A data-driven methodology for precision flux density predictions for heliostat fields

Kuhl, Mathias Angelo; Behr, Marek; Pitz-Paal, Robert

doi:10.18154/RWTH-2026-03834

A data-driven methodology for precision flux density predictions for heliostat fields = Eine datengetriebene Methodik zur präzisen Flussdichtenvorhersage für Heliostatenfelder

Kuhl, Mathias Angelo^RWTH*

2025 & 2026

Verantwortlichkeitsangabevorgelegt von Mathias Angelo Kuhl

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Pitz-Paal, Robert (Thesis advisor)^RWTH* ; Behr, Marek (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-12-17

Online
DOI: 10.18154/RWTH-2026-03834
URL: https://publications.rwth-aachen.de/record/1032850/files/1032850.pdf

Einrichtungen

Lehrstuhl für Solartechnik (DLR) (412910)

Projekte

GANCSTR: GAN-based calculation of concentrated radiation on solar tower receivers (ZT-I-PF-5-069) (ZT-I-PF-5-069)

Inhaltliche Beschreibung (Schlagwörter)
concentrating solar power (frei) ; flux density prediction (frei) ; heliostat fields (frei) ; machine learning (frei) ; solar energy (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Der notwendige Übergang zu erneuerbaren Energien erfordert technologische Fortschritte in Bereichen wie konzentrierter Solarthermie (CST). Eine zentrale Herausforderung in der CST-Technologie besteht in der präzisen Charakterisierung der Strahlenbündel von Heliostaten. Traditionell basiert diese auf detaillierten Messungen der Oberflächenverformung – ein Verfahren, das sowohl kostenintensiv als auch zeitaufwendig ist. Diese Dissertation stellt einen innovativen, datengetriebenen Ansatz vor, der eine aufwendige physikalische Modellierung überflüssig macht. Im Mittelpunkt dieses Ansatzes steht ein generatives neuronales Netzwerk, das direkt auf Brennfleckdaten trainiert wird. Durch die Abstraktion der Heliostateigenschaften und das Erlernen der Variationen der Brennfleckverteilungen unter verschiedenen Bedingungen – etwa Sonnenwinkel und Zielpunktlage – prognostiziert das Modell die Flussverteilungen mit hoher Genauigkeit. Die einheitliche Vorhersagepipeline integriert Daten aus dem gesamten Heliostatfeld, erkennt übergreifende Muster und passt sich gleichzeitig an individuelle Heliostatabweichungen an. Die Validierung mit realen Daten aus dem Solarturm Jülich bestätigt die Robustheit des Modells. Die datengetriebene Pipeline erreicht für einzelne Brennpunkte einen Vorhersagefehler von lediglich 11\% und übertrifft damit etablierte, auf umfangreichen Messungen basierende Methoden sowohl hinsichtlich Robustheit als auch Skalierbarkeit. Unter Berücksichtigung relevanter Einflussfaktoren – darunter Nachführfehler, direkte Normalstrahlung (DNI) und Reflexionsunsicherheiten – beträgt der aggregierte Fehler der Gesamtflussvorhersage über alle Heliostaten hinweg etwa 5\%. Die Systemanalyse zeigt, dass die verbesserte Genauigkeit der Flussdichteprognosen signifikante Effizienzsteigerungen ermöglicht. Je nach Komplexität des Strahlungsempfängers führt die datengetriebene Pipeline zu Effizienzgewinnen von 4–16\%.Zusammenfassend präsentiert diese Arbeit ein skalierbares, kosteneffizientes und hochpräzises Verfahren zur Vorhersage von Flussdichteverteilungen für Heliostatfelder. Durch den Verzicht auf umfangreiche physikalische Messungen bietet der Ansatz eine praxistaugliche Alternative für CST-Systeme und trägt zur Entwicklung effizienterer und nachhaltigerer solarthermischer Technologien bei.

The imperative transition to renewable energy sources necessitates advancements in technologies such as Concentrated Solar Thermal (CST) systems. A significant challenge in CST is the accurate characterization of heliostat beams, traditionally reliant on detailed surface deformation measurements—a process that is both costly and time-intensive. This dissertation introduces an innovative data-driven methodology that bypasses the need for such extensive physical modeling. Central to this approach is a generative neural network framework trained directly on focal spot data. By abstracting heliostat properties and learning the variations in focal spots under different conditions—such as sun angles and aimpoints—the model predicts flux distributions with high accuracy. This unified predictive pipeline aggregates data from the entire heliostat field, capturing shared patterns while adapting to individual heliostat variations. Validation using real-world data from the Solar Tower Jülich demonstrated the model's robustness. The data-driven pipeline achieved a prediction error of 11\% for individual focal spots, surpassing current state-of-the-art methods that rely on extensive measurements, in both accuracy and scalability. When considering factors such as tracking errors, Direct Normal Irradiance (DNI), and reflectivity uncertainties, the total flux prediction error, aggregated from all heliostats, was approximately 5\%.System-level analysis revealed that the enhanced accuracy of focal spot predictions translates into significant efficiency gains. The data-driven pipeline demonstrated efficiency improvements of over 4–16\%, depending on receiver complexity. In summary, this research presents a scalable, cost-effective, and highly accurate framework for heliostat flux prediction. By eliminating the dependency on extensive physical measurements, it offers a practical alternative for CST systems, paving the way for more efficient and sustainable solar energy technologies.

OpenAccess:
PDF
(zusätzliche Dateien)