Разбиране на основните метрики за ефективност в системите за съхранение на енергия в батерии

Ефективност на цикъл напред-назад: количествено определяне на загубите поради падане на напрежението, преобразуване чрез инвертор и натоварване от системата за управление на батерии (BMS)

Ефективността на двойното пътуване (RTE) по същество ни показва колко енергия получаваме обратно от една система за съхранение на енергия в батерии спрямо тази, която е влязла при зареждането. Има няколко начина, по които енергията се губи по пътя. Първо, има спад на напрежението, предизвикан от вътрешното съпротивление в самите батерии, който губи около 5–15 % като топлина. Следва процесът на преобразуване между постояннотоковата и променливотоковата електрическа енергия чрез инвертори, при който обикновено се губят още 3–8 %, в зависимост от конфигурацията и натоварването. И не забравяйте всичката фонова работа, извършвана от системата за управление на батерията (BMS), като например мониторинг на клетките, поддържане на баланса им и осигуряване на мерки за безопасност – това използва приблизително 1–3 %. Когато се комбинират, тези фактори намаляват общата RTE до диапазона 80–95 % в съвременните литиево-йонни системи. Добрата новина е, че производителите могат да подобрят ефективността, като оптимизират химичния състав на клетките – например чрез преминаване към материали LFP, които осигуряват по-добра електропроводимост, и като ги комбинират с по-нови инвертори на базата на кремниев карбид, които губят по-малко енергия. Тези подобрения не само намаляват загубите на енергия, но и удължават експлоатационния срок на тези системи преди необходимостта от замяна.

Балансиране на дълбочината на разреждане и C-степента, за да се запазят ефективността и броят на циклите

Управлението на дълбочината на разреждане (DoD), заедно с C-степента, е наистина важно за поддържане на ефективността на батериите, докато те служат по-дълго. Превишаването на 80 % DoD обикновено ускорява износването на електродите, което означава, че батерията няма да издържи толкова много цикъла, колкото би издържала при около 60 % DoD. Разликата може да бъде доста значителна — между 30 и 50 % по-малко използваеми цикъла. А ако увеличим скоростта на разреждане над 1C, положението се влошава още повече, тъй като се генерира повече топлина и се проявяват онези досадни поляризационни загуби, които намаляват ефективността на цикъла „напред-назад“ с около 8–12 %. Повечето изследвания сочат, че идеалният диапазон е някъде между 0,5 и 0,8C скорост на разреждане, комбиниран с нива на DoD от 60 до 80 %. Този оптимален интервал помага за запазване на физическата структура на литиево-йонните електроди и поддържа запазването на капацитета над 90 % дори след 4000 цикъла на зареждане. При добавяне на добри системи за термично управление тези параметри се запазват добре независимо от вида на натоварванията, на които системата е изложена, или от промените във външните температурни условия.

Стратегии за термичен мениджмънт за ефективността на системи за дългосрочно съхранение на енергия в батерии

Активно срещу пасивно охлаждане: въздействие върху равномерността на клетките, скоростта на деградация и стабилността на RTE

Поддържането на температурата на акумулаторните клетки в диапазона от около 25 до 35 градуса по Целзий е изключително важно. Когато температурата излезе извън този оптимален интервал, нежелани химични реакции протичат по-бързо, вътрешното съпротивление нараства и напрежението просто не остава стабилно. Течностните системи за охлаждане дават отлични резултати в този случай, като намаляват температурните разлики между клетките приблизително с 60–70 % спрямо основните пасивни подходи. Това води до значително по-равномерно износване на всички клетки и по-добра обща производителност на системата. Недостатъкът? Тези активни охладителни системи консумират около 8–15 % от общата мощност на акумулаторната система, което компрометира тези подобрения в ефективността. От друга страна, пасивните решения, като например материали с промяна на фазата, изцяло избягват този проблем с енергийната консумация. Обаче те позволяват температурните разлики да нараснат до около 10 градуса по Целзий по време на интензивно използване, което може да доведе до по-бързо остаряване на определени части от акумулатора в сравнение с други. При анализ на реалните изисквания на стандарта UL 9540A решението всъщност зависи от най-важните нужди на конкретната система. Големите мрежови системи, където е критично постоянството на изходната мощност, обикновено използват активно охлаждане, въпреки допълнителните енергийни разходи. По-малките резервни системи обикновено се задоволяват с пасивни методи, тъй като те са по-прости за поддръжка и по-надеждни в дългосрочен план.

Оценка в реално време на състоянието на здравето чрез електрохимични модели с изкуствен интелект

Най-новите електрохимични AI модели комбинират реално време показания на напрежението, измервания на тока и мониторинг на температурата, за да прогнозират състоянието на батерията с точност около 97 %, което надвишава традиционните подходи като простите прагови стойности на напрежението или базовите техники за кулоново преброяване. Тези интелигентни алгоритми могат да забележат признаци на износване дълго преди проблемите всъщност да се проявят на повърхността, като засичат неща като натрупване на литий или химично разлагане в електролитния разтвор приблизително 30–50 цикъла преди зареждане. Когато тези системи се интегрират в софтуера за управление на батерии, те автоматично коригират настройките за охлаждане и режими на зареждане въз основа на това, което се случва вътре в клетките при различни условия. Тази проактивна корекция помага да се намали деградацията на клетките с около 18–22 % при внезапни нужди от мощност. С подобряването на машинното обучение наблюдаваме също така по-малко фалшиви тревоги, като грешките намаляват с около 40 %. Това означава, че батериите не губят енергия за ненужно охлаждане, когато няма реална заплаха, което в крайна сметка удължава техния срок на служба и повишава общата им ефективност.

AI-управлявана оперативна оптимизация на системи за съхранение на енергия в батерии

Обучение чрез подкрепа за адаптивно планиране на зареждане/разреждане въз основа на натоварване, цени и несигурност в прогнозите

Обучението с подкрепа (Reinforcement learning или RL) помага на системите за съхранение на енергия в батерии да планират кога да се зареждат и разреждат, като вземат предвид текущите цени на електричеството, състоянието на електроенергийната мрежа в момента и множество непредсказуеми фактори. Помислете как времето влияе върху колебанията в търсенето или кога слънчевата/ветровата енергия не се произвежда в очакваните обеми. Тези модели за обучение с подкрепа се обучават чрез използване на минали данни, както и на измислени сценарии, които имитират различни условия в мрежата. С течение на времето те непрекъснато подобряват решенията си, за да осигурят максимална стойност, без да нарушават важните правила за безопасна експлоатация на батериите. Например трябва да се избягва прекомерно честото пълно изтощаване на батериите, да се контролира скоростта на зареждане/разреждане и да се гарантира, че температурите остават в безопасни граници. Реални тестове в практиката са показали, че тези интелигентни системи могат да увеличат печалбите с 12 % до почти 18 % спрямо традиционните методи за планиране. Как? Доста просто – те изчакват скъпите ценови вълни, преди да започнат зареждането, а след това стратегически освобождават натрупаната енергия, когато мрежата е под натиск или когато цените достигнат високи нива. Това, което прави този подход особен, е способността му да управлява несигурността, без да нанася щети на самата батерия. Операторите вече не са принудени да избират между защитата на своето оборудване и бързото реагиране на промените на пазара.

Натрупване на стойност: Интегриране на арбитраж на енергия, резерв за контрол на честотата (FCR) и автоматизиран резерв за възстановяване на честотата (aFRR)

Натрупването на стойност използва изкуствен интелект, за да обедини няколко мрежови услуги – като енергиен арбитраж, резерв за контрол на честотата (FCR) и автоматизиран резерв за възстановяване на честотата (aFRR) – в една и съща батерийна система за съхранение на енергия. Арбитражът по същество използва часовите разлики в цените на пазара. Междувременно FCR се задейства при миниатюрни промени в честотата, които възникват за секунди, докато aFRR се занимава с останалото след отстраняването на по-сериозните проблеми, обикновено в рамките на около 5 до 15 минути. Цялата система разполага с „интелигентен мозък“ на базата на изкуствен интелект, който управлява количеството налична мощност във всеки един момент, като гарантира, че FCR има приоритет, когато мрежата започне да проявява нестабилност, но превключва към арбитраж, когато предварително се очакват благоприятни цени. Компаниите съобщават за увеличение на приходите с 20 % до 40 % в сравнение с използването само на една услуга, като нямат нужда да се безпокоят от превишаване на граничните стойности за безопасност или от ускорено остаряване на батериите. Стандартни организации като UL 1973 и IEEE 1547-2018 също потвърждават това, показвайки, че при правилно прилагане натрупването на стойност добавя само около 2 % допълнително износване на батерийните клетки с течение на времето.

Най-добрите практики за интеграция на хардуера за постигане на цялостна ефективност на системите за съхранение на енергия в батерии

Добре съвместимите хардуерни компоненти са наистина важни, ако искаме да постигнем добра ефективност и производителност на цялата система в продължение на целия ѝ жизнен цикъл. Когато компоненти като батерии, преобразуватели на мощност и системи за охлаждане действително сътрудничат правилно, те оказват значително влияние върху количеството енергия, загубена по време на преноса. Например недостатъчно дебелите кабели или дългите постояннотокови шини могат да предизвикат загуби от около 3 % — нещо, което никой не желае да види в своята сметка. А когато инверторите комуникират с системите за управление на батериите на различни „езици“ (по същество), това принуждава системите да работят консервативно, което означава, че извежданата полезна мощност е по-малка, отколкото би трябвало да бъде. Експертите от индустрията препоръчват да се поддържат постояннотоковите връзки къси, за да се избегнат спадове на напрежението, да се използват стандартизирани комуникационни протоколи CAN FD или Ethernet, за да се осигури свръхбърза комуникация между всички компоненти, и да се проектират корпуси с подходящи канали за въздушен поток, съответстващи на местата, където се натрупва топлина. Големите производители са тествали тези решения в течение на години и системите, изградени по този начин, обикновено запазват около 92 % ефективност при цикъл на зареждане и разреждане дори след хиляди цикли, в сравнение с едва 85 % за системи, сглобени безсистемно. За големи инсталации използването на сертифицирани според UL 9540 връзки между стойките подобрява взаимодействието между компонентите, намалява грешките при монтажа и помага да се избегнат досадните загуби на ефективност до 15 %, които твърде често възникват при опитите за смачкване на върховете на енергийната консумация.

ЧЗВ

Какво е ефективността на цикъла (RTE) в батерийните системи?

Ефективността на цикъла измерва количеството енергия, което се извлича от батерийна натрупваща система в сравнение с енергията, използвана за зареждането ѝ, като се вземат предвид загубите, например падане на напрежението, преобразуване чрез инвертор и допълнителната консумация на енергия от системата за управление на батерията (BMS).

Как Дълбочината на Рязане (DoD) влияе на живота на батерията?

Високите нива на дълбочина на разреждане могат да ускорят износването на електродите, което води до значително намаляване на броя на използваемите цикли и на общия срок на служба на батерията. Поддържането на умерена дълбочина на разреждане удължава живота на батерията.

Какви са предимствата от използването на изкуствен интелект в батерийните енергийни системи?

Изкуственият интелект подобрява батерийните системи, като оптимизира графиците за зареждане/разреждане и прогнозира състоянието на здравето на батерията, което повишава ефективността, удължава живота на батерията и максимизира финансовата рентабилност.

Каква е разликата между активното и пасивното охлаждане в батерийните системи?

Активното охлаждане, макар и по-ефективно за поддържане на еднородни температури, консумира повече енергия, докато пасивното охлаждане е по-икономично по отношение на енергията, но допуска по-голяма температурна вариация между клетките.