این مقاله بر بهینه‌سازی عملکرد میکروگریدها در شرایط عدم قطعیت رویدادهای جزیره‌سازی و بار خالص متمرکز است. با وجود اینکه مدل‌های چندمرحله‌ای استاندارد قادر به مدیریت پویایی‌های عدم قطعیت هستند، اما به دلیل رشد نمایی سناریوها با افزایش دوره‌های زمانی، کاربرد عملی محدودی دارند. در این پژوهش، روش‌های بهینه‌سازی مقیاس‌پذیری ارائه شده‌اند که با کاهش پیچیدگی محاسباتی، راهکارهای کارآمدی برای تصمیم‌گیری تطبیقی در بازه‌های زمانی متوالی تولید می‌کنند.

روش پیشنهادی مبتنی بر ترکیب دو مدل بهینه‌سازی مجزا برای هر یک از عوامل عدم قطعیت است. رویکرد اول با استفاده از فرایند بازبرنامه‌ریزی پویا، بار محاسباتی ناشی از رویدادهای مکرر جزیره‌سازی را کاهش می‌دهد. رویکرد دوم با معرفی محدودیت‌های هوشمند بر سطح تولید واحدها، تصمیم‌گیری غیرپیش‌بینانه را برای نوسانات بار خالص ممکن می‌سازد. نتایج تجربی نشان می‌دهند مدل تلفیقی پیشنهادی تا ۷۳٪ سریع‌تر از روش‌های مرسوم به جواب بهینه می‌رسد.

ارزیابی عملکرد روی نمونه‌های واقعی حاکی از بهبود ۲۳٪ای در تاب‌آوری شبکه و کاهش ۳۵٪ای در هزینه‌های عملیاتی است. این دستاورد از طریق توسعه یک چارچوب نرم‌افزاری ترکیبی حاصل شده که از الگوریتم‌های یادگیری ماشین برای پیش‌بینی سناریوها و روش‌های بهینه‌سازی قطعی برای تصمیم‌گیری استفاده می‌کند. نتایج به دست آمده گامی مهم در جهت توسعه سیستم‌های انرژی توزیع‌شده هوشمند با قابلیت سازگاری پویا با شرایط عملیاتی مختلف محسوب می‌شود.