```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Shengyu Tao Ruifei Ma Zixi Zhao Guangyuan Ma Lin Su Heng Chang Yuou Chen Haizhou Liu Zheng Liang Tingwei Cao Haocheng Ji Zhiyuan Han Minyan Lu Huixiong Yang Zongguo Wen Jianhua Yao Rong Yu Guodan Wei Yang Li Xuan Zhang Tingyang Xu Guangmin Zhou Sažetak Brza i precizna procjena stanja zdravlja (SOH) odbačenih baterija ključni je pretretman za ponovnu upotrebu i recikliranje. Međutim, metode vođene podacima zahtijevaju iscrpnu kuraciju podataka pod slučajnim uvjetima povlačenja SOH i stanja napunjenosti (SOC). Ovdje pokazujemo da je procjena SOH potpomognuta generativnim učenjem obećavajuća u ublažavanju problema nedostatka podataka i heterogenosti, što je potvrđeno pulsnim podatkovnim skupom od 2700 odbačenih uzoraka litij-ionskih baterija, koji pokrivaju 3 tipa katodnih materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 povijesne upotrebe s 10 razina SOC-a. Koristeći generirane podatke, regresor ostvaruje točnu procjenu SOH, s prosječnim apsolutnim postotnim pogreškama ispod 6% pod neviđenim SOC-om. Predviđamo da bi, pretpostavljajući jedinstvenu primjenu predloženog tehničkog rješenja, ovo uštedjelo 4,9 milijardi USD na troškovima električne energije i 35,8 milijardi kg CO2 emisija ublažavanjem troškova kuracije podataka za globalni scenarij povlačenja baterija 2030. godine. Ovaj rad naglašava iskorištavanje ograničenih podataka za istraživanje proširenog prostora podataka pomoću generativnih metoda, s obzirom na to da dohvaćanje podataka može biti dugotrajno, skupo i zagađujuće za mnoge zadatke procjene i predviđanja. Uvod Elektrifikacija transporta, ključni sektor u tranziciji prema nisko-ugljičnoj energiji , neusporedivo je preoblikovala energetski obrazac zasnovan na fosilnim gorivima. Litij-ionske baterije vitalne su za ovu tranziciju pružajući pristupačne, izdržljive i sigurne opskrbe energijom za električna vozila (EV) , . Ukupni kapacitet EV baterija u upotrebi i na kraju životnog vijeka premašit će 32–62 teravatne sata do 2050. godine, znatno više od procjena Međunarodne agencije za obnovljivu energiju i Storage Lab scenarija . Međutim, odbačene EV baterije strogo su regulirane s velikom preostalom vrijednošću kapaciteta koja je nedovoljno iskorištena, obično preko 80% nominalnog kapaciteta , . Ako se njima ne upravlja pravilno, to dovodi do ekonomskih tereta  za proizvođače i korisnike, kao i naknadnih ekoloških i društvenih problema , uključujući rasipanje resursa, rizike u lancu opskrbe i emisije ugljika , , . 1 2 3 4 5 6 7 8 9 10 11 Obećavajuće strategije za rješavanje zabrinutosti u vezi s povremenim porastom povlačenja baterija su ponovna upotreba , ,  i recikliranje . U ponovnoj upotrebi, odbačene baterije se prenamjenjuju za primjene kao što su sustavi za pohranu energije povezani s mrežom , stambene energetske jedinice , i vozila male brzine. Međutim, ponovna upotreba zahtijeva preliminarno pretretman, uključujući provjeru dosljednosti , sortiranje kapaciteta , i ponovno grupiranje ,  kako bi se ispunili zahtjevi primjene . Unatoč pokretanju pilot programa , , , odsutnost strogih standarda za scenarije upotrebe i putanje povlačenja otežava racionalno korištenje preostalog kapaciteta . Recikliranje alternativno koristi preostale vrijednosti odbačenih baterija ekstrakcijom materijala ili popravkom strukture , , prikladno za nepovratno degradirane odbačene baterije. U usporedbi s pirometalurgijom i hidrometalurgijom , , izravno recikliranje ističe se superiornom profitabilnošću, nižom potrošnjom energije i smanjenim emisijama ugljika , , . Korištenjem nadopune litija i post-obrade katodnih materijala, izravno recikliranje postiže učinkovit popravak strukture materijala i obnovu performansi . Međutim, stanje zdravlja (SOH) određuje potrebni kemijski reagens i predviđene doze dopune litija u formulacijama strategija izravnog recikliranja , , . Nedovoljna doza može rezultirati nepotpunim popravkom, dok prekomjerna doza može dovesti do stvaranja ostatnog alkalija na površini katode, pogoršavajući performanse obnove , . Nažalost, dohvaćanje SOH-a zahtijeva invazivnu karakterizaciju materijala ,  i dugotrajna ispitivanja kalibracije kapaciteta, a neinvazivno, brzo i održivo stjecanje SOH-a ostaje neriješen izazov. 6 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 26 27 30 31 32 33 34 27 35 36 37 Kako bi se osigurale dosljedne informacije o SOH-u, EV baterije se nadgledaju, a operativni podaci bilježe putem cloud platformi  i putovnica baterija . Europski parlament je 14. lipnja 2023. usvojio Direktivu o baterijama kako bi se osiguralo da se odbačene baterije mogu ponovno koristiti, obnoviti ili reciklirati na kraju radnog vijeka . Međutim, potrebni postupak praćenja i bilježenja dostupan je samo u fazi korištenja EV-a, a odbačene baterije više nisu spojene na jedinicu za praćenje u vozilu. Stoga je izazovno dohvatiti podatke SOH-a dostupne u praksi. Integritet podataka o životnom vijeku ostaje glavni izazov, pozivajući na procjenu SOH-a samo korištenjem terenskih podataka, za razliku od povijesnih podataka ili pod kontroliranim uvjetima , , . Jedno rješenje je provesti test kalibracije kapaciteta na sabirnom mjestu odbačenih baterija, tj. kondicioniranje stanja napunjenosti (SOC), što je jednostavno, međutim, zahtijeva neprihvatljivo vrijeme testiranja i dodatne troškove električne energije. Test karakterizacije pulsne snage hibridnom metodom je alternativa za procjenu SOH-a dinamičkim ubrizgavanjem impulsa, ali potpuni niz testova traje preko 12 sati. Tao i suradnici iskoristili su kratke impulse za procjenu SOH-a odbačenih baterija, pretpostavljajući da je izvršeno kondicioniranje SOC-a na 5% SOC-a, što je jedva bilo kompatibilno sa slučajnim uvjetima povlačenja SOC-a . Nedavna napredovanja u senzorski baziranim mjerenjima uključuju X-zračnu sliku , elektro kemijsku impedanciju , , optička vlakna senzore , , akustične senzore , , parcijalno punjenje , , i pulsnu injekciju , . Senzorske tehnike su u laboratorijskoj fazi zbog invazivnosti, dok pulsna injekcija predstavlja razdvajanje degradacije baterije bez fizičkog oštećenja, istovremeno brže od metoda baziranih na parcijalnom punjenju i elektro kemijskoj impedanciji , , , , , . Međutim, pulsna injekcija je metoda centrirana na podacima koja je samo izvediva pod idealnom pretpostavkom da izmjereni podaci obuhvaćaju uvjete povlačenja faze implementacije modela, poznato kao uobičajeni izazov pomaka domene u zajednici strojnog učenja. Unatoč napretku u metodama prijenosnog učenja i adaptacije domene , , , izazovi ostaju jer ciljna domena za usklađivanje još uvijek zahtijeva prethodne informacije prilikom implementacije, a postojeće metode učenja teško se mogu ažurirati za slučajne uvjete povlačenja . Alternativa je proširenje ljestvice testiranja podataka pod neistraženim uvjetima povlačenja radi ublažavanja nestašice podataka i heterogenosti, dok to može dovesti do povećanih troškova. Wang i suradnici predložili su metodu iskopa temperature za interpolaciju preferencija kinetike reakcija u različitim međuprostorima tijekom termokemijskog procesa, omogućujući konstrukciju opsežnih baza podataka za obuku pri minimalnom opsegu i trošku termokemijskih eksperimenata kao proširenje podataka za obuku modela strojnog učenja . Osim toga, generativno učenje također pokazuje mogućnosti procjene SOH-a s proširenim podacima iz djelomično cikliranih profila, štedeći potrebne fizički testirane podatke , . Međutim, nestašica podataka i heterogenost u kontekstu ponovne upotrebe i recikliranja baterija još su složeniji zbog mješavine tipova katodnih materijala, fizičkih formata, dizajna kapaciteta i povijesnih upotreba, što ograničava potencijalnu integraciju specifičnog znanja o degradaciji u modele strojnog učenja. Stoga je razumno razmotriti odnos ovisnosti između uvjeta povlačenja i odziva naponskog impulsa za generiranje podataka, bez dugotrajne kalibracije vremenskog niza kapaciteta i dodatnih fizičkih eksperimenata istovremeno, kako bi se poboljšale performanse procjene SOH-a. 38 24 39 30 40 41 41 42 43 44 45 46 47 48 49 50 17 41 17 51 52 53 54 55 56 57 58 59 60 61 62 U ovoj studiji provodimo pretretman odbačenih baterija, tj. procjenu SOH-a, koristeći podatke odziva naponskog impulsa generirane modelom automatskog kodera s varijacijskim promjenama (attentional variational autoencoder) uz uštedu vremena i troškova fizičkih mjerenja. Opći koraci pretretmana, obuka generativnog modela i praktični koraci implementacije modela ilustrirani su na slici  . Istraživačka ideja je koristiti generativno učenje za iskorištavanje već izmjerenih podataka za istraživanje odziva naponskog impulsa u kontinuiranim uvjetima povlačenja, tj. raspodjele SOC-a u fazi prikupljanja odbačenih baterija. Naknadna procjena SOH-a implementira se bez fizički mjerenih podataka odziva impulsa, štedeći troškove električne energije pretretmana i emisije ugljika koje bi inače bile potrebne za kondicioniranje SOC-a na predviđenu razinu. U usporedbi s metodom integracije ampera-sata i pulsnom injekcijom pomoću strojnog učenja, generativno učenje naglašava bržu brzinu generiranja i točnu procjenu. S generiranim podacima, jednostavan regresor uspješno procjenjuje SOH s niskom pogreškom pod neviđenim ili nedostupnim uvjetima povlačenja SOC-a u bazi podataka, što je izazovan problem izvan distribucije (OOD). Problem OOD rješava se učenjem naslijeđenog fizičkog obrasca između stanja SOC-a i odziva napona uzrokovanog brzim impulsom. Demonstriramo općenitost naše metode provjerom na 2700 fizički mjerenih uzoraka, koji pokrivaju 3 tipa katodnih materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 povijesne upotrebe (1 laboratorijski ubrzano starenje, 1 čista električna vožnja EV-a i 2 vožnje hibridnog EV-a). Generativno učenje pogodno je za interpolaciju i ekstrapolaciju kombiniranjem prethodnog znanja o uvjetima povlačenja u skaliranje latentnog prostora parametara modela, štedeći vrijeme mjerenja, troškove električne energije i posljedične emisije ugljika, a da se ne ugrozi točnost procjene SOH-a. Konzervativna globalna studija slučaja povlačenja baterija 2030. godine naglašava značaj brze i održive procjene SOH-a u pirometalurškom, hidrometalurškom i izravnom recikliranju. Kroz tehničko-ekonomsku analizu, procjena SOH-a potpomognuta generativnim učenjem mogla bi uštedjeti 4,9 milijardi USD troškova električne energije i smanjiti 35,8 milijardi kg CO2 emisija do 2030. godine globalno. Raspravljamo o interpretativnosti modela, implikacijama recikliranja pretretmana i širim aspektima budućih smjerova pametnog recikliranja pretretmana integriranih sa strojnim učenjem. 1    Koraci pretretmana odbačenih baterija uključuju kondicioniranje SOC-a, fizička mjerenja, strojno učenje za dijagnozu SOH-a i proces donošenja odluka o drugom životu prije ponovne upotrebe ili recikliranja. Kondicioniranje SOC-a odnosi se na prilagođavanje vrijednosti SOC-a odbačenih baterija na željene razine pomoću tradicionalne metode konstantne struje i konstantnog napona (CCCV).   Shematski prikaz automatskog kodera s varijacijskim promjenama za generiranje podataka odziva naponskog impulsa.   Praktična upotreba modela generiranja podataka za procjenu SOH-a ne zahtijeva dodatno kondicioniranje SOC-a. Obučeni model strojnog učenja nadgledan je generiranim podacima i prima trenutne odzive naponskog impulsa kada je u fazi implementacije.   Ekonomske i ekološke prednosti te brza brzina generiranja naše metodologije generativnog učenja uštedom troškova kondicioniranja SOC-a u globalnom scenariju povlačenja baterija 2030. a b c d Rezultati Prikupljanje podataka Nestašica podataka i heterogenost glavni su izazovi u dijagnostici i prognozi baterija vođenoj podacima, posebno za odbačene baterije. Sakupili smo 2700 uzoraka od 270 fizički odbačenih baterija iz širokog raspona razina SOC-a, tj. od 5% do 50% s korakom od 5%. Na slici  , skup podataka obuhvaća 3 dominantna tipa katodnih materijala, uključujući 119 fizički prikupljenih NMC (nikal-mangan-kobalt oksid), 56 LFP (litij-željezov fosfat) i 95 LMO (litij-manganov oksid) odbačenih baterija, pokrivajući 3 fizička formata (cilindrični, vrećasti, prizmatični) i 4 obrasca povijesne upotrebe (1 laboratorijsko ubrzano ispitivanje, 3 upotrebe u EV-u, uključujući 1 način rada čisto električnog pogona i 2 načina rada hibridnog pogona). Naglašavamo da je uključenje visoko heterogenih ispitnih uzoraka naš skup podataka učinilo najvećim skupom podataka temeljenim na brzim impulsima za procjenu SOH-a odbačenih baterija do danas, olakšavajući općenitost modela izvan fizički mjerenih skupova podataka. 2a    Sankey dijagram distribucije odbačenih baterija, koji obuhvaća tipove katodnih materijala, fizičke formate, dizajne kapaciteta i povijesne upotrebe.   Pulsna struja i naknadni odziv napona odbačenih baterija, gdje se značajke izvlače iz točaka preokreta, tj. točaka s nultom drugom izvedenom funkcijom krivulje odziva napona. Izvučeno je 21 značajka točaka, od U1 do U21. Frekvencija snimanja sirovih podataka je 100 Hz. Vrijeme mirovanja između svakog impulsa je 25 sekundi u C-stopi. Napomena da C označava stopu punjenja (pražnjenja) kada se provodi 1 sat punjenja (pražnjenja). Temperatura okoline kontrolirana je na 25°C.   Ilustracija raspodjele stanja zdravlja (SOH) (Gaussov fit) odbačenih baterija od 2,1 Ah i 21 Ah, odnosno. Za raspodjelu SOH-a ostalih tipova baterija, pogledajte Dopunsku sliku  .   Odnos između izmjerenog odziva naponskog impulsa i kalibriranog SOH-a iz testa kalibracije kapaciteta, s varijacijskim uvjetima stanja napunjenosti (SOC). Ilustrirana je prva dimenzija značajki, U1.   Ilustracija slučaja generiranja podataka interpolacijom i ekstrapolacijom pod različitim raspodjelama SOC-a odbačenih baterija. Detaljne postavke ispitivanja su u   i  , napominjući da je postavka C-stope identična za sve tipove katodnih materijala. Izvorni podaci su priloženi kao datoteka izvornih podataka. a b c 1 d e Dopunskim bilješkama 1 2 Za razliku od uobičajenog testiranja konstantnom strujom i konstantnim naponom (CCCV), pulsno testiranje ne zahtijeva dugo vrijeme testiranja i ne uzrokuje dodatna oštećenja odbačenih baterija. Stoga koristimo CCCV rezultate kao referentne vrijednosti kapaciteta za SOH. Podaci pulsne metode koriste se kao podaci za obuku generativnog modela učenja. Čak i ako se tip katodnog materijala baterije razlikuje, provodimo standardizirano i pristupačno inženjerstvo značajki, osiguravajući kompatibilnost u praktičnoj upotrebi. Slika   prikazuje izvlačenje značajki nakon ubrizgavanja pulsne struje. Postavke eksperimenata za CCCV i pulsnu injekciju mogu se naći u Dopunskoj bilješci  2b

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Ovaj audio je proizveden na originalnom jeziku priče!

Generativna AI omogućava održivo ponovno korištenje umirovljenih litij-ionskih baterija

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps