1.一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：该故障电弧感知方法包括以下步骤：

1)在低压交流用电系统中，以频率f对不同支路的电流信号逐点采样，或对不同支路及各支路上级母线的电流信号逐点采样，并按照时间窗长度Ts分别提取当前分析周期下对应的N个电流信号采样点，得到检测信号xn，其中，n＝1,…,N；

2)对检测信号xn作小波包分解，得到检测信号xn的小波包树；

3)从小波包树中选取能显示故障电弧时频特征的频段维度对应的节点，并通过对该节点进行小波系数重构得到yn，其中，n＝1,…,N，然后进行绝对值求和，得到一个分析周期的特征值I；

4)将特征值I输入至S4VM分类器，若S4VM分类器输出与系统内发生故障电弧事件相对应的值，则转至步骤5)，否则，判断系统为正常运行，返回步骤1)；

5)若S4VM分类器在连续K个分析周期均输出与系统内发生故障电弧事件相对应的值，则判定系统内的对应支路或母线发生故障电弧；否则，判定为系统内发生类弧工况，返回步骤1)。

2.根据权利要求1所述一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：所述频率f为24kHz～400kHz，N为240～4000。

3.根据权利要求1所述一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：所述小波包分解采用的小波基为Haar，故障电弧特征频段为9kHz～12kHz。

4.根据权利要求1所述一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：所述S4VM分类器的核函数为径向基核函数，sample time为10～50，参数C1为50～70，参数C2为0.001～0.08。

5.根据权利要求1所述一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：所述K的取值为：

在小电流电弧情况下，则K按照以下公式计算：其中，I表示对应支路或母线的电流；

在大电流电弧情况下，则K＝4、5。

6.根据权利要求1所述一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：所述故障电弧感知方法还包括以下步骤：依据故障电弧发生前后的检测信号及对应的小波特征形态，应用生成对抗网络建立负荷与电弧的关联模型，根据该关联模型辨识故障电弧所在支路的外在干扰负荷类型。

7.根据权利要求1所述一种基于半监督式机器学习的低压故障电弧感知方法，其特征在于：所述故障电弧感知方法还包括以下步骤：对检测信号xn作小波包变换的同时进行短时傅里叶变换，得到检测信号xn的时频域分量矩阵；选取所述矩阵中能显示故障电弧时频特征的频段维度的对应矩阵元素进行累加，得到一个分析周期的特征值II；对所储存的各分析周期的特征值I和II分别进行归一化，然后求取归一化的特征值I和II间的欧氏距离；

将求取的欧氏距离与给定阈值比较，若比较结果为小于所述阈值，则判断当前分析周期下发生的故障电弧类型为并联故障电弧，若比较结果为大于等于所述阈值，则判断当前分析周期下发生的故障电弧类型为串联故障电弧；所述阈值的取值范围为3.1～3.5。

8.一种基于半监督式机器学习的电弧故障保护电器，其特征在于：该电弧故障保护电器包括电流信号采样装置以及低压故障电弧感知模块；

所述电流信号采样装置用于对电弧故障保护电器所在支路或母线的电流信号进行采样，以及按照时间窗提取对应的N个电流信号采样点作为检测信号xn；

所述低压故障电弧感知模块用于根据检测信号xn并分别结合小波包变换及短时傅里叶变换获得反映故障电弧时频特征的特征值I及特征值II、根据特征值I并应用S4VM分类器判断支路或母线上故障电弧的发生，以及根据所储存的各分析周期的特征值I和特征值II之间的欧氏距离判断故障电弧类型。

9.根据权利要求8所述一种基于半监督式机器学习的电弧故障保护电器，其特征在于：所述电弧故障保护电器还包括干扰负荷类型辨识模块，该模块用于根据建立的负荷与电弧的关联模型辨识干扰负荷类型。

10.根据权利要求9所述一种基于半监督式机器学习的电弧故障保护电器，其特征在于：所述电流信号采样装置、低压故障电弧感知模块和干扰负荷类型辨识模块集成于支路或母线上的断路器。