[發(fā)明專利]塔式太陽(yáng)能熱電系統(tǒng)鏡場(chǎng)的聚焦策略優(yōu)化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410649209.0
• 申請(qǐng)日: 2014-11-14
• 公開（公告）號(hào): CN104408527B
• 公開（公告）日: 2018-04-10
• 發(fā)明（設(shè)計(jì)）人: 趙豫紅;陳將
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06Q50/06;F24S23/00
• 代理公司: 杭州求是專利事務(wù)所有限公司33200
• 代理人: 張法高

1.一種塔式太陽(yáng)能熱電系統(tǒng)鏡場(chǎng)的聚焦策略優(yōu)化方法，其特征在于它的步驟如下：

(1)將鏡場(chǎng)劃分為若干個(gè)分塊，各鏡場(chǎng)分塊中包含相同數(shù)量的定日鏡，平面式吸熱器上選取多個(gè)聚焦點(diǎn)，選取方式為：在吸熱器表面確定一個(gè)矩形的聚焦點(diǎn)限定框，來限定聚焦點(diǎn)分布范圍，將此聚焦點(diǎn)限定框按兩組邊長(zhǎng)進(jìn)行等長(zhǎng)劃分為若干個(gè)小矩形，各聚焦點(diǎn)選為各小矩形的中心；

(2)計(jì)算每個(gè)鏡場(chǎng)分塊聚焦到每個(gè)聚焦點(diǎn)上所對(duì)應(yīng)產(chǎn)生的能流密度矩陣；

(3)以吸熱器各網(wǎng)格的能流密度的標(biāo)準(zhǔn)差最小為目標(biāo)，吸熱器上的功率不小于預(yù)設(shè)值為約束條件，構(gòu)造優(yōu)化問題；

(4)利用帶有精英保留策略的多變異位自適應(yīng)遺傳算法來求解優(yōu)化問題，得到最優(yōu)的鏡場(chǎng)聚焦策略；

所述的步驟(4)為：

自適應(yīng)遺傳算法中，交叉概率p_c和變異概率p_m的計(jì)算公式為：

pc=k1(fmax-fc)fmax-favg,fc≥favgk2,fc<favg---(2)]]>

pm=k3(fmax-fm)fmax-favg,fm≥favgk4,fm<favg---(3)]]>

其中，f_max為群體中的最大適應(yīng)度，f_avg為群體平均適應(yīng)度，f_c為要交叉的兩個(gè)個(gè)體中較大的適應(yīng)度，f_m為要變異個(gè)體的適應(yīng)度，k₁、k₂、k₃、k₄為常數(shù)，0≤k₁、k₂、k₃、k₄≤1，k₁＜k₂，k₃＜k₄；

精英保留策略的實(shí)施方式是，把群體在進(jìn)化過程中迄今出現(xiàn)的最好的幾個(gè)個(gè)體，即精英個(gè)體，不進(jìn)行配對(duì)交叉而直接復(fù)制到下一代中，并將新一代群體中適應(yīng)度值最小的幾個(gè)個(gè)體淘汰掉；

多變異位是將染色體中多個(gè)基因位進(jìn)行變異；

該遺傳算法中的適應(yīng)度函數(shù)f確定為：

f＝M-σ(4)

其中，M為一個(gè)設(shè)定的正數(shù)；σ為吸熱器各網(wǎng)格的能流密度的標(biāo)準(zhǔn)差；

每個(gè)個(gè)體表示各鏡場(chǎng)分塊聚焦到各聚焦點(diǎn)的情況，即一種可能的聚焦策略，用一個(gè)n_b·n_a的矩陣進(jìn)行表示，并采用二進(jìn)制編碼，該矩陣稱為染色體矩陣，矩陣每一列包含且僅包含一個(gè)“1”元素，其余為“0”元素；矩陣中，“0”、“1”元素表示的含義是：若矩陣第i行第j列(i＝1,2,…,n_b，j＝1,2,…,n_a)的元素x_ij＝1，則表示第j個(gè)鏡場(chǎng)分塊聚焦到第i個(gè)聚焦點(diǎn)，若x_ij＝0，則表示第j個(gè)鏡場(chǎng)分塊未聚焦到第i個(gè)聚焦點(diǎn)；

利用輪盤賭規(guī)則來進(jìn)行遺傳算法中的選擇運(yùn)算，各個(gè)個(gè)體被選擇的概率與其適應(yīng)度大小成正比，具體的操作過程為：(a)在[0,1]內(nèi)產(chǎn)生一個(gè)均勻分布的隨機(jī)數(shù)α，(b)若α≤q₁，則個(gè)體X₁被選中，(c)若q_t-1＜α≤q_t(t＝2,3,…,N，N為群體中的個(gè)體數(shù))，則個(gè)體X_t被選中；其中，q_s(s＝1,2,…,N)為個(gè)體X_s的累積概率，其計(jì)算公式為：

qs=Σv=1spp(Xv)---(5)]]>

上式中，pp(X_v)為個(gè)體X_v的選擇概率，表示為：

pp(Xv)=f(Xv)Σw=1Nf(Xw)---(6)]]>

其中，f(X_v)為個(gè)體X_v的適應(yīng)度；

交叉概率p_c按照式(2)進(jìn)行計(jì)算，交叉的實(shí)施過程為：對(duì)于待交叉的兩個(gè)個(gè)體，隨機(jī)選擇染色體矩陣的某一列作為交叉位，這兩個(gè)矩陣在交叉位處進(jìn)行元素互換；

變異概率p_m按照式(3)進(jìn)行計(jì)算，并引入第二變異概率p_m2；p_m決定了群體中多少個(gè)體需要進(jìn)行變異，而p_m2則體現(xiàn)了多變異位思想，決定了當(dāng)個(gè)體需要進(jìn)行變異時(shí)，對(duì)應(yīng)的染色體矩陣中有多少列需要變異；變異的方法為：將需要變異的染色體矩陣某一列中的“1”元素轉(zhuǎn)變?yōu)椤?”，再任取該列中的某一個(gè)“0”元素，將其轉(zhuǎn)變?yōu)椤?”，即相當(dāng)于將某一個(gè)鏡場(chǎng)分塊由聚焦到某一聚焦點(diǎn)轉(zhuǎn)移至聚焦到另一聚焦點(diǎn)；變異的具體實(shí)施過程如下：對(duì)于群體中的某一個(gè)體，先產(chǎn)生一個(gè)處于(0,1)區(qū)間內(nèi)的隨機(jī)數(shù)β，如果β＜p_m，則該個(gè)體需要進(jìn)行變異，否則不變異，如果個(gè)體需要進(jìn)行變異，則確定該個(gè)體對(duì)應(yīng)的染色體矩陣中需要變異的列數(shù)為不小于(p_m2·n_a)的整數(shù)I，在此矩陣中隨機(jī)選擇I列，按照上述提到的變異方法進(jìn)行變異；

優(yōu)化問題中的約束條件的處理方式為：在遺傳算法中，將不滿足約束條件的個(gè)體的適應(yīng)度設(shè)為0，則個(gè)體在進(jìn)化中不會(huì)被選擇，滿足約束條件的個(gè)體的適應(yīng)度按照式(4)進(jìn)行計(jì)算；

關(guān)于算法的終止條件，當(dāng)算法運(yùn)行過程中，遇到下述任意一種情況，則算法終止：(a)算法運(yùn)算代數(shù)達(dá)到設(shè)定的最大進(jìn)化代數(shù)，(b)連續(xù)G代群體中的最大適應(yīng)度不發(fā)生變化，G為設(shè)定的正整數(shù)；

當(dāng)算法終止時(shí)，得到最優(yōu)個(gè)體，即最優(yōu)的鏡場(chǎng)聚焦策略，也就確定了每個(gè)鏡場(chǎng)分塊各自的聚焦點(diǎn)；此聚焦策略保證了吸熱器接收到較多的能量，并使得吸熱器上能量分布均勻，達(dá)到利于換熱、保護(hù)吸熱器、提高系統(tǒng)穩(wěn)定性的目的；同時(shí)算法結(jié)果還可以給出此聚焦策略對(duì)應(yīng)的吸熱器能流密度分布與成像圖信息；

帶有精英保留策略的多變異位自適應(yīng)遺傳算法的實(shí)施步驟如下：

步驟一：設(shè)定算法初始參數(shù)，包括群體規(guī)模、最大進(jìn)化代數(shù)、交叉和變異相關(guān)參數(shù)、約束條件參數(shù)、精英個(gè)體數(shù)；

步驟二：隨機(jī)產(chǎn)生初始群體，結(jié)合適應(yīng)度函數(shù)和約束條件，計(jì)算每個(gè)個(gè)體適應(yīng)度，記錄最優(yōu)個(gè)體和精英個(gè)體；

步驟三：根據(jù)輪盤賭規(guī)則進(jìn)行選擇；

步驟四：按照自適應(yīng)原理計(jì)算交叉概率，進(jìn)行交叉；

步驟五：按照自適應(yīng)原理計(jì)算變異概率，并結(jié)合多變異位思想，進(jìn)行變異；

步驟六：計(jì)算經(jīng)過選擇、交叉、變異后的群體中每個(gè)個(gè)體的適應(yīng)度，用保留的精英個(gè)體替換當(dāng)前群體中適應(yīng)度最小的幾個(gè)個(gè)體，產(chǎn)生新一代群體，記錄最優(yōu)個(gè)體和精英個(gè)體，此時(shí)如果滿足算法終止條件，則轉(zhuǎn)到步驟七，否則轉(zhuǎn)到步驟三；

步驟七：輸出最優(yōu)個(gè)體，得到最優(yōu)的鏡場(chǎng)聚焦策略。