مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه مهندسی برق و مهندسی کامپيوتر ايران 16823745 22 3 2025 1 8 Proposing an Islanding Detection Index for Distribution Networks with Conventional and Inverter-Based Distributed Generators ارائه یک شاخص تشخیص جزیره‌ای شدن برای شبکه توزیع با منابع تولید پراکنده دیزلی و اینورتری 216 223 fa امیرحسین علیزاده دانشگاه صنعتی قم سید فریبرز زارعی دانشگاه صنعتی شریف 2024 5 18 <p style="direction: ltr;">This paper proposes an index based on zero-sequence components that serves as a single indicator for islanding detection. The proposed index demonstrates satisfactory performance, achieving an accuracy of 97.84% using a simple threshold adjustment model. Additionally, this index can be integrated into artificial intelligence-based methods to enhance accuracy further. The results indicate that utilizing the proposed index as a single indicator within a one-dimensional convolutional neural network (1D-CNN) model yields a competitive accuracy of 99.78%. This outcome is noteworthy when compared to more advanced artificial intelligence methods, such as long short-term memory (LSTM) neural networks, which rely on a larger set of features. The data collection for testing encompasses various islanding and non-islanding conditions, including islanding under different loading conditions and power factors, as well as varying quality factor values. Non-islanding scenarios include the activation and deactivation of large loads and capacitor banks, along with the application of various short-circuit faults at different locations and resistances. The results from all tests demonstrate the superiority of the proposed method and index.</p> <p>در این مقاله، یک شاخص مبتنی بر مؤلفه&zwnj;های توالی صفر پیشنهاد شده که می&zwnj;تواند به عنوان تک&zwnj;شاخص برای تشخیص جزیره&rlm;ای&zwnj;شدن استفاده شود. شاخص پیشنهادی نتایج مطلوبی به میزان 97.84% را با استفاده از یک مدل تنظیم آستانه ساده نشان می&zwnj;دهد. علاوه بر این، شاخص پیشنهادی می&zwnj;تواند در روش&zwnj;های مبتنی بر هوش مصنوعی برای دستیابی به دقت&zwnj;های بالاتر استفاده شود. بر اساس نتایج به&zwnj;دست&zwnj;آمده، استفاده از شاخص پیشنهادی به عنوان تک&zwnj;شاخص در یک مدل شبکه عصبی کانولوشنی یک&zwnj;بعدی (D CNN- 1) نتیجه رقابتی 99.78% را به دست می&zwnj;دهد. این نتیجه در مقایسه با نتایج روش&zwnj;های پیشرفته&zwnj;تر هوش مصنوعی مانند شبکه&zwnj;های عصبی حافظه کوتاه&zwnj;مدت پیشرفته (LSTM) که از تعداد بیشتری ویژگی مختلف استفاده می&zwnj;کنند قابل توجه است. جمع&zwnj;آوری داده&zwnj;ها برای آزمایش&zwnj;ها شامل شرایط مختلف جزیره&rlm;ای/ غیرجزیره&rlm;ای است؛ مانند جزیره&rlm;ای&zwnj;شدن تحت شرایط بارگذاری مختلف و ضرایب توان متفاوت، جزیره&rlm;ای&zwnj;شدن تحت مقادیر مختلف ضریب کیفیت و غیر جزیره&rlm;ای&zwnj;شدن شامل روشن/ خاموش&zwnj;کردن بارهای بزرگ، روشن/ خاموش&zwnj;کردن بانک&zwnj;های خازنی و اعمال انواع خطاهای اتصال کوتاه در مکان&zwnj;های مختلف با مقاومت&zwnj;های اتصال کوتاه متفاوت می&zwnj;شود. نتایج همه آزمایش&zwnj;ها نشان از برتری روش و شاخص پیشنهادی است.</p> جزیره‌ای شدن، تشخیص جزیره‌ای شدن، الکترونیک قدرت برای سیستم‌های انرژی تجدیدپذیر، D CNN- 1 http://ijece.org/en/Article/Download/46748