Razumijevanje osnovnih mjera učinkovitosti u sustavima za pohranu energije u baterijama

Učinkovitost povratnog putovanja: Kvantificiranje gubitaka od pada napona, pretvaranja pretvarača i nadčlanog troška BMS-a

Učinkovitost povratka, ili RTE, u osnovi nam govori koliko energije povratimo iz sustava za skladištenje baterije u usporedbi s onim što je ušlo pri punjenju. Postoji nekoliko načina na koje se energija gubi na putu. Prvo, postoji pad napona uzrokovan unutarnjim otporom unutar samih baterija, koji troši oko 5 do 15% kao toplinu. Zatim dolazi proces pretvaranja između stalne struje i izmjenjene struje kroz pretvarače, obično gubitkom još 3 do 8% ovisno o postavci i opterećenju. I ne zaboravite na sve pozadinske radove koje radi sustav za upravljanje baterijama za stvari poput praćenja ćelija, održavanja njihove ravnoteže i osiguranja sigurnosnih protokola - to zauzima otprilike 1 do 3%. Kada se kombiniraju, ovi faktori smanjuju ukupnu RTE na negdje između 80 i 95% u današnjim litijum-jonskim sustavima. Dobra vijest je da proizvođači mogu poboljšati performanse prilagođavanjem kemije stanica, kao što je prelazak na LFP materijale koji nude bolju provodljivost, i kombiniranje onih s novijim silicijumskim karbidnim pretvaračima koji troše manje energije. Time se ne samo smanjuje potrošnja energije nego i produžava trajanje sustava prije nego što ih treba zamijeniti.

U skladu s člankom 3. stavkom 2.

Upravljanje dubinom pražnjenja (DoD) zajedno s C-rate-om je stvarno važno za održavanje učinkovitosti baterija dok traju duže. Ako se pretvori u 80% DoD, elektrode se ubrzavaju, što znači da baterija neće izdržati toliko ciklusa kao kod 60% DoD. Razlika može biti prilično značajna, negdje između 30 i 50% manje upotrebljivih ciklusa. A ako pomaknemo stopu pražnjenja preko 1C, stvari se pogoršavaju jer se više topline nakuplja i ovi dosadni gubitci polarizacije se pojavljuju, smanjujući učinkovitost povratka za oko 8 do 12%. Većina istraživanja ukazuje na idealan raspon negdje između 0,5 i 0,8 C razine pražnjenja u kombinaciji s DOD razine od 60 do 80%. Ova slatka točka pomaže u održavanju fizičke strukture litijum-jonskih elektroda i zadržava zadržavanje kapaciteta iznad 90% čak i nakon što prođe kroz 4.000 ciklusa punjenja. Ugradite dobre sustave upravljanja toplinom i ovi parametri će se dobro održavati bez obzira na to kakva opterećenja sustav doživljava ili promjene vanjskih temperaturnih uvjeta.

Strategije upravljanja toplinom za dugoročnu učinkovitost sustava za pohranu energije u baterijama

Aktivno i pasivno hlađenje: utjecaj na jednakoću stanica, brzinu degradacije i stabilnost RTE-a

Državanje baterija između 25 i 35 stupnjeva Celsusa je jako važno. Kada temperature isplovljavaju izvan ove slatke točke, neželjene kemijske reakcije ubrzavaju, unutarnji otpor raste, a napon jednostavno neće ostati stabilan. Sistem hladnjače tekućinom radi čuda ovdje, smanjujući temperaturne razlike između stanica za otprilike 60 do 70 posto u usporedbi s osnovnim pasivnim pristupima. To dovodi do mnogo ravnomjernije nošenja u svim stanicama i boljeg ukupnog učinka sustava. -Njegova loša strana? Ovi aktivni uređaji za hlađenje troše oko 8 do 15 posto ukupnog kapaciteta sustava za skladištenje baterije, što smanjuje poboljšanje učinkovitosti. S druge strane, pasivne opcije poput materijala za promjenu faze potpuno izbjegavaju ovaj problem potrošnje energije. No, oni dopuštaju temperaturne razlike da se grade do oko 10 stupnjeva Celzijusa tijekom perioda teške upotrebe, što može uzrokovati da neki dijelovi baterije stariju brže od drugih. Ako pogledamo što UL 9540A standardi zapravo zahtijevaju, to se zapravo svodi na ono što sustav najviše treba. Operatije na velikom nivou mreže gdje je dosljedna proizvodnja važna imaju tendenciju ići s aktivnim hlađenjem unatoč dodatnim troškovima energije. Manji backup sustavi obično se drže pasivnih metoda jer su jednostavniji za održavanje i općenito pouzdaniji tijekom vremena.

U realnom vremenu procjena stanja zdravlja pomoću elektrohemijskih modela s umjetnom inteligencijom

Najnoviji elektrokemijski modeli veštačke inteligencije kombinuju čitanje napona, mjerenje struje i praćenje temperature kako bi predvidjeli stanje baterije s oko 97% točnosti, što nadmašuje tradicionalne pristupe poput jednostavnih pragova napona ili osnovnih tehnika brojanja kulona. Ovi pametni algoritmi mogu uočiti znakove habanja mnogo prije nego se problemi pojave na površini, otkrivajući stvari poput nakupljanja litijuma ili kemijskog razgradnje u elektrolitnom rastvoru oko 30 do 50 ciklusa punjenja prije vremena. Kada se ti sustavi integrisu u softver za upravljanje baterijom, automatski mijenjaju postavke hlađenja i rutinske punjenje na temelju onoga što se događa unutar ćelija pod različitim uvjetima. Ovo proaktivno podešavanje pomaže u smanjenju razgradnje stanica za otprilike 18 do 22% prilikom rješavanja iznenadnih potreba za energijom. Kako se strojno učenje nastavlja poboljšavati, vidimo manje lažnih alarma, s stope grešaka koje padaju za oko 40%. To znači da baterije ne troše energiju na nepotrebno hlađenje kada ne postoji stvarna prijetnja, što ih na kraju čini dužim, dok rade učinkovitije.

U skladu s člankom 3. stavkom 1.

Učenje o pojačanju za prilagodljivo rasporedanje punjenja/izbacivanja na temelju opterećenja, cijene i neizvjesnosti prognoze

Učenje pojačanja ili RL pomaže sustavima za skladištenje energije baterije da zakažu kada će se puniti i prazniti na temelju trenutnih cijena struje, onoga što se događa u mreži i svih vrsta nepredvidivih faktora. Razmislite o tome kako vrijeme utječe na fluktuacije potražnje ili kada solarna/vjetro energija ne proizvodi kako se očekuje. Ovi RL modeli se treniraju koristeći prošle podatke plus izmišljene scenarije koji oponašaju različite uvjete mreže. Oni se s vremenom odlučuju bolje kako bi dobili što veću vrijednost, a istovremeno slijede važna pravila o tome kako baterije trebaju sigurno raditi. Naprimjer, moraju izbjegavati previše često iscrpljivanje baterija, kontrolirati brzinu punjenja/izbacivanja i osigurati da temperature ostanu unutar sigurnih raspona. Testovi su pokazali da ti pametni sustavi mogu povećati profit od 12 do 18 posto u usporedbi s starim metodama planiranja. -Kako? -Ne znam. Jednostavno je - čekaju skupe poraste cijena prije nego što se naplate, a zatim strategijski oslobađaju pohranjenu energiju kada je mreža pod pritiskom ili kada cijene skoče kroz krov. Ono što ovaj pristup čini posebnim je njegova sposobnost da se nosi s neizvjesnošću bez oštećenja same baterije. Operatori više ne moraju birati između zaštite opreme i brzog odgovora na promjene na tržištu.

U skladu s člankom 3. stavkom 1. točkom (a) ovog članka, za sve proizvode koji se upotrebljavaju u proizvodnji električne energije, za koje se primjenjuje odredba o emisiji energije, za koje se primjenjuje odredba o emisiji energije, za koje se primjenjuje odredba o emisiji energije, za koje se primjenjuje

Value stacking koristi umjetnu inteligenciju za spajanje nekoliko mrežnih usluga kao što su energetska arbitraža, rezerve za kontrolu frekvencije (FCR) i rezerve za automatizirano vraćanje frekvencije (aFRR) sve unutar jednog sustava za skladištenje energije baterija. Arbitraža u osnovi koristi te hourly razlike u cijenama na tržištu. U međuvremenu, FCR se aktivira kada se ove sitne promjene frekvencije dogode u roku od nekoliko sekundi, a aFRR se onda bavi onim što je ostalo nakon što se većini problema riješi, obično u roku od 5 do 15 minuta. Cijeli sustav ima AI mozak koji upravlja koliko energije je dostupna u svakom trenutku, osiguravajući FCR dobiva prioritet kada mreža počne djelovati, ali prelazi na arbitražu kada cijene izgledaju dobro unaprijed. Tvrtke izvješćuju da vide 20 do 40 posto više novca u poređenju s samo jednom uslugom, i ne moraju brinuti o prekršaju sigurnosnih granica ili baterije se troše brže nego obično. Tijela za standarde poput UL 1973 i IEEE 1547-2018 također to podupiru, pokazujući da kada se pravilno radi, postavljanje vrijednosti samo dodaje oko 2% dodatne habanje na baterijske ćelije tijekom vremena.

U skladu s člankom 3. stavkom 1.

Da bi hardverske komponente dobro funkcionirale zajedno, jako je važno ako želimo dobru dugoročnu učinkovitost i performanse tijekom cijelog života sustava. Kada dijelovi poput baterija, pretvarača energije i sustava hlađenja zapravo surađuju kako treba, oni čine veliku razliku u količini energije koja se gubi na putu. Uzmimo podrazmerno ožičenje ili duge DC busbars na primjer, to može stvoriti gubitke od oko 3%, nešto što nitko ne želi vidjeti na svom računu. A kada pretvarači razgovaraju s sustavima upravljanja baterijama koristeći različite jezike, to primorava sustave da rade konzervativno, što znači da se manje korisne energije ispušta nego što bi trebalo biti moguće. Stručnjaci iz industrije preporučuju da se te DC veze održavaju kratke kako bi se izbjegli padovi napona, da se koriste standardizirane CAN FD ili Ethernet komunikacije tako da sve govori na brzini munje, i da se grade ograde s odgovarajućim kanalima protoka zraka koji odgovaraju mjestu gdje se toplina nakuplja. Veliki proizvođači su testirali ove stvari tijekom vremena, i sustavi izgrađeni na ovaj način imaju tendenciju da zadrže oko 92% učinkovitost povratka i povratka čak i nakon tisuća ciklusa punjenja, u usporedbi sa samo 85% za sustave sastavljene nasumično. Za velike instalacije, korištenje UL 9540 certificiranih spojeva između regala omogućuje bolje zajedničko funkcioniranje, smanjuje pogreške pri postavljanju i pomaže izbjeći one frustrirajuće gubitke učinkovitosti od 15% koje se često događaju pri pokušaju smanjenja vrhunaca potražnje.

Česta pitanja

U slučaju sustava s baterijama, što je učinkovitost povratnog putovanja (RTE)?

U skladu s člankom 3. stavkom 1. točkom (a) Uredbe (EU) br. 528/2012 Europskog parlamenta i Vijeća od 25. travnja 2012. o utvrđivanju standarda za proizvodnju električne energije za električnu energiju (SL L 347, 20.12.2012., str.

Kako dubina pražnjenja utječe na trajanje baterije?

U slučaju da se radi o električnom gorivu, potrebno je utvrditi razinu i razinu otpuštanja. Održavanje umjerene DoD produžava dugotrajnost baterije.

Koje su prednosti korištenja umjetne inteligencije u sustavima za energiju baterije?

AI poboljšava sustave baterija optimiziranjem rasporeda punjenja/izbacivanja i predviđanjem stanja zdravlja, čime se poboljšava učinkovitost, produžava životnost baterije i maksimizira financijski povrat.

Koja je razlika između aktivnog i pasivnog hlađenja u sustavima s baterijama?

Aktivno hlađenje, iako učinkovitije u održavanju jednake temperature, troši više energije, dok je pasivno hlađenje energetski konzervativno, ali omogućuje veću varijancu temperature među stanicama.