Para dar cuenta efectivamente del impacto de las fluctuaciones en la eficiencia de generación de energía de fuentes renovables como la energía fotovoltaica (PV) y los aerogeneradores (WTs), así como de las incertidumbres en la demanda de carga dentro de un sistema energético integrado (IES), este artículo desarrolla un modelo de IES que incorpora unidades de generación de energía como PV, WT, microturbinas (MTs), Electrolizador (EL) y Celda de Combustible de Hidrógeno (HFC), junto con componentes de almacenamiento de energía que incluyen baterías y sistemas de almacenamiento de calor. Además, se introduce un mecanismo de respuesta a la demanda (DR) para regular dinámicamente el equilibrio entre la oferta y la demanda de energía. Al modelar las incertidumbres, este artículo utiliza datos históricos sobre PV, WT y cargas, combinados con la ajustabilidad de las variables de decisión, para generar un gran conjunto de escenarios iniciales a través del algoritmo de muestreo de Monte Carlo (MC). Estos escenarios se reducen posteriormente utilizando una combinación del algoritmo de agrupamiento K-medias y la técnica de Reducción Simultánea Hacia Atrás (SBR) para obtener escenarios representativos. Para gestionar aún más las incertidumbres, se introduce un enfoque de optimización robusta de distribución (DRO). Este método utiliza restricciones de norma-1 e infinito para definir un conjunto de ambigüedad de distribuciones de probabilidad, restringiendo así el rango de fluctuación de las distribuciones de probabilidad, mitigando el impacto de desviaciones en los resultados de optimización y logrando un equilibrio entre robustez y eficiencia económica en el proceso de optimización. Finalmente, el modelo se resuelve utilizando el algoritmo de generación de columnas y restricciones, y su robustez y eficacia se validan a través de estudios de caso. El método de muestreo de MC adoptado en este artículo, en comparación con el muestreo de hipercubo latino seguido por la reducción de escenarios basada en agrupamiento, logra una reducción máxima de aproximadamente el 17.81% en el costo total del sistema. Además, los resultados confirman que a medida que aumenta el número de escenarios generados, el costo optimizado disminuye, con una reducción máxima del 1.14%. Además, se realiza un análisis de costos exhaustivo de diferentes enfoques de modelado de incertidumbres, demostrando que los resultados de optimización se encuentran entre los obtenidos de la optimización estocástica (SO) y la optimización robusta (RO), equilibrando eficazmente el conservadurismo y la eficiencia económica.