随着智能电网的发展,家庭用电设备种类日益丰富,特别是非线性用电设备不断增多,负载类型的变化对用电安全提出了更高要求。故障电弧是造成电气火灾的重要原因,包括串联型与并联型两种。由于受线路负载限制,串联故障电弧电流通常小于负载正常工作电流,断路器、剩余电流保护器等常用线路保护装置无法对其进行有效保护,构成严重的电气火灾隐患。非线性负载正常工作电流与故障电弧电流波形相近,而且电弧支路电流还可能与正常负载支路电流耦合在一起,进一步增加了故障电弧检测的难度,极易引起故障电弧保护误动作。论文针对非线性负载条件下串联故障电弧保护方法开展研究工作,解决已知负载和未知负载的故障电弧保护问题。（1）参照GB/T 31143搭建故障电弧试验平台,进行典型线性负载、非线性负载及其组合条件下故障电弧测试与分析。通过分析非线性负载工作特性,研究非线性负载条件下故障电弧保护误动作原因,并分析故障电弧电流时频域特征。（2）研究基于电弧电流时频域特征的故障电弧保护方法。选取Db 5小波进行电弧电流预处理,采用相邻周期电流低频逼近系数余弦相似度的差值作为电弧电流低频特征量,并用3125 Hz～6250 Hz频段小波能量作为电弧电流高频特征量。在此基础上,提出基于阈值比较的故障电弧保护算法。结果表明,所提方法能够实现已知单一负载与组合负载条件下故障电弧的准确识别,并且非线性负载启动过程中未发生误动作。（3）在基于电流时频域特征的故障电弧保护方法研究基础上,进一步研究基于深度学习的故障电弧识别方法。对比分析常用深度学习网络,选取AlexNet网络进行故障电弧识别并对其卷积核尺寸进行改进,减少模型参数。采用学习率自适应调整的训练策略提升网络收敛速度;采用随机梯度下降法优化权值更新过程,降低训练时长。采用故障电弧数据集对改进的AlexNet故障电弧识别网络模型进行训练与验证。结果表明,该方法在已知与未知负载条件下故障电弧识别准确率分别达到98.5%和97.5%,同时所提方法的模型参数比传统AlexNet模型参数减少了28%。所提两种方法都实现了故障电弧识别与保护,这两种方法各有一定的优缺点。基于电弧电流时频域特征的传统方法算法复杂度相对较小,有利于嵌入式硬件实现,但该方法需要人为确定保护动作阈值且对未知负载条件下故障电弧的识别具有局限性。而改进的AlexNet故障电弧识别方法无须人工确定阈值,具有更强的负载适应能力,能够实现未知负载故障电弧的识别,但其算法相对复杂,对硬件性能要求相对较高。