《Energy and AI》:A data-driven digital twin approach for real-time flux density prediction in solar power towers using ray-level deep learning corrections.
编辑推荐:
本文研究旨在解决太阳能塔接收器通量密度测量面临的挑战。当前直接和间接测量方法存在干扰性、成本高昂且不适用于腔体接收器的问题。为此,研究人员提出了一种数据驱动方法,将四个顺序运行的卷积神经网络与蒙特卡罗光线追迹模拟器相结合,在接收器孔径平面对模拟射线的功率和方向分量进行校正。该方法在孔径平面的功率校正精度高达95.0%,方向预测的Pearson相关性超过80.0%。校正后的射线被投射到三维腔体接收器几何结构中,与实验测量相比,在Solarturm Jülich设施上实现了80.9%的集成通量预测精度。该研究为开放和腔体太阳能接收器的通量密度预测提供了一种通用的、非破坏性的、工业可扩展的解决方案。
在寻求可持续和可调度能源的道路上,聚光太阳能技术扮演着关键角色,特别是太阳能塔系统。然而,一个核心挑战如同拦路虎般横亘在技术商业化部署面前:如何精确测量接收器上的通量密度。想象一下,你需要实时、精确地知道成千上万面定日镜反射的阳光,最终在接收器表面形成了怎样的能量“光斑”分布,这对于电站的运行效率、安全性能和长期耐久性至关重要。目前的测量手段,无论是直接使用通量计,还是间接利用相机拍摄目标板,都存在各自的“阿克琉斯之踵”:它们要么需要中断电站运行,成本高昂;要么根本无法用于内部结构复杂、光学难以直接探测的腔体式接收器——而这恰恰是热性能最高的配置。更棘手的是,当需要将测量方法扩展到拥有数千面定日镜的大型工业电站时,现有方法的局限性更加凸显。这一系列难题,催生了本研究:一种全新的、基于数据驱动和人工智能的虚拟预测方案。
为了攻克上述难题,研究人员在《Energy and AI》上发表论文,提出了一种创新的“数据驱动数字孪生”方法,旨在实现太阳能塔中通量密度的实时预测。该方法的核心在于,不再仅仅校正最终的通量分布图像,而是深入到构成光线的“射线”层面进行修正。研究人员将四个卷积神经网络(CNN)与一个蒙特卡洛光线追迹模拟器顺序耦合。其中,一个U-Net结构的网络负责校正射线的功率,另外三个网络则分别校正射线在X、Y、Z三个方向上的分量。一个关键的技术突破是大幅度的参数降维:通过统计分布拟合,将超过1亿个射线方向参数压缩到仅2028个代表性数值,这使得在标准计算硬件上进行近实时推断成为可能。训练策略也颇具匠心,他们在931种不同的气象条件和多种定日镜配置上进行了聚合训练,确保了方法无需为每面定日镜进行昂贵校准的泛化能力。最终,校正后的射线可以被投射到任何复杂的三维接收器几何体(包括腔体接收器)上,生成预测的通量分布图。整个流程清晰展示了从理想模拟输入,到AI校正,再到三维投影的完整预测管线。
研究方法的关键技术环节
本研究所用方法建立在前期平板表面预测工作的基础上,旨在通过数据驱动模型有效校正蒙特卡洛模拟中的射线生成,以准确预测任意接收器几何形状上的通量分布。核心是射线级校正模块与原有光线追迹器的顺序耦合。首先进行维度缩减,将接收器孔径平面区域划分为13×13的网格(169个单元),对高分辨率图像和大量射线进行空间离散化处理。功率校正基于训练好的U-Net生成的真实通量图,计算网格单元的平均值并得到169个校正因子,用于对归属该单元的每条射线进行功率缩放。方向校正的挑战更大,需要对超过1亿个方向参数进行降维。研究人员对每个网格单元内三个方向分量的射线数据分别进行统计分布拟合:X轴采用双阶梯函数,Y轴和Z轴采用广义Beta分布。通过拟合这四个分布参数,将方向数据从海量射线值压缩为2028个参数(4参数×3轴×169单元),降维超过99.9%。随后,训练机器学习模型(比较了XGBoost、前馈神经网络、CNN、自编码器、贝叶斯自编码器和WaveNet等六种架构)来预测这些分布参数,从而实现对跟踪误差等模型的校正。最后,通过从校正后的分布中随机采样生成新的射线方向,将完全校正后的射线投影到三维接收器表面。研究所用数据集包含931种气象条件和9种定日镜配置,用于功率校正的图像和用于方向校正的分布参数文件。
研究结果
4.1. 统计方向拟合
研究人员评估了降维和分布拟合步骤的准确性。通过对一个代表性时间点(2022年5月13日11:30)所有169个网格单元三个方向的数据拟合优度进行分析,采用了柯尔莫戈洛夫-斯米尔诺夫(Kolmogorov-Smirnov)D值、克拉默-冯·米塞斯(Cramér-von Mises)D值和安德森-达林(Anderson-Darling)A2值三个统计指标。结果显示,拟合的分布能够很好地捕捉原始射线方向数据的统计特征,验证了参数化降维的有效性,为后续的机器学习校正奠定了可靠基础。
4.2. 孔径平面校正精度
在孔径平面(可视为一个虚拟的平板目标),该方法展现了卓越的预测能力。功率校正精度在测试集上达到了95.0%。对于射线方向,三个方向分量(dx, dy, dz)的预测结果与真实值之间的皮尔逊(Pearson)相关系数均超过了80.0%,这一结果在涵盖法向直接辐照度(DNI)从100.0到900.0 W/m2的63种不同气象条件下均保持稳定。这表明AI模型成功地学习并校正了由跟踪误差和环日辐射比(CSR)等模型引入的偏差。
4.3. 三维腔体接收器通量预测
研究的最终考验是将孔径平面的校正精度传递到真实的三维腔体接收器上。研究人员在位于德国于利希的Solarturm设施中,对HEHTRES腔体接收器进行了实验验证。将AI校正后射线投影到该接收器三维模型上所预测的通量分布,与基于相机的实验测量结果进行了对比。结果表明,集成功率(即总入射能量)的预测精度达到了80.9%。这首次实现了对腔体接收器通量分布的高精度、非侵入式预测,填补了该领域的技术空白。
结论与意义
本研究成功地开发并验证了一种用于太阳能塔通量密度实时预测的射线级数据驱动校正方法。该方法通过创新的参数降维和聚合训练策略,解决了现有深度学习预测方法中普遍存在的三大局限:无法应用于腔体接收器几何、需要每面定日镜的单独训练数据、以及无法在射线级别进行校正。
本工作的主要贡献和重要意义体现在以下几个方面:首先,在方法论上,提出了射线级校正框架,通过统计分布拟合将超大规模方向数据压缩至可计算范围,使近实时推理成为可能,是连接高保真模拟与实时操作的关键桥梁。其次,在应用层面,该方法首次实现了对腔体接收器通量分布的高精度预测,攻克了传统光学测量手段无法触及的“盲区”,为优化这类高性能接收器的设计和运行提供了前所未有的工具。最后,在工程推广上,采用的聚合训练策略使其摆脱了对每面定日镜进行单独校准的依赖,展现了卓越的泛化能力和扩展到大型商业化定日镜场的潜力。
综上所述,这项研究为聚光太阳能电站,特别是太阳能塔系统,提供了一种通用、非破坏性、可工业规模扩展的通量密度预测解决方案。它不仅显著提升了模拟预测的精度和速度,更重要的是,将高精度预测的能力扩展到了之前无法直接测量的复杂接收器几何形状,有望在电站效率优化、运行安全保护、接收器寿命预测以及数字化运维等领域发挥重要作用,推动聚光太阳能技术的进一步商业化发展。