输电线路是电力系统中极其重要的部分。相比较于其它输变电设备,输电线路大部分长期暴露在户外,工作环境复杂且恶劣,容易受到自然因素和人为因素的破坏,导致故障的发生,不利于电力系统的稳定运行。因此,输电线路的保护十分重要。输电线路的故障绝大部分为短路故障,准确、快速地识别出故障相能为故障的定位和排除提供前提保证。虽然目前已经有许多国内外学者和研究团队在输电线路的故障选相方面做了深入的研究,但传统分类算法需要手工提取特征,对复杂输电线路故障的特征提取较为困难,通常复杂耗时且缺乏良好的鲁棒性和可迁移性。人工智能的发展提供了一些内部神经元结构更加复杂的深度学习模型。这些模型可以替代传统机器学习中特征提取和分类等多个阶段的处理过程。而迁移学习能够解决深度学习模型构建过程中数据量少、标注缺失等问题。针对上述的技术问题和背景,本文对基于深度迁移学习模型的输电线路故障选相方法进行了研究讨论,主要的工作及成果如下:1、从输电线路的数学模型入手,通过MATLAB/Simulink软件平台建立输电线路的仿真模型,并对不同类型的短路故障进行仿真模拟,论述了输电线路发生各类型短路故障时的特征。2、讨论了LSTM深度学习模型的相关理论,针对输电线路的短路故障,提出了基于LSTM模型的故障选相方法。其中包括了输电线路故障数据的预处理及数据集的制作方法;结合输电线路的短路故障特性设计出LSTM深度网络模型;并论述了模型的前向传播计算过程和基于BPTT算法的反向传播训练过程。3、通过Tensor Flow深度学习框架,编程实现深度学习模型的训练和测试。通过实验数据作为应用实例,评估基于LSTM模型的输电线路故障选相方法的性能。通过对模型的泛化性能分析表明:该模型具有良好的故障选相精度和泛化性,对测试集中故障样本的选相正确率达到100%,并且不会受到故障位置、故障阻抗和系统两端电源相位差等因素的影响。通过对经过模型前向传播输出的故障特征进行相关性和可视化分析表明:LSTM深度网络模型能够很好地从三相故障电流序列中学习到输电线路不同类型短路故障的特征信息。并且在最后分析了LSTM模型的结构参数、训练时的优化算法和信号的采样频率对模型性能的影响,实验结果表明,当采样频率分别为1.25k Hz、2.5k Hz、5 k Hz、10k Hz和20k Hz时,故障选相的准确率均能保持在100%。因此,该方法在信号的采样频率较低时同样能表现出良好的性能。4、分别分析模型在具有噪声和数据异常情况下的分类性能,对LSTM模型进行改进来提高故障选相模型的鲁棒性。通过实验验证分析表明:对于存在噪声的情况下,基于WS-LSTM模型的故障选相方法准确率高于LSTM模型。当SNR为5d B时,WS6-LSTM模型的选相准确率为87.5%,随着SNR的增加,其准确率也随着上升,当SNR为30d B时,故障选相准确率达到100%。而基于普通LSTM模型的故障选相方法准确率随着信噪比的降低而下降得更快;对于存在数据异常的情况,加入了Dropout的LSTM模型比没有Dropout的模型具有更好的性能。5、论述了迁移学习的相关原理,对基于迁移LSTM（T-LSTM）模型的故障选相方法进行了可迁移性研究。首先,使用源线路的故障样本对LSTM模型进行预训练,通过计算源线路和目标线路故障数据分布的相似程度,选出与目标线路相似性最大的源线路所对应的预训练模型,再使用目标线路的故障样本对该模型进行迁移训练。通过实验分析表明:当迁移训练的微调率为0时,即没有对模型进行迁移训练时,LSTM模型在目标线路上的故障选相正确率仅为81.11%。当微调率达到10%时,T-LSTM模型对目标线路故障选相的准确率达到100%。综上所述,本文提出的方法能够有效地提高输电线路故障选相的准确率,并且在较低的信号采样频率下同样能够保持高的故障选相准确率;此外,本文提出的方法能够有效克服故障数据存在噪声和数据异常的情况下故障选相准确率不高的问题,并且有效提高了故障选相模型的可迁移性。因此,该方法是一套性能良好的输电线路故障选相方法。