随着我国城市化进程的不断加快,一方面各级电力负荷大大增加,另一方面用电端对电能质量的要求也越来越严格。对于中低压配电网,单相接地故障是最常发生的故障,由于故障发生后系统线电压保持不变,因此系统仍可继续运行一段时间。如果故障没有被正确识别并及时切除,可能会引发相间短路等更严重的二次故障,危害系统的安全运行。因此为了避免危害的进一步扩大,在单相接地故障发生之初,就需要迅速实现对故障线路的识别并进行切除。本文分析总结了国内外与单相接地选线有关的研究现状,同时对几种主流的单相接地故障选线方法进行综合评判,并在此基础上分析了单相接地故障的稳暂态特征,其中重点分析了低阻和高阻接地故障的故障特征。然后以汤逊理论为基础,搭建了经弧光高阻接地故障的模型,结合仿真得到的零序电流和母线三相电压波形,发现高阻接地时的系统零序电流发生了明显的畸变,表现出非线性的特征。铁磁谐振等情况也会导致系统出现过电压,类似的故障特征易与单相接地故障相混淆,又称为“虚幻接地”。为了防止“虚幻接地”给单相接地故障选线工作带来干扰,本文针对铁磁谐振及消弧线圈串联谐振这两种最常见导致“虚幻接地”产生的原因,进行了相应的理论分析,同时搭建相应模型。根据引入的一次拟合函数和仿真结果得出了辨识单相接地故障和这两种“虚幻接地”的选线启动判据,为后文基于长短时记忆网络的单相接地故障选线奠定了基础。长短时记忆网络（Long Short Term Memory network,LSTM）是一种特殊的循环神经网络理论,其特点是将先前的信息与当前任务联系起来,同时能够对故障系统的电压电流特征进行充分挖掘。本文利用LSTM将故障线路的零序电流数据与线路编号联系起来,同时考虑到实际中配电网馈线数量和长度会发现变化,即发生网络结构变化,且故障信息随机性强、数据量少的实际情况,构建了基于迁移学习的小样本学习方法,有效提高了识别网络的泛化能力。同时在构建数据集时将过渡电阻,故障初相角等参数考虑在内,保证了神经网络的识别能力。仿真结果表明,即使样本数据量较少,采用迁移学习的LSTM同样可以在配电系统发生高阻接地时具有较高的选线准确率。本论文有图52幅,表16个,参考文献94篇。