故障电弧检测在保障电气设备安全运行方面具有重要作用,它是防止建筑电气火灾发生的有效手段。近年来由于电气火灾造成的人身安全及财产损失不容忽视,而配电线路上的故障电弧是引起电气火灾的重要原因之一。市面上比较成熟的低压保护电器产品都以防止发生过电流和漏电流为主,但这些产品无法检测单相配电线路上的串联故障电弧。因此,故障电弧检测技术的研究对电气火灾的减少有重要意义。在交流电源系统中以串联故障电弧检测难度最大,其检测算法的难点主要有两点:首先,是需要保证故障电弧检测的精确度。串联故障电弧电流信号复杂,与连接的负载密切相关,如何准确的判断出线路状态,在目前依然是一个难题;其次,需要保证检测的实时性。即故障电弧发生时电弧故障保护装置(Arc Fault Detect Device,AFDD)能立即动作或者报警。如果不能在要求时间内检测出故障电弧的发生,那么该算法也是失败的,不能起到防范电气火灾的作用。为达到上述要求,本文研究了目前传统的故障电弧检测方法,在总结传统方法的不足上,设计了基于深度学习中的卷积神经网络的故障电弧检测方法。因为故障电弧检测是基于大量的电流数据,并且故障电弧的电流波形与正常状态下的电流波形存在区别,所以故障电弧检测问题可转化为深度学习中的分类问题进行处理。本文依据AFDD国家标准搭建实验电路,设计电流数据采集装置采集了部分线性负载和非线性负载的电流波形作为卷积神经网络训练测试的数据库,包括白炽灯、日光灯、吸尘器和空压机正常情况下和发生故障电弧情况下的电流波形数据。在传统的故障电弧检测方面,研究了电流在时域、频域方面的特征并基于这些特征设计合适的算法对故障电弧进行检测。在基于卷积神经网络的故障电弧检测方面,设计了适合检测故障电弧的神经网络,确定了网络的层的结构、评价指标、以及优化算法的选择。完成网络的设计后,将采集的数据分为训练集和测试集。训练集用于在服务器上对神经网络进行训练,确定模型的参数。测试集用于检测模型的效果,最终模型在测试集上有优秀的表现,串联故障电弧检测的准确率达到100%,最后将模型保存处理后导入嵌入式设备中进行测试,检测的准确率也达到了99.75%。该检测方法既提高了检测的准确性,又保证了检测的及时性。