一种新型的仿生型太阳能光热镜场的排布方法与流程

本发明属于塔式太阳能热发电系统的镜场优化技术领域，具体涉及一种新型的仿生型太阳能光热镜场的排布方法。

背景技术：

太阳能热利用技术是可再生能源技术领域商业化程度较高、推广应用较为普遍的技术之一，塔式太阳能热发电系统是太阳能热利用的重要方向，塔式太阳能热发电系统利用定日镜跟踪太阳，使其反射光能够精确地投射到置于接收塔顶部的吸热器换热面上，吸热器将太阳光能转变成热能并加热盘管内流动着的介质(水或其它流体)产生中高温蒸汽驱动汽轮发电机组发电。在塔式太阳能热发电系统中，合理的集热镜场布置能够在提高系统光到热的转化效率的同时，减少土地使用面积，电线电缆等用量，从而降低投资。

然而塔式定日镜场的效率计算以及镜场坐标确定存在着很多难点，现存方法都存在各种各样的局限性，为此，进一步取得更合理的塔式镜场排布，使得定日镜互相间阴影的影响最小，最大化的获取太阳能能量，进而推进太阳能定日镜镜场建设高性价比和大规模利用技术的研究与创新，对于实施能源战略和完善能源结构具有深远意义。

技术实现要素：

为了解决塔式太阳能光热发电系统中现存方法的局限性，本发明的目的在于提供一种低成本、高效率的塔式光热镜场布局方法。

为达到上述目的，本发明采取如下技术方案予以实现的：

本发明提供了一种新型的仿生型太阳能光热镜场的排布方法，包括：

步骤1，镜场仿生螺线初值的选择；

步骤2，确定定日镜优化布置影响因素的及镜场效率的计算；

步骤3，确定定日镜位置调整系数为优化变量，并以镜场效率作为优化目标，按照定日镜位置调整系数优化算法流程进行变量优化，得到优化变量的最优值，所述的最优值使优化目标取最大值；

步骤4，定日镜坐标的确定；

步骤5，进行仿生型太阳能光热镜场的布局。

所述步骤3中定日镜位置调整系数的算法流程如下：

步骤a，初始化种群，以每个定日镜的对应位置调整系数作为粒子的维度，以通过爬山法提供的输出值，加入白噪声，作为粒子群中各个粒子的初始值；

步骤b，进行梯度检测，满足梯度范围，进入下一步，对于不合格的粒子返回步骤a重新生成；

步骤c，对每个粒子对应的镜场进行效率计算并作为粒子的适应度，记录群体最优的粒子取值pgb和个体历史最优的粒子取值pib，所述最优粒子指所有粒子里面适应度最高的，最优粒子取值即当前循环过程中镜场效率最大值；

步骤d，根据以下以下公式进行粒子的更新：

vi(t+1)＝αvi(t)+c1r1(pib-zi(t))+c2r2(pgb-zi(t))，，

zi(t+1)＝zi(t)+vi(t+1)

式中：α是惰性权值，c1,c2是加速常量，r1,r2是随机数；t是循环次数；pib是个体历史最优的粒子取值；pgb是群体最优的粒子取值；

vi(t)和zi(t)分别是第i维粒子在第t次循环后的速度和位置；

vi(t+1)和zi(t+1)分别是第i维粒子在第t+1次循环后的速度和位置；

步骤e，检测跳出条件，如满足跳出条件则输出结果，如不满足回到第b步进行下一次循环；

步骤f，输出最优结果，并输出每个定日镜的位置调整系数，进而确定每个定日镜的坐标和占地面积。

所述步骤e中跳出条件包括循环次数和镜场效率目标。

所述步骤1中镜场仿生螺线初值是通过爬山法进行选择的。

所述步骤3中定日镜位置调整系数是通过粒子群算法进行优化的。

所述步骤2中定日镜优化布置的影响因素包括余弦损失、大气衰减损失、溢出损失、阴影和遮挡损失。

所述步骤4中定日镜坐标是通过黄金分割法确定的。

所述步骤4中定日镜坐标的确定，按下列公式进行：

式中：xn—第n面定日镜位置平面坐标x值；

yn—第n面定日镜位置平面坐标y值；

a,b—定日镜位置调整系数；

θn—为给定序号定日镜的放置角度，按137.5或222.5度增减。

上述的定日镜的放置角度由θn＝n·2π·τ²定义

式中：n—自然数，是定日镜的数量或序号，

τ—为黄金分割的无理数极限，即，

或者

本发明的优点是：本发明通过使用爬山法等启发式算法进行迭代优化，选择和确定了适合大型镜场的仿生螺旋线初值；并针对标准仿生型镜场因采用固定的定日镜位置调整系数导致的镜场效率难以提高的问题，使用改进的离子群算法在仿生螺旋线初值基础上进行迭代优化，将定日镜位置调整系数设置为一个根据实际变化的变量；结合黄金分割法进行求解和插值来确定定日镜的具体位置，最终得到了一种高效的塔式光热镜场布局方法。同时，本发明采用独创的多边形链表法进行效率计算，较现有的蒙特卡洛法或网格法计算速度成倍提高，使得镜场效率的衡量过程大幅提速，为后续进行镜场的优化提供了基础，使得定日镜在各个镜场区域都取得较好的效率表现，最终，得以在最小的土地面积上布置最大数量的定日镜，同时减少阴影及遮挡损失、大气衰减损失、截断损失等，使得镜场的年均光学效率最高，土地使用面积最低。

附图说明

图1是定日镜场的标准排布方式；

图2-a是基于顺时针螺旋线的排布方式；

图2-b是基于逆时针螺旋线的排布方式；

图3是典型的近密远疏定日镜场排布图；

图4是基于改进的粒子群算法进行镜场参数优化的流程图；

图5是基于campo方法的分层定日镜场排布方案；

图6是基于sam模拟的镜场排布方案；

图7是基于标准仿生型镜场的排布方案；

图8是基于本发明的新型仿生型定日镜场排布方案。

现结合附图对本发明做进一步详细说明：

具体实施方式

实施例1：

本发明是一种基于仿生型镜场排布的改进方法，仿生型镜场排布是从植物的叶、枝、茎等的排列中的得到启发，如附图1所示，自然界中的很多植物其叶序或种子的排列顺序都遵循一种优化方式，这种方式可以使得所有种子具有差不多的大小却又疏密得当，不至于在圆心处挤了太多的种子而在圆周处却又稀稀拉拉，最终使系统保持最低的能量(以最小的叶片数量或种子面积获取最多的太阳光)。基于这种思路，设计仿生螺线并依据仿生螺线进行定日镜场排布可以得到如附图2所示的标准仿生型定日镜场，仿生型定日镜排布方法是一种基于仿生螺线进行定日镜排布的方法，然而，对于标准的仿生型镜场排布方式来说，其最优仿生螺线的确定存在一定难度，同时，由于采用固定的定日镜位置调整系数，可能会导致仿生型镜场对外围区域的利用不够充分。

为了针对这两个问题进行改进，本发明提供了一种新型的仿生型太阳能光热镜场的排布方法，包括：

步骤1，镜场仿生螺线初值的选择；

步骤2，确定定日镜优化布置影响因素的及镜场效率的计算；

步骤3，确定定日镜位置调整系数为优化变量，并以镜场效率作为优化目标，按照定日镜位置调整系数优化算法流程进行变量优化，得到优化变量的最优值，所述的最优值使优化目标取最大值；

步骤4，定日镜坐标的确定；

步骤5，进行仿生型太阳能光热镜场的布局。

本发明首先使用爬山法进行镜场仿生螺线初值的确定，并使用改进的粒子群算法在镜场排布过程中不断优化和改变定日镜位置调整系数，为了更好地衡量和快速计算镜场的各种效率，我们还提出了基于多边形链表的阴影遮挡效率计算方法，其速度较传统方法有了大幅提高。最终，以这种方式布置的定日镜场能够在最小的土地面积上布置最大数量的定日镜，同时减少阴影及遮挡损失、大气衰减损失、截断损失等，使得镜场的年均光学效率最高，土地使用面积最低。

实施例2：

在实施例1的基础上，由于镜场排布最终的目标是尽量的提高镜场效率，因此要进行定日镜场的优化，就必须首先确定其效率计算方法。一般来说，镜场的效率需要由余弦、大气衰减、溢出、阴影和遮挡等几部分组成。只有尽量减少各方面的损失才能保证较高的镜场效率。

由于余弦效率和大气衰减损失主要与镜场坐标相关。因此，受这两类因素的影响，高效的定日镜场在和中央吸热塔不同距离时，定日镜的分布密度也有所不同。距离中央吸热塔近的定日镜分布密度大，距离中央吸热塔远的定日镜分布密度小，无论通过哪种方法来控制定日镜的分布密度，都遵循“近密远疏”的布置原则。

在上述原则下，定日镜分布密度可以被进一步优化，附图3是一个大规模定日镜场，在考虑了余弦损失和大气衰减之后的优化结果，可以看到，它在余弦效率较高大气衰减较小的区域进行了更加密集的排布。

阴影和遮挡的损失，是镜场排布时需要尽量避免的另一种光学损失。然而，由于大型镜场中定日镜的数量巨大，阴影与遮挡的损失也会随着太阳位置的不断变化发生改变，针对大型镜场进行阴影遮挡损失的计算所需要的计算量巨大，也成为了相关研究中的一个难点。

大型定日镜场中包含定日镜较多。对于任意定日镜来说，都有可能因多个其他定日镜造成阴影和遮挡损失，导致剩余形状的不规则，这也为阴影遮挡的计算增加了难度。

现阶段常用的阴影遮挡算法包括：蒙特卡洛法和网格法。蒙特卡洛法通过随机选择多条光线进行追击的方法，进而取得未被阴影覆盖和遮挡的镜面面积。网格法则首先对镜面进行网格化，然后通过对被遮挡的部分置0来确定可以反射到吸热器的镜面面积。这两种方法可以较为准确的计算镜场的阴影和遮挡损失。但是由于他们所针对的对象都是镜面中的点或者网格，计算量较大，更加适用于小型镜场的使用和计算。

为了提升定日镜场的阴影和遮挡效率计算效率，本发明采用独创的多边形链表法计算阴影及遮挡损失，所述的多边形链表法，即通过对多边形交界处的外轮廓进行判断和更新，实现未被遮挡镜面面积的计算。在初始时刻，我们将原始的镜面轮廓定义为一个链表，而随着新的阴影部分加入，我们会根据阴影和遮挡的类型不同，对链表进行更新，通过设计不同情况下的链表插入和更新规则，我们可以得到最终剩余的多边形外形轮廓，进而进行面积的计算。简单的说就是，对于一个4边形定日镜(或其他形状定日镜)，我们将其顶点顺时针存储形成链表：(a,b,c,d)，当这个4边形与其他4边形交叉(对应另一个定日镜的阴影)，这种描述顶点的链表就会发生变化，例如：两个定日镜的交点在b和c之间，那么相关的边缘链表就可能会变化为(a,b,b’,e,c’,c,d)，根据新的顶点坐标，我们可以确定交叉后的多表形边缘，进而确定其范围，取得剩余部分的面积。基于不同情况，描述这种链表的变化，可以在确定新的多边形的顶点情况，进而确定其面积。基于不同情况，描述这种链表的变化，可以确定新的多边形的顶点情况，进而确定其面积。

由于在多边形链表法中，计算的对象与蒙特卡洛法和网格法不同，从所有点简化到了边沿轮廓线，只需要考虑到多边形相交的各种情况，就可以使其计算效率得到了极大的提高，实际测试结果表明，多边形链表法可以大幅提高特定镜场的阴影遮挡效率计算时间。

而溢出效率的确定除了与镜场排布相关以外，与镜场的瞄准点策略研究关系更大，一般不单独作为境场排布评价的指标。

实施例3：

当我们解决了镜场效率计算的问题，就可以对于特定的镜场进行评估，拥有更高镜场效率的排布方式将较其他方案具有一定优势。常见的传统镜场优化排布方式主要有：直线交错排列方法、放射状栅格方法、全年无遮挡方法等几类。直线交错排列方法实现简单，容易获得较高的镜场密度，但不适合较大规模镜场的需求；放射状栅格方法可以减少过高的阴影和遮挡损失，但多数相邻两环的定日镜数量相等，使得实际增加的周长被浪费，无法充分利用土地；全年无遮挡方法土地利用率不高，实际中应用较少。

可以看出这些传统算法由于其自身的局限性，存在着一些难以解决的问题。近年来，随着镜场优化研究的不断深入和技术水平的不断提高，仿生学镜场排布方法(即先确定一个仿生螺线，然后根据螺线取得定日镜的具体位置)已经成为了新的研究热门，相关学者的研究证明，仿生学镜场的排布方式可以提高镜场的光学效率同时减少土地面积。与栅格类的方法不同，仿生学排布方法具有连续的密度函数。按照顺时针及逆时针螺旋线的不同选择，可以取得如附图2所示的仿生型镜场的初步排布方式。

螺线的确定只是仿生型镜场排布确认的第一步，仿生型镜场是在螺线基础上，进行进一步的扩充和发展，才可能得到最终的镜场排布方案。

仿生型镜场排布方法一般是黄金分割进行的。黄金分割是一种古老的数学方法，是指将整体一分为二，较大部分与整体部分的比值等于较小部分与较大部分的比值，其比值约为0.618。在斐波那契数列中，当n趋向于无穷大时，前一项与后一项的比值越来越逼近黄金分割0.618(或者说后一项与前一项的比值小数部分越来越逼近0.618)。自然界中的很多植物其叶序或种子的都遵循斐波那契数列和黄金分割原理，比如向日葵花，为了使花盘中的葵花籽数量达到最多，花盘中央的螺旋角度恰好是222.5度，十分精确，只有0.1度的变化。向日葵种子顺时针或逆时针排列的螺旋数量符合斐波那契数列，也就是1、2、3、5、8、13、21、34、55、89、144…。

黄金分割角：

θn＝n·2π·τ2

或者

θn＝n·2π/τ2

式中：τ—黄金分割的无理数极限；

n—自然数，定日镜的数量或序号；

θn—表示给定序号定日镜的放置角度，按137.5度或222.5度增减。

在确定各个定日镜的x，y坐标时，按下列公式进行：

式中：xn—第n面定日镜位置平面坐标x值；

yn—第n面定日镜位置平面坐标y值；

a,b—定日镜位置调整系数，根据定日镜尺寸、定日镜间的最小距离要求等确定；

根据上述公式可以看出，第n面定日镜的坐标，与定日镜位置调整系数a,b以及θn，而通过前面的公式θn可以算出，所以定日镜的具体坐标就是由a，b决定的，我们使用粒子群算法进行优化，可以让a,b在境场的不同区域发生变化。不同的定日镜位置调整系数a,b可以得到不同的仿生螺线，进而取得不同的镜场排布，因此，对于定日镜位置调整系数以及仿生螺旋线的确定和优化将是仿生型镜场排布的关键所在，也是本发明的重点。

实施例4：

在上述实施例的基础上，根据相关研究，仿生镜场的布置方法与传统方法具有一定的优势，然而，其难点在于如何确定定日镜场的仿生螺线排列，太过松散的螺线可能导致镜场占地面积过大，同时使得余弦和衰减损失增大；太过紧密的螺线可能导致镜场的遮挡阴影增加。因此，螺线的选取是决定仿生镜场总体效率的关键因素。

为了更好地选取合理的仿生螺线，有两个参数需要确定(定日镜位置调整系数a、b)，经过对这两个数值的优化，可以进行仿生螺线的优化，进而完成整个定日镜场的排布。而在一开始，定日镜位置调整系数a、b是不知道的，如果直接随机进入后面的智能算法寻优过程，容易陷入局部最优，因此本发明采用爬山法来进行定日镜位置调整系数a、b的初步选择，所述的爬山法是指经过评价当前的问题状态后，限于条件，不是去缩小，而是去增加这一状态与目标状态的差异，经过迂回前进，最终达到解决问题的总目标。

爬山法的作用就是先初步找到一个比较合适的a,b初始值，也就是选择了一个螺线的初始形态，使用镜场效率作为优化目标，在输入当前状态后，限于条件，不是去缩小，而是向值增加的方向持续移动到简单循环过程，算法在到达一个“峰顶”时终止，此时相邻状态中没有比该“峰顶”更高的值，最终取得了较为合理的系数值，进而取得了较标准方法较优的仿生型镜场排布方案。

由于前面我们已经使用爬山法进行了初步的参数选择，而在整个镜场中定日镜位置调整系数的变化程度也相对有限。因此，我们将爬山法的输出参数设置为优化算法的初始值。为了能够在其邻域进行更好地搜索，我们采用了邻域搜索能力较强的粒子群算法进行定日镜位置调整系数的优选。而为了保证定日镜场在不同系数之间的平滑切换，我们对标准粒子群算法进行了改进，设置了相邻定日镜之间系数切换的梯度范围，如果梯度过大，相关粒子将会被重置。

总体来说，定日镜位置调整系数优化算法的大体结构如下，流程图如附图4所示：

步骤a，初始化种群，以每个定日镜的对应位置调整系数作为粒子的维度，以通过爬山法提供的输出值，加入白噪声，作为粒子群中各个粒子的初始值，进而确定合适的粒子维度和种群个数；

步骤b，进行梯度检测，满足梯度范围，进入下一步，对于不合格的粒子返回步骤a重新生成；例如，下一个定日镜的a(n+1)就应被限制在1.1a(n)和0.9a(n)这个范围之内，如果生成的粒子没有满足这个条件，需要重新生成；

步骤c，对每个粒子对应的镜场进行效率计算并作为粒子的适应度，记录群体最优的粒子取值pgb和个体历史最优的粒子取值pib，所述最优粒子指所有粒子里面适应度最高的，最优粒子取值即当前循环过程中镜场效率最大值；镜场的效率计算使用常规的光线追迹的办法进行仿真，确定在我们的境场布置下，有多少能量可以进入后端，与总能量比较，就得到了效率；

步骤d，根据以下以下公式进行粒子的更新：

vi(t+1)＝αvi(t)+c1r1(pib-zi(t))+c2r2(pgb-zi(t))，，

zi(t+1)＝zi(t)+vi(t+1)

式中：α是惰性权值，c1,c2是加速常量，r1,r2是随机数；t是循环次数；pib是个体历史最优的粒子取值；pgb是群体最优的粒子取值；

vi(t)和zi(t)分别是第i维粒子在第t次循环后的速度和位置；

vi(t+1)和zi(t+1)分别是第i维粒子在第t+1次循环后的速度和位置；

惰性权值α，加速常量c1,c2，随机数r1,r2，均为常数，其取值根据实际项目需要的不同进行调整，一般而言会把c和r设置的大一点，局部寻优可以的话，α可以设置的大一点，为了保证粒子群的解在一定的合理空间中分布，它们的速度是被限制在[-vmax,vmax]这样一个范围中的，[-vmax,vmax]为速度的上下界，根据实际项目的需要进行取值；

步骤e，检测跳出条件，如满足跳出条件则输出结果，如不满足回到第b步进行下一带循环；所述的跳出条件包括循环次数和镜场效率目标，镜场效率的期望目标根据具体项目进行调整，一般而言小镜场的期望效率目标为80％，大镜场的期望效率目标为70％；

步骤f，输出最优结果，并输出每个定日镜的位置调整系数，进而确定每个定日镜的坐标和占地面积。

经过上面的算法，我们最终可以得到一种新型的定日镜场排布方案。

实施例5：

在上述实施例的基础上，为了比较本发明的效果，我们采用了现阶段常见的其他镜场进行对比实验：附图5是基于campo算法的镜场排布方案，附图6是基于sam模拟的镜场排布方案，附图7是基于标准仿生型镜场的排布方案，而附图8是本发明方法取得的新型仿生型镜场排布方案。

为了证明本发明在实用性更强的大型镜场布置中具有优势，我们基于某50mw塔式光热项目进行了的总体光学效率和其他指标的比较，如表1所示：

表1各个镜场参数对比表

由上表可以清晰地看出，在同等边界条件和发电量基础下，本发明提出的新型仿生型具有更高的境场效率，较低的境场占地面积和集热面积。从而减少了光热电厂的投资，提高了收益水平。

实验结果证明，本发明与现存方法相比具有较大的优势，并且在大型镜场的使用中，具有一定的现实意义。