```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autoři: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Rychlé a přesné odhadování stavu nabití (SOH) vyřazených baterií je klíčovým předzpracováním pro jejich opětovné použití a recyklaci. Datově orientované metody však vyžadují vyčerpávající správu dat za náhodných podmínek vyřazení SOH a stavu nabití (SOC). Zde ukazujeme, že odhad SOH s pomocí generativního učení je slibný pro zmírnění problémů s nedostatkem a heterogenitou dat, což je ověřeno pomocí datové sady s pulzní injekcí 2700 vyřazených vzorků lithium-iontových baterií, pokrývajících 3 typy katodových materiálů, 3 fyzikální formáty, 4 návrhy kapacity a 4 historická použití s 10 úrovněmi SOC. Pomocí generovaných dat realizuje regresor přesné odhady SOH s chybou absolutní procentní odchylky pod 6 % při neznámém SOC. Předpokládáme, že při jednotném nasazení navrhované techniky by to ušetřilo 4,9 miliardy USD na nákladech na elektřinu a 35,8 miliard kg emisí CO2 zmírněním nákladů na správu dat pro scénář světového vyřazení baterií v roce 2030. Tento článek zdůrazňuje využití omezených dat pro prozkoumání rozšířeného datového prostoru pomocí generativních metod, vzhledem k tomu, že data mohou být pro mnoho odhadových a prediktivních úkolů časově náročná, drahá a znečišťující při získávání. Úvod Elektrifikace dopravy, klíčový sektor v energetické transformaci s nízkými emisemi uhlíku , bezprecedentně proměnila paradigma dopravy založenou na fosilních palivech. Lithium-iontové baterie jsou pro tuto transformaci životně důležité, protože poskytují cenově dostupné, odolné a bezpečné dodávky energie pro elektrická vozidla (EV) , . Celková kapacita používaných a vyřazených baterií EV přesáhne do roku 2050 32–62 terawattů, což je podstatně více než odhady v scénářích Mezinárodní agentury pro obnovitelnou energii a Storage Lab . Vyřazené baterie EV jsou však silně regulovány s obrovskou nevyužitou zbytkovou hodnotou kapacity, obvykle více než 80 % jmenovité kapacity , . Pokud nejsou řádně řešeny, vede to k ekonomickým zátěžím  pro výrobce a uživatele, jakož i k následným environmentálním a společenským problémům , včetně plýtvání zdroji, rizik dodavatelského řetězce a emisí uhlíku , , . 1 2 3 4 5 6 7 8 9 10 11 Slibné strategie pro řešení obav týkajících se přerušovaného nárůstu vyřazování baterií jsou opětovné použití , ,  a recyklace . Při opětovném použití se vyřazené baterie přeplánují pro aplikace, jako jsou systémy pro ukládání energie připojené k síti , rezidenční napájecí zdroje a nízkoemisní vozidla. Opětovné použití však vyžaduje předběžné předzpracování, včetně třídění podle konzistence , třídění podle kapacity a seskupování ,  aby splňovaly požadavky aplikace . Navzdory zahájení pilotních programů , , , absence přísných norem pro scénáře použití a cesty vyřazení brání racionálnímu využití zbytkové kapacity . Recyklace alternativně využívá zbytkové hodnoty vyřazených baterií prostřednictvím extrakce materiálů nebo opravy struktury , , vhodná pro nevratně degradované vyřazené baterie. Ve srovnání s pyrometalurgií a hydrometalurgií , , přímá recyklace vyniká vyšší ziskovostí, nižší spotřebou energie a sníženými emisemi uhlíku , , . Využitím doplňování lithia a post-processingem katodových materiálů dosahuje přímá recyklace efektivní opravy materiálové struktury a obnovy výkonu . Stav nabití (SOH) však určuje požadovaný chemický reagens a předpokládané dávky doplňování lithia při formulaci strategií přímé recyklace , , . Nedostatečné dávkování může vést k neúplné opravě, zatímco nadměrné dávkování může vést k tvorbě zbytkového alkáli na povrchu katody, což zhoršuje výkon obnovy , . Naneštěstí zjišťování SOH vyžaduje invazivní charakterizaci materiálů ,  a zdlouhavé testy kalibrace kapacity, přičemž neinvazivní, rychlé a udržitelné získávání SOH zůstává vynikající výzvou. 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 Pro zajištění konzistentních informací o SOH jsou baterie EV monitorovány a provozní data jsou zaznamenávána cloudovými platformami a pasy baterií . Evropský parlament přijal 14. června 2023 směrnici o bateriích, která zajišťuje, že vyřazené baterie mohou být na konci životnosti znovu použity, repasovány nebo recyklovány . Požadovaný postup monitorování a záznamu je však přístupný pouze ve fázi služby EV, vyřazené baterie již nejsou připojeny k monitorovací jednotce vozidla. Je proto obtížné získat terénní data SOH. Integrita údajů o životnosti zůstává hlavní výzvou, což vyžaduje odhad SOH pouze na základě terénních dat, na rozdíl od historických dat nebo za kontrolovatelných podmínek , , . Jedním řešením je provést test kalibrace kapacity v místě sběru vyřazených baterií, tj. kondicionování stavu nabití (SOC), což je jednoduché, ale vyžaduje nepřijatelně dlouhou testovací dobu a dodatečné náklady na elektřinu. Test hybridní pulzní charakteristiky je alternativou pro odhad SOH pomocí dynamické pulzní injekce, ale kompletní testovací sekvence trvá přes 12 hodin. Tao et al. využili krátké pulzy pro odhad SOH vyřazených baterií za předpokladu, že bylo provedeno kondicionování SOC na 5 % SOC, což bylo jen stěží kompatibilní s náhodnými podmínkami vyřazení SOC . Nedávné pokroky v senzorických měřeních zahrnují rentgenové zobrazování , elektrochemickou impedanci , , optické vláknové senzory , , akustické senzory , , částečné nabíjení , a pulzní injekci , . Senzorické techniky jsou ve fázi laboratoří kvůli invazivitě, zatímco pulzní injekce umožňuje rozlišit degradaci baterie bez fyzického poškození, zároveň rychleji než metody částečného nabíjení a metody založené na elektrochemické impedanci , , , , , . Pulzní injekce je však datově orientovaná metoda, která je proveditelná pouze za ideálního předpokladu, že fyzicky naměřená data pokrývají podmínky vyřazení fáze nasazení modelu, známé jako běžný problém posunu domény v komunitě strojového učení. Navzdory pokrokům v metodách přenosu učení a adaptace domény , , , přetrvávají výzvy, protože cílová doména, na kterou je třeba se sladit, stále vyžaduje předchozí informace při nasazení, a stávající metody učení lze jen obtížně aktualizovat pro náhodné podmínky vyřazení . Alternativou je rozšíření rozsahu testování dat za neprozkoumaných podmínek vyřazení pro zmírnění nedostatku a heterogenity dat, ačkoli to může vést ke zvýšení nákladů. Wang et al. navrhli metodu teplotní extrakce pro interpolaci kinetických preferencí reakcí v různých mezistavách během termochemického procesu, což umožňuje konstrukci rozsáhlých tréninkových databází s minimálním rozsahem a náklady na termochemické experimenty jako rozšíření dat pro trénink modelů strojového učení . Kromě toho generativní učení také demonstruje možnosti odhadu SOH s rozšířenými daty z částečně cyklovaných profilů, čímž šetří potřebná fyzicky testovaná data , . Nicméně nedostatek a heterogenita dat v kontextu opětovného použití a recyklace baterií jsou ještě složitější kvůli směsi typů katodových materiálů, fyzikálních formátů, návrhů kapacity a historických použití, což omezuje potenciální integraci znalostí specifických pro podmínky degradace do modelů strojového učení. Je proto rozumné zvážit závislost mezi podmínkami vyřazení a odezvami napětí na pulz, aby se generovala data, aniž by to způsobilo zdlouhavou kalibraci kapacity časových řad a dodatečné fyzikální experimenty současně, aby se zlepšil výkon odhadu 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 V této studii provádíme předúpravu vyřazených baterií, tj. odhad SOH, pomocí dat odezvy napětí na pulz generovaných atentivním variačním autoenkodérem s ušetřeným časem a náklady na fyzická měření. Obecný proces kroků předúpravy, tréninku generativního modelu a kroků praktického nasazení modelu je znázorněn na obr.  . Hlavní myšlenkou výzkumu je použít generativní učení k využití již naměřených dat pro prozkoumání odezev napětí na pulz v kontinuálních podmínkách vyřazení, tj. distribuce SOC ve fázi sběru vyřazených baterií. Následný odhad SOH je implementován bez fyzicky naměřených dat odezvy na pulz, což šetří náklady na elektřinu pro předúpravu a emise uhlíku, které by jinak byly vyžadovány od kondicionování SOC na předpokládanou úroveň. Ve srovnání s metodou integrace ampérhodin a strojovým učením s pulzní injekcí, generativní učení podtrhuje rychlejší rychlost generování a přesný odhad. S generovanými daty jednoduchý regresor úspěšně odhaduje SOH s nízkou chybou za neznámých nebo nedostupných podmínek vyřazení SOC v databázi, což je náročná otázka mimo distribuci (OOD). Problém OOD je řešen učením dědičného fyzikálního vzoru mezi stavem SOC a odezvou napětí vyvolanou rychlým pulzem. Demonstrujeme obecnost naší metody ověřením pomocí 2700 fyzicky naměřených vzorků, pokrývajících 3 typy katodových materiálů, 3 fyzikální formáty, 4 návrhy kapacity a 4 historická použití (1 laboratorní akcelerované stárnutí, 1 čistě elektrické pohonné ústrojí EV a 2 hybridní pohonné ústrojí EV). Generativní učení je vhodné pro interpolaci a extrapolaci začleněním předchozích znalostí o podmínkách vyřazení do škálování latentního prostoru parametrů modelu, čímž šetří čas měření, náklady na elektřinu a následné emise uhlíku, aniž by došlo k ohrožení přesnosti odhadu SOH. Konzervativní globální případová studie vyřazení baterií v roce 2030 podtrhuje význam rychlého a udržitelného odhadu SOH v pyrometalurgických, hydrometalurgických a přímých recyklačních okolnostech. Prostřednictvím technicko-ekonomické analýzy může odhad SOH s pomocí generativního učení ušetřit 4,9 miliardy USD na nákladech na elektřinu a 35,8 miliard kg emisí CO2 do roku 2030 celosvětově. Diskutujeme interpretovatelnost modelu, důsledky pro předúpravu recyklace a širší aspekty budoucích směrů předúpravy chytré recyklace integrované se strojovým učením. 1    Kroky předúpravy vyřazených baterií zahrnují kondicionování SOC, fyzická měření, strojové učení pro diagnostiku SOH a proces rozhodování o druhé životnosti před opětovným použitím nebo recyklací. Kondicionování SOC se týká úpravy hodnot SOC vyřazených baterií na požadované úrovně pomocí tradiční metody konstantního proudu a konstantního napětí (CCCV).   Schéma atentivního variačního autoenkodéru pro generování dat odezvy napětí na pulz.   Praktické využití modelu generování dat pro odhad SOH nevyžaduje dodatečné kondicionování SOC. Trénovaný model strojového učení je dohlížen generovanými daty a přijímá okamžité odezvy napětí na pulz při nasazení.   Ekonomické a environmentální přínosy a rychlá rychlost generování naší metodiky generativního učení úsporou nákladů na kondicionování SOC v globálním scénáři vyřazení baterií v roce 2030. a b c d Výsledky Získávání datové sady Nedostatek a heterogenita dat jsou hlavními problémy při datově orientované diagnostice a prognostice baterií, zejména u vyřazených baterií. Nasbírali jsme 2700 vzorků z 270 fyzicky vyřazených baterií v širokém rozsahu úrovní SOC, tj. od 5 % do 50 % s krokem 5 %. Na obr.   datová sada pokrývá 3 převládající typy katodových materiálů, včetně 119 fyzicky sebraných baterií NMC (oxid niklu, manganu a kobaltu), 56 LFP (fosforečnan železnato-lithný) a 95 LMO (oxid manganato-lithný) vyřazených baterií, pokrývajících 3 fyzikální formáty (cylindrické, pouzdrové, hranolové) a 4 vzory historického použití (1 laboratorní akcelerovaný test, 3 použití v EV, včetně 1 čistě elektrického režimu a 2 hybridních režimů). Zdůrazňujeme, že začlenění vysoce heterogenních testovacích vzorků činí naši datovou sadu největší datovou sadou rychlých pulzních testů pro odhad SOH vyřazených baterií k dnešnímu dni, což usnadňuje obecnost modelu nad rámec fyzicky naměřených datových sad. 2a    Sankeyův diagram distribuce vyřazených baterií, zahrnující typy katodových materiálů, fyzikální formáty, návrhy kapacity a historické použití.   Pulzní proud a následná odezva napětí vyřazených baterií, kde jsou rysy extrahovány z bodů obratu, tj. z bodů s nulovou druhou derivací křivky odezvy napětí. Extrahuje se 21 bodů rysů, od U1 do U21. Frekvence záznamu surových dat je 100 Hz. Zbytek času mezi každým pulzem je 25 sekund v C-rate. Vezměte na vědomí, že C označuje rychlost nabíjení (vybíjení), když je provedeno nabití (vybití) po dobu 1 hodiny. Okolní teplota je řízena na 25°C.   Distribuce stavu nabití (SOH) (Gaussovské přizpůsobení) vyřazených baterií s kapacitou 2,1 Ah a 21 Ah pro ilustraci, resp. Pro rozložení SOH jiných typů baterií viz doplňkový obrázek.  .   Vztah mezi naměřenou odezvou napětí na pulz a kalibrovaným SOH z testu kalibrace kapacity, s různými podmínkami stavu nabití (SOC). Zobrazuje se první dimenze rysu, U1.   Ilustrace případu generování dat pomocí interpolace a extrapolace za různých rozložení SOC vyřazených baterií. Podrobné nastavení testování je v  a  , přičemž nastavení C-rate je shodné napříč typy katodových materiálů. Zdrojová data jsou poskytnuta jako soubor zdrojových dat. a b c 1 d e Doplňkových poznámkách 1 2 Na rozdíl od běžného testování konstantním proudem a konstantním napětím (CCCV) pulzní test nezpůsobuje zdlouhavou testovací dobu a dodatečné poškození vyřazených baterií. Proto používáme výsledky CCCV jako referenční hodnoty kapacity pro SOH. Data pulzních testů se používají jako tréninková data pro generativní model učení. I když se typ materiálu katody baterie liší, provádíme standardizované a přístupné inženýrství rysů, což zajišťuje kompatibilitu v praktickém použití. Obrázek   demonstruje extrakci rysů po injekci pulzního proudu. Nastavení experimentů CCCV a pulzní injekce lze nalézt v doplňkové poznámce  . Pro prvních pět injekčních pulzů jsou jako rysy zaznamenávány body obratu, tj. body s nulovou druhou derivací odezev napětí, což vede k 21rozměrným rysům. Navzdory pulznímu času v rozsahu 5 sekund provádíme také měření citlivosti na šířku pulzu s dvojím cílem ověřit robustnost pulzu a dále zkrátit testovací dobu, v rozsahu od 3 2b 1

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

Tento zvuk je produkován v původním jazyce příběhu!

Generativní AI pohání udržitelné opětovné využití vyřazených lithium-iontových baterií

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps