.arxiv.org el 29 de marzo de 2026.
Ver fuente original
