Implementering av læringskurver som metode for beregning av investeringskostnader for fremtidig produksjon

Abstract

Bakgrunn for oppgaven Dagens energisystem er under kontinuerlig utvikling, og stadig mer fornybar kraft blir installert. Det er viktig for Statnett å følge utviklingen, for å kunne møte de utfordringer morgendagens energisystem medbringer. Mer uregulerbar kraft kan by på utfordringer for nettet. Derfor er det viktig for Statnett å vite hvor stor andel av produksjonen fornybar energi utgjør i fremtidens energisystem. Dette for å planlegge videre nettutvikling. Kostnadsutviklingen til fornybar energi, er helt avgjørende for den fremtidige utbredelsen av den aktuelle energikilden, og derfor er det også viktig for Statnett å følge forventet kostnadsutvikling til fornybare teknologier. Mål for oppgaven Denne oppgaven skal forbedre grunnlaget for å estimere fremtidig utvikling i investeringskostnadene til sol- og vindkraft. Oppgaven skal gi Statnett et godt utgangspunkt for å lage gode estimat for kostnadsutviklingen til sol og vind. Jeg har forbedret kostnadsdatabasen til Statnett og opprettet læringskurver for solkraft og vindkraft. Jeg har etablert scenarier for fremtidig produksjon av sol- og vindkraft og undersøkt hvor lave levetidskostnader det kan bli mulig å oppnå ved eventuelle teknologiske forbedringer. Metode Jeg etablerte læringskurver for sol- og vindkraft basert på historiske kostnader og global akkumulert kapasitet. Læringskurven ble anvendt for å estimere fremtidige scenarier for investeringskostnaden til fotovoltaiske system i Europa og for vindturbiner. Resultater Hovedresultatene er følgende: - For PV-systemer i Europa kom jeg frem til en læringsrate på 23%, dette er en like høy læringsrate som for solmoduler - Den laveste LCOE (levelised cost of electricity) verdien for solkraft som det er mulig å oppnå med dagens solcelleteknologi er mellom 49 €/MWh og 63 €/MWh i 2040. - For vindturbiner kom jeg frem til en læringsrate på 7% - Ved en kapasitetsfaktor på 50% kan det være mulig å oppnå en LCOE verdi mellom 20 €/MWh og 25 €/MWh.

The power system is constantly changing and an increased amount of renewable power are being installed. It is important for Statnett to follow the development of the power system, in order to meet the challenges of the future, and to plan further network development. Therefore, it is important for Statnett to know what share the electricity produced by renewable energy represents in the future of power system. The cost development of renewable energy is crucial for the future development of renewables, therefore it is important for Statnett to follow anticipated cost trends for renewable technologies. Goals of the report This report will improve the basis for estimating future developments in investment costs of solar and wind power. The assignment will provide Statnett a solid basis for making good estimates of the cost to sun- and wind power. I have improved a cost database belonging to Statnett and created learning curves for solar, and wind power. I have established scenarios for future production of solar and wind power, and examined how low lifetime costs it can be possible to achieve by technological improvements. Method I have established learning curves for solar and wind power based on historical costs and global cumulative capacity.The learning curve are used as a tool to estimate future scenarios for the investment cost for photovoltaic systems in Europe and for wind turbines. Results Main results are as follows: - For PV systems in Europe, I found a learning rate of 23%, this is an equally high learning rate as for solar modules - The lowest LCOE (levelised cost of electricity) value of solar power that is possible to achieve with today's technology is between 49 €/MWh and 63 €/MWh in 2040. - For wind turbines I found a learning rate of 7% - At a capacity factor of 50% it may be possible to achieve a LCOE value between 20 €/MWh and 25 €/MWh