چکیده: سیستم‌های حفاظتی سریع و انتخاب‌گر نقش اساسی در جلوگیری از گسترش خطا، کاهش خاموشی‌ها و محافظت از تجهیزات شبکه قدرت دارند که تشخیص و طبقه‌بندی خطا دارای اهمیت ویژه‌ای برای دستیابی به این سیستم‌ها می‌باشند. حفاظت دیستانس به دلیل عملکرد مناسب، یکی از مهم‌ترین سیستم‌های حفاظتی جهت حفاظت خطوط انتقال به ‌عنوان حفاظت‌های اصلی و پشتیبان محسوب می‌شود، اما در مواجهه با پدیده‌هایی مانند نوسان توان دارای چالش‌هایی است. با توجه به منطق عملکرد حفاظت دیستانس، تشخیص و طبقه‌بندی نوع خطا و فازهای خطادار تأثیر بسزایی بر روی عملکرد صحیح و سریع آن دارد. در این پایان‌نامه، یک رویکرد مبتنی بر یادگیری عمیق جهت بهبود دقت و سرعت تشخیص نوسان‌های توان پایدار و ناپایدار از خطا، طبقه‌بندی انواع نوسان توان و طبقه‌بندی انواع خطا در شرایط عادی و نوسان توان پیشنهاد می‌شود. در روش پیشنهادی جهت پیش‌پردازش سیگنال‌ها از ترکیب تبدیل هیلبرت و توزیع ویگنر-ویل بر روی یک چهارم سیکل سیگنال جریان که موجب تولید ویژگی‌های مناسب، برای ورودی شبکه یادگیری عمیق مبتنی بر شبکه باقی‌مانده (ResNet-50) استفاده می‌شود. برای ارزیابی روش پیشنهادی در سیستم‌های تست استاندارد 9 شینه WSCC و 39 شینه New England در شرایط مختلف تغییر نویز، فرکانس نمونه‌برداری، مجموعه داده‌های آموزش، نوع خطا، لحظه وقوع خطا، زاویه بار، مقاومت خطا و مکان رخداد خطا استفاده می‌شود. نتایج شبیه‌سازی‌ها نشان می‌دهد که تشخیص انواع نوسان توان از خطا، طبقه‌بندی نوسان‌های توان پایدار و ناپایدار و طبقه‌بندی انواع خطا در شرایط مختلف ذکر شده با دقت بیش از 99 درصد و میانگین زمان تشخیص و طبقه‌بندی سیستم حفاظتی به ترتیب، یک و پنج میلی‌ثانیه به کمک روش پیشنهادی انجام می‌شود.