
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Forfattere: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Resumé Hurtig og nøjagtig vurdering af batteriets sundhedstilstand (SOH) for pensionerede batterier er en afgørende forbehandling for genbrug og genanvendelse. Datadrevne metoder kræver dog omfattende dataklargøring under tilfældige pensioneringsforhold for SOH og ladetilstand (SOC). Her viser vi, at generativ læringsassisteret SOH-estimering er lovende til at afhjælpe udfordringer med datamangel og heterogenitet, valideret gennem et pulsinjiceringsdatasæt med 2700 pensionerede lithium-ion-batteriprøver, der dækker 3 katodematerialetyper, 3 fysiske formater, 4 kapacitetsdesign og 4 historiske anvendelser med 10 SOC-niveauer. Ved hjælp af genererede data opnår en regressionsmodel nøjagtige SOH-estimeringer med gennemsnitlige absolutte procentfejl (MAPE) under 6% under ukendte SOC-forhold. Vi forudsiger, at hvis den foreslåede teknik udbredes ensartet, vil det spare 4,9 milliarder USD i elomkostninger og 35,8 milliarder kg CO2-emissioner ved at mindske omkostningerne til dataklargøring for et globalt batteripensionsscenarie i 2030. Denne artikel fremhæver udnyttelsen af begrænsede data til at udforske udvidet datarum ved hjælp af generative metoder, givet at data kan være tidskrævende, dyre og forurenende at indhente til mange estimerings- og forudsigelsesopgaver. Introduktion Transportelektrificering, en kritisk sektor i en lav-kulstof energiomstilling , har hidtil uset omformet det fossilt brændstofbaserede transportparadigme. Lithium-ion-batterier er vitale for denne omstilling ved at levere overkommelige, holdbare og sikre energiforsyninger til elbiler (EVs) , . Den samlede kapacitet af in-use og end-of-life EV-batterier vil overstige 32–62 terra-watt i 2050, betydeligt højere end estimaterne i scenarierne fra International Renewable Energy Agency og Storage Lab . Pensionerede EV-batterier er dog stærkt regulerede med en enorm resterende værdifuld kapacitet, der er underudnyttet, typisk over 80% af den nominelle kapacitet , . Hvis de ikke håndteres korrekt, fører det til økonomiske byrder  for producenter og brugere, samt efterfølgende miljømæssige og samfundsmæssige problemer , herunder ressourspild, forsyningskæderisici og CO2-emissioner , , . 1 2 3 4 5 6 7 8 9 10 11 Lovende strategier til at adressere bekymringer vedrørende den intermitterende stigning i batteripensionering er genbrug , ,  og genanvendelse . Ved genbrug genanvendes pensionerede batterier til applikationer som nettilsluttede energilagringssystemer , private strømforsyninger  og langsomtkørende køretøjer. Genbrug kræver dog indledende forbehandling, herunder konsistensscreening , kapacitetssortering  og omgruppering ,  for at opfylde applikationskrav . På trods af igangsættelsen af pilotprogrammer , , , hæmmer manglen på strenge standarder for anvendelsesscenarier og pensionsforløb rationel udnyttelse af den resterende kapacitet . Genanvendelse bruger alternativt restværdier af pensionerede batterier ved materialeevneudvinding eller strukturel reparation , , velegnet til irreversibelt nedbrudte pensionerede batterier. Sammenlignet med pyrometallurgi og hydrometallurgi , , skiller direkte genanvendelse sig ud med overlegen rentabilitet, lavere energiforbrug og reducerede CO2-emissioner , , . Udnyttelse af litiumgenopfyldning og efterbehandling af katodematerialer opnår direkte genanvendelse effektiv materialestrukturreparation og ydelsesrestaurering . Imidlertid bestemmer sundhedstilstanden (SOH) den krævede kemiske reagens og de forventede litiumsuppleringsdoser i direkte genanvendelsesstrategiformuleringer , , . Utilstrækkelig dosering kan resultere i ufuldstændig reparation, mens overdreven dosering kan føre til generering af resterende alkalitet på katodeoverfladen, hvilket forringer restaureringsydelsen , . Desværre kræver SOH-genfinding invasiv materialekarakterisering ,  og lange kapacitetskalibreringstest, og den ikke-invasive, hurtige og bæredygtige SOH-erhvervelse forbliver en udestående udfordring. 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 For at sikre ensartede SOH-oplysninger overvåges EV-batterier, og driftsdata registreres af cloud-platforme  og batteripasser . Europa-Parlamentet vedtog Batteridirektivet den 14. juni 2023 for at sikre, at pensionerede batterier kunne genbruges, istandsættes eller genanvendes ved afslutningen af levetiden . Den påkrævede overvågnings- og registreringsprocedure er dog kun tilgængelig i EV-servicefasen, og pensionerede batterier er ikke længere forbundet til den interne overvågningsenhed. Derfor er det udfordrende at hente feltdata for SOH. Integriteten af levetidsdata forbliver en stor udfordring, der kalder på SOH-estimering kun ved brug af feltdata, i modsætning til historiske data eller under kontrollerbare forhold , , . En løsning er at udføre en kapacitetskalibreringstest på indsamlingsfeltet for pensionerede batterier, dvs. SOC-konditionering, hvilket er ligetil, men det kræver uoverkommelig testtid og ekstra elomkostninger. Hybrid pulskarakteriseringstesten er et alternativ til SOH-estimering ved dynamisk pulsinjektion, men den komplette testsekvens tager over 12 timer. Tao et al. anvendte korte pulser til SOH-estimering af pensionerede batterier, under antagelse af, at en SOC-konditionering til 5% SOC blev udført, hvilket knap var kompatibelt med tilfældige pensions-SOC-forhold . Nylige fremskridt inden for sensorbaserede målinger omfatter røntgenbilleddannelse , elektrokemisk impedans , , optisk fiberføling , , akustisk føling , , delvis opladning , og pulsinjektion , . Sensorbaserede teknikker er i laboratoriestadiet på grund af invasion, mens pulsinjektion har egenskaben at adskille batteridegraderingen uden fysisk skade, samtidig med at den er hurtigere end delvis opladning og elektrokemisk impedansbaserede metoder , , , , , . Pulsinjektion er dog en datacentrisk metode, der kun er mulig under den ideelle antagelse, at fysisk målte data omfatter pensionsforholdene i modelimplementeringsfasen, kendt som den almindelige udfordring med domæneskift i maskinlæringsfællesskabet. På trods af fremskridt inden for transfer learning og domænetilpasningsmetoder , , , forbliver udfordringerne, da måldomænet, der skal justeres, stadig kræver forudgående information ved implementering, og eksisterende læringsmetoder kan knap nok opdateres tilfældige pensionsforhold . Et alternativ er at udvide datasstestskalaen under uudforskede pensionsforhold for at afhjælpe datamangel og heterogenitet, men det kan føre til øgede omkostninger. Wang et al. foreslog en temperaturudvindingsmetode til at interpolere reaktionskinetiske præferencer ved forskellige mellemliggende tilstande under en termokemisk proces, hvilket muliggør konstruktion af omfattende træningsdatabaser til en minimal termokemisk eksperimentel skala og omkostning som dataaugmentation til træning af maskinlæringsmodeller . Derudover demonstrerer generativ læring også mulighederne for at estimere SOH med augmented data fra delvist cyklede profiler, hvilket sparer påkrævet fysisk testede data , . Imidlertid er datamangel og heterogenitet i batterigenbrug og genanvendelseskontinuitet endnu mere kompleks på grund af en blanding af katodematerialetyper, fysiske formater, kapacitetsdesign og historiske anvendelser, hvilket begrænser den potentielle integration af betingelsesspecifik viden om nedbrydninger i maskinlæringsmodeller. Derfor er det rimeligt at overveje afhængighedsforholdet mellem pensionsforhold og pulsspændingsrespons til datagenerering, uden at forårsage længere tids serier kapacitetskalibrering og yderligere fysiske eksperimenter samtidigt, for at forbedre SOH-estimationsydelsen. 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 I denne undersøgelse udfører vi forbehandling af pensionerede batterier, dvs. SOH-estimering, ved hjælp af pulsspændingsresponsedata genereret af en attentional variations autoencoder til en sparet fysisk målingstid og omkostning. Processen for generelle forbehandlingstrin, generativ modeltræning og praktiske modelimplementeringstrin er illustreret i Fig.  . Forskningsidéen er at bruge generativ læring til at udnytte allerede målte data til udforskning af pulsspændingsresponser under kontinuerlige pensionsforhold, dvs. SOC-fordeling i pensionsfasen af pensionerede batterier. Efterfølgende SOH-estimering implementeres uden fysisk målte pulsresponsdata, hvilket sparer forbehandlingens elomkostninger og CO2-emissioner, der ellers ville være påkrævet fra konditionering af SOC til det forventede niveau. Sammenlignet med ampere-times integreringsmetoden og maskinlærings-pulsinjektion understreger generativ læring en hurtigere generationshastighed og nøjagtig estimering. Med genererede data estimerer en simpel regressionsmodel succesfuldt SOH med lav fejl under ukendte eller utilgængelige SOC-pensionsforhold i databasen, et udfordrende out-of-distribution (OOD) problem. OOD-problemet løses ved at lære det nedarvede fysiske mønster mellem SOC-forholdet og spændingsresponsen induceret af den hurtige puls. Vi demonstrerer generaliserbarheden af vores metode ved at verificere gennem 2700 fysisk målte prøver, der spænder over 3 katodematerialetyper, 3 fysiske formater, 4 kapacitetsdesign og 4 historiske anvendelser (1 laboratorieaccelereret aldring, 1 ren EV-kørsel og 2 hybrid EV-kørsel). Generativ læring egner sig til interpolation og ekstrapolation ved at integrere forudgående viden om pensionsforhold i latent rumskalering af modelparametrene, hvilket sparer målingstid, elomkostninger og deraf følgende CO2-emissioner uden at kompromittere SOH-estimationsnøjagtigheden. En konservativ global casestudie af batteripension i 2030 fremhæver betydningen af hurtig og bæredygtig SOH-estimering i pyrometallurgiske, hydrometallurgiske og direkte genanvendelsesscenarier. Gennem teknisk-økonomisk analyse kan generativ læringsassisteret SOH-estimering spare 4,9 milliarder USD i elomkostninger og 35,8 milliarder kg CO2-emissioner inden 2030 globalt. Vi diskuterer modellens fortolkbarhed, implikationer for genanvendelsesforbehandling og bredere aspekter af fremtidige smarte genanvendelsesforbehandlingsretninger integreret med maskinlæring. 1    Forbehandlingstrin for pensionerede batterier inkluderer SOC-konditionering, fysiske målinger, maskinlæring til SOH-diagnose og beslutningstagning i anden levetid før genbrug eller genanvendelse. SOC-konditionering refererer til justering af SOC-værdierne af de pensionerede batterier til ønskede niveauer ved hjælp af den traditionelle konstantstrøm-konstantspændings (CCCV) metode.  **b** Skematisk af attentional variations autoencoder til generering af pulsspændingsresponsedata.  **c** Praktisk anvendelse af datagenereringsmodellen til SOH-estimering kræver ingen ekstra SOC-konditionering. Den trænede maskinlæringsmodel er overvåget af de genererede data og modtager øjeblikkelige pulsspændingsresponser ved implementering.  **d** De økonomiske og miljømæssige fordele og den hurtige generationshastighed af vores generative læringsmetodologi ved at spare SOC-konditioneringsomkostninger i 2030-batteripensionsscenariet globalt. a Resultater Datasæt erhvervelse Datamangel og heterogenitet er store udfordringer inden for datadrevne batteridiagnoser og prognoser, især for pensionerede batterier. Vi indsamlede 2700 prøver fra 270 fysisk pensionerede batterier på tværs af brede SOC-niveauer, dvs. fra 5% til 50% med en 5% kornstørrelse. I Fig.   dækker datasættet 3 fremherskende katodematerialetyper, herunder 119 fysisk indsamlede NMC (nikkel-mangan-cobaltoxid), 56 LFP (lithium-jernfosfat) og 95 LMO (lithium-manganoxid) pensionerede batterier, der spænder over 3 fysiske formater (cylindriske, pouch, prismatiske) og 4 historiske brugsmønstre (1 laboratorieaccelereret test, 3 EV-brug, herunder 1 rent elektrificeret drivlinje-tilstand og 2 hybrid drivlinje-tilstande). Vi understreger, at inklusionen af meget heterogene testprøver gør vores datasæt til det største hurtige pulsbaserede datasæt til SOH-estimering af pensionerede batterier hidtil, hvilket letter modelgeneraliserbarheden ud over de fysisk målte datasæt. 2a    Sankey-plottet for fordelingen af pensionerede batterier, der omfatter katodematerialetyper, fysiske formater, kapacitetsdesign og historiske anvendelser.  **b** Pulsstrøm og den efterfølgende spændingsrespons fra de pensionerede batterier, hvor funktionerne ekstraheres fra vendepunkterne, dvs. punkterne med nul andenordens afledte af spændingsresponskurven. De 21 funktionspunkter, fra U1 til U21, ekstraheres. Optagelsesfrekvensen for rådata er 100 Hz. Pausetiden er 25 sekunder mellem hver puls i C-rate. Bemærk, at C-termen står for opladnings- (afladnings) hastighed, når en opladning (afladning) på 1 time udføres. Omgivelsestemperaturen kontrolleres ved 25°C.  **c** Fordelingen af sundhedstilstand (SOH) (Gaussisk fit) af 2,1 Ah og 21 Ah pensionerede batterier til illustration, henholdsvis. For SOH-fordelingen af andre batterityper henvises til supplerende fig.   .  **d** . Forholdet mellem målt pulsspændingsrespons og kalibreret SOH fra kapacitetskalibreringstest, med varierende ladetilstand (SOC) forhold. Den første funktionsdimension, U1, er illustreret.  **e** . Illustration af interpolations- og ekstrapolationsdatagenereringsscenariet under forskellige pensions-SOC-fordelinger for batterier. Detaljerede testindstillinger findes i   og  , bemærk, at C-raten er identisk på tværs af katodematerialetyper. Kildedata leveres som en Kildedatafil. a 1 Supplerende Bemærkninger 1 2 I modsætning til regelmæssig konstantstrøm-konstantspændings (CCCV) test påfører pulstesten ingen lang testtid og yderligere skade på de pensionerede batterier. Derfor bruger vi CCCV-resultaterne som benchmarking-kapacitetsværdier for SOH. Puls testdata bruges som træningsdata for den generative læringsmodel. Selvom batteriets katodematerialetype varierer, udfører vi en standardiseret og tilgængelig feature engineering, der sikrer kompatibilitet i praktisk brug. Figur   demonstrerer feature-ekstraktionen efter pulsinjektion. CCCV- og pulsinjektionseksperimentelle indstillinger kan findes i supplerende bemærkning  . For de første fem injicerede pulser registreres vendepunkterne, dvs. punkterne med nul andenordens afledte af spændingsresponserne, som funktioner, hvilket resulterer i 21-dimensionelle funktioner. På trods af pulstid på 5 sekunder udfører vi også følsomhedsmåling på pulsbrede med dobbelt sigte til at verificere pulsrobusthed og yderligere forkorte testtiden, varierende fra 30 ms til 5 s. 2b 1 Vi overvejer accelereret aldring i laboratorietests (supplerende bemærkning  ) og ægte EV-kørsel aldring, omend agnostisk over for de eksplicitte køreprofiler på grund af databeskyttelsesbegrænsninger. I figur   illustreres SOH-fordelingen af accelererede aldringsbatterier (NMC, 2,1 Ah) og rene EV-kørselsaldringsbatterier (NMC, 21 Ah). Bemærk, at SOH-værdier er komplementære i et bredt SOH-område, fra 2 2c

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

Denne lyd er produceret på historiens originalsprog!

Generativ AI muliggør bæredygtig genbrug af pensionerede lithium-ion-batterier

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet Bright Data: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet Timescale: HackerNoon Company of the Week

Meet inDrive: The HackerNoon Company of the Week

Meet Bright Data: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet Timescale: HackerNoon Company of the Week

Meet inDrive: The HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps