I forbindelse med stadig implementering av diverse uforutsigbare energikilder i nettet blomstrer interessen rundt energilagring, og kanskje spesielt batterier. Med deres hurtige responstid og skalerbare natur er batterier godt egnet til å støtte under en rekke viktige oppgaver i energiforsyningen vår.
Ulempen er at batterisystemer er store innvesteringer, og batteriets levetid kan spille en kritisk rolle for lønnsomheten. Vi er avhengig av robuste styringssystemer som kan maksimere batteriets bruksverdi. Dette ønsker vi å gjøre basert på så realistiske batterisimuleringer som mulig. Spørsmålet blir da: hva ligger egentlig i realistiske batterisimuleringer, og hvordan kan vi forholde oss til det?
Batterier rammes av en hel del forskjellige kjemiske degraderingsmekanismer; altså forhold som reduserer batteriets funksjon. Konsekvensene av mekanismene har en tendens til å bli verre dersom batteriet ikke anvendes med omhu. Med uforsiktig bruk kan resultatet bli en kraftig redusert levetid for batteriet. Batterier er nokså dyre, så feil bruk kan gi store utslag på lønnsomheten.
Når det er snakk om «feil bruk» henvises det til styringssystemer og lademønster som bidrar til økt degraderingshastighet og derav redusert levetid. Viktige degraderingsfaktorer er eksempelvis temperatur i og rundt batteriet, og opp- og utladningshastighet (c-rate). C-rate betyr i praksis hvor lang tid det tar å lade batteriet helt fullt eller helt tomt. I tillegg er DOD (Depth of discharge) en viktig degraderingsfaktor. DOD kan forstås som forskjellen fra et energinivå til et annet, og brukes gjerne om størrelsen på en ladesyklus. Siden dette i de aller fleste tilfeller er faktorer vi kan kontrollere, vil smarte styringssystemer som kan vurdere hvorvidt det er lønnsomt å aktivere batteriet eller ikke være viktig. Dette gjelder uansett hvilken oppgave batteriet gjør – et smart styringssystem er nødvendig i alt fra el-bil-ladestasjoner, til spenning- og/eller frekvensstøtte i strømnettet.
Grønne problemer og frekvensstøtte
Med inntoget av fornybare energikilder blir det, i større grad enn tidligere, vanskeligere for nettoperatøren å opprettholde en stabil frekvens på 50 Hz. Variabel fornybar energiproduksjon, som sol og vind, kjennetegnes av uforutsigbarhet. Dersom produksjonen på et sted i nettet ikke sammenfaller med behovet et annet sted vil dette danne ubalanse, noe som igjen gir utslag på nettfrekvensen. For å kunne garantere stabilitet og pålitelighet er nettoperatøren avhengig av så lite frekvensavvik som mulig. Det er her frekvensstøtte kommer inn.
I 2024 trenger Statnett 226 MW konstant til normal frekvensstøtte (FCR-N). FCR-N omfavner et frekvensavvik på ± 0.1 Hz, og stabiliseres av styringssystemene og effektbidraget til diverse eksterne aktører. Statnett betaler altså disse aktørene for den effekten de har tilgjengelig time for time.
Degradering
Når det kommer til degradering av batterier, skilles det gjerne mellom to kategorier: kalendrisk og syklisk aldring. Kalendrisk aldring beskriver kort og godt gradvis degradering over tid, og foregår selv om batteriet ikke er i bruk. Fenomenet kan sammenliknes med vår egen evne til å eldes. Syklisk aldring derimot er degradering som konsekvens av bruk. Generelt blir batterier dårligere og dårligere med økt bruksintensitet.
Hvorfor er en degraderingsmodell så viktig?
For å kunne lage en realistisk simulering på batteridrift, trenger vi å kjenne til hvor mye batteriet degraderer ved forskjellig type bruk. Dette kan kalles degraderingsrate. Det er vanskelig å forutsi et batteris degraderingsrate nøyaktig, men det er gjort mye forskning på å finne gode estimeringsmodeller, og batteriprodusenter har også gjerne utført praktiske tester for å kunne gi kunden greie estimater. Kjenner vi degraderingsraten vet vi også til enhver tid hvor mye energi som faktisk er tilgjengelig, kostnaden av å aktivere batteriet, og hvor langt batteriet er i sin levetid. For å oppsummere hva dette betyr:
Gitt den stadige økende interessen for bruk av batterier i nettet trenger vi at styringssystemene våre kan disponere denne ressursen så godt som mulig. Dette er viktig fordi det er den eneste måten vi kan forsikre oss om at vi maksimerer utbytte av innvesteringen. Det gjelder ikke bare økonomisk, men er også til hjelp for å kunne ta grønne beslutninger gjennom å maksimere levetiden til batteriet.
Hvordan vurdere degradering
Den sykliske degraderingen til et batteri er altså avhengig av flere faktorer. C-rate og DOD er eksempler på parametere som er direkte knyttet til hvordan batteriet styres. C-rate kan ganske direkte oversettes til ladehastighet, og kan finnes som stigningstallet mellom et energinivå, til et etterfølgende et. DOD kan derimot være litt mindre intuitivt, og ikke minst en del mer krevende å telle.
Som nevnt tidligere vet vi at DOD strengt tatt handler om størrelsen på en delsyklus å gjøre. Med andre ord, vi er ute etter topp og bunnpunkt i et datasett. La oss vurdere følgende lademønster:
Det er tydelig at datasettet inneholder noen store sykluser, og veldig mange små. Vi vet også at bl.a. c-rate og DOD er viktige stressfaktorer, og hvor stor innvirkning de har kan, som vi ser i Figur 2, variere fra batteri til batteri.
Når en da skal forsøke å estimere konsekvensen av et lademønster trengs det en måte å fastslå disse stressfaktorene. En mulighet her er å bruke Rainflow-metoden som ut ifra en gitt ladeprofil teller antall sykluser, syklusenes DOD, og syklusenes gjennomsnittsverdier.
Rainflow-metoden er veldig effektiv når det kommer til å behandle historiske stress-data. Dersom styringssystemet skal kunne ta hensyn til degraderingen i sanntid trenger vi å konstant holde styr på DOD og c-raten, og vurdere disse opp mot FCR-prisen – er det verdt å aktivere batteriet, og i så tilfelle: hvor mye?
Hvor mye bør batteriet engasjeres?
Det er veldig vanlig at batterier har en ikke-lineær degraderingsrate som funksjon av DOD. I Figur 2 ser vi et eksempel på dette. Det vil i prinsippet si at å gi tilgang på hele batteriet til frekvensstøtte ikke nødvendigvis alltid bidrar til maksimal omsetning. Hvordan gir dette mening? Jo, la oss si vi vil gi tilgang på kun halve batteriet i løpet av en time. For å oppnå dette må vi halvere effekten batteriet yter (c-raten), og dermed reduseres også avstanden mellom ekstremalpunktene (DOD). Vi har redusert viktige stressfaktorer. Eksempelet under viser hvordan maksimal omsetning forskyves hvis prisen for FCR reduseres.
Av figuren ser vi at for høye FCR-priser fremstår omsetning nesten lineært stigende, mens for lave priser ser vi derimot en reduksjon av omsetning for over 80 %. Dette viser hvor viktig det er å kontinuerlig evaluere hva som er optimalt arbeidsområde for batteriet. I noen tilfeller, hvis prisen er veldig lav, eller degraderingen veldig høy vil vi til og med kunne oppnå negativ netto omsetning. Dette blir faktisk tilfelle dersom vi kjører den samme simuleringen for LFP-batteri (Lithium-Jern-Fosfor):
Batterier vil få en større plass i energisystemet vårt i årene fremover. Med virkelighetsnære simuleringer og gode styringssystemer som tar hensyn til degradering i sanntid vil det være mulig å maksimere batteriets verdi både sett i et økonomisk og bærekraftig perspektiv. Dette arbeidet har kombinert Rainflow-metoden med degraderingsestimering for å bidra til akkurat dette når et batteri opererer i frekvensmarkedet.
Målet videre er å implementere metoden i optimaliseringssimuleringer for frekvensstøtte. Et slikt system vil kunne gi verdifull innsikt på tre forskjellige plan: hvordan batteriet kan driftes smart, hvorvidt innvesteringen er lønnsom, og om innvesteringen bidrar i det grønne skiftet eller ikke. I tillegg er metoden mulig å implementere i andre typer styringssystemer, der batteriet for eksempel brukes til effektreduksjon eller overskuddslagring.
Dette arbeidet er gjennomført som et sommerforskerprosjekt i forskningsprosjektet MultiStore (finansiert av Norges Forskningsråd), og i tilknytning til FME CINELDI.
Referanser
Olmos, J., Gandiaga, I., Saez-de-Ibarra, A., Larrea, X., Nieva, T., & Aizpuru, I. (2021). Modelling the cycling degradation of Li-ion batteries: Chemistry influenced stress factors. Journal of Energy Storage, 40. https://doi.org/10.1016/j.est.2021.102765
Practical Introduction to Fatigue Analysis Using Rainflow Counting – MATLAB & Simulink – MathWorks Nordic. (n.d.). Retrieved August 9, 2024, from https://se.mathworks.com/help/signal/ug/practical-introduction-to-fatigue-analysis-using-rainflow-counting.html
Primærreserver – FCR | Statnett. (n.d.). Retrieved August 14, 2024, from https://www.statnett.no/for-aktorer-i-kraftbransjen/systemansvaret/kraftmarkedet/reservemarkeder/primarreserver/
Kommentarer
Ingen kommentarer enda. Vær den første til å kommentere!