1.一种基于深度学习的串联型故障电弧试验平台，其特征在于，包括串联型故障电弧发生器(1)、电网模拟器(2)、RLC可编程负载(3)、可编程序控制器(4)、数据采集处理器(5)和深度学习计算机(6)；其中，所述串联型故障电弧发生器(1)通过电缆串联于所述电网模拟器(2)和所述RLC可编程负载(3)之间，构成试验电源与负载调节回路；所述串联型故障电弧发生器(1)包括透明封闭壳体(101)、直线滑台(102)、石墨固定电极(103)、可动铜电极(104)、弧压传感器(105)、电流互感器(106)、弧光传感器(107)、步进电机(109)和旋转编码器(110)；所述石墨固定电极(103)固定在所述直线滑台(102)的非移动台面上；所述可动铜电极(104)固定在所述直线滑台(102)的移动台面上；所述电流互感器(106)安装在所述可动铜电极(104)上；所述弧压传感器(105)固定在所述串联型故障电弧发生器(1)的底座上；所述弧光传感器(107)固定在所述透明封闭壳体(101)的侧壁上，且正对所述石墨固定电极(103)、所述可动铜电极(104)的接触面；所述步进电机(109)与所述旋转编码器(110)同轴安装在所述直线滑台(102)的侧面，用于驱动所述直线滑台(102)的移动台面移动；

所述电网模拟器(2)通过通信电缆与深度学习计算机(6)的RS485总线接口相连接，用于根据所述深度学习计算机(6)的指令调节电源参数；

RLC可编程负载(3)通过通信电缆与深度学习计算机(6)的RS485总线接口相连接，用于根据所述深度学习计算机(6)的指令调节负载的大小；

所述可编程序控制器(4)通过步进电机接口与所述步进电机(109)和所述旋转编码器(110)相连接，以及通过通信电缆与所述深度学习计算机(6)的RS485总线接口相连接，用于根据所述深度学习计算机(6)的指令控制所述可动铜电极(104)的移动，调节所述可动铜电极(104)与所述石墨固定电极(103)之间的间隙；

所述数据采集处理器(5)通过信号电缆分别与所述弧压传感器(105)、所述电流互感器(106)、所述弧光传感器(107)连接，以及通过通信电缆与所述深度学习计算机(6)的RS485总线接口相连接，用于采集故障电弧参数，并上传至所述深度学习计算机(6)；

所述深度学习计算机(6)用于存储故障电弧参数形成样本数据，并对该样本数据进行分类，同时对该样本数据进行串联型故障电弧模型的训练。

2.根据权利要求1所述的基于深度学习的串联型故障电弧试验平台，其特征在于，所述串联型故障电弧发生器(1)还包括高清摄像头(108)，所述高清摄像头(108)位于所述透明封闭壳体(101)的顶部，正对所述石墨固定电极(103)、所述可动铜电极(104)的接触面，所述数据采集处理器(5)通过信号电缆与所述高清摄像头(108)连接，用于采集视频数据。

3.权利要求1所述的一种基于深度学习的串联型故障电弧试验方法，包括如下步骤：

步骤S1：开启深度学习计算机，自动完成电网模拟器、RLC可编程负载、可编程序控制器和数据采集处理器的初始化工作；

步骤S2：通过所述深度学习计算机设定试验参数和深度学习模型的学习参数；其中，所述试验参数包括样本采集总次数、电源调节范围、负载调节范围、调节频度，所述学习参数包括隐藏层层数训练范围m、隐藏层神经元个数训练范围n、训练样本个数和评估样本个数p；

步骤S3：通过电网模拟器调节电源参数及通过RLC可编程负载调节负载大小，完成样本数据的采集；

步骤S4：分别对每个隐藏层1-n个节点，隐藏层数1-m层，采用s个训练样本进行训练，直到训练结果正确率达到0.98以上，自动停止训练；

步骤S5：输出训练结果的权值矩阵，重新构建深度学习模型，调取所述样本数据中的p个评估样本，对重建的深度学习模型进行评估，在评估故障电弧识别率达到0.95以上时结束试验，输出结果并转换输出模型的C语言程序。