根據《連續小波變換和具有注意力機制的深度殘差收縮網絡在低壓串聯電弧故障檢測中的應用》所述，當室内配電系統發生串聯電弧故障時，電弧燃燒溫度可高達數千度，進而導緻電氣火災的發生。而低壓配電網中負載類型複雜，利用一般的電流信号時頻分析，很難對串聯電弧故障進行有效識别。
針對這一問題，有學者利用深度學習強大的計算機視覺能力，提出了一種基于注意力機制和深度殘差收縮網絡（attention mechanism and deep residual shrinkage network，Attention-DRSN）的故障檢測方法。
連續小波變換和深度殘差收縮網絡在低壓串聯電弧故障檢測中的應用
首先，使用連續小波變換提取電流信号特征資訊，并轉化為圖像特征。其次，對提取到的圖像特征進行資料增強和灰階化處理，并利用主成分分析方法（principal component analysis，PCA）對特征圖像進行了重構。
電弧故障檢測流程
最後，建構了Attention-深度殘差收縮網絡的電弧故障檢測模型，并采用K-折交叉驗證方法對資料集進行劃分，驗證了所提方法的有效性。
深度殘差收縮網絡的殘差收縮子產品
其中，深度殘差收縮網絡是基于深度殘差網絡的一種變體，相比于深度殘差網絡，深度殘差收縮網絡将“軟門檻值化”作為“收縮層”引入殘差子產品之中。
深度殘差收縮網絡的基本原理
實驗結果表明，該檢測方法對串聯電弧故障具有較高的檢測精度，平均檢測準确率為98.52%，對未來電弧故障檢測裝置的設計具有重要的借鑒意義。