随着全社会用电量的不断攀升,电气火灾事故也逐年增加。低压配电系统电气火灾约占火灾事故总数的30%,而其中超过40%的电气火灾由故障电弧引起,故障电弧已成为低压配电系统电气火灾事故的最主要诱因。传统电弧故障检测方法基于电弧电流的时频域特征,并依赖人为设定的故障电弧识别阈值。然而,低压配电系统的非线性负载不断增多,其正常工作时产生的高频干扰与串联故障电弧电流可能处于相近频段,容易引起传统电弧故障检测方法误动作。利用人工智能自动建立故障电弧识别的边界条件,可以摆脱人为经验的影响。但是,现有方法的网络模型相对复杂,其参数可达数百万以上,无法满足电弧故障检测的实时性要求。论文以低压交流串联电弧故障为研究对象,搭建电弧故障试验平台并进行电弧电流时频域特征分析,采用改进的Mel频率倒谱系数（Mel-Frequency Cepstral Coefficient,MFCC）方法提取电弧特征,并结合电弧电流原始数据作为模型输入,研究基于一维卷积神经网络的电弧故障实时检测方法。论文主要研究工作和结论如下:（1）搭建满足GB/T 31143标准要求的电弧故障试验平台,考虑电弧故障检测装置实际应用要求,设计电弧故障数据采集模块,采集并分析负载正常工作与电弧故障时电流信号的时频域特征,选取3 k Hz～6 k Hz作为电弧故障电流特征频段,并将试验负载分为电阻类、电机类、电力电子类以及气体放电类四种。（2）采用一维卷积神经网络搭建轻量化电弧故障检测模型。采用小波变换对MFCC算法进行改进,实现电弧电流数据预处理,并将提取到的MFCC特征值与一维原始电流数据共同作为轻量化电弧故障识别模型的输入,从而增强电弧故障与负载正常工作电流的区分度。采用电弧试验数据进行模型训练和验证,结果表明所建模型电弧故障识别准确率达到97.69%,并能识别四种负载类别。（3）采用树莓派4B进行电弧故障实时检测装置的软硬件设计。在硬件设计方面,通过分析树莓派4B及检测电路的电源功耗、供电电压范围等因素,选取合适的供电电源模块,并根据电弧电流特征频段设计信号滤波、放大电路;在软件设计方面,根据提出的一维卷积神经网络模型编写软件程序。试验结果表明,所设计的电弧故障实时检测装置能够满足标准检测要求,最快检测时间为56 ms。