Scalable heliostat surface predictions from focal spots: Sim-to-Real transfer of inverse Deep Learning Raytracing

📄 arXiv: 2504.03712v1 📥 PDF

作者: Jan Lewen, Max Pargmann, Jenia Jitsev, Mehdi Cherti, Robert Pitz-Paal, Daniel Maldonado Quinto

分类: cs.CV, cs.AI, cs.CE, cs.LG

发布日期: 2025-03-28

💡 一句话要点

提出基于逆深度学习光线追踪的Sim-to-Real方法，实现可扩展的定日镜表面预测。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 聚光太阳能 定日镜 表面预测 逆深度学习光线追踪 Sim-to-Real 数字孪生 光通量控制

📋 核心要点

  1. 现有CSP发电厂的定日镜控制系统通常假设理想表面，忽略了实际表面的缺陷，导致性能下降和安全隐患。
  2. 论文提出逆深度学习光线追踪(iDLR)方法，通过Sim-to-Real迁移，从真实目标图像中准确预测定日镜表面轮廓。
  3. 实验结果表明，iDLR预测的表面轮廓与真实值高度一致，通量密度预测精度达到90%，优于传统方法26%。

📝 摘要（中文）

聚光太阳能(CSP)发电厂是向可持续能源过渡的关键技术。其安全高效运行的关键因素是集中太阳辐射在接收器上的分布。然而，来自单个定日镜的辐射分布对表面缺陷非常敏感。在实际部署中，测量大量定日镜的表面仍然不切实际。因此，控制系统通常假设理想的定日镜表面，导致次优性能和潜在的安全风险。为了解决这个问题，逆深度学习光线追踪(iDLR)被引入作为一种新方法，用于从标准校准程序中记录的目标图像推断定日镜表面轮廓。在这项工作中，我们展示了iDLR首次成功的Sim-to-Real迁移，可以直接从真实世界的目标图像实现准确的表面预测。我们在实际运行条件下评估了63个定日镜。iDLR表面预测实现了0.17毫米的中值平均绝对误差(MAE)，并在84%的案例中与偏转术真值表现出良好的一致性。当用于光线追踪模拟时，与偏转术相比，它能够实现平均精度为90%的通量密度预测，并且优于常用的理想定日镜表面假设26%。我们在一个具有挑战性的双重外推场景（涉及未见过的太阳位置和接收器投影）中测试了这种方法，发现iDLR保持了高预测精度，突出了其泛化能力。我们的结果表明，iDLR是一种可扩展、自动化且经济高效的解决方案，用于将真实的定日镜表面模型集成到数字孪生中。这为改进通量控制、更精确的性能建模以及最终提高未来CSP工厂的效率和安全性打开了大门。

🔬 方法详解

问题定义：论文旨在解决聚光太阳能发电厂中，由于定日镜表面缺陷导致的光通量分布不均匀问题。现有方法通常假设理想的定日镜表面，这与实际情况不符，导致控制系统性能下降，并可能带来安全风险。直接测量大量定日镜的表面轮廓在实际应用中成本高昂且不切实际。

核心思路：论文的核心思路是利用逆深度学习光线追踪（iDLR）技术，通过分析定日镜在接收器上形成的光斑图像，反推出定日镜的实际表面轮廓。通过Sim-to-Real迁移，将模拟环境中训练的模型应用于真实场景，避免了在真实环境中进行大量数据采集和标注的困难。

技术框架：iDLR的技术框架主要包括以下几个阶段：1) 数据生成：在模拟环境中生成大量定日镜表面轮廓和对应的光斑图像数据。2) 模型训练：使用生成的数据训练深度学习模型，该模型能够将光斑图像映射到定日镜表面轮廓。3) Sim-to-Real迁移：将训练好的模型应用于真实场景中的光斑图像，预测定日镜的表面轮廓。4) 光线追踪模拟：利用预测的表面轮廓进行光线追踪模拟，预测接收器上的光通量分布。

关键创新：论文最重要的技术创新点在于实现了iDLR的Sim-to-Real迁移。这意味着模型可以在模拟环境中训练，然后直接应用于真实场景，无需在真实环境中进行额外的训练或微调。这大大降低了模型的部署成本和难度。此外，该方法能够自动且经济高效地集成真实的定日镜表面模型到数字孪生中。

关键设计：论文中关键的设计包括：1) 使用深度学习模型（具体网络结构未知）来学习光斑图像和表面轮廓之间的映射关系。2) 使用合适的损失函数来优化模型，例如平均绝对误差（MAE）。3) 设计有效的Sim-to-Real迁移策略，以克服模拟环境和真实环境之间的差异（具体策略未知）。4) 实验中使用了63个定日镜在真实运行条件下进行评估。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，iDLR方法在真实定日镜表面预测中实现了0.17毫米的中值平均绝对误差(MAE)，与偏转术真值在84%的案例中表现出良好的一致性。在光线追踪模拟中，iDLR实现了平均精度为90%的通量密度预测，并且优于常用的理想定日镜表面假设26%。即使在具有挑战性的双重外推场景中，iDLR仍然保持了高预测精度。

🎯 应用场景

该研究成果可应用于聚光太阳能发电厂的优化控制和性能预测。通过将真实的定日镜表面模型集成到数字孪生中，可以实现更精确的光通量控制，提高发电效率和安全性。此外，该方法还可以用于定日镜的维护和故障诊断，降低运营成本。

📄 摘要（原文）

Concentrating Solar Power (CSP) plants are a key technology in the transition toward sustainable energy. A critical factor for their safe and efficient operation is the distribution of concentrated solar flux on the receiver. However, flux distributions from individual heliostats are sensitive to surface imperfections. Measuring these surfaces across many heliostats remains impractical in real-world deployments. As a result, control systems often assume idealized heliostat surfaces, leading to suboptimal performance and potential safety risks. To address this, inverse Deep Learning Raytracing (iDLR) has been introduced as a novel method for inferring heliostat surface profiles from target images recorded during standard calibration procedures. In this work, we present the first successful Sim-to-Real transfer of iDLR, enabling accurate surface predictions directly from real-world target images. We evaluate our method on 63 heliostats under real operational conditions. iDLR surface predictions achieve a median mean absolute error (MAE) of 0.17 mm and show good agreement with deflectometry ground truth in 84% of cases. When used in raytracing simulations, it enables flux density predictions with a mean accuracy of 90% compared to deflectometry over our dataset, and outperforms the commonly used ideal heliostat surface assumption by 26%. We tested this approach in a challenging double-extrapolation scenario-involving unseen sun positions and receiver projection-and found that iDLR maintains high predictive accuracy, highlighting its generalization capabilities. Our results demonstrate that iDLR is a scalable, automated, and cost-effective solution for integrating realistic heliostat surface models into digital twins. This opens the door to improved flux control, more precise performance modeling, and ultimately, enhanced efficiency and safety in future CSP plants.