随着传统化石燃料的迅速枯竭以及其对环境污染带来的严重影响,人类希望通过风能、太阳能等清洁能源实现对传统化石能源的替代。分布式发电技术就是利用负荷侧的各种清洁能源进行发电,其能源能利用率高,供电可靠性高,清洁环保,因而成为近年来研究的热点。分布式电源的非计划孤岛检测是保证其安全稳定运行的基础。为此,本文对同步型分布式电源的孤岛检测展开了研究,主要工作和成果如下:首先,建立了同步型分布式电源发生孤岛事件后的数学模型,得到了同步型分布式电源发生孤岛事件后,频率、频率变化率和功角特征量随时间变化的特性,并分析了影响特征量变化的因素。分析和仿真验证了过/欠频防孤岛保护的特性,给出了同步型分布式电源检测盲区的概念,并在典型的含分布式电源系统得到了分布式电源的检测盲区。其次,提出了一种基于LSTM的分布式电源被动式孤岛检测方法。由同步型分布式电源发生孤岛事件后,其频率、电压等特征量随时间变化的特点,提出一种深度学习模型,该模型能有效处理时序信号。对LSTM模型的结构进行了优化选取,得到三种典型LSTM模型结构,并分析其性能,仿真结果表明,模型参数过多会产生过拟合,过少则会发生欠拟合。将本文所提方法和已有的分布式电源孤岛检测方法在检测准确率上进行了对比,并与传统的过/欠频防孤岛保护在检测盲区上进行了对比,仿真结果表明,该方法能够有效提高分布式电源孤岛检测的正确率和减少其检测盲区。最后,提出了一种基于迁移学习的分布式电源孤岛检测方法。该方法在训练数据集过少的情况下,能将已有的分布式电源孤岛检测的LSTM模型迁移到其它的分布式电源上,从而满足实际应用的要求。对迁移过程中应该保留的LSTM层的参数和应该迁移的LSTM层的参数进行了分析验证,结果表明迁移过程中应该保留已有模型的前面两层参数。此外,还对比分析了直接采用少量训练数据集训练得到的模型和在已有模型上采用迁移学习得到的模型的性能,仿真结果表明采用迁移学习得到的分布式电源孤岛检测模型其性能要优于直接采用少量训练数据集训练所得到的模型。