Det overordnede målet med dette doktorgradsprosjektet er å utvikle teknologi innen energilagring som fremskynder overgangen til fornybare energikilder som sol- og vindkraft i elektriske kraftsystemer.
En av utfordringene knyttet til mange fornybare energikilder, f.eks. sol- og vindkraft, er at energi- og effektleveransen fra disse energikildene er veldig variable og avhengig av tid på døgnet, årstid, skydekke, vindstyrke, osv. I tillegg varierer kraftbehovet til sluttkundene, men variasjonene her vil ikke «passe» med variasjonene i kraftproduksjonen. Dette betyr at disse energisystemene er helt avhengig av gode løsninger innen energilagring for at den produserte energien skal kunne utnyttes optimalt. Når energisystemet produserer mer energi enn sluttkundene trenger må overskuddsenergien lagres best mulig, slik at den kan leveres til sluttkundene i tider der det ikke er sol eller vind.
Energilagring er et felt med mange ulike teknologier som alle har sine fordeler og ulemper. Disse teknologiene inkluderer ulike typer batterier, lagring av energi i hydrogen, komprimert luft og flere andre. I mange tilfeller vil den mest optimale energilagringsløsningen være et hybridsystem som kombinerer to eller flere av disse teknologiene i samme løsning, f.eks. batterier for kortvarig lagring og hydrogen for langvarig lagring. Dette gjør imidlertid at systemene blir mer komplekse. For å møte denne utfordringen skal det derfor i dette doktorgradsprosjektet utvikles datamodeller som kan simulere slike hybride energilagringssystemer for å optimalisere systemet til ulike situasjoner, både systemer som er tilknyttet strømnettet og off-grid energisystemer. Det skal også utvikles algoritmer innen maskinlæring/kunstig intelligens som skal forutsi energiproduksjonen fra de fornybare energikildene flere dager fremover. Dette vil gjøre det lettere å planlegge nødvendig energilagring og dermed optimalisere hele energisystemet ytterligere.
The main objective of this Ph.D. project is to model the energy management of a novel hybrid energy storage system for the integration of renewable energy sources (RES) into the power grid. The Ph.D. candidate will develop simulation models for the storage system and verify the simulation results in a real pilot test platform that will be built in collaboration with another Ph.D. project at the University of Oslo. Collaboration with national and international research institutes and industry will be an integral part of the project.
Energy storage systems for large-scale renewable energy applications are poorly understood and there is an urgent need to offer solutions to this challenge.The candidate will evaluate the energy management of the novel hybrid energy storage system using both actual data as well as appropriate simulation models and machine learning. The candidate will perform analysis of individual components and their system integration in hybrid configurations including batteries and hydrogen based energy storage. The system will demonstrate power smoothing and energy management by utilizing simulation technologies, forecasting of power generation several hours in advance using machine learning, and different storage solutions.
The Ph.D. project will also maximize the lifetime and performance of commercial batteries by developing high-voltage cobalt-free Nickel Metal Hydride (NiMH) batteries that avoids the cost limitations of lithium and cobalt, as well as the safety issues related to lithium batteries. Short- and long-term energy storage will be combined by using a hybrid energy storage system. A new paradigm for energy storage R&D will be introduced with the aim of generating ground-breaking results on the effect of RES integration into decentralized and/or centralized electric grids.