随着智能电网的发展,电能在人们生产生活中越来越不可或缺,随之而来的电气火灾事故也日益增多。故障电弧是引发电气火灾的重要原因,由于串联故障电弧的电流幅值通常小于线路正常工作时的电流幅值,线路中安装的断路器或熔断器等保护装置一般无法切除此类故障。此外,串联故障电弧电流还容易受非线性负载高频干扰的影响,造成故障电弧误判断。针对上述问题,本文以非线性负载条件下串联故障电弧为研究对象,提出基于小波包分解与深度自编码网络的故障电弧多分类识别方法与基于一维卷积自编码网络的故障电弧多分类识别方法。论文主要研究内容和结论如下:（1）搭建符合国家标准GB/T 31143要求的串联故障电弧实验平台,采用点接触和碳化路径两种电弧发生方式,模拟接头松动和绝缘老化等情况引起的故障电弧。利用所搭建的实验平台,实验采集典型负载发生故障电弧前后的电流信号,分析典型非线性负载正常工作和故障电弧的电流时域及频域特征。结果表明,非线性负载条件下,在实际操作中很难对电弧电流的时频域特征设置统一阈值进行故障电弧识别。（2）提出一种基于小波包分解与深度自编码网络的故障电弧多分类识别方法。利用小波包分解的时频域多分辨率特性进行电弧电流数据预处理,选取db 4小波包分解第五层节点系数构造小波包特征向量数据集,并作为网络模型输入。在此基础上,采用自动编码器与Softmax多分类器相结合的网络模型进行故障电弧进一步故障特征识别与负载分类,并利用采集到的数据进行模型训练和验证。结果表明,所提方法对不同负载的电弧识别准确率较高,均在99%以上,电弧多分类识别准确率均在96.5%以上,能够满足故障电弧识别的准确率要求。（3）为了进一步减少网络模型计算量,节省人工处理数据的工作量,提出一种基于一维卷积自编码网络的故障电弧多分类识别方法。该方法利用卷积层和池化层代替自动编码器的全连接层,并直接采用一维的原始电流数据作为网络输入,利用网络直接提取故障电弧特征。根据实验结果不断最小化卷积自动编码器网络重构误差,确定网络模型参数,并输入测试样本验证网络模型故障电弧多分类识别的准确率。结果表明,所提方法对不同负载的电弧识别准确率均在96.5%以上,电弧多分类识别准确率均在93.5%以上。与深度自编码网络相比,故障电弧识别准确率和多分类识别准确率略有降低,但其参数规模能够减小57.83%。