MétaCan
Menu
Retour à la cohorte
Enregistrement W1979054618 · doi:10.2316/journal.203.2010.4.203-4842

FUEL CELL HEAT RECOVERY, ELECTRICAL LOAD MANAGEMENT, AND THE ECONOMICS OF SOLAR-HYDROGEN SYSTEMS

2010· article· en· W1979054618 sur OpenAlexvenueno aff
Bahman Shabani, John Andrews, S. P. S. Badwal

Notice bibliographique

RevueInternational Journal of Power and Energy Systems · 2010
Typearticle
Langueen
DomaineEnergy
ThématiqueHybrid Renewable Energy Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPhotovoltaic systemEnvironmental scienceAutomotive engineeringHydrogen fuelElectric potential energySolar energyElectrical loadProton exchange membrane fuel cellWaste managementFuel cellsProcess engineeringNuclear engineeringPower (physics)EngineeringElectrical engineeringChemical engineeringThermodynamics

Résumé

récupéré en direct d'OpenAlex

Computer modelling of a solar-hydrogen system to supply a remote household in southeast Australia has been conducted. Electrical load management and fuel-cell heat recovery have been investigated to improve the system's economy. The results reveal that the cost of the solar hydrogen system can be reduced by over 10% by managing the peak demand and accordingly the capacity of the fuel cell while keeping the average daily electrical energy supplied constant. Interestingly, increasing the size of the fuel cell up to a certain level above the minimum required actually lowers the average unit cost of energy supplied since the fuel cell operates at lower current densities and hence better efficiency. A smaller PV array, electrolyser and hydrogen tank are then required as well. Heat recovered from the fuel cell and used to substitute for LPG in a domestic hot water unit could lead to a further reduction in the overall capital cost of the household's energy system. While the recoverable heat available was found to be less if optimal load management is also applied, there remained a net economic benefit of supplying both heat and power.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,904
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,004
Tête enseignante GPT0,194
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Power and Energy SystemsMême sujetHybrid Renewable Energy SystemsTravaux en français237 207