Nature子刊丨探索电池电动船的成本和排放影响、可行性和可扩展性
作者：Hee Seung Moon
单位：美国加利福尼亚州伯克利劳伦斯伯克利国家实验室能源技术领域能源分析和环境影响部
01摘要
美国的温室气体减排目标，以及国际海事组织设定的目标，为电池电动航运创造了机会。在这项研究中，我们利用2021年美国各地的船舶活动数据集，对航运电气化的生命周期成本和温室气体排放进行了建模。我们估计，到2035年，将6323艘总吨位低于1000吨的国内船舶改装为电池电动船舶，将使美国国内航运温室气体排放量从2022年的水平减少73%。到2035年，如果这些船舶覆盖99%的年行程，并从深度脱碳的电网中充电，那么与内燃机船舶相比，这些船舶中高达85%的电气化可能会变得更具成本效益。我们发现，这些船舶的电气化充电需求可能集中在全国150个主要港口中的20个。这项研究表明，改装电池电动船具有经济潜力，可以显著加速温室气体减排。
02图表简介
a、 按船舶尺寸、船舶类型和容量等级划分的电池需求中值。容量等级——BESp100、BESp99、BESp95和BESp90——代表了BES可以服务的ICE船只历史行程的百分比。随着BES容量级别的降低，电池尺寸分别平均减少67%、86%和92%。在BESp99队列中，500-1000总吨（GT）的客船的电池尺寸减少最为显著，其次是500-1000 GT的内陆拖船和推船。500-1000 GT的铰接式拖船（ATB）由于其独特的行程特性和大量的能源需求行程，减少幅度最小。b、 与2030年北美50-100 GT船舶的电池制造能力相比，按容量等级划分的BES电池需求。BESp90的电池需求从7898兆瓦时（MWh）到BESp100的135973兆瓦时不等。c、 按BES容量等级计算的BES重量与ICE重量的比值。重量差异因容量级别而异，较低容量级别的重量增加较小。对于BESp100，41%的血管重量增加超过100%。相比之下，BESp99的重量增加幅度较小，65%的血管重量增加了50%或更少。对于BESp95，69%的血管重量增加了20%或更少，而惊人的是，91%的BESp90重量增加了20%或更少。
BESp100、BESp99、BESp95和BESp90中的每一个都代表一组BES，表明BES仅涵盖了ICEs历史旅行的相应百分比。a、 ICEs和BESs的年度CO2e排放量。在BAU情景下，2022年的BES排放量仅比ICE船舶低8%。然而，随着时间的推移，BES排放量显著减少，在BAU下，2035年降至160万TCO2e，2050年降至130万TCO2e.在DEC50情景下，BES的排放量在2035年下降到140万TCO2e2050年下降到60万TCO2e-，分别比2022年的水平减少42%和75%。根据DEC35情景，预计二氧化碳当量排放量将大幅减少，到2035年减少73%，到2050年减少75%。b、 2022年至2050年按排放情景计算的累计减排量。在BAU情景下，改装BES可使累计二氧化碳排放量至少减少32%，在DEC35情景下最多减少58%。c，按容量等级分列的ICEs和BES每公里二氧化碳排放量。随着容量等级的降低，由于容量等级较低的船舶电池较小，BES的每公里二氧化碳排放量也会减少。在DEC50情景下，2035年，电池制造排放量占BES CO2e总排放量的比例随着较低容量等级的降低而降低，容量等级BESp100、BESp99、BESp95和BESp90的排放量分别约为53%、26%、19%和15%。
我们考察了三年（2022年、2035年和2050年）；四个容量级别（BESp100、BESp99、BESp95和BESp90）；三种排放情景（BAU、DEC50和DEC35）和三种成本情景（OPT、INT和CHA）。容量等级——BESp100、BESp99、BESp95和BESp90——代表了BES可以服务的ICEs历史旅行的百分比。a、 基于LCOT的船对船比较，经济高效的BES与ICE的比率。随着容量级别的降低，具有成本效益的BES的比例增加：在DEC50 INT情景下，BESp100、BESp99、BESp95和BESp90的2035年成本效益比分别为33%、81%、90%和91%。相对于INT成本情景，在OPT情景下，BES成本效益比平均增加7%，在CHA情景下平均减少8%；在DEC50和DEC35情景中，与BAU相比，这些比率分别平均增加2%和5%。b，每种情景中的LCOT中位数。虚线描绘了每年的ICE LCOT。每个误差条代表50-150%的排放成本。到2035年，ICE LCOT中位数将落在BESp100和BESp99之间。
03 参考文献
Rahman M A, Zhang T, Lu Y. PINN-CHK: physics-informed neural network for high-fidelity prediction of early-age cement hydration kinetics[J]. Neural Computing and Applications, 2024: 1-23.
