随着社会电能应用水平的提高,家庭用电设备种类逐渐增多,居民的用电量剧增,电气火灾事故频发,以至于低压线路中的用电安全和能耗分析倍受关注。故障电弧是引发低压线路下电气火灾的重要原因之一,由于目前我国对串联故障电弧的检测设备并不完善,电气火灾监控系统对居民用电的分析功能欠缺,因此本文将电气火灾监控系统和智能电网中的非侵入式负荷辨识技术相结合,基于低压线路中串联故障电弧的特性和不同家用负荷信息的差异性,设计了一套在低压线路中既能对故障电弧进行检测报警,又具有负荷辨识功能的智能化电气火灾监控系统,分析居民用电行为,以提升居民的智能用电安全与节能意识。本文首先介绍电气火灾监控系统的发展与现状,分析国内外故障电弧检测技术与负荷辨识技术的研究现状。基于故障电弧产生原理、种类和监控系统的功能需求,结合STM32F429IGT6芯片、ESP8266芯片和计算机服务器设计了系统原型机的总体方案,在局域网内完成多级检测与分析。根据系统的总体设计方案,选择合适的互感器,制作用于模拟故障电弧产生的自动电弧发生器,并对监控终端的硬件和软件进行设计,采用Pyqt5库在服务器端中实现上位机管理软件的交互界面,完成了对用电线路进行实时监控与数据分析。然后,通过系统实验平台采集不同负荷（电风扇、吹风机和笔记本电脑）正常工作时和线路存在故障电弧时的电流数据,构建了故障电弧数据集。由于串联故障电弧的电流信号是一种非平稳性信号,该信号存在大量高频脉冲,所以本文设计了一个一维小波卷积核神经网络完成故障电弧的检测与分类,其利用一个连续小波卷积层来代替传统卷积神经网络（Convolutional Neural Networks,CNN）的第一个卷积层。该方法克服了传统故障电弧检测算法需要根据经验值设定阈值的局限性,且相比传统CNN,收敛速度更快,参数量更小。在本文数据集上进行实验分析,最终检测准确率达到了99.29%,验证了该方法的可行性。最后,在负荷辨识功能上,针对传统人工智能负荷辨识算法网络参数规模庞大、计算复杂度高、辨识准确率不足的局限性,提出了一种新颖的多维数据融合可视化方法。通过融合负荷的电压、原始电流和电压-无功电流轨迹（V-If轨迹）信息,生成尺寸更小、区分度更高的真彩可视化图像,作为人工神经网络的输入数据。实验结果表明,采用真彩可视化图像后,仅用不到传统算法1%规模的人工神经网络和计算量,就可以在本文数据集上达到100%,PLAID数据集上达到96.63%,WHITED数据集上达到99.05%的负荷辨识准确率。