一种塔式太阳能智能聚焦调度方法与流程

本发明主要涉及塔式太阳能热发电设计技术领域，尤其是一种塔式太阳能智能聚焦调度方法。

背景技术：

塔式太阳能热电系统通常是指在很大面积的场地上装有许多台大型太阳能反射镜，通常称为定日镜，每台定日镜都各自配有跟踪机构，能准确的将太阳光反射集中到一个高塔顶部的接受器上的装置，接收器上的聚光倍率可超过1000倍，在这里把吸收的太阳光能转化成热能，再将热能传给工质，经过蓄热环节后，再输入至热动力机，膨胀做工，带动发电机，最后以电能的形式输出；

塔式太阳能热电系统是一种大规模太阳能发电的理想形式，包含定日镜场和吸热器的聚光集热系统作为整个系统的前端部分，其工作状况直接决定了后续子系统的运行情况，并影响整个系统的性能；由于时间、天气等因素，地表接收的太阳能随时间有大幅度变化，系统各时刻发电量和储热装置所需热量不同，其所需光功率也因时而异，因而必须采用合理的聚焦策略合理选用定日镜，最大限度的利用太阳能量，来保证聚光系统输出能流密度分布有利于吸热器换热，确保系统稳定运行；

目前塔式聚光集热系统聚焦策略主要存在以下缺点：

一、现有的聚焦调度策略将整个镜场的定日镜同时向吸热器中心聚焦，吸热器表面能流密度分布不均匀，呈高斯分布，降低换热效率，降低吸热器寿命；

二、现有的聚焦调度策略大多针对理论镜场设计，缺少对电站运行方面的考虑，如调度过程中未考虑镜场所处地理位置风速、云层量等气候因素对定日镜追日聚焦的影响，不能根据定日镜场状态参数及热力系统所需光功率完成智能调度；

三、现有的调度策略多采用遗传算法作为一种基于群体的随机优化算法，需要对变量全局搜索力求找到最佳优化解，但其在塔式镜场这种群体规模较大时收敛速度较慢，无法达到塔式调度对算法的实时性要求。

技术实现要素：

为了解决上述技术问题，本发明提供了一种塔式太阳能智能聚焦调度方法，该调度方法结合风速、云层量气象预测数据、定日镜场状态参数及热力系统所需光功率建立镜场调度数学模型，通过仿真太阳、定日镜、吸热器的光学成像关系，得到吸热器表面能流密度的分布情况，利用贪心算法和遗传算法混合提高调度算法效率，并借助GPU(Graphic Processing Unit)即图形处理实现聚光仿真预测的并行加速，可以为实际电站的设计及运行提供参考。

一种塔式太阳能智能聚焦调度方法，以解决聚焦均匀性差、调度不能综合气象条件，缺少对电站运行方面的考虑、以及仿真运算实时性差的技术问题，具体包括如下技术步骤：

步骤一、将吸热器网格化，将定日镜场模块化，并确定聚焦对应关系；

进一步的，所述吸热器网格化是根据吸热器实际尺寸建立模型，并将模型进行正方形矩阵划分为不同区域；

进一步的，所述定日镜场模块化是指将镜场由近及远的，进行模块划分；

作为一种举例说明，所述模块划分的基本原则为：较远距离定日镜模块对应吸热器中心点，较近定日镜模块对应吸热器边缘网格中心点，以达到能流均匀化分布；

步骤二、调用太阳辐照度、云层量以及风速等气候预测信息；

调用电站所在经纬度运行时间内的气候预测信息；

所述太阳辐照度用于确定原始输入能流密度；

所述云层量用于确定被云层遮挡的定日镜场区域，将定日镜进行合理分配；

所述风速用于分析定日镜面型误差，使仿真分析更接近电站实际运行工况；

步骤三、根据确定时刻太阳位置、定日镜位置、各吸热器网格中心位置确定投影关系，分析吸热器表面能流密度；

进一步的，通过太阳的方位角和高度角确定太阳方向向量，即入射向量；

进一步的，通过定日镜和吸热器网格中心位置确定反射向量，并根据反射定律得到法线向量，进而可以得到该时刻太阳光的入射角和反射角，根据该角度随机投撒光线，通过运算工具计算出吸热器表面能流密度分布数据；

作为一种举例说明，所述运算工具采用GPU运算装置，并在MATLAB语言环境下设计计算程序；

步骤四、将吸热器上总体光功率值最大为目标函数；

进一步的，所述目标函数设计时需遵循约束条件，即所述目标函数不超过热力系统的最大负荷值，并利用最少的定日镜使吸热器表面能流密度最均匀；

进一步的，采用贪心算法得到调度问题的贪婪解，根据该解生成搜索空间并用改进的遗传算法搜索；

进一步的，采用二进制编码，每一面定日镜的状态用一个二进制的位表示，1表示选择，0表示不选择；

进一步的，令所述遗传算法中的变异概率P_m随适应度自动变化，如公式(1)所示：

进一步的，将吸热器上总体光功率值最大为目标函数的算法流程具体如下：

流程1：给定初始参数，令t＝0；

作为一种举例说明，所述初始参数包括：最大迭代次数T、群体规模N、变异概率P_m等；

流程2：采用贪心算法得到近似最优解Q，根据该解生成搜索空间U，并算出U内的贪婪解q；

流程3：在空间U中编码染色体，随机产生初始群体pop，其中有N个个体x_t¹…x_t^N，令x₀^N＝q；

流程4：计算群体pop中个体的适应度值fit(x_t¹)，…，fit(x_t^N)，并按该值将个体排序，best为最优个体，worst为最差个体；

流程5：对群体进行多父体杂交，产生群体pop1，根据变异概率P_m对pop1进行自适应变异，产生新群体pop2；

流程6：计算pop2中个体的适应度值，P_best为最优个体，P_worst为最差个体,用pop2中的最优个体替换掉pop中的最差个体，得到群体pop3；

流程7：对pop3中的个体按适应度值排序，P_best’为最优个体，P_worst’为最差个体。若fit(q)>fit(P_worst’)，用q替换掉pop3中的最差个体，得到下一代群体P_new；

流程8：如果t<T，令t＝t+1，pop＝Pnew，转流程4，如果t＞T，则转流程9；

流程9：停止运算，得到最优个体，输出定日镜选择结果，并计算吸热器上能流密度分布；

本发明实现的有益效果是：

(1)将定日镜智能分配指向吸热器不同区域，避免同时聚焦指向中心导致局部过热，形成高斯形式的能流分布，总体平均能流密度低，换热效率低；

(2)综合考虑定日镜实际面型误差，结合太阳辐照度、云层预测和风速等气候信息，根据热力系统运行情况及时补充和撤离定日镜，以达到系统最佳运行性能；

(3)结合贪婪算法和遗传算法各自优势将二者混合使用，达到镜场调度对算法的实时性要求，以提高调度算法的效率。

附图说明

图1为一种塔式太阳能智能聚焦调度方法之流程图；

图2为一种塔式太阳能智能聚焦调度方法之塔式太阳能吸热器网格化模型示意图；

图3为一种塔式太阳能智能聚焦调度方法之塔式太阳能镜场模块化分区示意图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请各权利要求所要求保护的技术方案。

参照图1至图3所示，一种塔式太阳能智能聚焦调度方法，以解决聚焦均匀性差、调度不能综合气象条件，缺少对电站运行方面的考虑、以及仿真运算实时性差的技术问题，具体包括如下技术步骤：

步骤一、将吸热器网格化，将定日镜场模块化，并确定聚焦对应关系；

进一步的，所述吸热器网格化是根据吸热器实际尺寸建立模型，并将模型进行正方形矩阵划分为不同区域；

进一步的，所述定日镜场模块化是指将镜场由近及远的，进行模块划分；

作为一种举例说明，所述模块划分的基本原则为：较远距离定日镜模块对应吸热器中心点，较近定日镜模块对应吸热器边缘网格中心点，以达到能流均匀化分布；

步骤二、调用太阳辐照度、云层量以及风速等气候预测信息；

调用电站所在经纬度运行时间内的气候预测信息；

所述太阳辐照度用于确定原始输入能流密度；

所述云层量用于确定被云层遮挡的定日镜场区域，将定日镜进行合理分配；

所述风速用于分析定日镜面型误差，使仿真分析更接近电站实际运行工况；

步骤三、根据确定时刻太阳位置、定日镜位置、各吸热器网格中心位置确定投影关系，分析吸热器表面能流密度；

进一步的，通过太阳的方位角和高度角确定太阳方向向量，即入射向量；

进一步的，通过定日镜和吸热器网格中心位置确定反射向量，并根据反射定律得到法线向量，进而可以得到该时刻太阳光的入射角和反射角，根据该角度随机投撒光线，通过运算工具计算出吸热器表面能流密度分布数据；

作为一种举例说明，所述运算工具采用GPU运算装置，并在MATLAB语言环境下设计计算程序；

步骤四、将吸热器上总体光功率值最大为目标函数；

进一步的，所述目标函数设计时需遵循约束条件，即所述目标函数不超过热力系统的最大负荷值，并利用最少的定日镜使吸热器表面能流密度最均匀；

进一步的，采用贪心算法得到调度问题的贪婪解，根据该解生成搜索空间并用改进的遗传算法搜索；

进一步的，采用二进制编码，每一面定日镜的状态用一个二进制的位表示，1表示选择，0表示不选择；

进一步的，令所述遗传算法中的变异概率P_m随适应度自动变化，如公式(1)所示：

进一步的，将吸热器上总体光功率值最大为目标函数的算法流程具体如下：

流程1：给定初始参数，令t＝0；

作为一种举例说明，所述初始参数包括：最大迭代次数T、群体规模N、变异概率P_m等；

流程2：采用贪心算法得到近似最优解Q，根据该解生成搜索空间U，并算出U内的贪婪解q；

流程3：在空间U中编码染色体，随机产生初始群体pop，其中有N个个体x_t¹…x_t^N，令x₀^N＝q；

流程4：计算群体pop中个体的适应度值fit(x_t¹)，…，fit(x_t^N)，并按该值将个体排序，best为最优个体，worst为最差个体；

流程5：对群体进行多父体杂交，产生群体pop1，根据变异概率P_m对pop1进行自适应变异，产生新群体pop2；

流程6：计算pop2中个体的适应度值，P_best为最优个体，P_worst为最差个体,用pop2中的最优个体替换掉pop中的最差个体，得到群体pop3；

流程7：对pop3中的个体按适应度值排序，P_best’为最优个体，P_worst’为最差个体。若fit(q)>fit(P_worst’)，用q替换掉pop3中的最差个体，得到下一代群体P_new；

流程8：如果t<T，令t＝t+1，pop＝Pnew，转流程4，如果t＞T，则转流程9；

流程9：停止运算，得到最优个体，输出定日镜选择结果，并计算吸热器上能流密度分布；

下面举例本发明之优选实施例，来更好的阐述本发明经实验验证后的理想效果：

优选实施例1：

本发明实施例应用于一个包含100面20m²定日镜的扇形布置镜场，腔体式吸热器受热面的尺寸为4m×4m，聚焦点限定框尺寸为3.5m×3.5m，选取5个聚焦点，如图2所示，将所有定日镜均聚焦到吸热器中心点未实施均匀化聚焦方案时，峰值能流密度为1215kW/m²，平均能流密度为75kW/m²；实施本发明提出的镜场聚焦策略优化方案后，峰值能流密度降为120kW/m²，平均能流密度则为69kW/m²；

对比前后结果表明，经过本发明智能聚焦调度策略优化后，吸热器表面的峰值能流密度降低90％，避免局部温度过高对热力系统的冲击；并且，实施该发明方案后能流密度分布由中心过热的高斯分布，变为均匀分布于整个吸热器表面，实现了均匀化的效果，而且采用贪心与遗传算法混合使用算法大幅度提高调度算法效率，100面镜子规模基于GPU的计算时间从最初75ms提升到15ms，效率提升80％。

本发明将定日镜智能分配指向吸热器不同区域，避免同时聚焦指向中心导致局部过热，形成高斯形式的能流分布，总体平均能流密度低，换热效率低；并综合考虑定日镜实际面型误差，结合太阳辐照度、云层预测和风速等气候信息，根据热力系统运行情况及时补充和撤离定日镜，以达到系统最佳运行性能；结合贪婪算法和遗传算法各自优势将二者混合使用，达到镜场调度对算法的实时性要求，以提高调度算法的效率。

以上公开的仅为本申请的一个具体实施例，但本申请并非局限于此，任何本领域的技术人员能思之的变化，都应落在本申请的保护范围内。