基于植物发电技术的分布式发电系统容量规划

袁蓓（河海大学能源与电气学院，江苏南京211100）

基于植物发电技术的分布式发电系统容量规划

袁蓓
（河海大学能源与电气学院，江苏南京211100）

针对当前生物质能源的发展现状，提出一种新型生物质能源利用技术，基于植物发电技术建立一种新的分布式发电系统模型，并对此类型分布式电源并网进行电源容量规划。首先介绍了植物发电技术，并结合相关研究成果总结了该技术的发展现状。其次，对植物发电电源进行基础建模，并进一步提出基于此技术的分布式发电系统数学模型；之后利用改进遗传算法对含植物发电电源的分布式发电系统的电源容量进行优化计算。最后，通过一个IEEE33节点算例进行仿真优化，得出最优规划方案，并验证所提出系统规划的可行性和有效性。

生物质能源；植物发电；分布式电源；遗传算法

能源是人类生存与发展的物质基础，也是一个国家国民经济的命脉。随着我国近年来经济的迅猛发展，能源与环境问题的矛盾也日益突出。生物质能源以其绿色无污染的特性在新能源的开发与利用中愈占优势。为保障生物质能源产业稳定发展，中国政府出台了一系列法律法规和政策措施，积极推动了生物质能源的开发与利用[1-4]。但如今的生物质能源利用方式仍无法摆脱多次转化的复杂过程，不仅开发成本高，多次能源形式的转化也会造成能量损失和一定污染，不利于大规模开发利用。本文所述的植物发电技术，是生物质能源的一种新型利用方式。能够避免多次能量转换而直接利用植物光反应中的电能。并且，其发电载体种类繁多，如乔木、藻类、蕨类以及其他灌木类杂草，可以充分利用我国的植物资源。从一个层面上看，相当于将整个中国变成一个以植物为载体的太阳能电池板，以“和平”的方式发电，在获得能源的同时，也能促进环保事业的发展。

分布式电源（DG）一般指功率较小，与环境兼容的独立电源，包括发电设备与储能装置。分布式电源能够高效利用各种发电技术，能源成本低，通常为可再生能源，有巨大的环境效益。从可持续发展和降低环境污染观点看，分布式发电技术是我国的必然选择[5-7]。分布式电源规划是分布式发电系统开发研究的关键基础工作，其核心问题是寻找最佳的电源容量配置方案，根据系统中的各种约束条件和能源特性，使分布式发电系统供电可靠性最高，建设成本最小。电源规划的优化求解方法主要有传统优化算法和智能优化算法[8-9]。传统优化算法主要有解析法、随机法和穷举法，智能算法包括模拟退火法、粒子群算法、蚁群算法和遗传算法。其中，遗传算法原理上能够以较大概率找到优化问题的全局最优解，但存在收敛条件不易确定、局部搜索能力差等缺点，而改进的遗传算法对遗传算子进行优化处理后，能够可靠、快速收敛，具有较强的鲁棒性，对分布式发电系统的电源规划问题有独特优势。本文首先根据植物发电原理提出了植物发电电源的数学模型，论述植物发电技术的分布式发电系统结构，在此基础上提出植物发电的分布式发电系统数学模型。然后，针对电源容量规划的基本优化目标——成本经济性和电能供应可靠性，对系统电源容量规划的目标函数和约束条件进行建模分析，接下来采用改进的遗传算法对发电系统容量规划进行优化运算。最后，通过一个算例对该系统进行电源容量规划模拟优化。

1　植物发电技术发展及原理

1.1植物直接发电技术发展

植物发电技术是直接利用植物光反应中产生的电子流进行发电的一种发电技术，以活体植物为载体，属于生物质能的一种。近年，日本研究人员发现，从植物中提取的叶绿素与卵磷脂混合物被太阳光照射时，会产生电流，其转换效率为普通太阳能电池的3倍以上。用此方法制成的电池称为“生物光伏电池”。比利时根特大学的植物发电研究项目也发明了一种屋顶植物发电系统。如今，市场上已经出售有植物电能时钟，植物电池等产品。

1.2植物发电技术原理

植物发电技术主要利用的是植物光合作用中的光反应，其部分方程如下：

在此过程中，电子从H2O传递给NADP，这是一个逆氧化还原电势的反应，一个电子从H2O传递到NADP必须克服1.13 V电势差。当光子打到色素分子上时，激发高能电子，植物就是因此利用光能为这个反应提供电子流。我们利用特殊装置，把植物光反应过程中激发的电子流引出，这样就可以在保持植物生命力的状态下“和平方式发电”。

植物发电电源是由多个植物发电单元组成的发电单元阵列，其发电系统可由发电单元阵列、控制器、逆变器组成。当电源输出功率大于用电负荷时，剩余电能通过逆变器流向电网，反之则通过电网供应负荷的电能短缺。

电源等效模型参考光伏发电模型，如图1所示，相当于一个恒流源与一只正向二极管并联，其中，Is为流过正向二极管的电流；Rs为由于发电单元内部结构材质不同、装置接触缝隙等出现的漏电流，使本该流过负载的电流被短路所引起的等效电阻；C为结电容。Rn为串联电路电压降等效电阻。It为植物光反应形成的电流源，其大小主要取决于温度、光照强度等条件。近似认为：

图1　植物发电系统等效电路图Fig.1　Equivalent circuit of the plant power generation system

式中：Ka（T）为光照强度一定时，光合作用强度系数随温度变化的函数；n为单位面积叶片吸收的光子数；e为电子电量。其输出电流电压关系为：

式中：I0为二极管反向饱和电流；e为电子电荷；I为电池输出电流；K为玻尔兹曼常数；A为二极管品质因子。

输出电压：

式中：n1为串联发电单元个数；n2为并联发电单元个数。

输出功率：

2　基于植物发电技术的分布式发电系统容量规划

2.1植物直接发电的分布式发电系统结构及其发电特性

基于植物发电技术的分布式发电系统是指一种广泛分布的小型独立模块电源系统，其发电功率随气候、温度、昼夜、季节变化等外界因素影响较大，所以该独立供电系统具有间歇性和不确定性。图2、图3为植物发电电源在不同条件下的伏安特性曲线。由图可知在环境温度一定时，电源输出功率随光强增大而上升，实际运算时近似认为在R<100 W/m2输出功率为零；光强一定时，当环境温度为25℃时输出功率最大，与植物光合作用最适温度一致。

图2　不同光照条件下的伏安特性曲线Fig.2　The curves of the volt ampere characteristics under different illumination conditions

图3　不同温度下的伏安特性曲线Fig.3　The curves of the volt ampere characteristics under different temperature conditions

在结构上，类似光伏发电和风力发电的分布式发电系统[7]，为微型电源模块系统，有很强的自身独立供电能力。

2.2基于遗传算法的电源容量规划模型

2.2.1目标函数

基于植物发电技术的分布式发电系统是一个具有较强独立性与分散性的发电电源组合系统，是一个多目标的优化问题。在满足用户和负荷要求，保证电能质量和可靠供电的前提下，找到使成本投入最低，供电可靠性最高的电源容量规划方案[10-12]。

1）供电可靠性目标

发电系统的可靠性，即电源充裕度，是指系统在规定条件下是否能满足负荷要求的能力。本文采用电力不足概率（LOLP）和电力不足期望（LOLE）两种指标，作为其可靠性指标。

电力不足概率（LOLP）即系统负荷超过可用发电容量的时间概率，写为：

式中：X为系统停运容量；R为系统备用容量。

式中：C为系统有效容量；L为最大负荷。

电力不足期望值（LOLE记作Le）为一年中最大负荷超过系统有效容量的期望的天数，在工程应用中通常为：

式中：T=365（天）

本系统将供电可靠性进一步转化为因负荷超过可用发电量，为保证电网持续运行，需投入的经济成本，由以下数学模型表示：

式中：Ca为T时间中向电网买电花费的经济成本；Le为电力不足期望值，即供电不足时间；n为电源个数；M为电网单位电价；Pa为总用电功率；Pi为各个电源的输出功率。

2）成本最小化目标

本系统的发电成本最小化目标设定为T时间内发电总成本（COE）最小，该系统发电成本主要由发电设备的建成、维护成本，原料成本和其他固定成本构成。用以下数学模型表示总发电成本：

式中：Cg为T时间内发电总成本；Pi为各个电源的输出功率；Ci为单位发电成本，其中，j为设备使用年数，Ec为系统初期建设成本，Pci为各个电源设备维护成本；mci为各个电源原料成本；fci为各个电源固定成本。

2.2.2约束条件

该系统的电源规划优化需同时满足上述2个目标，在此构造一个电源规划的目标函数minf（Ca，Cg），即为实现上述2种目标下的最优目标函数。其约束条件如下：

式中：Pimax、Pimin分别是各个电源输出电量的最大、最小值；PUL为不可中断负载容量；PIL为可中断负载容量。LOLPj为第j年电力不足概率；Cp为规定的可靠性指标。

2.3基于遗传算法的电源容量规划模型计算

考虑到该系统规划问题属于极其复杂非凸性、离散型、多目标、多约束条件的大规模优化问题，传统优化算法不能有效解决该问题，本系统采用智能优化算法中的遗传算法[13]。

2.3.1算法原理

遗传算法（Genetic Algorithms）是模拟生物遗传进化机制而发展起来的一种算法，用于群体策略和群体之间的信息交换，尤其适用于离散的非线性结构优化问题。其基本算法框图如图4[14-16]所示，为保证遗传算法能以概率“1”收敛至全局最优解，本文在SGA中引入保留算子。

图4　遗传算法流程图Fig.4　Flow chart of the genetic algorithm

2.3.2适应度函数和遗传算子的调整变换

电源规划优化目标即合理配置各发电电源的容量配比，使得投入系统的总成本最低，而供电可靠性最高。在同时满足2个目标函数的基础上，我们构建了电源规划的总目标函数f（Ca，Cg）。以下，我们将根据遗传算法的算法结构，结合系统模型对个体适应度函数和遗传算子进行调整变换。适应度函数根据目标函数转化为：

式中：K为常数，根据不同系统设定数值。

针对简单遗传算法存在的不足，即交叉概率Pc和变异概率Pm无法体现种群实际情况，易使遗传算法陷入局部最优解，本文采用改进的交叉算子与变异算子，其设计如下[11]：

式中：Nc为初始交叉概率；Pcf为较差概率调整值；fmax为种群中的染色体最大适应度值；fmin为种群中染色体最小适应度值；favg为种群中染色体平均适应度值；Nm为初始变异概率；Pmf为变异概率调整值。

2.4算例分析

为了验证所建立数学模型的正确性及有效性，在IEEE33节点配电网系统中接入植物发电技术分布式电源。IEEE33节点系统接入该分布式电源后的配电网结构如图5所示[12]，本网中有32条支路、5条联络开关支路、1个电源网络首端基准电压12.66 kV、三相功率基准值取10 MV·A、网络总负荷为5 084.26+ j2 547.32 kV·A。其中，系统节点电压幅值范围取[0.95，1.05]。系统第一节点处安装一个有载调压变压器，变压器含有分接头档位为11个，变比调节范围[0.95，1.05]，在32节点接入一个分布式电源系统，其中包括6个植物发电电源模块。模型中我们仅考虑6个分布式电源的初期建设投资、运行维修费用和该配电网供电不足购买电费，并且认为投资费用发生于年初，取6年期电源规划，假设规划期内年负荷增长率为15%，最终目的是规划得出6个分布式电源模块的容量配置。取交叉概率0.88；变异概率0.05，最大迭代次数100，收敛判据ε=0.001，电网单位电价M= 0.5 kW·h。

图5　含植物发电技术分布式电源的IEEE33节点配电网系统网络图Fig.5　The diagram of IEEE33 distribution system network containing plant power generation technology

利用AGA遗传算法收敛曲线如图6所示，由图6可以看出，应用AGA改进的遗传算法对含植物发电系统电源配置的目标函数进行优化，大约遗传70代就可以得到平稳的收敛结果，表明AGA改进的算法能够快速、可靠地收敛。

图6　AGA遗传算法收敛曲线Fig.6　Convergence curve of AGA genetic algorithm

表1为含植物发电技术分布式电源的IEEE33节点配电网系统算例6年规划的优化配置方案。该方案以6年为期限，规划了6台植物发电各自电源的出力方案，并计算了分布式电源并入该配电网系统后系统的的年运行费用，以该方案规划所得的总费用最小。

表1　植物直接发电电源6年规划配置方案Tab.1　Configuration scheme of the 6-year planning for direct plant generation power supplykW

表2为该分布式电源并网前后配电系统年运行费用。从表2中可以看出，由本文方法所得最优化分布式电源的容量配置下，系统年运行费用随投入年限的增加稳定减少，验证了本文规划的可行性和有效性，说明本文方案符合电源容量配置要求。由于该分布式电源规划前期发电成本较高，电源优化带来的经济效益还不明显。但未来随着植物发电技术的发展，其发电成本必然会进一步下降，使得基于该技术的分布式发电系统经济优势增强。

表2　分布式电源并网前后配电系统年运行费用Tab.2　Annual operating expenses of the distribution system after integration of the distributed power generation

3　结语

本文提出了一种基于植物发电技术的分布式发电系统容量规划方案，通过分析其发电原理，提出了植物发电电源的数学模型，并建立了基于此技术的发电系统容量规划模型，采用改进的遗传算法进行优化计算，在以MATLAB为工具进行仿真实验后，目标函数可靠收敛，得出最优规划方案，该分布式电源并网后配电网年运行费用下降，验证了本文规划的可行性和有效性。所述分布式发电系统容量规划模型，可方便地计及系统建设投资、设备维护费用和供电不足购买电费，对其他类型能源的分布式发电系统容量规划也有一定指导意义。

[1]陈曦，韩志群，孔繁华，等.生物质能源的开发与利用[J].化学进展，2007，19（7）:1091-1097. CHEN Xi，HAN Zhiqun，KONG Fanhua，et al.Exploitation and utilization of bio-energy[J].Progress in Chemistry，2007，19（7）:1091-1097（in Chinese）.

[2]黄生琪，周菊华.我国节能减排的意义、现状及措施[J].节能技术，2008，26（2）:172-175.HAUNG Shengqi，ZHOU Juhua.Studies on energy saving and pollution redution[J].Energy Conservation Technology，2008，26（2）:172-175（in Chinese）.

[3]赵春江，杨金焕，陈中华，等.太阳能光伏发电应用的现状及发展[J].节能技术，2007，25（5）:461-465. ZHAO Chunjiang，YANG Jinhuan，CHEN Zhonghua，et al.State&development of photovoltaic application[J]. Energy Conservation Technology，2007，25（5）:461-465（in Chinese）.

[4]王冠，赵立欣，孟海波，等.我国生物质热解特性及工艺研究进展[J].节能技术，2014，32（2）:120-124. WANG Guan，ZHAO Lixin，MENG Haibo，et al.Biomass pyrolysis characteristics and technology progress[J].Energy ConservationTechnology，2014，32（2）:120-124（inChinese）.

[5]苗唯时，张建华，郑云霞，等.分布式发电对配电系统的影响[J].陕西电力，2010，38（1）:33-36. MIAO Weishi，ZHANG Jianhua，ZHENG Yunxia，et al. Influence of distributed generation on distribution system[J]. Shaanxi Electric Power，2010，38（1）:33-36（in Chinese）.

[6]甘龙，刘河清.基于村落层次的智能沼气网以及分布式电源和能源枢纽建设[J].应用能源技术，2010（8）:52-54. GAN Long，LIU Heqing.Village-level biogas based intelligent network and distributed energy project construction[J].Applied Energy Technology，2010（8）:52-54（in Chinese）.

[7]钱科军，袁越，石晓丹，等.分布式发电的环境效益分析[J].中国电机工程学报，2008，28（29）:11-15. QIAN Kejun，YUAN Yue，SHI Xiaodan，et al.Environmental benefits analysis of distributed generation[J].Proceedings of the CSEE，2008，28（29）:11-15（in Chinese）.

[8]胡斌.考虑大规模风电并网的电力系统旋转备用容量优化模型[J].陕西电力，2014，42（5）:22-26. HU Bin，Optimal spaning reserve capacity model of power system considering large scale wind power[J].Shaanxi Electric Power，2014，42（5）:22-26（in Chinese）.

[9]吴耀武，侯云鹤，熊信艮，等.基于遗传算法的电力系统电源规划模型[J].电网技术，1999，23（3）:10-14. WU Yaowu，HOU Yunhe，XIONG Xingen，et al.A model for generation expansion planning of power system based on gentic algor rihm[J].Power System Technology，1999，23（3）:10-14（in Chinese）.

[10]王成山，陈恺，谢莹华，等.配电网扩展规划中分布式电源的选址和定容[J].电力系统自动化，2006，30（3）: 38-43. WANG Chengshan，CHEN Kai，XIE Yinghua，et al. Sitting and sizing of distributed generation in distribution network expansion planning[J].Automation of Electric Power System，2006，30（3）:38-43（in Chinese）.

[11]周治.并网光伏电站子方阵最佳配置选择[J].西北水电，2012（3）:81-87. ZHOU Ye.Selection of optimum sub-array arrangement of grid-connectedphotovoltaicpowerplant[J].Northwest Hydropower，2012（3）:81-87（in Chinese）.

[12]宫林国，高亮，王贺磊，等.含分布式电源的配电网保护方案研究[J].陕西电力，2014，42（1）:32-36. GONG Linguo，GAO Liang，WANG Helei，et al.Research on protection scheme of distribution network with distributed generation[J].Shaanxi Electric Power，2014，42（1）: 32-36（in Chinese）.

[13]丁明，石雪梅.基于遗传算法的电力市场环境下电源规划的研究[J].中国电机工程学报，2006，26（21）:43-49. DING Ming，SHI Xuemei.Study of generation expansion planning based on genetic algorithm s in the environment of elctricity market[J].Proceedings of the CSEE，2006，26（21）:43-49（in Chinese）.

[14]周巧俏，汤云岩，海晓涛，等.基于改进自适应遗传算法的分布式电源的选址和定容[J].陕西电力，2010，38（6）:40-44. ZHOU Qiaoqiao，TANG Yunyan，HAI Xiaotao，et al. Location ang of distributed generation based on improved selfadaptive genetic algorithm[J].Shaanxi Electric Power，2010，38（6）:40-44（in Chinese）.

[15]杨文佳，张国维.基于负荷频谱分析的电力系统短期负荷预测[J].陕西电力，2014，42（11）:56-60. YANG Wenjia，ZHANG Guowei.Short term load forecast for power system based on load spectrum[J].Shaanxi Electric Power，2014，42（11）:56-60（in Chinese）.

[16]陈虎，孟克其劳，马建光.基于MATLAB的风力发电机组建模和仿真研究[J].节能技术，2012，30（1）:24-28. CHEN Hu，MENG Keqilao，MA Jianguang.The modeling and simulation study of wind turbine based on MATLAB[J]. Energy Conservation Technology，2012，30（1）:24-28（in Chinese）.

[17]彭军，杨智奇，董菁雯.常用太阳跟踪系统接收辐射量的计算[J].节能技术，2015，33（2）:168-171. PENG Jun，YANG Zhiqi，DONG Qingwen.Calculation of the received radiation for common solar tracking systems[J]. Energy Conservation Technology，2015，33（2）:168-171（in Chinese）.

（编辑徐花荣）

The Capacity Planning of Distributed Power Generation System Based on Plant Power Generation Technology

YUAN Pei
（College of Energy and Electrical Engineering，Hohai University，Nanjing 211100，Jiangsu，China）

In this paper，a new type of biomass energy utilization technology is proposed according to the current status of biomass energy development.A new distributed generation system model is established based on the plant power generation technology，according to which the new type of power supply capacity planning is conducted.Firstly the principle of the plant power technology and the related research are introduced，and the development status of the technology is summarized.Secondly，a basic model of the plant power supply is established and the mathematical model of the distributed generation system based on this technology is put forward. Furthermore，the improved genetic algorithm is adopted to optimize the power supply capacity of the distributed generation system containing the plant power generation source.Finally，an example of IEEE33 distribution network system is set to verify feasibility and effectiveness of the system planning.

biomass energy；plant power；distributed power generation；genetic algorithm

1674-3814（2015）07-0092-06中图分类号：TM919

A

2014-02-29。

袁蓓（1993—），女，本科，研究方向电气工程及其自动化。