Новая гелиотермальная установка показала рекордную эффективность
Шведская компания Ripasso рассказала о первых результатах испытаний нового вида геолиоэнергетических установок, в которых сочетаются параболические зеркала и продвинутые двигатели Стирлинга. Установки в настоящее время проходят испытания в пустыне Калахари. Новая система показывает чистый КПД в 34 процента и, в отличии от аналогов, не требует пресной воды.
Стартап Ripasso, основанный в 2008 году, испытывает в Южной Африке две необычных гелиотермальных установки, каждая из которых состоит из параболического зеркала площадью чуть менее 104 квадратных метров и закрепленного перед ним двигателя Стирлинга с рабочим давлением в 200 атмосфер. Благодаря альбедо в 95% каждая «тарелка» отражает на закрепленным перед ней двигатель излучение мощностью в 100 киловатт, нагревая одну из его сторон. Охлаждая вторую его сторону за счет окружающего воздуха, система попеременно двигает туда-сюда поршень стирлинга, генерируя до 40 киловатт электроэнергии в идеальных условиях.
На практике часть этой энергии уходит на воздухообмен стирлинга и постоянное перемещение параболических зеркал, поворачивающихся вслед за перемещением Солнца (движение отслеживается с точностью до 1 миллирадиана). За вычетом этих энергозатрат «чистая» генерация составляет более 33 киловатт, что дает установке суммарный КПД до 34%, сообщает The Guardian. Независимые тесты системы британской IT Power показывают, что ее коэффициент использования установленной мощности составляет 25-28%, колеблясь в зависимости от температуры и облачности – то есть средний объем годовой генерации одной 34-киловаттной установки лежит в диапазоне 75-85 тысяч киловатт-часов.
Сегодня основным видом солнечной энергетики остается фотоэлементная генерация на кремниевых солнечных батареях. Ее полевое КПД не превышает 23 процентов, в основном потому, что те 45 процентов солнечного излучения, что приходятся на ИК-спектр, не могут быть использованы существующими кремниевыми панелями. Кроме того, напряжение на выходе из одной панели невелико, а получаемый ток является постоянным. Для его преобразования в переменный ток сетевого качества (высокого напряжения) приходится соединять в цепь много панелей и использовать инверторы, что ведет к существенным потерям на преобразование. По утверждениям Ripasso, конечный КПД таких систем не превышает 15 процентов (альтернативные оценки говорят о 17 процентах), что дает КПД в два и более раз ниже, чем у гелиотермальной системы стартапа. Кроме того, коэффициент использования установленной мощности солнечных батарей редко превышает 20 процентов, то есть за год на киловатт мощности они вырабатывают как минимум на 20-30 процентов меньше, чем гелиотермальные установки.
Серийные геолитермальные электростанции на сегодня дают лишь несколько процентов солнечной генерации. Они используют паровые турбины, устанавливаемые в центральных башнях, на которые направлен свет, отраженный от множества зеркал. Нагретый башенный теплоноситель испаряет воду второго контура и та вращает паровую турбину – также, как и на ТЭС и АЭС традиционный энергетики. В такой схеме напряжение сразу получается высоким, а ток – переменным, из-за чего потери на преобразование электричества сводятся к минимуму. Однако, как и любая ТЭС, такая ГелиоТЭС требует градирен и испарения больших количеств воды. А оптимальным местом для размещения подобных электростанций является пустыня, поэтому необходимость в пресной воде является слабой стороной башенных систем. К тому же они сосредотачивают на центральной башне плотные световые потоки, которые способны убивать тысячи диких птиц. Трупы привлекают насекомых, из-за которых к такой электростанции прилетает еще больше птиц:
В отличии от башенных установок комбинация параболической тарелки и стирлинга имеет очень небольшой рабочий зазор, в который птице трудно попасть непреднамеренно. Малый зазор также снижает и затраты на нагрев воздуха между зеркалом и генерирующей установкой, из-за чего суммарный КПД стирлинговой схемы (30-34 процента) оказывается примерно вдвое выше, чем у обычной гелиотермальной установки. Поскольку в стирлинге рабочим телом является водород в герметичной установке, он не нуждается и в испарении воды. Высокий КПД и отсутствие центральной башни снижает требования к площади: электростанция такого типа на 100 МВт займет около 200 гектар, что втрое меньше, чем у любого другого типа существующих солнечных электростанций. Другим важным преимуществом станции является то, что КПД стирлинга с падением температуры воздуха ощутимо растет, то есть зимой системы Ripasso используют солнечный свет более эффективно.
Ранее сходные по принципу действия установки начала испытывать британская United Sun Systems International. Их суммарный чистый КПД составлял лишь 30 процентов, что ниже, чем у Ripasso. При этом и та и другая компания использует одинаковые военные стирлинги высокого давления для шведских подводных лодок серии «Готланд» (постройки Kockums Naval Solutions). Такой разрыв может частично объясняться отличиями в конструкции установок Ripasso: применив измененную схему крепления стирлинга, шведский стартап стал меньше затенять параболическое зеркало.
Традиционно препятствием для внедрения гелиотермальных стирлингов в серию являлось недоверие банков к системе, никогда ранее не использовавшейся в крупных проектах. По словам представителей Ripasso, в настоящий момент они получили существенное финансирование от частного инвестора и вскоре планируют начать в ЮАР строительство первой опытно-промышленной электростанции на базе своих установок.
Он показал лучшее время на трассе, обойдя соперников на полсекунды
Инженеры разработали автопилот для гоночного дрона, управляющий беспилотником на уровне лучших людей-пилотов. Алгоритм под названием Swift, полученный с помощью метода обучения с подкреплением, способен управлять гоночным квадрокоптером, полагаясь только на данные бортовых сенсоров. В реальных полетах на тестовой трассе для дрон-рейсинга Swift смог превзойти трех профессиональных пилотов-чемпионов, выиграв у них 15 гонок из 25 и пройдя трассу с минимальным временем, которое на полсекунды меньше лучшего результата пилота-человека. Статья опубликована в журнале Nature. При поддержке Angie — первого российского веб-сервера Дрон-рейсинг — вид спорта, в котором мультикоптеры на высокой скорости проходят трассу, состоящую из последовательности ворот, через которые нужно пролететь за минимально возможное время. При этом управление происходит от первого лица, с помощью камеры и видеоочков. Современные дроны обладают очень высокой маневренностью и подвижностью: они могут резко менять направление движения, ускоряться, замедляться и совершать перевороты, а во время гонки они разгоняются до скоростей свыше 100 километров в час и подвержены перегрузкам, превышающим их собственный вес в пять раз. Это делает их пилотирование непростой задачей и требует хорошей подготовки и высокой скорости реакции оператора. Инженеры давно работают над созданием автопилота, который мог бы управлять дроном на уровне профессиональных пилотов. Помимо участия в дрон-рейсинге такая способность может пригодиться и в обычной жизни — мультикоптеры обладают невысокой энергоэффективностью, поэтому способность быстро летать и успешно маневрировать в окружении большого числа препятствий напрямую связана с успешностью выполнения задач. Инженеры под руководством Давида Скарамузза (Davide Scaramuzza) из Цюрихского университета уже имеют опыт разработки эффективных алгоритмов управления для дронов. К примеру, ранее они создали автопилот, способный управлять квадрокоптером на скорости от 3 до 7 метров в секунду в лесу между деревьев, полагаясь только на данные с бортовых сенсоров. В своей новой работе инженеры представили алгоритм под названием Swift. Он способен эффективно управлять гоночным квадрокоптером на уровне профессионального пилота дрон-рейсинга. Swift состоит из двух основных модулей: системы восприятия, которая переводит изображение от бортовой камеры дрона и данные от инерционного измерительного блока IMU в низкоразмерное представление, а также системы управления, которая принимает на вход низкоразмерное представление, созданное системой восприятия, и генерирует управляющие команды для электромоторов дрона. В модуль системы восприятия также входит алгоритм, вычисляющий текущее положение дрона в пространстве на основе данных камеры и инерционно-измерительного блока. Эта информация через фильтр Калмана объединяется с данными об относительном положении гоночных ворот, обнаруженных предварительно обученным нейросетевым детектором объектов в видеопотоке, после чего передается на вход системы управления, которая состоит из двух скрытых слоев, по 128 нейронов в каждом. Система управления тренировалась в симуляции с использованием модельно-свободного глубокого обучения с подкреплением. Этот метод обучения использует метод проб и ошибок, чтобы максимизировать величину параметра вознаграждения. В данном случае вознаграждение было максимальным в случае, если дрон следовал в сторону центра ближайших ворот таким образом, чтобы следующие ворота оставались в поле зрения камеры. Чтобы учесть различия между симуляцией и реальной динамикой полета, в процессе обучения информацию симулятора дополнили данными из реального мира, записанными с помощью системы захвата движений. Оценку автопилота провели на трассе для дрон-рейсинга, состоящей из семи ворот, установленных на квадратной площадке с длиной стороны 30 метров. Длина маршрута через все ворота составляла 75 метров. Алгоритм соревновался с тремя профессиональными пилотами Алексом Вановером (Alex Vanover), Томасом Битматтой (Thomas Bitmatta) и Марвином Шэппером (Marvin Schaepper). Все участники использовали гоночные дроны с одинаковыми характеристиками. Перед испытательными соревнованиями у пилотов была неделя для знакомства с трассой. В соревнованиях каждый из пилотов стартовал одновременно с дроном под управлением автопилота. Победителем становился тот, кто быстрее пролетит через все ворота на трассе в правильном порядке три раза. По результатам Swift смог выиграть у своих соперников в совокупности 15 гонок из 25, а также установил рекорд трассы, пролетев ее быстрее на полсекунды, чем остальные участники. https://www.youtube.com/watch?v=fBiataDpGIo&t=1s Инженеры разрабатывают гоночные автопилоты и для автомобилей. Например, инженеры из подразделения искусственного интеллекта компании Sony создали алгоритм автопилота GT Sophy, который с помощью обучения с подкреплением научился проходить за минимальное время трассы в гоночном автосимуляторе Gran Turismo Sport. В настоящих киберспортивных соревнованиях GT Sophy не только показала лучшее время в одиночных заездах, но и смогла победить команду лучших игроков в совместных гонках, набрав больше всего очков.