1.一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：该直流故障电弧检测及定位方法包括以下步骤：对直流系统多条线路应用循环神经网络模型并依据不同线路故障电弧特征的共性进行故障电弧检测；在检测到一条具有故障电弧特征的线路后，即可判定该线路为故障线路，或者在检测到两条以上具有故障电弧特征的线路后，应用循环神经网络模型并依据不同线路故障电弧特征的差异进行故障电弧定位分析，然后根据分析所得故障电弧定位信息判定故障线路。

2.根据权利要求1所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述故障电弧特征为提取自直流系统的电流信号、且能够在1～40A范围内同一系统电流等级条件下，辨识总线或本级某支路上所发生的故障电弧与该总线或支路所连接的总线、上级支路、下级支路以及同级其他支路中的一条以上线路上发生故障电弧时的串话干扰的特征。

3.根据权利要求2所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：判断提取自电流信号的特征能够辨识故障电弧与串话干扰的依据为：该特征在故障电弧情况较串话干扰情况的提升比的增幅不低于20％。

4.根据权利要求3所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述提升比为直流系统状态改变后较改变前所提取特征的对应特征值的增加比例。

5.根据权利要求2所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述特征在多支路运行条件下的故障电弧情形中均保持提升比在1.4以上。

6.根据权利要求2所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述特征是通过对电流信号进行小波变换和特征分析而提取得到；小波变换参数为：采用Rbio3.1小波基，并选择频段20～100kHz上的小波系数；特征分析具体采用对选择的小波系数进行平方和、绝对值和、或方差值分析的方式。

7.根据权利要求1所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述直流故障电弧检测及定位方法具体包括以下步骤：

1)对直流系统内在运行的各条线路上的电流信号按照采样频率为200kHz～1MHz进行采集，直至得到一个时间窗的电流信号xn，时间窗的数据点数目为5000～10000；

2)对采集自每条线路的电流信号xn进行特征提取，将提取自每条线路的对应特征分别输入故障检测循环神经网络模型进行状态辨识，得到由该循环神经网络模型输出的状态判断值，若均输出表示正常的状态判断值，转至步骤1)继续对下一个时间窗的电流信号xn进行采集；若存在输出表示故障的状态判断值的线路，则转至步骤3)；

3)对经过故障检测循环神经网络模型的状态辨识且输出表示故障的状态判断值的线路以时间窗为周期进行统计，若这些线路中的一部分或全部线路在所经过的连续5个周期以上的状态辨识中均出现表示故障的状态判断值，则判断直流系统发生故障电弧，并转至步骤4)；否则判断直流系统发生串话干扰，并转至步骤1)继续对下一个时间窗的电流信号xn进行采集；

4)若待定位分析的线路，即在连续5个周期以上的状态辨识中均出现表示故障的状态判断值的线路的数目不超过1条，则认定该线路为故障状态，并发出故障电弧切断信号，否则将待定位分析的线路中的每条线路自开始判断故障电弧发生以后在各时间窗提取的特征分别输入故障定位循环神经网络模型进行状态辨识，得到由该循环神经网络模型输出的针对该线路及与其相关的线路在对应时间窗的状态判断结果；根据状态判断结果，若将任意待定位分析的线路判断为故障状态的频次占比不低于75％，则认定该线路为故障状态，并发出故障电弧切断信号；否则，认定该线路未发生故障电弧，转至步骤1)继续对下一个时间窗的电流信号xn进行采集。

8.根据权利要求7所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述故障检测循环神经网络模型中，用于标记特征的状态判断值分为表示正常的状态判断值0与表示故障的状态判断值1；所述故障定位循环神经网络模型中，用于标记特征的状态判断值为1，2，3，…，N+1，其中N为直流系统中支路总数。

9.根据权利要求7所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：所述故障检测循环神经网络模型及故障定位循环神经网络模型所采用的模型训练过程的结束判断条件为：验证集输出结果的相对误差小于10％，且验证集与训练集输出结果的相对误差的方差小于6％，验证集数据量为训练集数据量的30％～35％。

10.根据权利要求7所述一种多电力电子装置接入条件下的直流故障电弧检测及定位方法，其特征在于：若针对进行状态辨识的所有线路存在输出表示故障的状态判断值的线路，则在认定处于故障状态的线路后由云平台利用收集的对应线路特征对故障检测循环神经网络模型以及故障定位循环神经网络模型进行再训练，训练结束后利用获得的新的模型参数对各线路的故障检测循环神经网络模型以及进行了定位分析的线路的故障定位循环神经网络模型进行自校正。