基于燃料电池的微型冷热电联供系统研究

发布时间：2024-03-20 02:11

　　全球能源问题日趋严峻,节能环保成为主要趋势。冷热电联供能实现能量高效梯级利用;燃料电池由于清洁高效、低噪等优点,适用于微型冷热电联供系统,具有极大的应用前景。因此,研究基于燃料电池的冷热电联供系统能有效解决能源问题,节约不可再生能源。本文主要研究了基于燃料电池的微型冷热电联供系统的高效利用。提出了储能系统辅助的燃料电池微型冷热电联供系统,在Simulink平台上建立了该系统的仿真模型。建立了热力学和经济性评估模型以评估该系统的技术性能。之后研究了用于分布式能源系统的负荷预测,构建了基于BP人工神经网络的高精度负荷预测模型。在此基础上,对冷热电联供系统进行负荷工况仿真,研究了该系统的动态性能、热力性能和经济性。最后制备了本研究所用的质子交换膜燃料电池,并测试了其性能。通过上述研究,获得了如下结论:基于BP人工神经网络的负荷预测模型预测值与真实值平均相对误差仅为3.96%,且预测变化趋势完全一致;所提出的储能系统辅助的燃料电池微型冷热电联供系统,能同时满足冷热电需求,且具有良好的控制精度和动态性能;系统冬季和夏季能源利用率分别为81.24%和69.95%,相比单一燃料电池系统效率分别提高了...

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图1.2日本家用1kW燃料电池热电联供系统

3华中科技大学硕士学位论文图1.2日本家用1kW燃料电池热电联供系统本文主要针对燃料电池的高效综合利用问题，研究了基于燃料电池的冷热电联供系统中的关键技术，旨在提高燃料电池驱动的分布式能源系统的能源利用率和运行经济性。本文所涉及的研究领域包括：质子交换膜燃....

图2.4质子交换膜燃料电池模型验证电流密度（mA/cm2）

华中科技大学硕士学位论文，系统响应时间约为5s。考虑到响应时间相对目标用户实际运行时间非常响应延迟是可以满足系统稳定运行要求的。

图2.5系统动态响应性能验证时间（s）

图2.4质子交换膜燃料电池模型验证模型数据文献数据电流密度（mA/cm2）压（电v）

图3.4电力负荷预测神经网络结构图

图3.4电力负荷预测神经网络结构图在确定神经网络结构和学习算法后，开始训练神经网络。以数据集中7.20电力负荷数据和当日的气象数据作为训练样本训练神经网络。当网络成功定精度，即可得到所需的神经网络。该神经网络的训练过程如图3.5所示示网络迭代只需要67步即达到设定的....

本文编号：3932797