در این پایان نامه، روشهایی برای تشخیص خطای مبتنی بر مدل برای ریزشبکهها معرفی شده اند. اگرچه روشهای تشخیص خطای مبتنی بر مدل چالشهای مختص به خود را دارند، اما اعمال این روشها برای ریزشبکه ها میتواند مسائل و مشکلات را دوچندان کند. خطاها در ریزشبکه ها سطوح مختلفی دارند که بسته به نوع سیستم و دامنه ی تأثیر خطا میتوانند موردبررسی قرار گیرند. در این پایان نامه خطاها در دو بخش، خطاهای اتصال کوتاه و خطاهای پارامتری موردبررسی قرارگرفته اند. در این پایان نامه، دو رویکرد جدید تشخیص خطای مبتنی بر مدل در ریزشبکه های DC ارائه شده است. در رویکرد اول، از شبکه های عصبی مصنوعی به منظور تشخیص خطاهای اتصال کوتاه استفاده شده است. شبکه های عصبی مصنوعی ابزار قدرتمندی برای شناسایی سیستمهای پیچیده هستند. نتایج بخش اول این پایان نامه بیانگر کاربرد مؤثر شبکه های عصبی در تشخیص خطاهای اتصال کوتاه در ریزشبکه های DC بودند. رویکرد دوم مبتنی بر فیلتر 𝐻−/𝐻∞ است که برای بالا بردن حساسیت بخش تشخیص خطا نسبت به اثر خطا، بسیار مؤثر است. این رویکرد به منظور تشخیص خطاهای پارامتری در ریزشبکه ها مورد استفاده قرار گرفت. ساختار فیلتر تشخیص خطای مبتنی بر فیلتر 𝐻−/𝐻∞ بسیار شبیه به فیلتر تشخیص خطای مبتنی بر کالمن است. به همین منظور در شبیه سازیهای بخش دوم، نتایج نشان دهنده برتری روش تشخیص خطای مبتنی بر 𝐻−/𝐻∞ نسبت به روش تشخیص خطای مبتنی بر فیلتر کالمن بودند.
