随着居民用电量的持续攀升,由电弧故障引起的电气火灾事故数逐年增长。当前的电弧故障检测装置主要依赖于检测故障电弧的电流波形特征,但线路中的负载种类不断增多,导致故障电弧产生时的电流波形特征与某些负载无弧情况下正常运行时的电流波形特征十分相似,使电弧故障检测装置出现拒动作、误动作。针对上述问题,本文以常用负载的串联电弧故障作为主要研究对象,结合模式识别技术,提出基于主成分分析与支持向量机的电弧故障识别方法、基于卷积神经网络迁移学习的电弧故障识别方法与基于自组织特征映射网络的电弧故障识别方法,实现对串联电弧故障的有效保护。首先,利用故障电弧模拟发生装置搭建试验平台,通过串联电弧故障试验采集常用负载发生电弧故障前与发生电弧故障后的电流信号,分析不同负载条件下电流信号的一般特性。其次,在分析电流信号时域特征的基础上,提出一种基于主成分分析与支持向量机的电弧故障识别方法。利用主成分分析法对提取的电流信号时域特征参数进行降维处理,选择贡献率最高的前三个主成分替代电流信号的9种时域特征参数输入支持向量机。通过网格搜索法与K折交叉验证法选取支持向量机的最优参数,提高电弧故障识别准确率。再次,分析电流信号的时频特征,提出结合卷积神经网络良好迁移学习能力的电弧故障识别方法。将在大量数据集中完成预训练的卷积神经网络迁移至电弧故障图像的识别问题中,分析不同网络参数对电弧故障识别效果的影响,利用该样本数量下网络的最优参数组合进行电弧故障识别。最后,提出一种基于自组织特征映射网络的电弧故障识别方法。通过竞争学习的规则,网络能自主提取电流样本的故障特征并进行学习,避免人工选择故障特征导致的不准确性与片面性。利用滑动窗口对输入网络的电流信号进行连续检测,结合每个窗口时间内的检测结果及其相对应的概率大小,得到最终负载分类结果与电弧故障识别结果。试验结果表明,所提方法能实现对串联电弧故障的快速识别,且具有较高的准确率。