Veröffentlicht am

Elektrische Energiespeicherung

Elektrischer Energiespeicherung (EES) ist der Prozess der Umwandlung elektrischer Energie aus einem Stromnetz in stabile Energieform, um sie bei Bedarf wieder in Elektrizität umwandeln zu können. EES ermöglicht die Stromerzeugung in Zeiten geringer Nachfrage, niedriger Erzeugungskosten oder während der Spitzenzeiten erneuerbarer Energieerzeugung. Auf diese Weise können Erzeuger und Übertragungsnetzbetreiber (ÜNB) die Unterschiede bei Angebot und Nachfrage im Hinblick auf die Erzeugungskosten wirksam nutzen und ausgleichen. In Zeiten hoher Nachfrage, hoher Erzeugungskosten und/oder geringer Erzeugungskapazität werden diese Faktoren durch gespeicherten Strom ausbalanciert.

EES hat viele Anwendungen, einschließlich Integration erneuerbarer Energien, Nebendienstleistungen und Stromnetzunterstützung. Diese Blog-Reihe soll dem Leser vier Aspekte von EES vermitteln:

  1. Ein Überblick über die Funktionen und Anwendungen von EES-Technologien,
  2. Aufschlüsselung der wichtigsten EES-Märkte in der EU nach dem neuesten Stand der Technik,
  3. Eine Diskussion über die Zukunft dieser EES-Märkte und
  4. Anwendungen, d.h Serviceanwendungen, von EES.

Tabelle: Einige gebräuchliche Dienstverwendungen von EES-Technologien

Speicherkategorie

Speichertechnologie

Wasserspeicher

Speicherkraftwerke

Pumpspeicherkraftwerke

Elektrochemische Speicher

Batterieen

(Redox)-Flußbatterien

Kondensatoren

Wärmespeicher

Salzschmelze

Wärmespeicher

Kältespeicher

Elektromechanische Speicher

Schwerkraft

Luftdruckspeicher

Schwungräder

Wasserstoffspeicher

Brennstoffzellen

H2-Speicher

Power-to-Gas

Im Gegensatz zu anderen Rohstoffmärkten verfügt die Stromindustrie in der Regel nur über geringe oder gar keine Speicherkapazitäten. Strom muss genau zum Zeitpunkt seiner Erzeugung verbraucht werden, wobei die Netzbetreiber Angebot und Nachfrage ständig in Einklang bringen. Mit einem ständig wachsenden Marktanteil von intermittierenden erneuerbaren Energiequellen wird dieser Balanceakt immer schwieriger.

Während EES bekannt für den Ausgleich von Versorgungsschwankungen, z.B. bei der Erzeugung erneuerbarer Energien, ist, gibt es viele andere Anwendungen. EES ist für den sicheren und zuverlässigen Betrieb des Stromnetzes von entscheidender Bedeutung, da sie wichtige Zusatzdienste und -funktionen zur Verbesserung der Zuverlässigkeit des Stromnetzes bereitstellt. ES ist in allen wichtigen Bereichen des Stromnetzes anwendbar (Erzeugung, Übertragung und Verteilung sowie Endnutzerdienste). Einige der am häufigsten genutzten Dienste sind in der obigen Tabelle aufgeführt. Weitere Erläuterungen zur Verwendung von Speicherdiensten werden später in diesem Blog bereitgestellt, einschließlich einer umfassenden Liste der EES-Anwendungen.

Gebiet

Dienstleistung

Entladedauer in h

Kapazität in MW

Beispiele

Bereitstellung

Großspeicher

4 – 6

1 – 500

Pumpspeicher,
CAES, Batterien

Notfallspeicher

1 – 2

1 – 500

Pumpspeicher,
CAES, Batterien

Schwarzstart

Keine
Angaben

Keine
Angaben

Batterien

Stabilisierung erneuerbarer Energie

2 – 4

1 – 500

Pumpspeicher,
CAES, Batterien

Übertragung
& Verteilung

Frequenz- und Spannungsstabilisierung

0,25 – 1

1 – 10

Schwungräder,
Kondensatoren

Übertragungsstabilisierung

2 – 5 Sek.

10 – 100

Schwungräder,
Kondensatoren

Vor-Ort-Versorgung

8 – 16

1,5 kW – 5 kW

Batterien

Bestandsschutz

3 – 6

0,25 – 5

Batterien

Endkundenservice

Energieverwaltung

4 – 6

1 kW – 1 MW

Hausspeicher

(Jon Martin, 2019)

Veröffentlicht am

Intelligente Batterien durch künstliches Lernen

Erneuerbare Energie, z.B. Wind- und Solarenergie stehen nur intermediär zur Verfügung. Um das Ungleichgewicht zwischen Angebot und Nachfrage auszugleichen, können unter anderem Batterien von Elektrofahrzeugen aufgeladen werden und so als Energiepuffer für das Stromnetz fungieren. Autos verbringen den größten Teil ihrer Zeit im Stand und könnten ihren Strom in das Stromnetz zurückspeisen. Dies ist zwar zur Zeit noch Zukunftsmusik aber Vermarktung von Elektro- und Hybridfahrzeugen verursacht in jedem Fall eine wachsende Nachfrage nach langlebigen Batterien, sowohl für das Fahren  als auch als Netzpufferung. Methoden zur Bewertung des Batteriezustands werden dadurch zunehmend an Bedeutung an Bedeutung gewinnen.

Die lange Testdauer des Akkzustands ist ein Problem, das die rasche Entwicklung neuer Akkus behindert. Bessere Methoden zur Vorhersage der Akkulebensdauer werden daher dringend benötigt, sind jedoch äußerst schwierig zu entwickeln. Jetzt berichten Severson und ihre Kollegen im Fachjournal Nature Energy, daß künstliches Lernen bei der Erstellung von Computermodellen zur Vorhersage der Akkulebensdauer helfen kann. Dabei werden Daten aus Lade- und Entladezyklen frühen Stadien verwendet.

Normalerweise beschreibt eine Gütezahl den Gesundheitszustand eines Akkus. Diese Gütezahl quantifiziert die Fähigkeit des Akkus, Energie im Verhältnis zu seinem ursprünglichen Zustand zu speichern. Der Gesundheitszustand ist 100%, wenn der Akku neu ist und nimmt mit der Zeit ab. Das aehnelt dem Ladezustand eines Akkus. Das Abschätzen des Ladezustands einer Batterie ist wiederum wichtig, um eine sichere und korrekte Verwendung zu gewährleisten. In der Industrie oder unter Wissenschaftlern besteht jedoch kein Konsens darüber, was genau Gesundheitszustand ist oder wie es bestimmt werden sollte.

Der Gesundheitszustand eines Akkus spiegelt zwei Alterserscheinungen wider: fortschreitender Kapazitätsabfall sowie fortschreitende Impedanzerhöhung (ein anderes Maß für den elektrischen Widerstand). Schätzungen des Ladezustands eines Akkus müssen daher sowohl den Kapazitätsabfall als auch den Impedanzanstieg berücksichtigen.

Lithiumionenbatterien sind jedoch komplexe Systeme in denen sowohl Kapazitätsschwund als auch Impedanzanstieg durch mehrere wechselwirkende Prozesse hervorgerufen werden. Die meisten dieser Prozesse können nicht unabhängig voneinander untersucht werden, da sie oft parallel stattfinden. Der Gesundheitszustand kann daher nicht aus einer einzigen direkten Messung bestimmt werden. Herkömmliche Methoden zur Abschätzung des Gesundheitszustands umfassen die Untersuchung der Wechselwirkungen zwischen den Elektroden einer Batterie. Da solche Methoden oft in das System „Batterie“ direkt eingreifen, machen sie den Akku unbrauchbar, was wohl selten gewünscht ist.

Der Gesundheitszustand kann aber auch auf weniger invasive Weise mithilfe adaptive Modelle und experimentelle Techniken bestimmt. Adaptive Modelle lernen aus aufgezeichneten Akkuleistungsdaten und passen sich dabei selbst an. Sie sind nützlich, wenn keine systemspezifischen Informationen zum Akku verfügbar sind. Solche Modell eignen sich zur Diagnose der Alterungsprozessen. Das Hauptproblem besteht jedoch darin, daß sie mit experimentellen Daten trainiert werden müssen, bevor sie zur Bestimmung der aktuellen Kapazität einer Batterie verwendet werden können.

Experimentelle Techniken werden verwendet, um bestimmte physikalische Prozesse und Ausfallmechanismen zu bewerten. Dadurch kann die Geschwindigkeit des zukünftigen Kapazitätsverlusts abgeschätzt werden. Diese Methoden können jedoch keine zeitweilig auftretenden Fehler erkennen. Alternative Techniken nutzen die Geschwindigkeit der Spannungs-  oder Kapazitätsänderung (anstelle von Rohspannungs- und Stromdaten). Um die Entwicklung der Akkutechnologie zu beschleunigen, müssen noch weitere Methoden gefunden werden, mit denen die Lebensdauer der Batterien genau vorhergesagt werden kann.

Severson und ihre Kollegen haben einen umfassenden Datensatz erstellt, der die Leistung von 124 handelsüblichen Lithiumionenbatterien während ihrer Lade- und Entladezyklen umfaßt. Die Autoren verwendeten eine Vielzahl von Schnelladebedingungen mit identische Entladungen, um die Lebensdauer der Batterien zu ändern. In den Daten wurde eine breite Palette von 150 bis 2.300 Zyklen erfaßt.

Anschließend analysierten die Forscher die Daten mithilfe von künstliches Lernalgorithmen und erstellten dabei Modelle, mit denen sich die Lebensdauer der Akkus zuverlässig vorhersagen lässt. Bereits nach den ersten 100 Zyklen jedes experimentell charakterisierten Akkus zeigten diese deutliche Anzeichen eines Kapazitätsschwunds. Das beste Modell konnte die Lebensdauer von etwa 91% der in der Studie untersuchten vorhersagen. Mithilfe der ersten fünf Zyklen konnten Akkus in Kategorien mit kurzer (<550 Zyklen) oder langer Lebensdauer eingeordnet werden.

Die Arbeit der Forscher zeigt, daß datengetriebene Modellierung durch künstliches Lernen ein zur Vorhersage des Gesundheitszustands von Lithiumionenbatterien ist. Die Modelle können Alterungsprozesse identifizierten, die sich in frühen Zyklen nicht in Kapazitätsdaten manifestieren. Dementsprechend ergänzt der neue Ansatz die bisheringen Vorhersagemodelle. Bei Frontis Energy sehen wir aber auch die Möglichkeit, gezielt generierte Daten mit Modellen zu kombinieren, die das Verhalten anderer komplexer dynamischer Systeme vorherzusagen.

(Foto: Wikipedia)

 

Veröffentlicht am

Eine haltbare Aluminium-Luft-Batterie

Nicht wiederaufladbare Batterien, die auf eine Reaktion zwischen Aluminium und Sauerstoff angewiesen sind, können mehr Energie als herkömmliche Lithium-Ionen-Akkus speichern. Die größte Einschränkung solcher Aluminium-Luft-Batterieen ist deren kurze Haltbarkeit. Ein besseres Batteriedesign könnte helfen, diese Einschränkung zu beseitigen. Aluminium-Luft-Batterieen basieren auf der Eigenschaft des Alumiums zu korrodieren, was auch genau deren Schwachstelle ist:

4 Al + 3 O2 + 6H2O → 4 Al(OH)3

Wenn eine Aluminium-Luft-Batterie nicht verwendet wird, korrodieren ihre Elektroden, wodurch eine unerwünschte elektrische Entladung verursacht wird. Diese Selbstentladung verkürzt die Lebensdauer der Batterie erheblich. Brandon Hopkins vom Massachusetts Institute of Technology in Cambridge und seine Kollegen entwickelten eine Aluminium-Luft-Batterie, bei der während des Betriebs ein herkömmlicher Elektrolyt verwendet wird. Während der Lagerung jedoch, wird der Elektrolyt durch Öl ersetzt. Den Artikel veröffentlichten die Wissenschaftler im Fachblatt Science.

Die Batterie erreicht eine Speicherkapazität von fast 900 Wattstunden pro Kilogramm. Damit ist der Prototyp mit anderen Aluminium-Luft-Batterieen vergleichbar. Durch den Korrosionschutz erhöht sich die Lagerzeit allerdings um das 10.000-fache . Die Autoren schlagen vor, daß eine solche Batterie in Drohnen mit großer Reichweite und zur Stromerzeugung außerhalb des Stromnetzes verwendet werden könnte. Bei Frontis Energy denken wir, daß Batterieen mit hoher Speicherkapazität und Haltbarkeit fast überall eingesetzt werden können, so z.B. auch für Sensoren.

(Foto: George Hodan)

Veröffentlicht am

Nanokristalle aus Kobalt lassen Lithiumionen-Batterien langsamer altern

In modernen wiederaufladbaren Lithiumionen-Batterien (Akkus) verbessern Kobaltoxidkathoden die Leistung und Haltbarkeit. Allerdings sind solche Kobaltkathoden bei gleicher Leistung teurer als Nickeloxidkathoden. Nickelkathoden werden wiederum schnell brüchig, was sich negativ auf die Lebensdauer von Akkus auswirkt. Dennoch erfreuen sich Nickelkathoden wegen ihres günstigen Preises großer Beliebtheit.

Nun ist es dem Forscherteam um Jaephil Cho vom Ulsan National Institute of Science and Technology in Südkorea gelungen, eine Kathode zu entwickeln, die zu mehr als 80% aus Nickel besteht. Die Forscher berichteten im Fachmagazin Energy & Environmental Science, daß eine Kathode, die mit Nanokristallen aus Kobalt beschichtet wurde, langsamer alterte, als herkömmliche Nickelkathoden. Nach 400-maligem Wiederaufladen bei Raumtemperatur konnte die Batterie 86% ihrer ursprünglichen Kapazität behalten.

Die neuartigen Nickelkathoden könnten dazu beitragen, die wachsende Nachfrage nach wiederaufladbaren Batterien in Elektrofahrzeugen zu befriedigen, falls die Kobaltpreise zukünftig steigen.

(Foto: Wikipedia)