用电质量和用电安全是现代社会的重要需求。楼宇、住宅、输电线路等中高压环境下,由于接触不良、线路老化、绝缘层损坏等现象极容易导致空气击穿,进而引发电能信号波动和燃烧现象,降低了电能传输质量并增加了用电危险性。因此,使用可靠的电弧故障检测方法对于输电线路的安全使用具有极为重要的意义。本文以我国市电使用环境下的电弧故障为研究对象,依据深度学习理论,从周期性电信号的数据处理、神经网络的重构及参数压缩、适应性卷积算子等方法作为改进依据,研究了基于残差神经网络的串联电弧故障检测方法。针对时域信号中故障信息占比较少,隐蔽性较高的问题,使用格拉姆角差场理论,将一维时域故障信号进行维度提升变换,以改善不同负载形式下的故障信息占有率。利用极坐标将时域采样点进行重构,获取每个特征点的反余弦重构角值,通过正弦和重构角角差构建二维数据分布矩阵。经过对比表明,采用格拉姆角差场矩阵可以改善卷积神经网络的故障特征提取能力。针对深度学习故障诊断该模型的训练参数较大,故障诊断模型的计算效率不高,串联电弧故障的诊断精度不足的问题,本文将残差神经网络理论中的深层训练结构用于浅层结构,替换后实现模型压缩,有效地降低模型的计算参数,提升预测速度;改进拆分注意力机制用于网络通道的多映射,通过分组拆分和组内基拆分,完善模型内部不同通道之间的注意力提取,将拆分的注意力合并以提升各通道之间的卷积效率,提升识别效能;采用适应性非对称卷积对输入的特征矩阵进行预处理,通过非对称卷积核和编码矩阵的数据分布方式,实现串联电弧故障连续时间特征和关联特征的适应性故障提取。为了有效使用串联电弧故障检测算法,本文将训练后的低参数诊断模型保存并压缩至Docker容器中,通过封装的虚拟化容器内Flask框架调用后端模型数据,构建电弧故障信息诊断系统。经过验证表明,模型可以得到有效地封装和调用,其验证精度较高,验证速度较快,可以用于电弧故障诊断系统的开发使用。