Energy | 基于MCRT-CFD-ANN耦合模型的超高温塔式太阳能集热器实时和全年性能评估

原文信息： Yuanting Zhang, Qing Li, Yu Qiu. Real-time and annual performance evaluation of an ultra-high-temperature concentrating solar collector by developing an MCRT-CFD-ANN coupled model [J]. Energy, 2024, 307: 132668. https://doi.org/10.1016/j.energy.2024.132668

注：发布者水平有限，疏漏在所难免，所有内容请以英文摘要和论文原文为准。

1

研究背景

光热发电技术具有大规模储热能力，是一种可平衡可再生能源电力波动性、确保电网稳定运行的太阳能发电技术。塔式光热发电技术可在超过1273K的温度下运行，展现出广阔的发展潜力和应用前景。塔式太阳能集热器一般包括定日镜场和单个大尺寸吸热器或多个小尺寸吸热器。太阳能集热器的光-热性能评估对集热器的设计和优化至关重要。目前，研究太阳能集热器聚光吸热过程中光-热转换特性的方法主要包括实验方法和数值模拟方法。

尽管实验方法可以获得可靠的研究结果，但实验耗时长、昂贵，有时还很危险。此外，实验方法也难以监测吸热器内随时间变化的太阳能流密度分布、温度分布和其他详细的物理场。

数值模拟方法有效地弥补了实验的局限性，它不仅能直观地描述吸热器中的物理场分布，而且能可靠地预测聚光吸热过程的能量转换特性。模拟方法主要包括解析法和计算流体动力学法。解析法具有简单，计算速度快等优点。然而，解析法可能无法考虑不同运行变量之间的复杂关系，导致过度简化，从而影响预测结果的精度。解析法通常适用于结构相对简单的吸热器，如管式吸热器。随着计算机技术的发展，计算流体动力学相关模型的应用日趋广泛。然而，当需要模拟集热器全年光-热特性时，计算流体动力学相关模型的计算量将变得十分巨大，从而导致计算难以进行。

人工智能技术的进步促进了人工神经网络(artificial neural network，ANN)等人工智能算法的发展，也为太阳能集热器实时和全年性能的预测提供了新的工具和思路。鉴于此， 为准确预测一种具有椭圆形定日镜场和吸热器阵列，以液态锡为吸热工质的超高温（1623 K）塔式集热器的实时和全年光-热性能，本文将构建一种基于ANN和光学模拟方法、计算流体动力学方法的耦合模型 。

2

文章概述

针对图1所示的塔式超高温集热器，发展了一种基于蒙特卡罗光线追迹法（Monte Carlo ray tracing, MCRT）、计算流体动力学（computational fluid dynamics, CFD）和人工神经网络算法（ANN）的光-热性能评估模型，揭示了该集热器的实时和年光-热转换特性。

首先，分析了所发展模型的可靠性。使用276组MCRT-CFD数据集检验了ANN模型的可靠性，结果表明所有预测结果的决定系数（R²）均在0.9999以上，且均方根误差（σ₁）和平均绝对误差（σ₂）都很小。预测的集热器出口温度的σ₁ 和σ₂ 分别仅为1.384 K和1.018 K，预测的液态锡吸收热功率的σ₁和σ₂同样分别仅为1.301 kW和0.945 kW。

然后，在提出的定日镜多点瞄准策略下，对集热器全年的光学性能进行了评估。结果表明镜场实时效率在一天中正午最高，镜场月效率则表现出夏季低于其他季节的特点。在集热器运行过程中，镜场日效率始终保持在56.5%~79.3%的范围内，且镜场年效率可达69.7%。

最后，基于光学性能评估结果，对集热器的年光-热性能进行了预测和分析。结果表明所设计的集热器具有良好的光-热转换性能，其实时效率在正午达到最大值，吸热器日效率和集热器日效率在一年中波动幅度较大，而吸热器月效率在76.4%~82.8%内变化，变化幅度较小；集热器月效率在52.8%~61.5%内变化，表现出相对稳定的变化趋势。更重要的是，吸热器年效率和集热器年效率分别达到了81.6%和56.8%。

本研究为太阳能集热器的实时和年性能评估提供了一种快速准确的计算模型。

3

主要图文结果

Fig.1Ultra-high-temperature solar power tower system.

Fig.2Sketch of the ultra-high-temperature solar tower collector with an elliptical heliostat field and a receiver array.

Fig.3Computation flowchart of the comprehensive model.

Fig.4Structure of the ANN model for optical-thermal performance prediction of a single receiver.

Fig.5CFD model validation.

Fig.6Predicted results from ANN model versus simulation results from CFD model.

Fig.7Flux distributions on the array aperture during the vernal equinox under the single-point aiming strategy.

Fig.8Qin,ij of each receiver along the flow loops during the vernal equinox under the single-point aiming strategy.

Fig. 9Flux distributions on the array aperture during the vernal equinox under the single-point aiming strategy.

Fig. 10Qin,ij of each receiver along the flow loops during the vernal equinox under the single-point aiming strategy.

Fig.11The real-time optical performance of the heliostat field at three typical dates.

Fig. 12Real-time optical performance of the heliostat field throughout the year.

Fig. 13Daily optical performance of the heliostat field throughout the year.

Fig. 14Monthly optical performance of the heliostat field throughout the year.

Fig. 15Real-time optical-thermal performance of the collector at three typical dates.

Fig. 16Real-time optical-thermal performance of the collector throughout the year.

Fig. 17Daily optical-thermal performance throughout the year.

Fig. 18Monthly optical-thermal performance and annual performance.

投稿邮箱：

solarthermalenergy@foxmail.com