塔式太陽能熱電站聚光集熱系統(tǒng)優(yōu)化設計方法

胡 鬧, 趙豫紅, 馮結(jié)青

塔式太陽能熱電站聚光集熱系統(tǒng)優(yōu)化設計方法

胡 鬧1, 趙豫紅1, 馮結(jié)青2

(1. 浙江大學 控制科學與工程學院, 浙江 杭州 310027;2. 浙江大學 CAD & CG國家重點實驗室, 浙江 杭州 310058)

塔式太陽能熱電站通過大規(guī)模定日鏡場反射匯聚太陽光，加熱傳熱介質(zhì)進行發(fā)電。針對實際運行過程中存在溢出損失的問題，提出最優(yōu)拋物面式子鏡傾斜策略，建立最小化平準化接收器度電成本優(yōu)化模型獲得最優(yōu)的接收器參數(shù)，并提出一種結(jié)合智能蒙特卡洛采樣方法的自適應粒子群算法快速求解。仿真結(jié)果展示了聚光集熱系統(tǒng)優(yōu)化前后電站效率的提高以及成本的降低，驗證了方法的有效性。

塔式太陽能；聚光集熱系統(tǒng)；子鏡傾斜；接收器優(yōu)化；智能蒙特卡洛采樣

1 引言

塔式太陽能熱發(fā)電系統(tǒng)通過大規(guī)模定日鏡場反射匯聚太陽光到位于塔頂?shù)慕邮掌魃希訜醾鳠峤橘|(zhì)從而帶動后續(xù)發(fā)電過程。傳熱介質(zhì)的蓄熱能力能夠有效地彌補太陽光的波動性和間歇性，有利于太陽能電站的并網(wǎng)發(fā)電和大規(guī)模利用；此外，采用高塔中心集熱方式，塔式太陽能熱電站能夠獲得較高的介質(zhì)溫度和較高的發(fā)電效率，因此，塔式太陽能熱發(fā)電被認為是最有前景的太陽能熱利用方式[1]。

圖1為塔式太陽能熱發(fā)電系統(tǒng)示意圖，其中，由定日鏡場(heliostat field)和接收器組成的聚光集熱系統(tǒng)的建造成本占總成本比例高，鏡場的光學效率和接收器的傳熱效率基本決定了整個系統(tǒng)的發(fā)電效率[2]。然而，在電站運行中，由于太陽光的發(fā)散性、鏡面誤差以及跟蹤誤差等原因，定日鏡反射成像光斑較大，當接收器面積一定時，會導致部分能量在接收器外即溢出損失，降低電站的發(fā)電效率。為解決該問題，國內(nèi)外都有相關(guān)研究從定日鏡場和接收器的優(yōu)化設計2個方面進行。

定日鏡的優(yōu)化方面，合理地選擇子鏡的安裝角度能夠在不增加額外成本的情況下減小定日鏡溢出損失。已投入運行的塔式太陽能熱電站大多采用多個子鏡來拼接成大面積定日鏡，如美國的Solar One和西班牙的PS10等[3-4]，但都采用簡單的平面拼接方式。國內(nèi)外學者提出傾斜安裝子鏡的方法來提高定日鏡的聚光性能，主要包括靜態(tài)和動態(tài)傾斜2種方法[5]。動態(tài)傾斜方式給各子鏡安裝獨立的轉(zhuǎn)向驅(qū)動機構(gòu)，實時調(diào)節(jié)子鏡角度，但這種方式安裝和運行成本太大，目前只在仿真比較中使用。靜態(tài)傾斜方法對各子鏡采取固定的傾斜角度，主要有同軸式(on axis)、離軸式(off axis)和拋物面式3種[5-6]。同軸式傾斜安裝各定日鏡子鏡時，各子鏡法向量和中心子鏡向量于2倍焦距處相交，這種傾斜方式參照了碟式太陽能集熱器，對于塔式太陽能熱定日鏡與接收器位置各異及入射光線角度實時變化的情形，效果欠佳。離軸式傾斜策略針對不同時刻子鏡最優(yōu)傾斜角度不同的情況，選取某一時刻的最優(yōu)角度(該時刻稱為傾斜時刻)，固定下來運用于全年。Jones[7]比較了Solar Two的lugo定日鏡在同軸式和離軸式傾斜策略下的年均溢出效率，得到結(jié)論是離軸式傾斜策略的效率比同軸式更高，但離軸式傾斜的效果依賴于傾斜時刻的選取。拋物面式傾斜策略利用拋物面的聚光特性，將各子鏡傾斜安裝以擬合特定的拋物面，從而達到減小反射光斑效果的目的。Buck等[6]通過仿真列舉計算了不同傾斜時刻靜態(tài)離軸傾斜策略和不同參數(shù)下的拋物面傾斜策略，結(jié)果表明拋物面式傾斜策略獲得了更大的年均溢出效率提升效果，但是沒有提出有效的優(yōu)化方法來獲取最優(yōu)的拋物面參數(shù)。

在接收器的優(yōu)化設計中，現(xiàn)有的研究大多聚焦于新型材料和物理結(jié)構(gòu)的研發(fā)，以在工藝層面達到換熱效率的提高或接收器成本的降低，較少研究針對特定結(jié)構(gòu)的接收器，根據(jù)電站設計要求，對接收器關(guān)鍵參數(shù)進行優(yōu)化設計。20世紀90年代，Steinfeld等[8]提出了半經(jīng)驗方法來確定孔腔式接收器面積和介質(zhì)溫度，并利用蒙特卡洛光線追蹤法對比了太陽形狀對結(jié)果的影響，但是研究的電站規(guī)模較小，同時未考慮鏡場效率。Luo等[9]在對塔式太陽能熱電站的整體設計時考慮了接收器子系統(tǒng)，將塔高和接收器面積作為決策變量之一，但鏡場聚光模型和接收器熱轉(zhuǎn)換模型較為簡單，且未考慮溢出損失，模型準確度較低。Carrizosa等[10]對鏡場進行優(yōu)化時，考慮了塔高和接收器面積對鏡場的光學效率的影響，并采用迭代求解的方法，同時優(yōu)化了定日鏡和接收器的參數(shù)，但在模型中并未考慮接收器的換熱效率而只考慮了鏡場效率，結(jié)果不夠準確。

可以看到，現(xiàn)有的研究缺乏系統(tǒng)、高效的優(yōu)化方法對定日鏡場和接收器進行綜合優(yōu)化設計。本研究提出了一種聚光集熱系統(tǒng)的綜合優(yōu)化方法，首先基于最優(yōu)拋物面式子鏡傾斜策略，對定日鏡子鏡傾斜方式進行優(yōu)化，減少定日鏡場的溢出損失，然后通過對接收器換熱過程建模，提出了最小化平準化接收器度電成本的優(yōu)化模型，基于子鏡傾斜優(yōu)化后的鏡場對接收器關(guān)鍵參數(shù)進行優(yōu)化設計，提高發(fā)電效率的同時降低發(fā)電成本。

2 拋物面子鏡傾斜優(yōu)化

拋物面式傾斜安裝方法能夠利用拋物面的聚光性能，但是對于不同位置的定日鏡，以及變化的太陽入射方向，如何選取最優(yōu)的固定拋物面形狀來獲得最小的溢出損失，需要通過優(yōu)化方法來確定。因此，本研究提出的最優(yōu)拋物面子鏡傾斜方式(optimal paraboloid)優(yōu)化模型如下：

式中：下標h為定日鏡編號；ah,bh為拋物面參數(shù)；和分別為第i面子鏡按照(ah,bh)決定的拋物面傾斜時，在第t個采樣時刻反射的總能量和反射到接收器區(qū)域內(nèi)的總能量，J。定日鏡子鏡按照拋物面傾斜的示意圖如圖2所示，子鏡在整體鏡面坐標系下的x，y坐標根據(jù)子鏡劃分方式和子鏡大小確定，z坐標和法向根據(jù)拋物面參數(shù)決定，具體計算公式參考文獻[11]。

目標函數(shù)的計算需要對鏡面反射能量進行仿真，研究采用蒙特卡洛光線追蹤法[12]，該方法使用蒙特卡洛方法來刻畫太陽能量分布，在太陽光錐中選取光線并根據(jù)太陽能量分布計算光線能量，并使用光線追蹤法計算每根光線在入射和定日鏡反射過程中的各項能量損失，計算得到最終在接收器平面內(nèi)的反射能量分布，在接收器區(qū)域內(nèi)進行積分計算得到接收器接收到的有效能量和溢出損失。由于光線追蹤法無解析表達式，而且蒙特卡洛法需要大量撒點計算以保證精度，導致目標函數(shù)計算成本較大。因此上述優(yōu)化問題采用一種結(jié)合粒子群算法和信賴域算法的2階段尋優(yōu)算法來快速求解，求解具體過程可參考文獻[11]。

3 接收器優(yōu)化設計

3.1 接收器建模

定日鏡場反射到接收器上的能量，除了傳遞給傳熱介質(zhì)外，還會發(fā)生反射、輻射等各項熱損失。接收器按照物理結(jié)構(gòu)可以劃分為孔腔式和外露式2種接收器，外露式接收器的面板直接暴露在空氣中，而孔腔式接收器則將接收器面板安裝在塔頂?shù)目浊粌?nèi)，為不失一般性，本研究將對孔腔式接收器換熱過程進行建模。

首先建立接收器發(fā)生的熱量交換過程的熱損失模型如式(2)所示：

接著建立接收器換熱過程的能量平衡方程為

式中：w,o和w,i分別為接收器換熱管外壁和內(nèi)壁溫度，K；f為傳熱介質(zhì)平均溫度，K；o，i，m分別為接收器管道外徑、內(nèi)徑和平均直徑，m；m和i分別為接收器管壁平均導熱面積和內(nèi)壁導熱面積，m2；為換熱管的長度，m；w為管壁厚度，m；in和out分別為傳熱介質(zhì)的入口和出口溫度，K；w為換熱管導熱系數(shù)，W×m-1×K-1；f為傳熱介質(zhì)在接收器管道內(nèi)對流傳熱的傳熱系數(shù)，W×m-2×K-1，使用因次分析法計算得到。

反射熱損失功率計算式如下：

輻射熱損失的計算方式如下：

式中：w為接收器管壁的輻射系數(shù)；m為對孔腔進行修正后得到的平均輻射系數(shù)；為玻爾茲曼常數(shù)，W×m-2×K-4；air為環(huán)境空氣溫度，K。

對流熱損失的計算方式如下：

式中：air為空氣的對流傳熱系數(shù)，W×m-2×K-1；分為自然對流傳熱系數(shù)air,nc和強制對流傳熱系數(shù)air,fc，即

air,fc使用因次分析法計算，相應的經(jīng)驗公式為

式中：air,fc、air和air分別為空氣強制對流傳熱的努塞爾數(shù)、雷諾數(shù)和普朗特數(shù)。

傳導熱損失主要是通過隔熱材料的熱損失：

式中：insuinsu、insu分別為隔熱層的表面溫度(K)、厚度(m)和傳熱系數(shù)(W×m-2×K-1)；air,insu為空氣與隔熱層的傳熱系數(shù)，W×m-2×K-1。同樣使用因次分析法計算，采用的經(jīng)驗計算公式為

式中：air為空氣對流傳熱的努塞爾數(shù)。

聯(lián)立方程(2)～(17)可以求解得到當定日鏡匯聚能量確定時，最終傳遞給傳熱介質(zhì)的熱量。上述聯(lián)立方程通過迭代法求解。

3.2 接收器優(yōu)化設計模型

為了在電站的設計階段綜合考慮定日鏡場和接收器的效率，同時降低電站的建設成本，本研究參照電站設計時常用的平準化度電成本(levelized cost of energy，LCOE)指標，設計了平準化接收器度電成本(levelized receiver cost of energy，LRCOE)指標如下：

式中：debt和insurance分別為每年的利率和保險費率；invest,rec和O&M,rec分別為接收器的總投資成本和操作維護成本，$；為年均發(fā)電量，kW×h；為電站全生命周期，a。

在接收器子系統(tǒng)的優(yōu)化設計過程中，傳熱介質(zhì)流量和出入口溫度通常由發(fā)電模塊決定。從上文的研究中可以看出，接收器的孔腔面積決定了溢出效率，而接收器面板的換熱面積和接收器換熱管直徑?jīng)Q定了換熱效率。因此，在接收器的優(yōu)化模型中，保持接收塔高度和定日鏡場布局參數(shù)不變，決策變量定為接收器孔腔的長ape、寬ape、面板的長rec和寬rec、換熱管的外徑o，其中接收器孔腔長寬決定了鏡場的溢出效率，面板的長和寬決定了接收器的換熱面積，換熱管內(nèi)徑?jīng)Q定管內(nèi)傳熱介質(zhì)的流動狀態(tài)，對接收器的換熱效率具有決定影響。接收優(yōu)化目標是最小化LRCOE。建立的優(yōu)化模型如下：

4 求解方法

上述目標函數(shù)計算全年發(fā)電效率時，需要使用蒙特卡洛光線追蹤法計算鏡場反射能量，因此存在無解析表達式且計算耗時的問題，傳統(tǒng)的基于梯度的優(yōu)化方法不再適用。無梯度的優(yōu)化方法中，隨機優(yōu)化方法是一類重要的優(yōu)化方法，其思想是在可行域內(nèi)隨機撒點后，通過啟發(fā)式的操作進行迭代尋優(yōu)[14]。粒子群算法就是其中典型的一種，其啟發(fā)式搜索的靈感來源于鳥類覓食的過程，由于粒子群算法結(jié)構(gòu)簡單，易于實現(xiàn)，且具有良好的收斂性，因此研究選擇粒子群算法來求解上述優(yōu)化問題，并通過罰函數(shù)方法將上述有約束優(yōu)化問題轉(zhuǎn)換成粒子群算法易于求解的無約束優(yōu)化問題[14]。然而粒子群算法每次迭代需要計算種群中所有粒子的目標函數(shù)值，計算費時。

為了平衡粒子群算法前期的全局探索性能和后期的快速收斂能力，Zhan等[15]提出了基于迭代狀態(tài)動態(tài)改變PSO算法參數(shù)的方法，結(jié)構(gòu)簡單易于實現(xiàn)，且仿真結(jié)果表明對不同特性的優(yōu)化問題都有著較好的加速效果，因此本研究采用了這種方法，并將智能蒙特卡洛采樣方法與之結(jié)合，提出了一種智能蒙特卡洛采樣的自適應粒子群算法(smart sampling Monte Carlo adaptive PSO，SSMC-APSO)。

研究采用的自適應粒子群算法的基本原理是根據(jù)算法迭代處于的不同狀態(tài)采取不同的參數(shù)更新策略。首先將迭代過程劃分為以下4種狀態(tài)：

1) 探索狀態(tài)(exploration)，粒子分布比較散亂，沒有明顯的中心。

2) 挖掘狀態(tài)(exploitation)，由于學習機制的存在，粒子開始朝著最優(yōu)點運動。

3) 收斂狀態(tài)(convergence)，粒子集中收斂在最優(yōu)點附近。

4) 跳出狀態(tài)(jumping out)，若最優(yōu)粒子從一個局部最優(yōu)點迭代到了另一個局部最優(yōu)點，此時其他粒子距離最優(yōu)點較遠，會重新經(jīng)歷收斂過程，從挖掘再到收斂。

如何設計相應的定性指標判斷迭代狀態(tài)以及在不同迭代狀態(tài)相應的迭代參數(shù)的調(diào)整方式可以參照文獻[15]，基本思想為在探索和跳出階段采用較大的1和2及較小的，在收斂和挖掘階段則相反。

其中：b為群體采樣基數(shù)(sampling number base)，由粒子群算法迭代處于的不同狀態(tài)進行相應的調(diào)整；為粒子個體采樣系數(shù)，由粒子當前位置和當前獲得的全局最優(yōu)位置的關(guān)系來決定。

b在不同迭代狀態(tài)的調(diào)整策略包括快速增大、慢速增大、快速減小和慢速減小4種手段，具體實施如表1所示：

表1 Nb的調(diào)整策略

1) 探索狀態(tài)，此時應盡可能用更短時間計算更多的點以獲取更多的信息，而計算精度要求相對不高，所以此時應該采用較小的精度以縮短計算時間，采樣基數(shù)b應該慢速減??；

2) 挖掘狀態(tài)，此時各粒子趨向于各自的歷史最優(yōu)點附近，為充分挖掘粒子周圍的信息，應該增加蒙特卡洛仿真精度，確保粒子個體能夠收斂到最優(yōu)值，因此應慢速增大b；

3) 收斂狀態(tài)，此時粒子處于尋找全局最優(yōu)的階段，粒子位置比較集中，目標函數(shù)差異也相對較小，應增大精度來減少計算誤差以保證最后的收斂，因此應該快速地增大b；

4) 跳出狀態(tài)，全局最優(yōu)粒子跳出局部最優(yōu)之后，其他粒子離它較遠，函數(shù)值差異也相應增大，此時應降低目標函數(shù)的計算精度，加快狀態(tài)轉(zhuǎn)變，因此應該快速減小b。

圖3 智能蒙特卡洛采樣粒子群算法流程圖

綜上所述，采用智能采樣蒙特卡洛方法的自適應粒子群算法流程如圖3所示。

表2 PS10電站主要參數(shù)

5 結(jié)果分析

5.1 子鏡傾斜優(yōu)化結(jié)果

為了驗證上述方法的有效性，研究選取西班牙PS10塔式太陽能熱電站作為仿真對象，電站的主要參數(shù)如表2所示，并選取了表3所示的鏡場中5面定日鏡進行子鏡傾斜優(yōu)化前后對比。在特定的接收器面積下，上述5面定日鏡在不同子鏡傾斜策略下的年均溢出損失如表4所示。從表中可以看到，本研究提出的拋物面式傾斜優(yōu)化得到的結(jié)果相對原始平面鏡的溢出損失大大減少，同時減小效果也遠大于同軸式傾斜策略。與動態(tài)離軸式傾斜相比雖有一定差距，但隨著定日鏡距離增加，差距減小較為明顯，在較遠距離下，二者的溢出損失差距只有3%，作為固定面形的定日鏡傾斜方式能夠達到與動態(tài)傾斜較為接近的溢出效率，驗證了最優(yōu)拋物面傾斜優(yōu)化的有效性。

表3 PS10鏡場中不同位置定日鏡參數(shù)

表4 不同子鏡傾斜方式溢出損失

5面定日鏡在不同的接收器面積參數(shù)下，優(yōu)化得到的年均溢出損失如圖4所示?？梢钥吹?，離接收器較遠的5號定日鏡相對1、3號來說需要更大的接收器面積達到同樣的溢出效率，在接收器側(cè)面的4、5號定日鏡雖然與2、3號定日鏡離接收器的距離相差較小，但需要的接收器面積較大，這是因為成像角度較差，定日鏡反射光斑大多是細長形的，導致溢出損失較大。

圖4 定日鏡在不同接收器面積下的最小年均溢出損失

從上述結(jié)果中可以看出，最優(yōu)拋物面子鏡傾斜策略能夠有效地減少溢出損失，但不同位置的定日鏡需要的接收器面積不同，對接收器面積等關(guān)鍵參數(shù)需要綜合考慮鏡場和接收器的效率。

5.2 接收器優(yōu)化結(jié)果

同樣以PS10電站為例對上述方法進行仿真驗證。PS10電站的接收器成本計算，研究采用文獻[2]中的經(jīng)驗公式，具體如表5所示，為接收器中心離地面高度，而發(fā)電量計算中需要的發(fā)電模塊的效率，基于文獻[4]給出的額定工況下的發(fā)電模塊效率以及文獻[16]給出的非額定工況下的擬合公式。

表5 PS10電站接收器成本計算方式

表6列出了在電站原始參數(shù)下的文獻結(jié)果以及接收器優(yōu)化前后的仿真結(jié)果?？梢钥闯?，定日鏡場光學效率和接收器效率仿真結(jié)果較為準確，驗證了模型的準確性，發(fā)電模塊效率誤差較大，這是因為文獻中的發(fā)電模塊全年效率和額定工況下的發(fā)電效率相等，而在本研究的模型中非額定工況下的發(fā)電功率有所降低，更加符合實際情況。可以看到，在PS10原始鏡面參數(shù)下，對接收器的優(yōu)化結(jié)果增大了接收器孔腔面積，從而減小了溢出損失，提高鏡場光學效率；另外減小了換熱面板的大小，從而減少成本的同時彌補了孔腔變大帶來的換熱效率降低。由于定日鏡反射光斑較大，溢出效率和接收器的換熱效率難以兼顧，使得總發(fā)電量的提升有限，最終LRCOE的降低也不是很大。

表6 原始鏡場參數(shù)下優(yōu)化結(jié)果對比

5.3 綜合優(yōu)化結(jié)果

對PS10鏡場中的定日鏡進行子鏡傾斜優(yōu)化設計后，再對電站的接收器參數(shù)進行優(yōu)化。值得注意的是，對于不同大小的接收器孔徑，定日鏡的最優(yōu)拋物面傾斜策略應該有所不同，這就使原優(yōu)化問題變成了多層優(yōu)化問題，外層對接收器參數(shù)進行尋優(yōu)，內(nèi)層對特定接收器參數(shù)下尋優(yōu)子鏡傾斜方式。由于子鏡傾斜方式尋優(yōu)過程較長，為了簡化問題，首先采用固定的小面積接收器參數(shù)對定日鏡子鏡傾斜進行優(yōu)化，然后固定PS10鏡場的子鏡傾斜方式不變，再來尋優(yōu)接收器參數(shù)。

得到的結(jié)果如表7所示，可以看到，加入了子鏡傾斜策略后，鏡場在小面積的接收器下依然能夠提供較大的聚光效率和總能量，對接收器的優(yōu)化結(jié)果相對原始接收器面板面積相對減小45.4%，但是鏡場的光學效率只下降1.2%，年發(fā)電量下降1.57%，依然在較高的水平。接收器面積的減小使得換熱效率變得更高，上述因素綜合作用，使接收器的度電成本降低14.8%。值得一提的是，對接收器的子鏡傾斜優(yōu)化并不會帶來額外的建造成本，因此可以看到，采用了聚光集熱系統(tǒng)的優(yōu)化設計方法，電站的準度電成本將會顯著降低。

表7 子鏡傾斜優(yōu)化后的接收器優(yōu)化結(jié)果對比

圖5 迭代過程中蒙特卡洛采樣點數(shù)變化

不同算法的求解結(jié)果以及求解過程的性能指標如表8所示。從迭代的最優(yōu)結(jié)果來看，各個算法獲得的最優(yōu)解相差不大，在多次重復實驗中都能找到最優(yōu)解，可以看到，APSO相對PSO來說成功率和迭代時間都有較大提升，而加入智能蒙特卡洛采樣的方法后，粒子群算法的整體消耗時間變少。表中成功率的定義為在重復多次尋優(yōu)，在不同的隨機初始種群下，算法能夠迭代收斂到最優(yōu)值的比率，通過20次重復實驗獲得，可以看到，得益于在最優(yōu)點附近的蒙特卡洛采樣精度更高，SSMC-APSO方法的成功率有了顯著提升，最優(yōu)解的目標函數(shù)也是所有算法中最優(yōu)的。

表8 不同算法的求解性能

6 總結(jié)

本研究從定日鏡子鏡傾斜優(yōu)化和接收器優(yōu)化2個方面，對塔式太陽能熱電站聚光集熱系統(tǒng)進行了優(yōu)化設計。最優(yōu)拋物面子鏡傾斜策略大大減少了定日鏡的反射能量的溢出損失，而在接收器的設計過程中綜合考慮了定日鏡場的溢出效率以及接收器的換熱損失和建造成本，并提出了一種結(jié)合了智能蒙特卡洛采樣策略的自適應粒子群算法快速求解，優(yōu)化后的接收器換熱效率更高，成本更低，給電站的發(fā)電效率提升和成本降低帶來了顯著效果。未來的工作可以聚焦于更加系統(tǒng)的優(yōu)化方法，在電站的設計階段綜合考慮鏡場布局和接收器結(jié)構(gòu)等，保證尋優(yōu)獲得電站的整體效率最優(yōu)解。

[1] KINCAID N, MUNGAS G, KRAMER N,An optical performance comparison of three concentrating solar power collector designs in linear Fresnel, parabolic trough, and central receiver [J]. Applied Energy, 2018, 231(12): 1109-1121.

[2] ANTONIO L, AVILA-MARIN, JESUS FERNANDEZ-RECHE,. Evaluation of the potential of central receiver solar power plants: Configuration, optimization and trends [J]. Applied Energy, 2013, 112(12): 274-288.

[3] JAMES E P, HUGH E R, CRAIG E,. Summary of the solar two test and evaluation program [R]. Albuquerque: Sandia National Laboratories, 2000.

[4] Solucar. 10 MW solar thermal power plant for southern Spain [EB/OL]. 2000[2020-03-15]. http://www.trec-uk.org.uk/reports/ ps10_final_report.pdf.

[5] BONANOS A M, NOONE C J, MITSOS A. Reduction in spot size via off-axis static and dynamic heliostat canting: Proceedings of the ASME 6th. International Conference on Energy-Sustainability-2012 [C]. San Diego: ASME 2012 6th International Conference on Energy Sustainability, 2012: 565-571.

[6] BUCK R, TEUFEL E, Comparison and optimization of heliostat canting methods [J]. Journal of Solar Energy Engineering, 2009, 131(1): 1015-1022.

[7] JONES S A. A comparison of on-axis and off-axis heliostat alignment strategies [R]. Albuquerque: Sandia National Laboratories, 1996.

[8] STEINFELD A, SCHUBNELL M. Optimum aperture size and operating temperature of a solar cavity-receiver [J]. Solar Energy, 1993, 50(1): 19-25.

[9] LUO Y, LU T, DU X. Novel optimization design strategy for solar power tower plants [J]. Energy Conversion & Management, 2018, 177(10): 682-692.

[10] CARRIZOSA E, DOMINGUEZ-BRAVO C, FERNANDEZ-CARA E,. A heuristic method for simultaneous tower and pattern-free field optimization on solar power systems [J]. Computers & Operations Research, 2015, 57(5):109-122.

[11] HU N, ZHAO Y H, FENG J Q. The optimization of heliostat canting in a solar power tower plant: Computer Aided Chemical Engineering [C]. Eindhoven: Elsevier, 2019, 46: 1711-1716.

[12] ZHOU Y Y, ZHAO Y H. Heliostat field layout design for solar tower power plant based on GPU: IFAC Proceedings Volumes [C]. Cape Town: Elsevier, 2014, 47(3): 4953-4958.

[13] 陳將. 塔式太陽能熱電系統(tǒng)的聚光仿真與聚焦策略優(yōu)化 [D]. 杭州：浙江大學, 2015.

CHEN J. Concentrating simulation and aiming strategy optimization of solar tower power plant [D]. Hangzhou: Zhejiang University, 2015.

[14] 埃德加. 化工過程優(yōu)化 [M]. 北京: 化學工業(yè)出版社, 2006.

EDGA T F. Optimization of chemical process [M]. Beijing: Chemical Industry Press, 2006.

[15] ZHAN Z H, ZHANG J, LI Y,. Adaptive particle swarm optimization [J]. IEEE Transactions on Cybernetics, 2010, 39(6): 1362-1381.

[16] MONTES M J, ABáNADES A, MARTíNEZ-VAL J M. Performance of a direct steam generation solar thermal power plant for electricity production as a function of the solar multiple [J]. Solar Energy, 2009, 83(5): 679-689.

Optimization design of the heliostat and receiver system in a solar power tower plant

HU Nao1, ZHAO Yu-hong1, FENG Jie-qing2

(1. College of Control Science and Engineering, Zhejiang University, Hangzhou 310027, China;2. State Key Laboratory of CAD & CG, Zhejiang University, Hangzhou 310058, China)

In a solar power tower plant, solar radiation is reflected by the heliostat field and concentrated in the receiver to heat medium for power generation. An optimal paraboloid heliostat canting method was presented to reduce the annual spillage reducing the operation efficiency of the plant and an optimization method for reducing the levelized receiver cost of energy was built to find the optimal receiver parameters. An adaptive particle swarm optimization combined with smart sampling Monte Carlo method was proposed to improve the solving speed. Simulation results show that the optimization method could reduce the levelized cost of the receiver significantly.

solar power tower plant; heliostat and receiver system; heliostat canting; receiver optimization; smart sampling Monte Carlo

1003-9015(2021)06-1041-10

TK 51

A

10.3969/j.issn.1003-9015.2021.06.012

2020-12-17；

2021-03-31。

國家自然科學基金(61772464)。

胡鬧(1995-)，男，江西宜春人，浙江大學碩士生。

趙豫紅，E-mail：yhzhao@zju.edu.cn