امروزه به علت آلودگی های زیست محیطی، کمبود و قیمت بالای سوخت های فسیلی، عدم علاقه عموم به انرژی هسته ای پس از حادثه ی چرنویل و هم چنین ساختار خطوط انتقال، همگی سبب شدند تا یک راه حل جدید و جایگزین برای تولید انرژی الکتریکی ارائه گردد. یک راه حل ممکن و قابل قبول در این زمینه، استفاده گسترده از واحد های تولید پراکنده می باشد. با این وجود اتصال واحد های تولید پراکنده به شبکه مشکلاتی را به همراه دارد که عمده ترین آن ها، وقوع حالت جزیره ای غیر عمدی می باشد. حالت جزیره ای غیر عمدی در سیستم های قدرت مجاز شناخته نمی شود و در صورت وقوع آن باید اتصال منبع تولید پراکنده با شبکه قطع گردد. مطابق استاندارد 1547 ieee مدت زمان تشخیص حالت جزیره ای و قطع منابع تولید پراکنده از شبکه نباید بیش تر از 2 ثانیه به طول انجامد. روش ارائه شده در این پایان نامه، بهبود یافته روش پسیو تشخیص حالت جزیره ای با نام rocpad می باشد. اساس عملکرد این روش بر پایه محاسبه نرخ تغییرات اختلاف زاویه در محل منبع تولید پراکنده است. الگوریتم پیشنهادی برای اکثر حالات ممکن در شبکه قدرت مورد بررسی قرار گرفت. روش پیشنهادی در یک شبکه تست و شبکه استاندارد ولتاژ متوسط cigre شبیه سازی شد. در الگوریتم پیشنهادی زمان تشخیص حالت جزیره ای، دقت تشخیص میان حالت جزیره ای با دیگر وقایع و آستانه تشخیص در نظر گرفته شده، بررسی گردید. الگوریتم پیشنهادی با الگوریتم rocpad سنتی به صورت مفصل مقایسه گردید. مشاهده شد که در تمامی موارد روش پیشنهادی عملکرد بهتری نسبت به روش سنتی داشته است. در شبکه استاندارد ولتاژ متوسط cigre مجموعاً 307 حالت مورد شبیه سازی و بررسی قرار گرفت. در تمامی 307 حالت بررسی شده الگوریتم با آستانه پیشنهادی deg/sec -100 به درستی توانست وقوع یا عدم وقوع حالت جزیره ای را تشخیص دهد. بر اساس نتایج به دست آمده الگوریتم بهبود یافته، به پارامتر های شبکه مانند فرکانس، نوع dg ها، مکان و زمان وقوع خطا و ... وابسته نمی باشد. شرایط خاص هم چون بار تطبیقی، کلیدزنی بانک خازنی و راه اندازی موتور القایی سه فاز بزرگ برای الگوریتم پیشنهادی نیز مورد شبیه سازی و ارزیابی قرار گرفته است.

اخیراً نگرانی در مورد وقوع حالت جزیره در سیستم های فتوولتائیک متصل به شبکه افزایش یافته است. روش های تشخیص جزیره در سه گروه روش های مخابراتی، پسیو و اکتیو دسته بندی می شود. روش های مخابراتی توانایی بالایی در تشخیص جزیره دارند اما از لحاظ اقتصادی به صرفه نیستند. روش های پسیو به راحتی پیاده سازی می شوند و هیچ تأثیری روی کیفیت توان سیستم ندارند ولی دارای ناحیه غیرقابل تشخیص بزرگی هستند. روش های اکتیو به راحتی پیاده سازی می شوند و نسبت به روش های پسیو دارای ناحیه غیرقابل تشخیص کوچک تری هستند. با این وجود این روش ها روی کیفیت توان سیستم فتوولتائیک تأثیر منفی دارند. از میان روش های اکتیو، روش انحراف فرکانس فعال به دلیل توانایی بالا در تشخیص جزیره و ناحیه غیرقابل تشخیص کوچک مورد توجه زیادی قرار گرفته است. در سال های اخیر کارهای زیادی برای بهبود این روش انجام شده است. با این وجود هنوز در مواردی این روش ها در تشخیص جزیره ناموفق هستند. همچنین این روش ها هنوز تأثیر زیادی روی کیفیت توان دارند. در این پایان نامه دو روش انحراف فرکانس فعال بهبود یافته مبتنی بر فیدبک مثبت ارائه شده است. این دو روش نسبت به روش های قبل ناحیه غیرقابل تشخیص بسیار کوچک تری دارند و تأثیر کمتری روی کیفیت توان سیستم می گذارند. کارایی روش های پیشنهادی به صورت تحلیلی اثبات شده است. همچنین با استفاده از نرم افزار matlab/simulink یک سیستم فتوولتائیک تک فاز متصل به شبکه شبیه سازی و کارایی روش های پیشنهادی تائید شده است.

تاکنون روش های متعددی در ارتباط با مکان یابی خطا در شبکه توزیع ارائه شده که استفاده مستقیم از این روش ها در شبکه توزیع با مشکلاتی همچون وجود انشعاب های متفاوت و غیریکنواختی فیدرها (خطوط کابلی،خطوط هوایی،سطح مقطع متفاوت) همراه است. این روش ها همچون تبدیل موجک و امپدانسی با مشکلاتی از قبیل نیاز به فرکانس نمونه برداری بالا و چند پاسخی همراه هستند. به علاوه مکان یابی خطا را به دو قسمت فاصله از فیدر اصلی و ناحیه خطا تقسیم می کنند. در پی این مشکلات روش های هوشمند مثل شبکه عصبی و الگوریتم ژنتیک به عنوان راه کار مورداستفاده قرارگرفته است.در این پایان نامه، مکان یابی دقیق خطا در شبکه توزیع نمونه با استفاده از شبکه عصبی انجام گرفته است. در این حالت به شبکه آموزش داده شده به عنوان جعبه سیاهی نگاه شده است، که بدون توجه به هیچ گونه رابطه ای برای سیگنال های ورودی مکان دقیق خطا را مشخص کند. الگوریتم مورد استفاده، ابتدا سیگنال ها را از حوزه زمان خارج کرده و سپس آن ها را پردازش می-کند. در گام بعد سیگنال های پردازش شده به کمک علم آمار برازش می گردند تا ویژگی های نهفته درون آن ها خارج شده و به صورت تفکیک شده به شبکه عصبی آموزش داده شوند. ازآنجا که ورودی های خطا جهت آموزش شبکه در فاصله کمی باهم قرارگرفته اند تفکیک آن ها کاری سخت است. لذا انتخاب تابع پردازش سیگنال و در پی آن پارامترهای آماری و ترکیب آن ها بسیار مهم است. در این پایان نامه دو معیار پیشنهادی جهت برازش پارامترهای آماری معرفی و بررسی گردیده اند. در پایان بعد از آموزش شبکه با ورودی های پردازش شده نوبت به آزمودن شبکه خواهد رسید. جهت آزمودن از سیگنال های خطای ضبط شده در مکان های دیگر شبکه که در نرم افزار ضبط شده اند و بر روی آن ها پردازش انجام شده، استفاده گردیده است. نتایج حاصله به خوبی دقت شبکه را برای خطاهای متفاوت با زوایا و مقاومت مختلف نشان داده اند. نکته حائز اهمیت این است که به تجربه ثابت گردیده برای خطای سه فاز به هم تبدیل هیلبرت عملکرد بهتر و برای خطای دو فاز به زمین تبدیل فوریه عملکرد بهتری را نشان داده اند.