fa مشارکت واحدها تحت محدودیت‌های امنیتی در شبکه‌های هوشمند با رویکرد بهینه‌سازی مقاوم مبتنی بر الگوریتم ژنتیک پیشرفته تخصصي Special پژوهشي Research <p dir="RTL" style="text-align: justify;"><span style="font-size: 12px;"><span dir="RTL" lang="FA"><span b="" nazanin="">در این مقاله، یک مدل بهینه‌سازی مقاوم جهت مشارکت واحدها در سیستم‌های قدرت هوشمند با هدف بهبود پایداری و کاهش هزینه‌های عملیاتی ارائه شده است. در مدل پیشنهادی، ساختار مسئله و محدودیت‌های امنیتی حفظ شده و ادغام منابع تجدیدپذیر، سیستم‌های ذخیره‌سازی انرژی و وسایل نقلیه برقی در چارچوب یک استراتژی بهینه‌سازی مقاوم مورد توجه قرار گرفته است. به جای استفاده از روش‌های سنتی دومرحله‌ای، از یک الگوریتم ژنتیک پیشرفته بهره‌گیری شده که شامل فرآیندهای انتخاب با استفاده از روش چرخ رولت و انتخاب تورنمنت، تقاطع یکپارچه و جهش متغیر می‌باشد. این الگوریتم به طور خاص برای شناسایی بهینه‌ترین و اقتصادی‌ترین الگوهای مشارکت واحدها در مواجهه با عدم قطعیت‌های ناشی از نوسانات تولید انرژی تجدیدپذیر و تغییرات بار شبکه طراحی شده است. نتایج شبیه‌سازی در نرم&shy;افزار پایتون روی شبکه‌های 6، 24، 118 و 300 گره نشان می‌دهد که رویکرد پیشنهادی علاوه بر کاهش چشمگیر هزینه‌های عملیاتی، باعث تسریع همگرایی الگوریتم و افزایش مقاومت سیستم در برابر شرایط بحرانی می‌شود. </span></span></span></p> <p style="text-align: justify;"><span style="font-size: 10pt;"><span new="" roman="" style="font-family:;" times=""><span style="font-size: 11pt;">This paper presents a robust optimization model for unit commitment (UC) in smart power systems, aiming to enhance stability and reduce operational costs. The proposed model preserves the problem structure and security constraints while integrating renewable energy sources (RES), energy storage systems (ESS), and electric vehicles (EVs) within a robust optimization framework. Instead of traditional two-stage methods, an advanced genetic algorithm (GA) is employed, incorporating selection processes based on roulette wheel and tournament selection, uniform crossover, and variable mutation. This algorithm is specifically designed to identify the most optimal and cost-effective UC patterns under uncertainties arising from renewable generation fluctuations and load demand variations. Simulation results on the 6‑bus, 24‑bus, 118‑bus, and 300‑bus test systems implemented in Python demonstrate that the proposed approach significantly reduces operational costs, accelerates algorithm convergence, and enhances system resilience under critical conditions</span><span style="font-size: 11pt;">.&nbsp;</span><b><span lang="FA" dir="RTL" style="font-size:11.0pt"></span></b></span></span></p> مشارکت واحدها, شبکه هوشمند, الگوریتم ژنتیک, منابع تجدیدپذیر. Unit Commitment, Smart Grid, Genetic Algorithm, Renewable Energy Source 61 72 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-332-3&slc_lang=fa&sid=1 Mohamad Sadegh younesian محمد صادق یونسیان sbsamieihmg@gmail.com 10031947532846003049 10031947532846003049 No Department of Electrical Engineering, , Sh.C., Islamic Azad University, Shahrood, Iran. گروه مهندسی برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران Mahmoud Samiei Moghaddam محمود سمیعی مقدم samiei352@yahoo.com 10031947532846003050 10031947532846003050 Yes Department of Electrical Engineering, Da.C.,Islamic Azad University, Damghan, Iran گروه برق، واحد دامغان، دانشگاه آزاد اسلامی، دامغان، ایران Mojtaba Vahedi مجتبی واحدی vahedi.mojtaba@gmail.com 10031947532846003051 10031947532846003051 No Department of Electrical Engineering, , Sh.C., Islamic Azad University, Shahrood, Iran. گروه برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران Reza Davarzani رضا داورزنی m.smoqadam@yahoo.com 10031947532846003052 10031947532846003052 No Department of Electrical Engineering, , Sh.C., Islamic Azad University, Shahrood, Iran. گروه برق، واحد شاهرود، دانشگاه آزاد اسلامی، شاهرود، ایران