Yakın zamanda, çevreyi olumsuz yönde etkileyen geleneksel enerji üretim teknikleri yerine yenilenebilir enerji kullanımına verilen önem, Dağıtık Üretim (DG)yapan elektrik şebekelerinin kullanımını başlatmıştır. Bu şebekelerde, her zamanki gibi daha büyük merkezi güç üniteleri kullanmak yerine, daha küçük enerji kaynaklarını tüm şebekeye dağıtılır. Bu tür şebekeler, elektrik üretim birimlerinin işletilmesinde ve korunmasında, ayrıca şebekeden akan gücün kalitesi ve kullanılabilirliği konusunda yeni zorluklar getirmektedir. Dağıtık Üretim yapan elektrik şebekelerinin kullanılmasıyla karşılaşılan en önemli zorluklardan biri; Dağıtık Üretim şebekesinin belirli bir kısmında, bu kısımdaki güç kaynakları tarafından enerji sağlanmış mikro ızgara olarak bilinen, ancak ana elektrik şebekesine bağlı olmayan ada tespitidir. DG güç kaynaklarının dağıtım şebekesinden ayrılması ve bu tür durumların DG dağıtım sistemlerinin yönetimi, korunması ve işletilmesi üzerinde oluşturduğu olumsuz etkilerden korumak için bu tür durumların tespit edilmesi gerekmektedir. Dağıtık üretim elektrik şebekeleri için IEEE standardı, DG şebekelerinde ada olaylarının iki saniye içinde tespit edilmesini önerir. Ada olaylarını tespit etmek için çeşitli yöntemler önerilmiştir. Bu yöntemler aktif, pasif ve iletişim tabanlı üç ana kategoriye ayrılabilir. Pasif ada tespiti yöntemi ağda sağlanan enerjinin kalitesini düşürmeyen ve en ucuz yöntemdir. Makine öğrenme teknikleri, karmaşık özellikleri tespit edebilmelerine göre, bu tür tekniklerde yaygın olarak kullanılmaktadır. Bu çalışmada yapay sinir ağlarının öngördüğü tahminlere dayanarak bir ada tespit sistemi önerilmiştir. Bu tezde üç tür sinir ağı, Konvolüsyonel Sinir Ağı (CNN), basit Tekrarlayan Sinir Ağı (RNN) ve Uzun-Kısa Süreli Bellek (LSTM) sinir ağı incelenmiştir. Bu sinir ağlarının çok boyutlu girdilerde özellikleri algılama yeteneğine göre, önerilen yöntem fazların gerilimlerini şebekeden toplar ve bunları ağda meydana gelen herhangi bir olayın durumunu tahmin etmek için kullanır. Anlık değerlerin kullanımı, bu değerlerdeki değişiklikler hemen tespit edildiğinden daha hızlı algılama sağlar. Önerilen sistem % 99,77 tahmin doğruluğu,% 100 Güvenilirlik Endeksi (DI) ve% 99,31 Güvenlik Endeksi (SI) ile LSTM sinir ağını kullanarak mevcut yöntemleri daha iyi bir şekilde gerçekleştirmiştir.