دانشگاه اصفهان هوش محاسباتی در مهندسی برق 2821-0689 17 2 2026 08 23 A Data-Driven Chance Constraint Learning Approach for Dynamic Pricing of Operational Flexibility Considering Distribution Networks Security یک رویکرد یادگیری قید شانسی داده‌محور برای قیمت‌گذاری پویای انعطاف‌پذیری بهره‎برداری با در نظر گرفتن امنیت شبکه‌های توزیع 15 30 30880 10.22108/isee.2026.145536.1743 FA میلاد زارعی گلام بحری دانشجوی دکتری، دانشکدۀ فنی مهندسی، دانشگاه لرستان، خرم آباد، ایران امیرحسین عبداللهی نهر خلجی کارشناسی ارشد، دانشکدۀ فنی مهندسی، دانشگاه لرستان، خرم آباد، ایران میثم دوستی زاده دانشیار، دانشکدۀ فنی مهندسی، دانشگاه لرستان، خرم آباد، ایران Journal Article 2025 06 07 The operation of distribution networks, due to uncertainties arising from the presence of renewable resources and responsive loads, requires the provision of flexibility as a novel approach in smart distribution networks. In this paper, flexibility provision is formulated as a bi-level optimization problem. At the upper level, the secure network operation model is presented. This level incorporates incentive pricing tariffs for responsive loads while covering chance constraints that guarantee network security indices. The chance constraints used at this level are modeled to rely on actual data rather than pre-defined probability distributions such as the normal distribution. In the process of converting chance constraints into deterministic constraints, machine learning methods such as linear regression and neural networks are employed. The lower level of the problem addresses the optimization of responsive loads' profit from flexibility provision. To transform the aforementioned bi-level problem into a solvable single-level problem, the lower-level optimization problem is replaced with its global optimality conditions and modeled as an equivalent constraint optimization problem. A 33-bus network with renewable resources is used to evaluate the proposed structure. The results indicate that the reliability of the neural network method in providing flexibility using dynamic tariffs is higher than other methods. بهره‎برداری از شبکه‎های توزیع، به دلیل وجود نایقینی‎های ناشی از حضور منابع تجدیدپذیر و بارهای پاسخ‌گو، مستلزم تأمین انعطاف‏پذیری به عنوان یک رویکرد نوین در شبکه‎های توزیع هوشمند است. در این مقاله، تأمین انعطاف‎پذیری به صورت یک مسئلۀ بهینه‎سازی دوسطحی مطرح می‎شود. در سطح بالای مسئله، مدل بهره‎برداری ایمن از شبکه مطرح می‎شود. در این سطح، ضمن ارائۀ تعرفه‎های قیمتی مشوق برای بارهای پاسخ‌گو، قیود شانسی تضمین‎کنندۀ شاخص‎های امنیت شبکه پوشش داده می‌شوند. قیود شانسی استفاده‌شده در این سطح به گونه‏ای مدل‎سازی می‎شوند که به جای توزیع‎های احتمالی پیش‎فرض مانند توزیع نرمال، بر داده‎های واقعی استوار باشند. در فرایند تبدیل قیود شانسی به قیود معین، از روش‎های مبتنی بر یادگیری ماشین مانند رگرسیون خطی و شبکه‎های عصبی استفاده می‎شود. سطح پایین مسئله به بهینه‎سازی سود بارهای پاسخ‌گو از تأمین انعطاف‎پذیری اختصاص دارد. برای تبدیل مسئلۀ دوسطحی یادشده به یک مسئلۀ تک‌سطحی و قابل حل، مسئلۀ بهینه‌سازی سطح پایین با شرایط بهینگی سراسری آن جایگزین و به صورت یک مسئلۀ بهینه‌سازی با قیود معادل مدل می‌شود. از شبکۀ 33شینه با حضور منابع تجدیدپذیر برای ارزیابی ساختار پیشنهادی استفاده می‌شود. نتایج نشان می‌دهند پایایی روش شبکه‌های عصبی در تأمین انعطاف‌پذیری با استفاده از تعرفه‌های پویا بیشتر از سایر روش‌هاست. https://isee.ui.ac.ir/article_30880_5a05958cddab757e4aac87e056ff414e.pdf