为了准确的识别低压配电系统中所产生的串联型故障电弧,从而避免由故障电弧造成的损失和危害,通过资料得知当电弧故障发生时,故障电流幅值要比正常工作时小得多,再加上正常和故障时电流信号特征非常相似,故障电流信号往往又掺杂在正常信号中等故障电弧等特性,使得故障电弧的识别非常困难。本文根据已有的研究成果搭建模拟串联型故障电弧发生装置,通过调整RL负载柜在36V,110V,220V时不同功率因数,采集电路中的电流数据,对采集的数据分别使用小波变换结合样本熵以及EEMD分解结合SVD分解得到两种能代表的不同含义的故障电弧电流特征。将所得特征输入到聚类分析的分类模型混合高斯模型(GMM)。高斯混合模型作为概率密度函数,能够精确的量化事物,但因GMM的参数估计方法期望最大(EM)极易局部收敛以及提高识别率,使用遗传算法优化EM的高斯混合模型(GA-EM-GMM)。将特征数据来训练GA-EM-GMM模型,模型根据其输入的数据特征得到概率分类,把想要识别的数据输入到已建成的模型中按照之前形成的概率进行最大分类,然后得出结果电流故障与否。本文又提出了一种改进的极限学习机(ELM)分类方法。ELM作为最近几年学习能力和泛化能力很好的神经网络,还可实现分类的操作。为了得到更好的识别结果,将遗传算法和爬山算法引进来得到能影响ELM识别率的最佳的初始权值和阈值,从而形成更准确的分类算法。通过大量的试验得到这两种方法对于故障电弧的识别都有很好的效果,尤其是改进的ELM方法识别率高,耗时短,能够准确识别故障电弧特征,实现了在低压配电系统中精确识别故障电弧的操作。