Inverse Deep Learning Ray Tracing for Heliostat Surface Prediction

要約

集光型太陽光発電 (CSP) プラントは、持続可能なエネルギーへの世界的な移行において重要な役割を果たしています。
CSP プラントの安全かつ効率的な動作を確保するための重要な要素は、レシーバ上の集中磁束密度の分布です。
ただし、個々のヘリオスタットによって生成される非理想的な磁束密度は、発電所の安全性と効率を損なう可能性があります。
各ヘリオスタットからの磁束密度は、傾きやミラー誤差などの要因を含む正確な表面プロファイルによって影響されます。
稼働中の多数のヘリオスタットのこれらの表面プロファイルを正確に測定することは、非常に困難な課題です。
その結果、制御システムは理想的な表面状態の仮定に依存することが多く、安全性と運用効率の両方が損なわれます。
この研究では、ヘリオスタットのキャリブレーション中に取得されたターゲット画像のみに基づいてヘリオスタットの表面を予測するように設計された革新的な方法である逆ディープラーニング レイ トレーシング (iDLR) を紹介します。
私たちのシミュレーションベースの調査では、ヘリオスタットの表面に関する十分な情報が単一のヘリオスタットの磁束密度分布に保持されており、ディープラーニングモデルが大部分のヘリオスタットに対して偏向計と同様の精度で下にある表面を正確に予測できることが実証されました。
さらに、特に表面精度とその結果として生じる磁束密度の予測に関連して、この方法の限界を評価します。
さらに、我々は、ヘリオスタット表面パラメータ化の新たな最先端となる可能性を秘めた、NURBS (Non-Uniform Rational B-Spline) を使用した新しい包括的なヘリオスタット モデルを紹介します。
私たちの調査結果は、iDLR が CSP プラントの運用を強化し、発電所の全体的な効率とエネルギー出力を向上させる可能性があるという大きな可能性を秘めていることを明らかにしています。

要約(オリジナル)

Concentrating Solar Power (CSP) plants play a crucial role in the global transition towards sustainable energy. A key factor in ensuring the safe and efficient operation of CSP plants is the distribution of concentrated flux density on the receiver. However, the non-ideal flux density generated by individual heliostats can undermine the safety and efficiency of the power plant. The flux density from each heliostat is influenced by its precise surface profile, which includes factors such as canting and mirror errors. Accurately measuring these surface profiles for a large number of heliostats in operation is a formidable challenge. Consequently, control systems often rely on the assumption of ideal surface conditions, which compromises both safety and operational efficiency. In this study, we introduce inverse Deep Learning Ray Tracing (iDLR), an innovative method designed to predict heliostat surfaces based solely on target images obtained during heliostat calibration. Our simulation-based investigation demonstrates that sufficient information regarding the heliostat surface is retained in the flux density distribution of a single heliostat, enabling deep learning models to accurately predict the underlying surface with deflectometry-like precision for the majority of heliostats. Additionally, we assess the limitations of this method, particularly in relation to surface accuracy and resultant flux density predictions. Furthermore, we are presenting a new comprehensive heliostat model using Non-Uniform Rational B-Spline (NURBS) that has the potential to become the new State of the Art for heliostat surface parameterization. Our findings reveal that iDLR has significant potential to enhance CSP plant operations, potentially increasing the overall efficiency and energy output of the power plants.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google