
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 tačna procjena zdravstvenog stanja (SOH) starih baterija je ključna pretprema za ponovnu upotrebu i reciklažu. Međutim, metode zasnovane na podacima zahtijevaju iscrpnu kuraciju podataka pod uvjetima povlačenja sa nasumičnim SOH i stanjem napunjenosti (SOC). Ovdje pokazujemo da je procjena SOH potpomognuta generativnim učenjem obećavajuća u ublažavanju problema nestašice podataka i heterogenosti, potvrđeno kroz skup podataka ubrizgavanja impulsa od 2700 uzoraka starih litijum-jonskih baterija, koji pokrivaju 3 tipa katodnog materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 historijska korištenja sa 10 nivoa SOC. Koristeći generirane podatke, regresor ostvaruje tačne procjene SOH, sa srednjim apsolutnim postotnim greškama ispod 6% pod neviđenim SOC-om. Predviđamo da bi, pretpostavljajući jedinstvenu primjenu predloženih tehnika, ovo uštedjelo 4,9 milijardi USD u troškovima električne energije i 35,8 milijardi kg CO2 emisija ublažavanjem troškova kuracije podataka za globalni scenario povlačenja baterija 2030. godine. Ovaj rad naglašava iskorištavanje ograničenih podataka za istraživanje proširenog prostora podataka pomoću generativnih metoda, s obzirom da prikupljanje podataka može biti dugotrajno, skupo i zagađujuće za mnoge zadatke procjene i predviđanja. Uvod Elektrifikacija transporta, ključni sektor u energetskoj tranziciji sa niskim udjelom ugljenika , neviđeno je preoblikovala energetski koncept zasnovan na fosilnim gorivima. Litijum-jonske baterije su ključne za ovu tranziciju obezbjeđujući pristupačne, izdržljive i sigurne energetske zalihe za električna vozila (EV) , . Ukupni kapacitet EV baterija u upotrebi i onih na kraju životnog vijeka premašiće 32–62 teravat-sata do 2050. godine, znatno više od procjena u scenarijima Međunarodne agencije za obnovljivu energiju i Storage Lab-a . Međutim, stare EV baterije su strogo regulisane sa ogromnom preostalom vrijednošću kapaciteta koja je nedovoljno iskorištena, tipično preko 80% nominalnog kapaciteta , . Ako se njima ne upravlja pravilno, to dovodi do ekonomskih tereta  za proizvođače i korisnike, kao i do naknadnih ekoloških i društvenih problema , uključujući rasipanje resursa, rizike u lancu snabdijevanja i emisije ugljenika , , . 1 2 3 4 5 6 7 8 9 10 11 Obećavajuće strategije za rješavanje zabrinutosti u vezi sa povremenim porastom povlačenja baterija su ponovna upotreba , ,  i reciklaža . U ponovnoj upotrebi, stare baterije se prenamjenjuju za primjene kao što su mrežni sistemi za skladištenje energije , stambena napajanja , i vozila male brzine. Međutim, ponovna upotreba zahtijeva preliminarnu pretpremu, uključujući provjeru konzistentnosti , sortiranje kapaciteta , i ponovno grupisanje ,  kako bi se zadovoljili zahtjevi primjene . Uprkos pokretanju pilot programa , , , odsustvo strogih standarda za scenarije upotrebe i puteve povlačenja otežava racionalno korištenje preostalog kapaciteta . Reciklaža alternativno koristi preostale vrijednosti starih baterija ekstrakcijom materijala ili popravkom strukture , , pogodno za nepovratno degradirane stare baterije. U poređenju sa pirometallurgijom i hidrometalurgijom , , direktna reciklaža se ističe superiornom profitabilnošću, nižom potrošnjom energije i smanjenim emisijama ugljenika , , . Korištenjem obnove litijuma i post-obrade katodnih materijala, direktna reciklaža postiže efikasnu popravku strukture materijala i obnovu performansi . Međutim, stanje zdravlja (SOH) određuje potrebni hemijski reagens i očekivane doze dodavanja litijuma u formulacije strategija direktne reciklaže , , . Nedovoljna doza može rezultirati nepotpunom popravkom, dok prekomjerna doza može dovesti do stvaranja ostataka alkalija na površini katode, pogoršavajući performanse obnove , . Nažalost, oporavak SOH zahtijeva invazivnu karakterizaciju materijala ,  i dugotrajna testiranja kalibracije kapaciteta, dok neinvazivno, brzo i održivo sticanje SOH ostaje izvanredan 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 konzistentne informacije o SOH, EV baterije se nadgledaju, a operativni podaci bilježe putem cloud platformi  i pasoša baterija . Evropski parlament je 14. juna 2023. godine usvojio Direktivu o baterijama kako bi se osiguralo da se stare baterije mogu ponovo koristiti, obnoviti ili reciklirati na kraju njihovog životnog vijeka . Međutim, potrebni postupak nadgledanja i bilježenja je uglavnom dostupan samo u fazi servisiranja EV-a, dok stare baterije više nisu povezane sa jedinicom za nadzor u vozilu. Stoga je teško dohvatiti SOH podatke dostupne na terenu. Integritet podataka o životnom vijeku ostaje veliki izazov, što zahtijeva procjenu SOH samo korištenjem terenskih podataka, za razliku od historijskih podataka ili pod kontroliranim uvjetima , , . Jedno rješenje je obaviti test kalibracije kapaciteta na terenu za prikupljanje starih baterija, tj. kondicioniranje stanja napunjenosti (SOC), što je jednostavno, međutim, zahtijeva neprihvatljivo vrijeme testiranja i dodatne troškove električne energije. Hibridno testiranje karakterizacije snage impulsa je alternativa za procjenu SOH dinamičkim ubrizgavanjem impulsa, ali potpuni niz testova traje preko 12 sati. Tao i saradnici su koristili kratke impulse za procjenu SOH starih baterija, pretpostavljajući da je izvršeno kondicioniranje SOC na 5% SOC, što je jedva kompatibilno sa nasumičnim uvjetima povlačenja SOC . Nedavna dostignuća u senzorskim mjerenjima uključuju rendgensko snimanje , elektrohemijsku impedancu , , senzore optičkih vlakana , , akustične senzore , , parcijalno punjenje , , i ubrizgavanje impulsa , . Senzorske tehnike su u laboratorijskoj fazi zbog invazivnosti, dok ubrizgavanje impulsa karakterizira razdvajanje degradacije baterije bez fizičkog oštećenja, istovremeno brže od metoda parcijalnog punjenja i elektrohemijske impedancije , , , , , . Međutim, ubrizgavanje impulsa je metoda zasnovana na podacima koja je izvodljiva samo pod idealnom pretpostavkom da fizički izmjereni podaci obuhvataju uvjete povlačenja faze implementacije modela, poznat kao uobičajeni izazov pomaka domene u zajednici mašinskog učenja. Uprkos napretku u metodama transfernog učenja i prilagođavanja domena , , , izazovi ostaju jer ciljni domen za usklađivanje još uvijek zahtijeva prethodne informacije prilikom implementacije, a postojeće metode učenja teško se mogu ažurirati za nasumične uvjete povlačenja . Alternativa je proširenje skale testiranja podataka pod neistraženim uvjetima povlačenja kako bi se ublažila nestašica podataka i heterogenost, iako to može dovesti do povećanih troškova. Wang i saradnici su predložili metodu iskopa temperature za interpolaciju preferencija reakcione kinetike pri različitim međuproizvodnim stanjima tokom termokemijskog procesa, omogućavajući konstrukciju opsežnih baza podataka za obuku pri minimalnom obimu i trošku termokemijskih eksperimenata kao augmentacija podataka za obuku modela mašinskog učenja . Osim toga, generativno učenje također pokazuje mogućnosti procjene SOH s augmentiranim podacima iz djelomično ciklusnih profila, štedeći potrebne fizički testirane podatke , . Međutim, nestašica podataka i heterogenost u kontekstu ponovne upotrebe i reciklaže baterija su još složeniji zbog mješavine tipova katodnih materijala, fizičkih formata, dizajna kapaciteta i historijskih korištenja, što ograničava potencijalnu integraciju znanja specifičnog za uslove degradacije u modele mašinskog učenja. Stoga je razumno razmotriti zavisnost između uvjeta povlačenja i impulsnih odziva napona za generiranje podataka, bez dugotrajnog kalibrisanja kapaciteta vremenskih serija i dodatnih fizičkih eksperimenata istovremeno, kako bi se poboljšale performanse procjene SOH. 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 ovom istraživanju, vršimo pretpremu starih baterija, tj. procjenu SOH, koristeći podatke o odzivu napona impulsa generirane od strane autoenkodera sa varijacijskim mehanizmom pažnje uz uštedu vremena i troškova fizičkog mjerenja. Glavni proces opštih koraka pretpreme, obuke generativnog modela i koraka praktične implementacije modela ilustrovan je na slici 1. Ideja istraživanja je korištenje generativnog učenja za iskorištavanje već mjerenih podataka za istraživanje odziva napona impulsa u kontinuiranim uvjetima povlačenja, tj. distribucije SOC u fazi prikupljanja starih baterija. Naknadna procjena SOH implementira se bez fizički mjerenih podataka o odzivu impulsa, čime se štede troškovi električne energije za pretpremu i emisije ugljenika koje bi inače bile potrebne za kondicioniranje SOC na očekivani nivo. U poređenju sa metodom integrala amperažnog sata i mašinskog učenja ubrizgavanjem impulsa, generativno učenje naglašava bržu brzinu generisanja i tačnu procjenu. Sa generiranim podacima, jednostavan regresor uspješno procjenjuje SOH sa niskom greškom pod neviđenim ili nedostupnim SOC uvjetima povlačenja u bazi podataka, što je izazovan problem izvan distribucije (OOD). Problem OOD se rješava učenjem naslijeđenog fizičkog obrasca između SOC uslova i odziva napona izazvanog brzim impulsom. Demonstriramo generalizaciju naše metode provjerom na 2700 fizički mjerenih uzoraka, koji obuhvataju 3 tipa katodnog materijala, 3 fizička formata, 4 dizajna kapaciteta i 4 historijska korištenja (1 laboratorijski ubrzano starenje, 1 čista vožnja EV-a, i 2 vožnje hibridnih EV-a). Generativno učenje odgovara interpolaciji i ekstrapolaciji integrisanjem prethodnog znanja o uvjetima povlačenja u skaliranje latentnog prostora parametara modela, štedeći vrijeme mjerenja, troškove električne energije i posljedične emisije ugljenika bez ugrožavanja tačnosti procjene SOH. Konzervativna globalna studija slučaja povlačenja baterija u 2030. godini naglašava značaj brze i održive procjene SOH u pirometalurškim, hidrometalurškim i direktnim reciklažnim okolnostima. Kroz tehničko-ekonomsku analizu, procjena SOH potpomognuta generativnim učenjem mogla bi uštedjeti 4,9 milijardi USD troškova električne energije i 35,8 milijardi kg CO2 emisija do 2030. godine globalno. Raspravljamo o interpretaciji modela, implikacijama pretpreme za reciklažu i širim aspektima budućih smjernica za pametnu pretpremu reciklaže integrisanih sa mašinskim učenjem.    Koraci pretpreme starih baterija uključuju kondicioniranje SOC-a, fizička mjerenja, mašinsko učenje za dijagnozu SOH i proces donošenja odluka o drugom životu prije ponovne upotrebe ili reciklaže. Kondicioniranje SOC-a odnosi se na podešavanje vrijednosti SOC-a starih baterija na željene nivoe koristeći tradicionalnu metodu konstantne struje konstantnog napona (CCCV).   Shema autoenkodera sa varijacijskim mehanizmom pažnje za generiranje podataka o odzivu napona impulsa.   Praktična upotreba modela generiranja podataka za procjenu SOH ne zahtijeva dodatno kondicioniranje SOC-a. Obučeni model mašinskog učenja je nadgledan generiranim podacima i prima neposredne odzive napona impulsa kada je u fazi implementacije.   Ekonomski i ekološki benefiti i brza brzina generiranja naše metodologije generativnog učenja uštedom troškova kondicioniranja SOC-a u globalnom scenariju povlačenja baterija 2030. godine. a b c d Rezultati Prikupljanje skupa podataka Nestašica podataka i heterogenost su glavni izazovi u dijagnostici i prognozi baterija zasnovanim na podacima, posebno za stare baterije. Prikupili smo 2700 uzoraka od 270 fizički starih baterija u širokim rasponima SOC-a, tj. od 5% do 50% sa korakom od 5%. Na slici 2a, skup podataka obuhvata 3 dominantna tipa katodnih materijala, uključujući 119 fizički prikupljenih NMC (nikal-mangan-kobalt oksid), 56 LFP (litijum-gvožđe-fosfat), i 95 LMO (litijum-mangan oksid) starih baterija, pokrivajući 3 fizička formata (cilindrični, torbica, prizmatični) i 4 obrasca historijske upotrebe (1 laboratorijski ubrzani test, 3 EV upotrebe, uključujući 1 čisto elektrificirani pogonski mod i 2 hibridna pogonska moda). Naglašavamo da naš skup podataka, uključujući vrlo heterogene testne uzorke, čini najveći skup podataka zasnovan na brzim impulsima za procjenu SOH starih baterija do sada, olakšavajući generalizaciju modela izvan fizički mjerenih skupova podataka.    Sankey dijagram distribucije starih baterija, koji obuhvata tipove katodnih materijala, fizičke formate, dizajne kapaciteta i historijsku upotrebu.   Impulsna struja i naknadni odziv napona starih baterija, gdje se karakteristike izvlače iz prelomnih tačaka, tj. tačaka sa nultom drugom derivacijom krivulje odziva napona. Ekstrahirano je 21 karakteristična tačka, od U1 do U21. Frekvencija snimanja sirovih podataka je 100 Hz. Vrijeme mirovanja između svakog impulsa je 25 sekundi pri C-stopi. Napominjemo da C predstavlja stopu punjenja (pražnjenja) kada se izvrši punjenje (pražnjenje) od 1 sat. Sobna temperatura je kontrolirana na 25°C.   Ilustracija distribucije stanja zdravlja (SOH) (Gaussova fita) starih baterija od 2,1 Ah i 21 Ah, redom. Za distribuciju SOH drugih tipova baterija, možete pogledati Dodatnu sliku 1.   Odnos između izmjerenog odziva napona impulsa i kalibriranog SOH iz testa kalibracije kapaciteta, sa varijacijskim uvjetima stanja napunjenosti (SOC). Ilustrovana je prva dimenzija karakteristika, U1.   Ilustracija slučaja generiranja interpolacijskih i ekstrapolacijskih podataka pod različitim distribucijama SOC-a povlačenja baterija. Detaljna ispitna podešavanja su u Dodatnim bilješkama 1 i 2, napominjući da je podešavanje C-stope identično za sve tipove katodnih materijala. Izvorno dostavljeni podaci su u datoteci Source Data. a b c d e Za razliku od redovnog testiranja konstantnom strujom i konstantnim naponom (CCCV), test impulsa ne zahtijeva dugo vrijeme testiranja i ne nanosi dodatnu štetu starim baterijama. Stoga koristimo CCCV rezultate kao referentne vrijednosti kapaciteta za SOH. Podaci iz testiranja impulsa koriste se kao podaci za obuku generativnog modela učenja. Čak i ako se tip katodnog materijala baterije razlikuje, izvodimo standardizovano i pristupačno inženjerstvo karakteristika, osiguravajući kompatibilnost u praktičnoj upotrebi. Slika 2b demonstrira ekstrakciju karakteristika nakon ubrizgavanja impulsne struje. Eksperimentalna podešavanja za CCCV i ubrizgavanje impulsa mogu se naći u Dodatnoj napomeni 1. Za prvih pet ubrizganih impulsa, prelomne tačke, tj. tačke sa nulom druge derivacije odziva napona, bilježe se kao karakteristike, što rezultira 21-dimenzionalnim karakteristikama. Uprkos vremenu impulsa na nivou od 5 sekundi, vršimo i mjerenje osjetljivosti na širinu impulsa sa dvostrukim ciljem verifikacije robusnosti impulsa i daljeg skraćivanja vremena testiranja, u rasponu od 30 ms do 5 s. Razmatramo ubrzano starenje u laboratorijskim testovima (Dodatna napomena 2) i stvarno starenje vožnje EV-a, iako agnostički prema eksplicitnim profilima vožnje zbog ograničenja privatnosti podataka. Na slici 2c, ilustrovana je distribucija SOH baterija koje su starile ubrzanim metodama (NMC, 2,1 Ah) i baterija koje su starile vožnjom čistog EV pogona (NMC, 21 Ah). Napominjemo da su SOH vrijednosti komplementarne u širokom rasponu SOH, od 0,6 do 1, prikupljeni podaci su reprezentativni za scenarije povlačenja baterija, također sa ekstremnim slučajevima ranog povlačenja. Distribucije SOH drugih prikupljenih baterija (LMO, 10 Ah, i LFP 35 Ah) pokrivaju širok raspon distribucije SOH, pogledajte Dodatnu sliku 1. Testovi impulsa se ponavljaju na različitim nivoima SOC-a, u rasponu od 5

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 umjetna inteligencija pokreće održivu ponovnu upotrebu odbačenih litijum-jonskih 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