数学建模小白也能懂：用Python复现国赛A题定日镜场优化（附完整代码）

数学建模实战：Python复现定日镜场优化设计与效率分析

在数学建模竞赛和可再生能源研究中，太阳能定日镜场的优化设计一直是个既具挑战性又充满魅力的课题。对于刚接触这个领域的学生和编程爱好者来说，那些复杂的公式和理论推导往往让人望而生畏。本文将用Python带你一步步实现定日镜场的建模与优化分析，把看似高深的理论转化为可运行的代码。无论你是数学建模的参赛选手，还是对太阳能技术感兴趣的编程初学者，都能通过本文掌握从理论到实践的完整过程。

1. 环境准备与基础概念

在开始编码前，我们需要配置合适的开发环境并理解定日镜场的基本原理。Python因其丰富的科学计算库而成为数学建模的理想工具。

推荐环境配置：

# 创建并激活虚拟环境（可选） python -m venv solar_env source solar_env/bin/activate # Linux/Mac solar_env\Scripts\activate # Windows # 安装必要库 pip install numpy matplotlib scipy pandas

定日镜场的核心目标是将太阳光反射到中央吸热塔上。影响效率的主要因素包括：

• 余弦效率：太阳光线与镜面法向量的夹角造成的能量损失
• 阴影遮挡效率：相邻镜面间的相互遮挡
• 大气衰减效率：光线在大气中的能量损失
• 截断效率：部分反射光未能到达接收器的损失

表：定日镜场关键参数说明

2. 定日镜场布局算法实现

常见的定日镜场布局有DELSOL、EB和No blocking-dense三种，它们的主要区别在于径向和方位间距的确定规则。我们将重点实现EB布局，因其在土地利用率与能量产出间取得了较好平衡。

2.1 基础坐标计算

首先实现定日镜位置的基本计算函数：

import numpy as np def calculate_helio_positions(tower_height, field_radius, num_rings, min_spacing=15, asf=2): """ 计算EB布局下的定日镜坐标 参数: tower_height: 吸热塔高度(m) field_radius: 镜场半径(m) num_rings: 环数量 min_spacing: 最小间距(m) asf: 方位间距因子(通常取2) 返回: list: 定日镜坐标(x,y)列表 """ positions = [] delta_r = min_spacing for ring in range(1, num_rings + 1): radius = ring * delta_r if radius > field_radius: break # 计算当前环的定日镜数量 circumference = 2 * np.pi * radius num_helios = int(circumference / (asf * min_spacing)) # 均匀分布定日镜 angles = np.linspace(0, 2*np.pi, num_helios, endpoint=False) for angle in angles: x = radius * np.cos(angle) y = radius * np.sin(angle) positions.append((x, y)) return positions

2.2 可视化布局

使用Matplotlib可以直观地查看布局效果：

import matplotlib.pyplot as plt def plot_helio_field(positions, tower_pos=(0,0)): plt.figure(figsize=(10,10)) plt.scatter(tower_pos[0], tower_pos[1], c='red', s=100, marker='^', label='Tower') xs, ys = zip(*positions) plt.scatter(xs, ys, s=20, label='Heliostats') plt.xlabel('X (m)') plt.ylabel('Y (m)') plt.title('Heliostat Field Layout') plt.axis('equal') plt.legend() plt.grid(True) plt.show() # 示例使用 positions = calculate_helio_positions(tower_height=200, field_radius=500, num_rings=30) plot_helio_field(positions)

提示：在实际应用中，需要考虑定日镜的尺寸和旋转范围，确保相邻镜面在工作时不会碰撞。这可以通过调整min_spacing参数来实现。

3. 光学效率计算模型

定日镜场的整体效率是多个效率因子的乘积：η_total = η_cos × η_atm × η_sb × η_trunc。我们分别实现这些计算。

3.1 余弦效率计算

余弦效率取决于太阳位置和镜面方向：

def solar_vector(day_of_year, hour, latitude=35): """计算太阳方向向量""" # 简化计算，实际应用应使用更精确的天文算法 delta = 23.45 * np.sin(2*np.pi*(284+day_of_year)/365) omega = 15 * (hour - 12) altitude = np.arcsin(np.sin(np.radians(latitude)) * np.sin(np.radians(delta)) + np.cos(np.radians(latitude)) * np.cos(np.radians(delta)) * np.cos(np.radians(omega)))) azimuth = np.arctan2(np.sin(np.radians(omega)), np.cos(np.radians(latitude)) * np.tan(np.radians(delta)) - np.sin(np.radians(latitude)) * np.cos(np.radians(omega))) return np.array([np.cos(altitude)*np.sin(azimuth), np.cos(altitude)*np.cos(azimuth), np.sin(altitude)]) def cosine_efficiency(helio_pos, tower_pos, solar_vec): """计算单个定日镜的余弦效率""" # 反射向量：从定日镜指向塔 reflect_vec = tower_pos - helio_pos reflect_vec = np.append(reflect_vec[:2], tower_pos[2]) # 添加z坐标 reflect_vec = reflect_vec / np.linalg.norm(reflect_vec) # 镜面法向量是入射和反射向量的平分线 incident_vec = -solar_vec normal_vec = (incident_vec + reflect_vec) / 2 normal_vec = normal_vec / np.linalg.norm(normal_vec) # 余弦效率是入射向量与法向量的点积 return np.dot(incident_vec, normal_vec)

3.2 阴影遮挡效率估算

精确计算阴影遮挡需要复杂的几何运算，这里提供简化版实现：

def shadow_blocking_efficiency(helio_idx, all_positions, solar_vec, helio_size=12, tower_height=200): """估算阴影遮挡效率""" current_pos = np.array(all_positions[helio_idx]) efficiency = 1.0 # 检查周围定日镜 for i, pos in enumerate(all_positions): if i == helio_idx: continue other_pos = np.array(pos) distance = np.linalg.norm(current_pos - other_pos) # 简单判断：距离过近则有遮挡 if distance < helio_size * 1.5: efficiency *= 0.95 # 每次遮挡减少5%效率 return efficiency

表：效率因子影响因素

4. 完整系统模拟与优化

现在我们将所有组件整合，模拟整个定日镜场的性能。

4.1 典型日模拟

选择春分、夏至、秋分和冬至四个典型日进行模拟：

def simulate_daily_performance(positions, day_of_year, tower_pos=(0,0,200)): """模拟单日的镜场性能""" hourly_efficiencies = [] for hour in np.arange(8, 17, 0.5): # 从8点到17点，每半小时 solar_vec = solar_vector(day_of_year, hour) total_energy = 0 for i, pos in enumerate(positions): pos_3d = np.append(pos, 0) # 定日镜高度设为0 cos_eff = cosine_efficiency(pos_3d, tower_pos, solar_vec) sb_eff = shadow_blocking_efficiency(i, positions, solar_vec) total_energy += cos_eff * sb_eff * 0.97 * 0.98 # 加入截断和大气衰减估计 hourly_efficiencies.append(total_energy) return hourly_efficiencies # 模拟春分日（第81天） spring_eff = simulate_daily_performance(positions, 81)

4.2 结果可视化

比较不同布局和参数配置的效果：

def plot_daily_performance(efficiencies, title): hours = np.arange(8, 17, 0.5) plt.plot(hours, efficiencies) plt.xlabel('Hour of Day') plt.ylabel('Relative Energy Collection') plt.title(title) plt.grid(True) plt.show() plot_daily_performance(spring_eff, 'Spring Equinox Performance') # 比较不同布局 dense_positions = calculate_helio_positions(200, 500, 40, min_spacing=12) sparse_positions = calculate_helio_positions(200, 500, 20, min_spacing=25) dense_eff = simulate_daily_performance(dense_positions, 81) sparse_eff = simulate_daily_performance(sparse_positions, 81) plt.plot(np.arange(8,17,0.5), dense_eff, label='Dense Layout') plt.plot(np.arange(8,17,0.5), sparse_eff, label='Sparse Layout') plt.legend() plt.xlabel('Hour of Day') plt.ylabel('Energy Collection') plt.title('Layout Comparison on Spring Equinox') plt.grid(True) plt.show()

4.3 参数优化建议

通过模拟不同参数组合，可以得出以下实践经验：

1. 塔高与镜场半径比例：最佳比例通常在1:2到1:3之间

   • 过高塔会增加建设成本
   • 过低塔会降低整体效率

2. 定日镜间距优化：

   • 近塔区：可采用较密布局（ΔR=12-15m）
   • 远塔区：应适当增大间距（ΔR=20-30m）

3. 方位间距因子：

   • 对于EB布局，Asf=2是个不错的起点
   • 可通过参数扫描寻找最优值

def parameter_sweep(): """参数扫描示例""" tower_heights = [150, 175, 200, 225, 250] performances = [] for height in tower_heights: positions = calculate_helio_positions(height, 500, 30) total_energy = np.sum(simulate_daily_performance(positions, 81, tower_pos=(0,0,height))) performances.append(total_energy) plt.plot(tower_heights, performances, 'o-') plt.xlabel('Tower Height (m)') plt.ylabel('Total Daily Energy Collection') plt.title('Performance vs Tower Height') plt.grid(True) plt.show() parameter_sweep()

在实际项目中，我们还需要考虑土地成本、维护难度等现实因素。例如，虽然密集布局能提高土地利用率，但会增加清洁和维护的难度。通过Python实现的这种模拟分析，可以帮助我们在设计阶段就预估不同方案的性能表现，避免后期昂贵的修改成本。