Energiesystem-Simulationsmodelle. Analyse und Schnittstellenimplementierung

Inhaltsverzeichnis

1 Einleitung

2 Struktur eines erneuerbaren Energiesystems

2.1 Stromsystem

2.1.1 Erzeugung elektrischer Energie

2.1.2 Übertragung elektrischer Energie

2.1.3 Netzfrequenz und Systemdienstleistungen

2.1.4 Verbrauch elektrischer Energie

2.1.5 Entwicklungstendenzen

2.2 Sektorkopplung

2.3 Mikronetze

2.4 Intelligente Stromnetze

2.5 Dezentrale Stromversorgung

2.6 Energiespeicher

2.6.1 Stromspeicher

2.6.2 Lithium-Ionen-Batterie

2.6.3 Technisch-chemische Grundlagen

2.6.4 Alterungsprozesse

3 Simulationsmodelle

3.1 Übersicht der betrachteten Simulationsmodelle

3.2 Batteriezellensimulation

3.2.1 BEST – Battery and Electrochemistry Simulation Tool

3.2.2 Comsol Multiphysics – Battery Design Module

3.2.3 BatPac – Battery Performance and Cost Model

3.2.4 ISEA Framework

3.2.5 PyBaMM – Python Battery Mathematical Modelling

3.2.6 BEEP – Battery Evaluation and Early Prediction

3.2.7 Cellpy

3.3 Speichersystemsimulation

3.3.1 SimSES – Simulation of Stationary Energy Storage Systems

3.3.2 QuESt – Energy Storage Evaluation Application Suite

3.3.3 BLAST – Battery Lifetime Analysis and Simulation Tool

3.3.4 Sesame – Energy Storage Models

3.3.5 DER-VET – Distributed Energy Resource Value Estimation Tool

3.4 Simulation erneuerbarer Erzeuger

3.4.1 SAM – System Advisor Model

3.4.2 PVLIB

3.4.3 PVWatts

3.4.4 PVGIS – Photovoltaic Geographical Information System

3.4.5 windpowerlib

3.4.6 QBlade

3.4.7 WISDEM – Wind Plant Integrated Systems Design & Engineering Model

3.5 Stromsystemsimulation

3.5.1 REopt – Renewable Energy Intergration & Optimization

3.5.2 RAPSim – Renewable Alternative Powersystems Simulation

3.5.3 Pymgrid

3.5.4 INSEL – Integrated Simulation Environment Language

3.5.5 HOMER – Hybrid Optimization of Multiple Energy Resources

3.6 Netzsimulation

3.6.1 GridLAB-D

3.6.2 OpenDSS – Distribution System Simulator

3.6.3 OpenDISCO – Open Source Distributed Control

3.7 Energiesystemsimulation

3.7.1 RETScreen – Renewable-energy and Energy-efficiency Technology Screening software

3.7.2 PyPSA – Python for Power System Analysis

3.7.3 EnergyPLAN – Advanced Energy System Analysis Computer Model

3.7.4 FINE – Framework for Integrated Energy System Assessment

3.8 Erzeugung von Lastprofilen

3.8.1 emobpy – Emobility in Python

3.8.2 LPG – LoadProfileGenerator

3.8.3 ALPG – Artificial Load Profile Generator

3.8.4 TMY generator – Typical Meteorologial Year

3.8.5 demandlib

4 Spezifischere Betrachtung ausgewählter Simulationsmodelle

4.1 ISEA Framework

4.1.1 Anwendung

4.1.2 Modellierung und Simulation

4.1.3 Ergebnisse und Schnittstellenpotenzial

4.2 DER-VET – Distributed Energy Resource Value Estimation Tool

4.2.1 Anwendung

4.2.2 Modellierung und Simulation

4.2.3 Ergebnisse und Schnittstellenpotenzial

4.3 BLAST – Battery Lifetime Analysis and Simulation Tool

4.3.1 Anwendung

4.3.2 Modellierung und Simulation

4.3.3 Ergebnisse und Schnittstellenpotenzial

4.4 SAM – System Advisor Model

4.4.1 Anwendung

4.4.2 Modellierung und Simulation

4.4.3 Ergebnisse und Schnittstellenpotenzial

4.5 GridLAB-D

4.5.1 Anwendung

4.5.2 Modellierung und Simulation

4.5.3 Ergebnisse und Schnittstellenpotenzial

4.6 FINE – Framework for Integrated Energy System Assessment

4.6.1 Anwendung

4.6.2 Modellierung und Simulation

4.6.3 Ergebnisse und Schnittstellenpotenzial

5 Implementierung einer Schnittstelle zu EV Verbrauchsprofilen

6 Zusammenfassung und Ausblick

Zielsetzung & Themen der Arbeit

Die Arbeit analysiert aktuelle Simulationsmodelle für verschiedene Energiesystem-Komponenten, wie Batteriezellen, Stromnetze und Erzeugungsanlagen, um deren Eignung für eine dekarbonisierte Energieversorgung zu bewerten. Ein zentrales Ziel ist die Entwicklung einer Schnittstelle, die Mobilitäts- und Verbrauchsprofile von Elektrofahrzeugen, generiert durch die Software "emobpy", in das Speichersystem-Simulationswerkzeug "SimSES" integriert, um die Basis für künftige, intelligente Ladestrategien zu schaffen.

• Analyse und Bewertung von Open-Source-Simulationsmodellen für das Energiesystem.
• Untersuchung von Modellierungsansätzen für Batteriezellen, Speichersysteme und Stromnetze.
• Implementierung einer Software-Schnittstelle zwischen "emobpy" und "SimSES".
• Erweiterung des Anwendungsbereichs von "SimSES" auf Ladestrategien für Elektrofahrzeuge.
• Grundlagenforschung zur Sektorkopplung und Integration erneuerbarer Energien.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Beschreibt die Motivation hinter dem "Green New Deal" und die Rolle von Energiesystem-Simulationsmodellen bei der Transformation zu einer dekarbonisierten Energieversorgung.

2 Struktur eines erneuerbaren Energiesystems: Erläutert die Grundlagen und Sektoren erneuerbarer Energiesysteme sowie die zunehmende Bedeutung von Sektorkopplung, Speichern und intelligenter Netzsteuerung.

3 Simulationsmodelle: Bietet einen umfassenden Überblick über verschiedene Simulationsmodelle für Batteriezellen, Speichersysteme, Erzeuger, Stromsysteme und Lastprofile.

4 Spezifischere Betrachtung ausgewählter Simulationsmodelle: Analysiert sechs ausgewählte Tools (ISEA Framework, DER-VET, BLAST, SAM, GridLAB-D, FINE) detailliert hinsichtlich ihrer Anwendung und Modellierung.

5 Implementierung einer Schnittstelle zu EV Verbrauchsprofilen: Dokumentiert den konkreten Prozess der Integration von emobpy-Fahrzeugprofilen in das SimSES-Framework zur Simulation von Ladestrategien.

6 Zusammenfassung und Ausblick: Resümiert die Ergebnisse der Arbeit und identifiziert Potenziale für zukünftige Arbeiten und verbesserte Schnittstellenpotenziale zwischen den untersuchten Tools.

Schlüsselwörter

Energiesystem, Simulationsmodelle, SimSES, Sektorkopplung, Batteriespeicher, Lithium-Ionen-Batterie, emobpy, Ladestrategien, Elektrofahrzeuge, Stromnetz, Lastprofile, Erneuerbare Energien, Netzintegration, Speichersystemsimulation, Modellierung.

Häufig gestellte Fragen

Worum geht es in der Arbeit grundsätzlich?

Die Arbeit analysiert und kategorisiert verschiedene Simulationsmodelle für Komponenten des Energiesystems, um deren Nutzen für die Planung und Optimierung einer nachhaltigen Energieversorgung zu untersuchen.

Was sind die zentralen Themenfelder?

Die zentralen Felder umfassen Batteriezellensimulation, Speichersysteme, erneuerbare Erzeugung, Stromsysteme, Netzsimulation, Energiesystemanalyse sowie die Erzeugung von Last- und Mobilitätsprofilen.

Was ist das primäre Ziel oder die Forschungsfrage?

Das Ziel ist die Erstellung einer Übersicht leistungsfähiger Simulations-Tools und die Implementierung einer praktischen Schnittstelle zur Integration von Elektrofahrzeug-Daten in das Tool "SimSES".

Welche wissenschaftliche Methode wird verwendet?

Die Arbeit basiert auf einer Literaturrecherche und Systemanalyse existierender Simulationswerkzeuge sowie der praktischen Implementierung eines Dateninterface mittels Python-Skripten.

Was wird im Hauptteil behandelt?

Der Hauptteil bietet eine detaillierte Übersicht und den Vergleich zahlreicher Simulationsmodelle und vertieft die Funktionsweise von sechs ausgewählten Tools, die für die Forschung besonders relevant sind.

Welche Schlüsselwörter charakterisieren die Arbeit?

Wesentliche Begriffe sind Energiesystem, SimSES, Sektorkopplung, Simulationsmodelle, Batteriespeicher, emobpy und Ladestrategien.

Wie wurde die Schnittstelle zwischen emobpy und SimSES realisiert?

Durch ein eigens geschriebenes Python-Skript, welches Zeitreihen und Leistungsprofile der Fahrzeugbatterie aus den emobpy-Pickle-Dateien extrahiert und in ein für SimSES lesbares CSV-Format konvertiert.

Warum ist das Tool "SimSES" für diese Arbeit so bedeutend?

SimSES ist ein an der TU München entwickeltes Tool für die techno-ökonomische Simulation von stationären Batteriespeichern und dient als Basis, um durch neue Schnittstellen den Anwendungsbereich auf Fahrzeug-Ladestrategien zu erweitern.

Was ist das Resultat der Analyse der Alterungsprozesse von Batterien?

Die Arbeit zeigt, dass Alterungsprozesse wie das Anwachsen der SEI-Schicht oder Lithium-Plating durch Faktoren wie Temperatur und Ladeverhalten beeinflusst werden und durch präzise Simulationsmodelle für eine längere Lebensdauer berücksichtigt werden können.