一项新的研究认为，随着太阳能发电成为加利福尼亚州电力供应的主导力量，长时储能将变得越来越有价值。

加州计划在2045年之前消除化石燃料发电厂的碳排放，因此将会加快太阳能发电和储能系统部署。这些趋势表明，与目前安装的锂离子电池储能系统相比，电网将受益于持续放电时间更长的长时储能系统。

不过，究竟部署多少储能系统是一个问题，因为近期没有部署长时储能系统跟踪记录，而且许多潜在的储能技术在储能领域的应用案例数量比较有限。今年早些时候，加州监管机构提出了到2026年需要部署将近1GW长时储能系统要求。

但加州储能联盟的一份最新分析报告表明，到2030年，加州还需要部署更多的储能系统：到2030年实现部署装机容量为11GW储能系统目标，到2045年实现部署装机容量为45GW到55GW储能系统。调研机构Strategen公司通过更精细的时间粒度对加州电网的未来发展进行建模，并且对声称能有效存储5小时、10小时和100小时电力的新兴储能技术进行了更详细成本假设。

加州储能联盟政策经理Jin Noh说：“长时储能系统的部署需要比我们想象还要快，储能资源需求如此之高，以至于我们现在必须开始稳步采购，以实现2045年清洁能源目标。”

不同的模式，不同的结果

监管机构加利福尼亚公共事业委员会使用Resolve模型进行长期规划，该模型专门用于高度可再生能源系统的投资规划。但是，该模型使用37个独立日的“智能采样”来创建潜在风力发电、太阳能发电、水力发电和负载状况的汇总帐户。

不过，该框架并没有追踪到可能会制约电网的那种极端条件，比如持续的热浪天气或太阳能发电量长期不足。

Noh说：“找到这些代表性的日子并进行平均计算，可能就会错过一些真正推动投资需求的异常事件。”

为了解决这个问题，该研究使用了GridPath模型，该模型允许对每年的每个小时进行连续建模。研究报告的作者指出，这样做可以捕获较长时间的能量转移动态。这种方法计算量更大，因此加州储能联盟只对2030年和2045年所需的增加量进行了建模。该分析不包括输电限制。

加州储能联盟的研究还深入研究了一系列长时储能技术，分别为5小时、10小时和100小时的储能系统建立了可概括成本假设。储能系统成本假设是另一个经常争论的话题，选择不切实际的假设，那么模型最大限度地减少储能系统的作用。但就成本结构而言，长时储能技术几乎没有公开记录。

借助全年的每小时的模型以及更详细的技术资料，建模人员应用了加利福尼亚州向无碳能源过渡的参数，以了解投资哪种储能组合更有意义。

储能时间更长

目前在美国，锂离子电池储能系统占据了储能部署的绝大部分容量，具有成本效益的典型电池储能系统的持续放电时间为4小时。Strategen公司究预计，随着加利福尼亚州电网向其清洁能源目标迈进，长时储能系统将最终挑战这一主导市场地位。

Strategen公司的基本模型选择了锂离子电池储能系统作为2020年到2030年的主要储能资源，但长时储能技术将主导2030年至2045年储能部署。

这个基本方案要求到2045年部署的长时储能系统的装机容量将达到45GW，而其中包括部署装机容量为10GW锂离子电池储能系统。在碳排放目标更严格的情况下，需要部署装机容量为55GW长时储能系统。而通过对太阳发电量较低的时段进行规划，部署长时储能系统的装机容量为49GW。

这个基本案例设想在未来十年内锂离子储能系统将保持领先地位，而随着太阳能发电设施部署的加速，长时储能技术将在2030年之后占据主导地位。通常选择的长时储能系统是指抽水蓄能设施，这是加利福尼亚公共事业委员假设包括的持续放电时间最长的储能资源。

加州储能联盟在其发布的一份新闻稿中表示，55GW对于储能部署来说是一个惊人数字，并指出这将是2010年以来加州累计部署储能系统装机容量的150倍。

研究报告的作者计算得出，实现基本案例的扩展，到2045年每年将节省15亿美元，这主要是因为降低容量成本。长时储能系统将捕获原本会被削减的太阳能发电量，并在需要时以比替代容量资源支付更少的费用。

有些政策必须改变

加州长时储能开发商面临的一个主要挑战是，目前客户没有真正的理由开发长时储能技术。该州致力于确保足够容量的资源充足计划。

研究报告指出，“根据这一规则，任何超过4小时的储能系统不会因为增加调度能力而获得额外的容量费用，并且任何长时储能系统都将无法获得其他收益履行其容量义务。”

迄今为止，长时储能系统的开发和部署在寻找客户方面一直停滞不前，例如Joshua Tree公园附近的一个抽水蓄能设施开发项目。而长时储能开发商也许不得不等待客户要求部署长时储能技术。今年秋天，一些社区选择聚合商招标采购到2026年交付的持续放电时间为8小时或时间更长的长时储能系统。

Noh指出，更改4小时持续放电时间的规则将是一个很好的开始。该研究报告还建议将加州的资源充足性规划与其长期资源组合模型相结合。