城市供电广泛采用架空线-电缆混合输电线路,此类输电线路通常跨度大,阻抗组成比较复杂,查找故障点存在一定的困难。故障发生后,精准的故障测距有利于快速发现线路的故障点和排除故障,降低因停电造成的经济损失,对于保障输电线路安全运行具有重要的意义。长短期记忆神经网络（long short term memory,LSTM）是处理时间序列的最先进的网络之一,它被广泛应用于故障诊断、图像识别、负荷预测等众多领域。在输电线路故障测距领域,国内外学者对LSTM网络做了大量的研究,并取得一些有价值的研究成果,但普遍存在LSTM网络测距算法实现较为复杂,容错性差的问题。针对上述问题,本文开展LSTM测距算法的相关研究工作,旨在提高混合线路故障定位的精度和可靠性。首先引入Dropout层和剪枝化机制对常规的LSTM网络结构进行优化,解决了网络训练过程的过拟合问题。采用Adam自适应算法训练网络,加快参数寻优速度。优化后的LSTM网络均方根误差波动范围小,损失值下降速度快,训练学习的效果优于常规的LSTM网络。其次根据混合线路结构特点,提出了一种基于小波能量比的故障区间判别方法,根据故障发生在不同区间时两端母线电压的小波能量差异进行区间判断,判别故障区间的同时能够初步确定故障距离,PSCAD/MATLAB仿真结果证明了该方法的可行性。在故障区间准确判别的基础上,提出了一种基于LSTM的混合线路故障测距方法。根据实际线路参数在PSCAD软件中搭建了A型混合输电线路和B型混合输电线路模型,采集不同故障类型下线路母线侧的线模电压信号;由离散小波变换分解线模电压信号以提取故障特征,并对数据进行预处理得到样本集;利用MATLAB软件构建LSTM网络,对输入样本、输出样本进行自适应学习,得到LSTM测距模型。最后为检验网络的综合测距性能,选用了不同故障点和不同过渡电阻值等各种类型的混合线路故障样本进行测距仿真验证。结果表明,本文所提算法的测距精度高于小波神经网络和支持向量机方法,且该方法具有一定的容错性,基本不受过渡电阻、故障类型、故障初相角的影响,满足工程实践定位精度在200m以内的要求。图51幅,表12个,参考文献73篇。