(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111268079.2 (22)申请日 2021.10.2 9 (71)申请人 山东电力建 设第三工程有限公司 地址 266100 山东省青岛市崂山区同安路 882-1号鸿泰大厦 (72)发明人 李涛　宋秀鹏　 (74)专利代理 机构 青岛华慧泽专利代理事务所 (普通合伙) 37247 代理人 刘娜 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01) G06F 111/06(2020.01) G06F 119/06(2020.01) (54)发明名称 基于PSO算法降低塔式太阳能热发电溢出损 失的方法 (57)摘要 本发明公开了一种基于PSO算法降低塔式太 阳能热发电溢出损失的方法， 包括如下步骤： 进 行镜场布置设计， 得到每个定日镜的坐标、 吸热 面板的坐标以及每个定日镜的将光线反射到吸 热塔上的目标点坐标； 计算每个光线所带的能 量； 统计经过每个定日镜的反射光线的溢出损 失； 根据每个定日镜的反射光线的溢出损失求出 所有定日镜的溢出损失， 并建立使得所有定日镜 的溢出损失最小的目标函数以及关于定日镜坐 标的限制条件； 利用改进的PSO算法求解目标函 数的最优解， 得到每个定日镜的最优坐标， 使得 整个镜场的溢出损失最低。 本发 明所公开的方法 可以使得整体的溢出损失最低， 提高整体的发电 转化效率。 权利要求书2页 说明书6页 附图3页 CN 114021444 A 2022.02.08 CN 114021444 A 1.一种基于PSO算法降低塔 式太阳能热发电溢出损失的方法， 其特征在于， 包括如下步 骤： 步骤一， 根据塔式太阳能光热电站的场地条件、 定日镜的设计参数、 吸热塔的设计参 数、 设计功效， 进行镜场布置设计， 得到每个定日镜的坐标、 吸热面板的坐标以及每个定日 镜的将光线反射到吸热塔上的目标点 坐标； 步骤二， 根据当地固定时间的DN I值、 定日镜的尺寸， 计算每 个光线所 带的能量； 步骤三， 根据光的反射定理求出每条光线经 过定日镜反射后的反射 光线的坐标； 步骤四， 根据反射光线的坐标， 以及吸热面板的坐标， 判断反射光线是否落在吸热面板 上， 并根据每 个光线所 带的能量统计经 过每个定日镜的反射 光线的溢出损失； 步骤五， 根据每个定日镜的反射光线的溢出损 失求出所有定日镜的溢出损 失， 并建立 使得所有定日镜的溢出损失最小的目标函数以及关于 定日镜坐标的限制条件； 步骤六， 利用改进的PSO算法求解目标函数的最优解， 得到每个定日镜的最优坐标， 使 得整个镜场的溢出损失最低。 2.根据权利要求1所述的一种基于PSO算法降低塔 式太阳能热发电溢出损失的方法， 其 特征在于， 步骤二中， 每 个光线所 带的能量的计算方法如下： 其中， DNI为单位面积上的太阳直接辐射。 3.根据权利要求1所述的一种基于PSO算法降低塔 式太阳能热发电溢出损失的方法， 其 特征在于， 步骤三中， 反射 光线的坐标向量的计算方法如下： 其中， beam为反射光线， nor max为定日镜的法向量， 默认为[0； 0； 1]， sunvec为太阳光线 的向量表示。 4.根据权利要求1所述的一种基于PSO算法降低塔 式太阳能热发电溢出损失的方法， 其 特征在于， 步骤五中， 建立的目标函数如下： 限制条件如下： 0＜＜2|xi|＜＜Mx 0＜＜2|yi|＜＜My dmin＜＜Distance(hel iostati， aimi)＜＜dmax 其中： Si为每个定日镜对应的反射光线的溢出损失能量， g(Hi)为第i个定日镜是否是活跃状 态， 若为活跃状态， 则为1， 否则为0； Distance(heliostati， aimi） 是指定日镜与目标点的距权　利　要　求　书 1/2 页 2 CN 114021444 A 2离， dmin为定日镜与目标点的最小距离， dmax为定日镜与目标点的最大距离， Mx为X轴上的最 大取值， 即场地的最大宽度； My为Y轴上的最 大取值， 即场地的最大长度； xi为第i个定日镜的 x坐标值， yi为第i个定日镜的y坐标值， N为定日镜的数量， (v1i， v2i， v3i)为第i个定日镜对应 法向量的x坐标、 y坐标以及z坐标， φ以及θ是指定日镜进行追 日时需要转动的方位角以及 高度角。 5.根据权利要求4所述的一种基于PSO算法降低塔 式太阳能热发电溢出损失的方法， 其 特征在于， 步骤六中， 利用改进的P SO算法求 解目标函数的最优解的方法如下： (1)参数初始化： 设置迭代次数 上限， 粒子群规模； 适应函数 取为建立的目标函数， 即 c1＝c2＝2， c1表示向粒子本身的最好位置学习的学习因子， c2表示向种群本身的最好 位置学习的学习因子； 粒子运动的最大速度Vmax＝3； (2)粒子群初始化： 初始化粒子群中每个粒子的位置xij随机地产生， 每个粒子的X分量的每个元素均匀地 分布在区间[ ‑Mx/2， Mx/2]内， 每个粒子的Y分量的每个元素均匀地分布在区间[ ‑My/2， My/ 2]， 每个粒子的坐标满足条件dmin＜＜Distance(heliostati， aimi)＜＜dmax， 并且每个粒子 的每个元素， 即定日镜对应的法向量需要满足： 粒子运动速度的每 个分量vij均匀地分布在区间[ ‑3,3]内； (3)根据目标函数求解溢出损失最小时对应的每个粒子本身的历史最优解pij以及种群 历史最优解pgj； (4)更新每 个粒子的位置和速度， 根据如下公式进行迭代： 速度更新： 位置更新： xij(t+1)＝xij(t)+vij r1和r2为随机数； 为收缩因子； vij、 pij、 xij、 pgj为多维向量， 长度为定日镜数量； (5)算法终止条件： 算法达到迭代次数上限或者第t+1轮之后位置不再变化， 即满足如下条件时 算法终止， 得到目标函数的最优解。权　利　要　求　书 2/2 页 3 CN 114021444 A 3