智能变电站是在数字化变电站的基础上发展而来,特征是一次信息的采集数字化、信息共享平台规范化和标准化,实现全站信息化、自动化、互动化的变电站。但是在实际运行中,数据采样技术的不成熟以及信息通道变长都给继电保护可靠性带来了威胁。鉴于智能变电站运行过程中各种难以预测的信息错误以及对二次影响机理的复杂性,有必要从二次信息的接受终端来识别筛选错误数据。对于保护装置而言,由于错误数据波形和故障波形有着相似的特征,更需要精确地识别区分故障特征和数据错误特征,避免保护受错误数据干扰而发生误动。本文从保护端接收到的三相电流电压采样值综合信息入手,提出了一种能区分正常运行无数据错误、正常运行有数据错误、线路短路故障等不同情况的故障特征在线识别方法。本论文工作分为:1.总结智能变电站数字化采样方式下可能出现的信息错误情况和可能对继电保护动作情况造成的影响。如小互感器异常、采样A/D异常、数据失帧、采样数据中带有异常飞点等情况。2.研究深度学习算法-卷积神经网络的原理与实现方式。探究了该算法在函数拟合,图像识别上的应用,并将其推广到保护信息错误的识别应用。3.基于算法平台和仿真软件,提出基于卷积神经网络(CNN)的错误信息在线识别方法。从智能变电站保护端接收到三相电流电压综合信息中筛选出错误信息,为保护判定提供真实可靠的数据。4.以三相电流电压采样值综合信息作为输入,将卷积神经网络运用于线路短路故障选相功能。本文开创性地将深度学习算法-卷积神经网络应用到智能变电站信息错误在线识别中,提出了基于三相电流电压信息的故障特征识别方法,能够有效、准确地识别线路故障情形与保护信息错误情形,防止保护因为信息错误而误动。随着智能变电站运行经验的不断积累,新发现的各种信息错误情况都可以通过训练让卷积神经网络记忆,因而该算法具有极高的适应性和发展前景。