Entwurf und Simulation eines grünen Energienetzes

Spielen Sie hier mit der Sim: https://griddesigner.dev

Haben Sie sich jemals gefragt, wie schwierig die Umstellung auf grüne Energie sein wird? 🌍

• Was genau müssen wir bauen?
• Wie viel wird es kosten?
• Brauchen wir Batterien?
• Wird ein erneuerbares Netz zuverlässig sein?

Da Energie- und Klimathemen kaum in den Nachrichten zu finden sind, begann ich, mir diese Fragen zu stellen. Als ich mehr erfuhr, begann ich darüber nachzudenken, wie unser Energiesystem und unsere Entscheidungen in Software modelliert werden könnten.

Das Ergebnis dieser Erkundung ist Grid Designer – ein einfaches Spiel, mit dem Sie Ihr ideales grünes Energienetz entwerfen und es anhand realer Energiebedarfs- und Wetterdaten in Großbritannien testen können. Es funktioniert am besten auf Mobilgeräten und Sie können es hier ausprobieren.

Das Schöne an der Entwicklung von Software zur Lösung eines Problems ist, dass wir das Problem tief genug verstehen müssen, um es im Code beschreiben zu können. In diesem Artikel wird erläutert, wie die Simulation erstellt wurde und wie wir klarer über Energiequellen nachdenken können: ihre Vorteile, Kompromisse und Kosten.

Das Ziel: Null Kohlenstoff, 100 % Betriebszeit

Nur grüne Energie 🌱

Wenn wir unsere Klimaziele erreichen wollen, müssen wir unser Stromsystem kohlenstofffrei gestalten. Nicht überwiegend grün , nicht annähernd null – null .

Daher konzentriert sich das Modell ausschließlich auf skalierbare CO2-freie Energiequellen:

• Solar ☀️ (Photovoltaik)

• Wind 💨 (Onshore & Offshore),

• Kern ⚛️ (Spaltung)

• Batterien/Speicher 🔋

  
  

Andere Quellen wie Wasserkraft und Geothermie können nur an sehr ausgewählten Orten eingesetzt werden und sind daher ausgeschlossen. Gleiches gilt für theoretische Technologien wie Fusion – so spannend sie auch sein mögen, mein Fokus liegt auf den plausibelsten Lösungen für die Klimakrise.

Zuverlässigkeit ist das A und O 💡

Wir benötigen außerdem eine 100-prozentige Verfügbarkeit unseres Netzes . Die Zivilisation sollte und wird keinen Rückschritt im Lebensstandards dulden. Wenn unser grünes Energiesystem die Nachfrage nicht decken kann, müssen wir mit einem Rückgriff auf fossile Brennstoffe und einem Scheitern des CO2-Null-Ziels rechnen. Gemeinden dulden weder Stromausfälle noch Rationierung. Wir müssen auf Fülle optimieren.

Stündliche Auflösung 🕑

Angesichts der schnellen Nachfrageschwankungen und der Schwankungen einiger erneuerbarer Energiequellen wollte ich das System in hoher Auflösung modellieren. Das bedeutet jede Stunde ein ganzes Jahr lang.

Vereinigtes Königreich 🇬🇧

Der Simulator konzentriert sich auf das Vereinigte Königreich, die Software kann jedoch auf jedes Land oder jede Ländergruppe (Import- und Exportmacht einer Nation) angewendet werden.

Budgets 💰

Die Simulation umfasst ein imaginäres Budget von 400 Milliarden Pfund. Diese Zahl ist ziemlich willkürlich und soll sicherstellen, dass die Spieler die Kapitalbeschränkungen berücksichtigen. Das Vereinigte Königreich kann keine Billion für sein Stromnetz ausgeben! Komplexe Finanzthemen wie Amortisation, Gerätelebensdauer und Recyclingkosten liegen außerhalb des Rahmens.

Sinnvolle Vereinfachungen & Optimismus 🤞

Wo immer es möglich war, tendierte ich zum Optimismus – sei es hinsichtlich der Kosten oder der Energieausbeute. Diese Simulation konzentriert sich nur auf Stromerzeugung und -verbrauch, d. h. fortgeschrittene Themen wie effiziente Stromübertragung sind nicht enthalten.

Das Ziel besteht nicht darin, ein Ultra-High-Fidelity-Modell zu erstellen, sondern etwas, das genau genug ist, um zum Nachdenken anzuregen und informativ zu sein!

Lass uns anfangen…. ⚡️

0. Nachfrage definieren

Wie viel Strom brauchen wir? Ich konnte eine CSV-Datei mit nationalen Netzdaten aus 10 Jahren erhalten, die in Abständen von 5 m aufgezeichnet wurden. Die Datei war zu groß für Excel (>1 Mio. Zeilen), daher habe ich Python verwendet, um das Jahr 2021 zu isolieren und den durchschnittlichen Bedarf pro Stunde zu berechnen. In JS konvertiert sieht es etwa so aus:

 export const uk_grid_demand_2021 = [ // Jan 1st - each value is avg demand by hour, starting at 00:00. (MWs) [28956, 28183, 27092, 26254, 25416, 25050, 25632, 25740, 26609, 28927, 31482, 33423, 34821, 35424, 35540, 36051, 38430, 40352, 39044, 36578, 34266, 32093, 29887, 27168], // Jan 2... etc ]

Die Nachfrage variiert im Laufe des Jahres und im Laufe des Tages:

Als Nächstes schauen wir uns an, wie wir einzelne Energiequellen modellieren können: Solarenergie, Wind, Kernenergie, Speicherung und fossile Brennstoffe….

1. Modellierung der Solarenergie

 solar: { name: 'Solar', unit: 'hectares', unitToMw: 1.2, // 1.2 hectares = 1 MWp capex_per_mw: 0.92, // Million USD per MWp opex_per_mw: 0.017, }

Die Fläche ist die entscheidende Einheit, die bei der Skalierung von Solarenergie berücksichtigt werden muss. Während wir unser Netz entwerfen, definieren wir die Anzahl der Solarmodule, die wir in Hektar benötigen.

Solarmodule haben eine „Nennleistung“, die durch die Einheit Megawatt peak (MWp) definiert wird. Eine Solaranlage mit einer Leistung von 1 MWp kann unter idealen Bedingungen 1 MW elektrische Leistung erzeugen. Die tatsächliche Ausgabe hängt von Faktoren wie Breitengrad, Ausrichtung und Wetter ab. Von diesen ist der Spielraum bei der Gestaltung eines Rasters am wichtigsten : Ein in Südfrankreich platziertes Panel wird seiner „Nennleistung“ viel näher kommen als dasselbe Panel, das in Schottland platziert ist.

Bei Grid Designer bin ich davon ausgegangen, dass wir unsere Solarmodule ausschließlich im Süden Englands platzieren, wo die meiste Solarenergie verfügbar ist. Basierend auf Regierungsangaben gehen wir davon aus, dass pro 1 MWp an Modulen 1,2 ha Land benötigt werden.

Solar Rated Capacity (MW) = Area in Hectares * 1.2

Zur Berechnung der stündlichen Leistung nutzen wir Daten aus dem Global Solar Atlas

Sie werden feststellen, dass die Leistungsabgabe im Laufe des Tages und im Laufe des Jahres schwankt. In den kurzen Dezembertagen werden unsere Solarparks nur ein Zehntel der Energie liefern, die sie im Sommer liefern. Im Hochsommer produzieren unsere Solarmodule mittags etwa die Hälfte ihrer Nennleistung.

Der Simulator verwendet die oben genannten Daten, um die stündliche Leistung für jeden Tag im Jahr zu berechnen: Output = solarOutput[month][hour] * MWp

Beispielausgabe:

Hinweis: Sie können die britische Solarleistung in Echtzeit auf der Solar-Website der University of Sheffield einsehen.

Die Kosten für Solar

Die Kosten für PV-Solarmodule sind in den letzten 20 Jahren drastisch gesunken und Solarenergie wird für ihre sehr niedrigen Betriebskosten gefeiert. Unsere Capex- und Opex-Zahlen stammen aus den Prognosen des National Renewable Energy Lab für 2025.

Beachten Sie, dass wir nur große Solaranlagen für realisierbar halten. Solaranlagen auf Dächern sind pro MWp mindestens doppelt so teuer wie Solarparks im Versorgungsmaßstab, und es steht nicht genügend geeignete Dachfläche zur Verfügung, um die Nachfrage auf nationaler Ebene zu decken. Ebenso sind Panels, die in höheren Breiten platziert werden, deutlich weniger kosteneffektiv als solche im Süden.

Schließlich schließen die Finanzschätzungen für Solar die Landkosten aus , die angesichts der benötigten Flächen in Orten wie Kent und Cornwall erheblich sein werden! Das Modell berücksichtigt auch nicht die ökologischen und biologischen Kosten der Umnutzung von Ackerland und Hecken für Panels.

Zusammenfassung:

• Die Solarmenge wird in Hektar angegeben
• Fläche wird in MWp umgerechnet
• Die stündliche Leistung wird anhand monatlicher Referenzdaten für Südengland berechnet. Es wird davon ausgegangen, dass es keine Wolkendecke oder Verluste aufgrund der Temperatur gibt.
• Landkosten und Auswirkungen auf die biologische Vielfalt ausgeschlossen

2. Modellierung der Windkraft

 wind_l: { name: 'Onshore Wind', unit: 'Turbines', unitToMw: 4, // ie 4MW Turbines capex: 1.7, // Million USD per MW opex: 0.02, } wind_os: { name: 'Offshore Wind', unit: 'Turbines', unitToMw: 15, // ie 15 MW Turbines capex_per_mw: 6.04, // Million USD per MW opex_per_mw: 0.12, }

Um den Wind zu modellieren, legen wir die Anzahl der Onshore- und Offshore-Windkraftanlagen fest, die wir bauen möchten. Der Simulator verteilt diese an bestehenden Standorten im gesamten Vereinigten Königreich und nutzt historische Wetterdaten, um die Energieausbeute zu modellieren. Dies geschieht ein ganzes Jahr lang stündlich.

Unsere Onshore- und Offshore-Turbinen basieren auf Open-Source-Informationen des National Renewable Energy Laboratory.

• Onshore-Turbine : 4 MW Nennleistung; 110m Nabenhöhe.
• Offshore-Turbine : 15 MW Nennleistung; 150m Nabenhöhe.

Historische stündliche Windgeschwindigkeitsdaten wurden mithilfe der Wetter-API von Visual Crossing erfasst. Diese Daten wurden in Python verarbeitet und werden der Sim in einer separaten JSON-Datei zur Verfügung gestellt.

Windgeschwindigkeit und Turbinenhöhe

Die Wetterdaten beziehen sich auf die Windgeschwindigkeit, die in einer Höhe von 10 m aufgezeichnet wurde. Allerdings nimmt die Windgeschwindigkeit mit der Entfernung vom Boden zu und ist in der Höhe einer Windkraftanlage höher. Aus diesem Grund haben Turbinen (und Segelschiffe) so hohe Masten: Je höher der Mast, desto mehr Energie steht zur Verfügung . Die Zunahme der Windgeschwindigkeit hängt von der Reibung der umgebenden Oberfläche ab, die als „ Rauheit “ bezeichnet wird ( eine Erklärung finden Sie hier ).

Für unsere Turbinenstandorte an Land haben wir eine Rauheit von 0,055 m angenommen und die Windgeschwindigkeit für eine Turbinennabenhöhe von 110 m angepasst. Für Offshore gehen wir von einer Rauheit von 0,0002 m aus und passen die Windgeschwindigkeit für eine Nabenhöhe von 150 m an. Alle Werte wurden in m/s umgerechnet.

Turbinenleistungskurven

Die Betriebsleistung einer Windkraftanlage wird durch ihre Leistungskurve beschrieben.

Unterhalb der cut-in können sich die Rotorblätter nicht drehen und es wird kein Strom erzeugt. Oberhalb dieser Schwelle folgt die Leistungsabgabe einer Kurve bis zur maximalen Leistung der Turbine. Der Wert, bei dem eine Anlage ihre maximale Leistung erreicht, ist ihre rated wind speed . Turbinen arbeiten weiterhin mit nahezu maximaler Leistung, bis sie ihre cut-out erreichen – das ist die Windgeschwindigkeit, bei der der Rotor bremsen muss, um Schäden zu vermeiden.

Um den Simulator zu erstellen, habe ich die Kurve der Leistungskurve zu einer geraden Linie vereinfacht:

Für Windgeschwindigkeiten über dem cut-in berechnen wir die Leistungsabgabe mithilfe der Formel für eine gerade Linie: y = mx + c , wobei y die Leistung in MW, m der Gradient, x die Windgeschwindigkeit und c das y ist -abfangen.

Die Leistungskurvendaten für unsere simulierten Onshore- und Offshore-Turbinen wurden dem GitHub des NREL entnommen. Die Werte sind im Code wie folgt definiert:

 // Onshore Turbine 4MW, 110m const wl_power_curve = { cut_in: 3.25, // m/s rated: 9.75, cut_out: 25, } // Off-Shore Turbine 15MW, 150m const ws_power_curve = { cut_in: 4, rated: 11, cut_out: 25, }

Windböen, Wartung und Nachlauf (nicht modelliert)

Eine Windböe ist eine kurze Periode erhöhter Windgeschwindigkeit. Die API-Quelldaten enthalten Werte für Böen, die mindestens 25 Sekunden andauerten, und in vielen Fällen sind diese höher als die Windgeschwindigkeit cut-out der Turbine. Allerdings konnte ich keine konsistenten Daten von Herstellern darüber finden, wie genau Turbinen auf Böen reagieren, und habe sie daher aus unserem Modell ausgeschlossen. Wartungsausfallzeiten für Turbinen sind gering (~24 Stunden pro Jahr) und wurden ebenfalls ausgeschlossen.

Moderne Turbinen sind in der Lage, sich in jede Richtung dem Wind zuzuwenden. Daher gehen wir davon aus, dass sie dies sofort und perfekt tun. Wenn Luft über die Oberfläche einer Schaufel strömt, erzeugt sie Turbulenzen oder einen Wirbelstrom , der die Energie verringert, die jeder stromabwärts gelegenen Turbine zur Verfügung steht. Windparks sollen dies minimieren, indem sie die Turbinen so positionieren, dass sie für die vorherrschende (häufigste) Windrichtung optimiert sind. Daher sind diese Effekte normalerweise gering und ich habe sie nicht in das Modell einbezogen.

Auflösung der Windgeschwindigkeit

Im Laufe dieser Arbeit stellte ich zu meiner Überraschung fest, dass es sich bei den Windgeschwindigkeitswerten nicht um Durchschnittswerte handelt . Stattdessen handelt es sich um die höchste anhaltende Windgeschwindigkeit in diesem Zeitraum . Wenn die API also angibt, dass die Windgeschwindigkeit am Dienstag 15 m/s betrug, können wir nur sicher sein, dass dieser Schwellenwert einmal am ganzen Tag aufgezeichnet wurde. Die durchschnittliche Windgeschwindigkeit könnte viel niedriger gewesen sein.

Dies hat wichtige Auswirkungen auf jede Modellierung, da die Verwendung täglicher Windgeschwindigkeitswerte zu erheblichen Überschätzungen der Leistungsabgabe führt . Betrachten Sie das folgende reale Beispiel:

In der roten Linie sehen wir die „tägliche“ Windgeschwindigkeit von 5,3 m/s. Bei stündlicher Nutzung läuft die Turbine mit 30 % ihrer Nennleistung (rot schattierter Bereich). Wenn wir uns jedoch die stündlichen Daten für denselben Tag in Blau ansehen, können wir erkennen, dass die maximal aufgezeichnete Windgeschwindigkeit in den meisten Stunden die Einschaltschwelle der Turbinen nicht erreichte und die insgesamt erzeugte Energie viel geringer war (blau schattierter Bereich). ).

Jede Stunde berechnen wir die Windleistung für jeden Standort wie folgt:

 // installed_mw = number of turbines * MW rating of turbine. const m = 1 / (power_curve.rated - power_curve.cut_in) const c = -1 * m * power_curve.cut_in let output; if (windData[d][h] < power_curve.cut_in) { output = 0 } else if (windData[d][h] > power_curve.cut_out) { output = 0 } else if (windData[d][h] >= power_curve.rated) { output = installed_mw } else { // y = mx + c; x=wind speed, y=power output, c = y-intercept let y = m * windData[d][h] + c // Fraction of rated output output = y * installed_mw } return output

Dieser Code ermittelt den Gradienten ( m ) und den y-Achsenabschnitt ( c ) unserer vereinfachten Leistungskurve. Wenn die Windgeschwindigkeit über dem Einschaltschwellenwert und unter dem Nennschwellenwert liegt, berechnet es den Bruchteil des maximalen Ausgangs ( y ) basierend auf der Windgeschwindigkeit und gibt daraus die Leistung in MW zurück.

Beispielausgabe:

Derzeit liefert der Simulator Daten für nur einen Onshore- und einen Offshore-Windparkstandort ( Scout Moor & Hornsea ), und das ist sicherlich eine Einschränkung! Durch das Hinzufügen weiterer Standorte könnten wir das Risiko windschwacher Tage im simulierten Netz verringern: Wenn der Wind nicht in Hornsea weht, weht er möglicherweise vor der Küste von Kent oder Aberdeenshire. Diese Strategie ist gültig, erfordert jedoch, dass wir an jedem Standort „überbauen“, um die anderen zu kompensieren, was die Kosten erhöht und an Tagen mit niedrigen Windgeschwindigkeiten an vielen Standorten nicht hilfreich wäre.

Die Kosten der Windenergie

Kostenannahmen stammen von der US Energy Information Agency .

Zusammenfassung

• Wir legen die Anzahl der Turbinen fest, die wir onshore und offshore bauen möchten.

• Wir platzieren unsere Turbinen an bestehenden Windparkstandorten im gesamten Vereinigten Königreich und nutzen reale Wetterdaten aus dem Jahr 2022, um die Leistung zu berechnen.

• Derzeit stehen nur 2 Standorte für die Simulation zur Verfügung.

• Die Windgeschwindigkeit wird an die Höhe jeder Turbine und die „Rauhigkeit“ des umgebenden Landes/Meeres angepasst.

• Zur Berechnung der Turbinenleistung verwenden wir eine vereinfachte Leistungskurve.

• Die Produktion wird auf Stundenbasis an 365 Tagen im Jahr modelliert.

• Die Auswirkungen von Böen und Turbinennachlauf werden ignoriert.

  
  

3. Modellierung der Kernenergie

 nuclear: { capacity_factor: 0.9, capex_per_mw: 7.0, opex_per_mw: 0.13, }

Atomkraft ist ein umstrittenes Thema, und leider wird nicht jede Kritik daran durch Beweise gestützt. Ich werde in einem anderen Beitrag auf Einzelheiten eingehen, aber ich denke, eine gute Zusammenfassung der Technologie wäre die folgende Beobachtung:

Der Bau von Kernenergie ist im Vergleich zu anderen Quellen im Allgemeinen teurer und zeitaufwändiger. Es produziert jedoch enorme Mengen an CO2-freier Energie mit extrem hoher Betriebszeit und niedrigen Grenzkosten pro MW.

Grid Designer modelliert die Kernenergie anhand von „Kraftwerken“ und verwendet dabei das kürzlich in Betrieb genommene Sizewell C als Referenz. Mithilfe eines bewährten PWR-Designs werden die beiden Reaktoren über ihre 60-jährige Lebensdauer insgesamt 3200 MW Energie liefern.

Es gibt andere Kernreaktorkonstruktionen mit unterschiedlichen Kosten- und Leistungsprofilen. Dazu gehören Small Modular Reactors (SMRs) und Molten Salt Reactors (MSRs). Allerdings ist keiner davon so gut etabliert wie PWRs und daher nicht als Option in unserem Simulator enthalten.

Kapazitätsfaktor und Modellierung

Kernenergie hat einen extrem hohen Kapazitätsfaktor. Ein Reaktor produziert nur dann keine Energie, wenn er wegen planmäßiger Wartungsarbeiten oder zum Auftanken abgeschaltet wird. Da es sich bei diesen Stillständen um geplante Ereignisse handelt, verfolgen wir bei der Modellierung einen vereinfachten Ansatz: Wir gehen von einem Kapazitätsfaktor von 90 % aus und wenden diesen Rabatt auf die Produktion das ganze Jahr über an.

Hourly output = 3200 * Number of Stations * 0.9

Beispielausgabe

Kernkraftwerke liefern vorhersehbare Grundenergie:

Ein ähnlich stabiles Muster ist in den tatsächlichen Netzdaten des Vereinigten Königreichs zu erkennen.

Die Kosten der Kernenergie

Die Kosten für den Bau und Betrieb eines Kernkraftwerks werden heftig diskutiert, wobei es zu berüchtigten Projektüberschreitungen kommt. Kritiker argumentieren, dass dies ein Beweis für die Undurchführbarkeit der Technologie sei, während Befürworter auf die Bedeutung konsequenter Investitionen hinweisen. Südkorea wird oft als Beispiel für eine Nation angeführt, die ihre Atomflotte mit zunehmender Geschwindigkeit und geringeren Kosten aufbauen konnte. Die Kostenschätzungen von Grid Designer stammen wiederum von der US Energy Information Agency , und es sollte klar sein, dass die Betriebskosten Treibstoff und die sichere Entsorgung von Abfällen umfassen.

Zusammenfassung

• Kernkraft wird anhand der „Anzahl der Kraftwerke“ festgelegt.
• Jedes Kraftwerk basiert auf einer 3200-MW-Referenz.
• Kernkraft liefert konstante Leistung mit einem kleinen Kapazitätsfaktorabschlag von 3200*0.9

4. Modellierung der Energiespeicherung

 storage: { name: 'Battery Storage (Li-Ion)', unit: 'MWh', capex_per_mw: 0.2, // Million USD per MWh opex_per_mw: 0.025 }

Die Stromspeicherung ist für Netze, die auf erneuerbaren Energien basieren, von entscheidender Bedeutung – Stromausfälle sind nicht akzeptabel, daher werden Batterien benötigt, um eventuelle Defizite durch Wind- und Solarausfälle auszugleichen.

Vereinfachungen

Batteriesysteme haben eine Nennleistung – die maximale Leistung, die sie gleichzeitig abgeben können ( Megawatt ), und einen separaten Kapazitätswert ( Megawattstunden ). Ein voll aufgeladenes 60-MW-/240-MWH-Batteriesystem kann daher 4 Stunden lang 60 MW oder 8 Stunden lang 30 MW usw. liefern.

Der Einfachheit halber habe ich beschlossen, die Nennleistung zu ignorieren und mich ausschließlich auf die Kapazität zu konzentrieren. Das bedeutet, dass wir davon ausgehen, dass unsere Batterien immer den Leistungsbedarf decken können und nur durch ihre Kapazität (in MHW) begrenzt sind . Wir ignorieren auch Faktoren wie Zykluszeit und Überhitzung.

Da unser Netz etwa 30 GW Energie pro Stunde benötigt, bedeutet das, dass wir eine 30.000 MWH-Anlage benötigen würden, um eine Stunde Bedarf allein mit Speicherung zu decken – das ist viel!

Laden und Entladen

Unsere Batterien werden entweder geladen oder entladen, je nachdem, ob für die jeweilige Stunde ein Energiedefizit oder -überschuss vorhanden ist. Der stündliche Simulatorcode sieht folgendermaßen aus:

 let d = demand[day][hour]; let s = solar_output + wind_l_output + wind_os_output + nuclear_output; let balance; //demand exceeds supply if (d >= s) { const deficit = ds // ...code to drain batteries } //supply exceeds demand else if (d < s) { const surplus = s - d // ...code to charge batteries with the surplus } return balance

Wie viel kosten Batterien?

Die Kosten von Batterien und ihre prognostizierten zukünftigen Kosten werden diskutiert. Das Modell nutzt Vorhersagen des National Renewable Energy Laboratory und geht von einem sehr optimistischen Wert von 200 US-Dollar pro Kilowattstunde für Lithium-Ionen aus. Tatsächlich ist es zweifelhaft, ob ein solcher Preis gehalten werden könnte, wenn Batterien im Netzmaßstab gekauft und eingesetzt würden. Um beispielsweise das Vereinigte Königreich nur 12 Stunden lang mit Strom zu versorgen (bei unserem aktuellen Bedarf), wäre eine Speicherlösung mit ca. 420 GWh erforderlich – mehr als die jährliche weltweite Produktion von Lithium-Ionen-Batterien! Abschließend ist auch zu beachten, dass eine solche Batterie wahrscheinlich alle fünf Jahre ausgetauscht werden muss.

Alternative Speichertechnologien im Netzmaßstab wie Vanadium-Redox-Flow-Batterien (VRBF) haben ähnliche prognostizierte Preise, und unser Modell ist so einfach, dass man sie als austauschbar betrachten kann. Bei Iron-Air-Batterien handelt es sich um eine Technologie, von der man annimmt, dass sie deutlich günstiger ist, die jedoch noch nicht in großem Maßstab produziert wird.

Opportunitätskosten 💸

Es sei daran erinnert, dass jeder Penny, der für die Speicherung ausgegeben wird, ein Penny ist, der für die Energieerzeugung hätte ausgegeben werden können.

Zusammenfassung

• Bei der Batteriespeicherung verfolgen wir einen sehr einfachen Ansatz und konzentrieren uns ausschließlich auf die Kapazität im MHW-Bereich.
• Der Simulator entlädt oder lädt die Batterien, je nachdem, ob ein Überschuss oder ein Defizit an verfügbarer Leistung vorliegt.
• Die Simulation geht von großzügigen Annahmen über den Preis der Stromspeicherung aus.

5. Hinzufügung fossiler Brennstoffe

 fossil_co2_mwh = 233 // Kg CO2

Wann immer unser grünes Energienetz den Bedarf nicht decken kann, greifen wir auf fossile Brennstoffe zurück . Wir gehen von optimistischen 233 kg CO2 pro MWH Strom aus fossilen Brennstoffen bei der Nutzung von Erdgas aus ( Quelle ). Hinweis: Der aktuelle Durchschnitt in Großbritannien liegt bei über 500 kg.

Grid Designer betrachtet jede CO2-Freisetzung als Fehlschlag – mit anderen Worten, wir wollen die Infrastruktur für fossile Brennstoffe im Vereinigten Königreich vollständig stilllegen. Obwohl die übergeordnete Mission Netto-Null ist, sind die Kosten für die Entfernung von CO2 aus der Atmosphäre nach der Emission sehr hoch (100–300 Millionen US-Dollar pro Mt). Es ist also viel besser, es gar nicht erst zu verbrennen.

6. Simulatorausgänge

Grüne Betriebszeit

Der Simulator gibt ein „Green Uptime“-Diagramm aus (inspiriert von Github!). Es zeigt jeden Tag des Jahres und bietet eine visuelle Referenz, um zu zeigen, wie viele Stunden das Netz mit kohlenstofffreier Energie betrieben wurde:

Grid-Analyse

Die Simulation bietet außerdem eine Zusammenfassung der Leistung Ihres Grids, einschließlich einer Option für tägliche Analysen.

Bei der Leistungsbeurteilung bewertet der Sim die effektive Energieabgabe .

• Effektiv = Energie, die zur Deckung des Bedarfs oder zum Laden von Batterien verwendet wird – dh es wird keine Gutschrift für Überschüsse gewährt.
• Zur Deckung der Nachfrage werden zuverlässige grüne Quellen bevorzugt. In unserer Simulation bedeutet das Atomkraft, könnte aber in anderen Ländern auch Geothermie und Wasserkraft umfassen.
• Wenn es einen Überschuss an erneuerbarer Produktion gibt, wird die „effektive“ Komponente im Verhältnis zu ihren Baukosten auf die erneuerbaren Energien aufgeteilt: Je niedriger die Kosten, desto größer der zugewiesene Anteil.
• Wenn die Leistung die Bedarfslinie überschreitet, bedeutet dies, dass Energie zum Aufladen des Speichers verwendet wird
• Fossile Brennstoffe werden automatisch hinzugefügt, wenn das geplante Netz die Nachfrage nicht decken kann, wie oben beschrieben.

Ein paar Imbissbuden

Dies war ein tiefer Einblick in das technische Denken hinter dem Simulator. Ich werde meine politischen Schlussfolgerungen für einen anderen Beitrag speichern. Nachdem ich das Thema ausführlich recherchiert habe, beobachte ich vorerst einfach Folgendes:

Das ist schwer und wird nur noch schwieriger.

• Die Simulation basiert auf Nachfragedaten für das Jahr 2021, aber die Nachfrage im Vereinigten Königreich wird voraussichtlich dramatisch steigen, da wir elektrische Heizsysteme und Elektrofahrzeuge einführen, um den Verbrauch fossiler Brennstoffe zu beenden.

Es ist sehr schwierig, mit erneuerbaren Energien eine 100-prozentige Betriebszeit zu erreichen, und wir reden nicht genug darüber!

• Eine 100-prozentige Betriebszeit ist eine entscheidende Voraussetzung für jedes Netz, wird jedoch in der Literatur und Forschung zu Energiequellen und ihren Kosten stark vernachlässigt.

Die Integration von Wind- und Solarenergie an Land erfordert VIELE Batterien

• Solar- und Onshore-Windkraftanlagen sind im Hinblick auf die Stückkosten überraschend günstig zu bauen, es ist jedoch sehr schwierig, sie ohne große Investitionen in die Speicherung in ein Netz zu integrieren.

Batterien sind teuer!

• Während die Kosten für Batterien gesunken sind, sind sie im Versorgungsmaßstab außerordentlich teuer.

Solar hat gute Werte, aber wir unterschätzen die Kompromisse, einschließlich der Landkosten, der sehr schlechten Leistung im Winter, der Recyclingfähigkeit und der Auswirkungen auf die Artenvielfalt .

Kernkraft hat enorme Vorteile – wenn die Kosten kontrolliert werden können