Aprendizaje automático de heliostatos para la metrología in situ de plantas de energía solar concentrada con trazado de rayos diferenciable

Resumen Las plantas de energía solar concentrada son una fuente de energía limpia capaz de generar electricidad de manera competitiva incluso durante la noche, así como de producir combustibles neutros en carbono, ofreciendo un papel complementario junto a las plantas fotovoltaicas. En estas plantas de energía, miles de espejos (heliostatos) desvían la luz solar hacia un receptor, generando potencialmente temperaturas que superan los 1000 °C. Prácticamente, tales temperaturas eficientes nunca se alcanzan. Varios parámetros desconocidos, pero operativamente cruciales, como el desajuste en el seguimiento del sol y las deformaciones de superficie, pueden causar picos de temperatura peligrosos, lo que requiere amplios márgenes de seguridad. Para un costo nivelado de energía competitivo y un despliegue a gran escala, las mediciones de error in situ son un factor esencial, pero no alcanzado. Para abordar esto, introducimos un enfoque de aprendizaje automático de trazado de rayos diferenciable que puede derivar la distribución de irradiancia de los heliostatos de manera basada en datos a partir de un pequeño número de imágenes de calibración ya recolectadas en la mayoría de las torres solares. Al aplicar optimización basada en gradientes y un modelo de heliostato de B-spline racional no uniforme de aprendizaje, nuestro enfoque es capaz de determinar imperfecciones submilimétricas en un entorno real y predecir perfiles de irradiancia específicos de heliostatos, superando la precisión del estado del arte y estableciendo una automatización completa. La nueva canalización de optimización permite el entrenamiento concurrente de modelos físicos y basados en datos, representando un esfuerzo pionero en unificar ambos paradigmas para las plantas de energía solar concentrada y puede ser un modelo para otros dominios.