摘要：非层状过渡金属碳化物(NL-TMCs)具有多样化的形貌结构和可调控的化学计量比,从而表现出高比容量、高导电性和良好的稳定性等优异的电/催化性能。因此,本文对NL-TMCs在储能与转换领域的最新进展进行了总结。首先阐述了NL-TMCs的可控制备策略,其中包括碳热还原法、化学气相沉积法、模板辅助法、水热/溶剂热法。其次,探讨了NL-TMCs在锂离子电池、锂硫电池、全水解等能源储存与转换领域中应用,并对其未来的发展方向进行了展望,为合理地设计和构建NL-TMCs以供实际应用提供了理论基础。

摘要：能源定价是能源互联网中一个重要而复杂问题。由于能源消费者的偏好属于其私人信息,供应商难以准确获取,从而无法合理定价。与此同时,能源互联网中多种能源转换,使得能源之间存在供需上相互影响的关系,多能源定价问题变得更复杂。在多能源交易场景中,多能源聚合器(multi-energy aggregator,MEA)聚合3种能源并将其转换后出售给消费者。该文考虑交易双方信息不对称,将定价问题建模为一个面向能源转换的多维合约设计问题。为求解最优合约,首先推导合约与能源转换方案的关系,然后求解能使合约最优的能源转换方案,最后基于能源转换方案求得与之相对应的最优合约。仿真结果验证了合约满足个体理性和激励相容条件,具有可行性;在信息不对称的前提下,所提方案的服务率和消费者平均收益较逐利合约分别提升了40%和36.5%,MEA平均收益较线性定价方案提升了30%,因而综合性能最优。

摘要：针对高中化学教材中提到的新能源问题,探索设计了可将太阳能转化为电能,电能转化为化学能,化学能转化为电能,电能转化为热能的能源转换演示装置。通过该实验的演示,可以让学生直观地感受到几种能量之间的转化过程,可供教学参考和借鉴。

摘要：能源转换的核心挑战在于，让环境友好的电流也能成为能源领域的消费者。但德国的电网就其目前的水平而言并非为此而设计。

摘要：垃圾的产生、废气和污水的排放让环境污染越来越严重,再加上人类过度使用和浪费资源,导致自然资源严重匮乏。我设计的这个机器就能解决这些问题,它可以把废气、垃圾和污水等都转化成现在稀缺的石油、天然气、饮用水、煤等资源。这样不仅能让我们的环境更好、污染更少,还能获得更多的资源。

摘要：石墨炔纳米材料的制备与应用是石墨炔材料研究的重要方向,通过对其纳米结构进行设计与优化,可以提高石墨炔材料及其杂化结构的性能,拓展其在能源储存与转换领域的应用.本综述介绍了不同形貌和结构的石墨炔基纳米材料,如纳米墙、纳米片、纳米薄膜等结构.阐述了不同结构特征的石墨炔基纳米材料在电化学储能器件以及电化学能源催化中的应用,同时也探讨了石墨炔不同纳米形貌和结构在能源应用领域快速发展的机遇及所面临的挑战.

摘要：纳观尺度的材料设计、制备与控制,是关乎人类未来福祉的重要领域。其中,电池材料的研发、石墨烯的工业化制备,都是众多材料科学家一直以来投入大量研究的热点。清洁能源的发展,挑战是多方面的:电池的能量密度上限、寿命更长、充电更快、完全安全、回收利用、大规模储能等。能源转换存储、空气过滤、水过滤、土壤等领域的可持续发展及环境保护,需要不断开发新的材料并取得突破。石墨烯具有最高的导电率和导热率,以及轻质高强、柔性、透明等优异特性,但其产业化之路仍旧漫长崎岖。挑战与机遇并存,纳米技术为人类面临的若干生存危机提供了方向。

摘要：研究自适应双向流无源自变距的新型叶片,通过理论和实验对前掠叶片、后掠叶片和平直叶片的变桨原理,自适应流向和流速变化原理进行分析和验证,对水动力变距补偿翼的作用进行分析。该文所设计的自变距叶片在合理调配后掠角变化和主轴位置后可实现小范围内叶尖速比的调整。通过理论分析和模型试验研究验证设计的正确性和实用性。在此基础上应用于15kW海洋潮流能样机,并在青岛斋堂岛海域完成海试。样机海试表明,自适应双向流叶片透平可有效完成自动换向适应双向流功能。

摘要：文章将综合能源系统关键技术归纳为多能协同规划设计、优化运行技术、智能化技术、能源转换技术、储能技术、能源梯级利用技术、电能替代技术和需求响应技术。首先,介绍了国内外IES的发展现状;然后,全面分析总结了综合能源系统关键技术的核心问题,涵盖了基础理论、关键材料、核心元器件和设备装置等;最后,结合各技术的典型应用场景对其发展趋势进行了展望。

摘要：新材料的发现是推动现代科学发展与技术革新的源动力之一,是当前促进经济发展与解决环境问题的迫切需求.传统的材料研发基于试错法,效率低且成本高.大量实验与计算模拟产生的数据为新材料的研发提供了新契机.基于这些数据,机器学习最近在材料性能预测、新材料的发现与设计等领域取得了很大进展.譬如基于材料项目(materials project)数据库对钙钛矿材料的统计分类、结合高通量计算对双钙钛矿卤化物材料稳定性的预测,以及金属间化合物电催化剂的设计与筛选等.除了基于隐式模型的预测,机器学习也可以用来发现具有物理可解释性的显式描述符,从而加速新材料的发现.