Las microredes de corriente continua son vitales para integrar fuentes de energía renovable en la red, pero enfrentan la amenaza de fallos de arco de corriente continua, que pueden llevar a malfuncionamientos y riesgos de incendio. Por lo tanto, garantizar el funcionamiento seguro y eficiente de los sistemas de corriente continua requiere una comprensión integral de las características de los fallos de arco de corriente continua y la implementación de una técnica confiable de detección de fallos de arco. Los métodos existentes de detección de fallos de arco a menudo se basan en características del dominio tiempo-frecuencia y algoritmos de aprendizaje automático. En este estudio, proponemos una técnica de detección avanzada que utiliza un enfoque novedoso basado en diferencias de características entre intervalos de movimiento y técnicas de aprendizaje avanzadas (ALTs). El método propuesto emplea un enfoque único al utilizar una señal temporal derivada de señales del lado de la fuente de alimentación como entrada de referencia. Para operacionalizar el método propuesto, se emplea un meticuloso proceso de extracción de características en cada conjunto de datos. Notablemente, se calcula la diferencia entre características dentro de distintos intervalos de movimiento, formando un conjunto de diferenciales que encapsulan información crítica sobre las condiciones cambiantes de los fallos de arco. Estos diferenciales se canalizan luego como entradas para técnicas de aprendizaje avanzadas, mejorando la capacidad del modelo para discernir patrones intrincados indicativos de fallos de arco de corriente continua. Los resultados demuestran la efectividad y consistencia de nuestro enfoque en varios escenarios, validando su potencial para mejorar la detección de fallos en sistemas de corriente continua.