A grid connected hybrid energy system combining wind turbine (WT) and photovoltaic (PV) array generating system with energy storage system to supply continuous power to the load using hybrid technique is exhibited in this dissertation. The proposed hybrid technique is the joint execution of both the binary chaotic crow search optimizer (BCCSO) with grey wolf optimizer and random forest algorithm (GWORFA) and hence it is named as BCCSO-GWORFA technique. The main aim of the proposal is to optimally track the maximum power point tracking (MPPT) and to maintain the power flow of the grid connected HRES. Here, the BCCSO-based MPPT procedure optimizes the exact duty cycles required for the DC-DC converter of the PV under partial shading conditions and WT system under variable speed conditions based on the voltage and current parameters. On the other hand, the grey wolf optimizer (GWO) learning procedure-based random forest algorithm (RFA) predicts the control signals of the voltage source inverter (VSI) based on the active and reactive power variations available in the load side. To predict the control parameters, the proposed technique considers power balance constraints like RES accessibility, storage element state of charge, and load side power demand. The proposed strategy is implemented in MATLAB/Simulink working platform. The performance of the HRES is assessed by utilizing the comparison analysis with the existing techniques. The comparison results invariably prove the proposed hybrid technique effectiveness and confirm its potential to solve the related issues with efficiency of 99.5%.

中文翻译：

---

具有部分遮蔽能力的混合可再生能源系统的最大功率点跟踪和潮流管理：一种混合技术

本文展示了一种将风力发电机（WT）和光伏（PV）阵列发电系统与储能系统相结合的并网混合能源系统，利用混合技术为负载提供连续电力。所提出的混合技术是二元混沌乌鸦搜索优化器（BCCSO）与灰狼优化器和随机森林算法（GWORFA）的联合执行，因此被命名为 BCCSO-GWORFA 技术。该提案的主要目的是优化跟踪最大功率点跟踪 (MPPT) 并保持并网 HRES 的功率流。在这里，基于 BCCSO 的 MPPT 程序根据电压和电流参数优化了部分遮蔽条件下 PV 的 DC-DC 转换器和变速条件下的 WT 系统所需的确切占空比。另一方面，灰狼优化器 (GWO) 基于学习过程的随机森林算法 (RFA) 根据负载侧可用的有功和无功功率变化预测电压源逆变器 (VSI) 的控制信号。为了预测控制参数，所提出的技术考虑了功率平衡约束，例如 RES 可访问性、存储元件充电状态和负载侧功率需求。所提出的策略是在MATLAB/Simulink 工作平台上实现的。通过利用与现有技术的比较分析来评估 HRES 的性能。比较结果总是证明了所提出的混合技术的有效性，并证实了其以 99.5% 的效率解决相关问题的潜力。灰狼优化器 (GWO) 基于学习过程的随机森林算法 (RFA) 根据负载侧可用的有功和无功功率变化预测电压源逆变器 (VSI) 的控制信号。为了预测控制参数，所提出的技术考虑了功率平衡约束，例如 RES 可访问性、存储元件充电状态和负载侧功率需求。所提出的策略是在MATLAB/Simulink 工作平台上实现的。通过利用与现有技术的比较分析来评估 HRES 的性能。比较结果总是证明了所提出的混合技术的有效性，并证实了其以 99.5% 的效率解决相关问题的潜力。灰狼优化器 (GWO) 基于学习过程的随机森林算法 (RFA) 根据负载侧可用的有功和无功功率变化预测电压源逆变器 (VSI) 的控制信号。为了预测控制参数，所提出的技术考虑了功率平衡约束，例如 RES 可访问性、存储元件充电状态和负载侧功率需求。所提出的策略是在MATLAB/Simulink 工作平台上实现的。通过利用与现有技术的比较分析来评估 HRES 的性能。比较结果总是证明了所提出的混合技术的有效性，并证实了其以 99.5% 的效率解决相关问题的潜力。