دانشگاه صنعتی شریف مهندسی صنایع و مدیریت 2676-4741 41 2 2026 03 20 Developing Machine Learning Algorithm for Energy Supply Optimization in Virtual Power Plants ‌به‌کارگیری الگوریتم یادگیری ماشین برای بهینه‌سازی تأمین انرژی در نیروگاه‌‌های مجازی 111 125 24004 10.24200/j65.2025.66704.2433 FA بنت الهدی دهقانی گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران محمدمهدی لطفی گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران علیرضا صدیقی دانشکده‌ی مهندسی برق، دانشگاه یزد، یزد، ایران. Journal Article 2025 07 01 This research addresses the challenge of optimizing energy dispatch in restructured power markets by evaluating a Virtual Power Plant (VPP) model that integrates demand-side storage. The study aims to close the gap between energy supply and demand by employing two optimization methodologies: a precise Mixed-Integer Linear Programming (MILP) model and a hybrid algorithm based on an Extreme Learning Machine and a Genetic Algorithm (ELM-GA), which is computationally efficient. The VPP model incorporates a diverse portfolio of generation units (diesel, hydroelectric, solar, wind), supply-side storage, and a prosumer, with demand-side management actualized through a water storage system. The objectives are to maximize VPP profitability while minimizing hydroelectric energy losses and pump operational costs. Tested on a standard IEEE 24-bus system with real-world data, the results show that a VPP with demand-side storage is 1.5 times less costly than a traditional grid without storage. Furthermore, the VPP framework is 1.7 times more cost-effective than a traditional grid structure. For large-scale problems, the ELM-GA algorithm delivers near-optimal solutions (4.4% optimality gap) 16 times faster than MILP, highlighting its potential for rapid, reliable energy management and policy-making<strong>.</strong> در پژوهش حاضر، مسئله‌ی مشارکت بهینه‌ی واحدها در یک نیروگاه مجازی با ذخیره­ساز سمت تقاضا، جهت کاهش شکاف بین عرضه و تقاضای انرژی با رویکردهای MILP و یادگیری ماشین مطالعه شده است. نتایج برای سیستم 24 - باسه استاندارد IEEE  نشان داده‌اند که گرچه استفاده از ذخیره­ساز سمت تقاضا باعث افزایش هزینه و نوسان تولید نیروگاه مجازی می­شود، اما هزینه­ها در نیروگاه مجازی با ذخیره­ساز سمت تقاضا حدود 5/1 برابر کمتر از هزینه­های شبکه‌ی سنتی بدون ذخیره­ساز است. برای حل مدل در ابعاد واقعی، از الگوریتم ترکیبی ELM-GA استفاده شده است، که پیشنهادی نزدیک به بهینه، اما با سرعت بسیار بالاتر از روش MILP ارائه می­کند؛ زیرا آموزش و یادگیری همگرایی به نقطه‌ی بهینه را سرعت می­‌بخشد. نتایج نشان می­دهند که با افزایش ابعاد مسئله به 60 واحد نیروگاهی، شکاف بهینگی به 4/4٪ رسیده است، در حالی که سرعت حل یادگیری ماشین 16 برابر بهتر از MILP بوده است. https://sjie.journals.sharif.edu/article_24004_03f38019322eca1f2adb1b837c9cf045.pdf