中科院工程热物理所在光伏热电混合系统结构参数优化研究中取得进展
发布者:admin | 来源:中科院工程热物理所 | 0评论 | 2658查看 | 2021-05-26 18:30:48    

据中科院工程热物理所消息,该单位研究人员应用机器学习在光伏热电混合系统结构参数优化研究中取得新进展。


热电转换技术和光电转换技术是利用能源转换材料将太阳能直接转换为电能的两种主要技术形式。二者在提高太阳能利用率的技术研究发展方面的关键点,一是研究和开发高效热电材料和光伏材料及其组件,二是发展聚光型光伏热电技术。



太阳能热电光电复合发电系统的核心是热电光伏复合发电单元,聚集太阳光入射后,光伏电池首先利用光谱响应的波长产生电能,不能被光伏电池利用的光谱能量通过热电器件进行热电转换。复合发电系统能够更充分地利用太阳能全光谱,并且将光伏电池不能利用的能量转入热电器件,不仅可以降低光伏电池工作时的温度,还能产生额外的电能。


光伏热电复合系统的发电效率不仅受太阳光聚光比、系统工作时温度、外接负载大小等因素影响,光伏电池与热电器件的结构参数也会显著影响混合系统的输出性能。为了研究这一参数的具体影响,中科院工程热物理所新技术实验室新能源材料与设备团队研究人员选取单晶硅、砷化镓太阳能电池和不同尺寸的热电器件进行了研究。


image.png

图1 热电器件输出功率随n值的变化


如图1所示,在不同光伏电池与热电器件面积比值(n值)下,热电器件输出功率会产生明显的差异。经过优化研究人员发现,出当二者面积比为4时,热电器件获得最大的功率输出。在混合动力系统中,光伏电池和热电器件输出的电能相互隔离的情况下,热电器件获得最大输出功率,混合系统的输出性能最佳。


image.png

图2 基于机器学习对系统组件结构尺寸的优化


image.png

图3 机器学习预测结果的实验验证


获得实验数据后,研究人员选用机器学习方法,对混合系统光伏与热电器件的结构参数再次进行优化,通过对实验数据的整理、训练、学习,建立DNN、LSTM、LSTMA三种模型进行预测,经与实验结果对比,LSTM模型的准确率更高。训练出的模型进一步预测n值为4.41时可获得最优输出性能。


这项研究通过对光伏热电混合系统的优化,探讨了机器学习在结构参数优化方面的应用,为其在能量转换系统性能提升的应用方面提供了实例和参考。该项研究成果在Engineered Science期刊上发表,被选为封面论文,张航研究员为论文通讯作者,博士生何泽明和副研究员杨明为共同第一作者。

最新评论
0人参与
马上参与
最新资讯