This manuscript proposes a hybrid method for system modeling and optimal allocation of low cost micro-grid. The proposed hybrid method is the joint execution of the enhanced elephant herding optimization algorithm (EHOA) and adaptive neuro fuzzy inference system (ANFIS) named as EHO-ANFIS. By using MG inputs, such as solar photovoltaic, wind turbine (WT), micro turbine (MT), fuel cell (FC), and battery energy storage system. EHO optimizes micro-grid configuration in minimal fuel costs based on needed load requirement. Here, learning phase of ANFIS is utilized for predicting the load requirement. EHOA reduces operation and maintenance costs, emission cost on the basis of the predicted load requirement. The proposed method is executed in MATLAB/Simulink site and the robustness of the proposed method is compared with different existing methods. In the proposed method, the maximal generated power of photovoltaic represents 6 kW, wind turbine indicates 7.8 kW, micro turbine denotes 11.8 kW, FC implies 6.8 kW, and battery refers 3 kW. By utilizing genetic algorithm, the generated power of photovoltaic signifies 7 kW, WT implicates 6 kW, MT implicates 4 kW, FC refers 7 kW, and battery implies 14 kW. The proposed method has minimal cost effective depending on its load demand. The computational time of the proposed technique under 100, 250, 500, and 1000 trails is 5600, 14 000, 28 000, and 56 000 s.

中文翻译：

---

用于优化能源管理的混合能源微电网系统建模——一种混合大象群优化算法-自适应神经模糊推理系统方法

本手稿提出了一种低成本微电网系统建模和优化配置的混合方法。所提出的混合方法是联合执行增强型大象放牧优化算法 (EHOA) 和名为 EHO-ANFIS 的自适应神经模糊推理系统 (ANFIS)。通过使用 MG 输入，例如太阳能光伏、风力涡轮机 (WT)、微型涡轮机 (MT)、燃料电池 (FC) 和电池储能系统。EHO 根据所需的负载要求以最低的燃料成本优化微电网配置。在这里，ANFIS 的学习阶段用于预测负载需求。EHOA 根据预测的负载要求降低运营和维护成本、排放成本。所提出的方法在MATLAB/Simulink 站点上执行，并与不同的现有方法比较了所提出方法的鲁棒性。在所提出的方法中，光伏最大发电功率为6 kW，风力涡轮机为7.8 kW，微型涡轮机为11.8 kW，FC为6.8 kW，电池为3 kW。利用遗传算法，光伏发电功率为7 kW，WT为6 kW，MT为4 kW，FC为7 kW，电池为14 kW。根据其负载需求，所提出的方法具有最小的成本效益。所提出的技术在 100、250、500 和 1000 条路径下的计算时间为 5600、14 000、28 000 和 56 000 s。MT 表示 4 kW，FC 表示 7 kW，电池表示 14 kW。根据其负载需求，所提出的方法具有最小的成本效益。所提出的技术在 100、250、500 和 1000 条路径下的计算时间为 5600、14 000、28 000 和 56 000 s。MT 表示 4 kW，FC 表示 7 kW，电池表示 14 kW。根据其负载需求，所提出的方法具有最小的成本效益。所提出的技术在 100、250、500 和 1000 条路径下的计算时间为 5600、14 000、28 000 和 56 000 s。