
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autores: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Resumo A estimación rápida e precisa do estado de saúde (SOH) das baterías retiradas é un pretratamento crucial para a reutilización e a reciclaxe. Non obstante, os métodos baseados en datos requiren unha curación exhaustiva de datos baixo condicións de xubilación aleatorias de SOH e estado de carga (SOC). Aquí, demostramos que a estimación de SOH asistida por aprendizaxe xenerativa é prometedora para aliviar os desafíos de escaseza e heteroxeneidade de datos, validada a través dun conxunto de datos de inxección de pulsos de 2700 mostras de baterías de ion-litio retiradas, cubrindo 3 tipos de materiais de cátodo, 3 formatos físicos, 4 deseños de capacidade e 4 usos históricos con 10 niveis de SOC. Usando datos xerados, un regresor realiza estimacións precisas de SOH, con erros porcentuais absolutos medios por debaixo do 6% baixo SOC descoñecido. Predicimos que, asumindo o despregamento uniforme da técnica proposta, isto aforraría 4,9 mil millóns de USD en custos de electricidade e 35,8 mil millóns de kg de emisións de CO2 ao mitigar os custos de curación de datos para un escenario mundial de xubilación de baterías en 2030. Este artigo destaca a explotación de datos limitados para explorar o espazo de datos estendido mediante métodos xenerativos, dado que os datos poden ser lentos, caros e contaminantes de recuperar para moitas tarefas de estimación e predición. Introdución A electrificación do transporte, un sector crítico na transición enerxética baixa en carbono , remodelou sen precedentes o paradigma do transporte baseado en combustibles fósiles. As baterías de ion-litio son vitais para esta transición ao proporcionar subministros de enerxía asequibles, duradeiros e seguros para vehículos eléctricos (VE) , . A capacidade total das baterías de VE en uso e ao final da súa vida útil superará os 32–62 terawatts para 2050, considerablemente superior á estimación nos escenarios da Axencia Internacional de Enerxía Renovable e Storage Lab . Non obstante, as baterías de VE retiradas están fortemente reguladas cun enorme valor de capacidade restante infrautilizado, tipicamente máis do 80% da capacidade nominal , . Se non se manexan correctamente, leva a cargas económicas  para os fabricantes e usuarios, así como a problemas ambientais e sociais posteriores , incluíndo o desperdicio de recursos, riscos na cadea de subministro e emisións de carbono , , . 1 2 3 4 5 6 7 8 9 10 11 Estratexias prometedoras para abordar as preocupacións sobre o aumento intermitente da xubilación de baterías son a reutilización , ,  e a reciclaxe . Na reutilización, as baterías retiradas son reutilizadas para aplicacións como sistemas de almacenamento de enerxía conectados á rede , subministros de enerxía residenciais , e vehículos de baixa velocidade. Non obstante, a reutilización require pretratamentos preliminares, incluíndo o cribado de consistencia , clasificación de capacidade , e reagrupamento ,  para cumprir os requisitos da aplicación . A pesar da iniciación de programas piloto , , , a ausencia de normas rigorosas para os escenarios de uso e as vías de xubilación dificulta o uso racional da capacidade residual . A reciclaxe utiliza alternativamente os valores residuais das baterías retiradas mediante a extracción de materiais ou a reparación estrutural , , axeitada para baterías retiradas irreversiblemente degradadas. Comparada coa pirometalurxia e a hidrometalurxia , , a reciclaxe directa destaca pola súa rendibilidade superior, menor consumo de enerxía e redución de emisións de carbono , , . Aproveitando a reposición de litio e o post-procesamento de materiais de cátodo, a reciclaxe directa consegue a reparación eficiente da estrutura do material e a restauración do rendemento . Non obstante, o estado de saúde (SOH) determina o reactivo químico necesario e as doses anticipadas de suplemento de litio nas formulacións da estratexia de reciclaxe directa , , . A dose insuficiente pode resultar nunha reparación incompleta, mentres que a dose excesiva pode levar á xeración de álcali residual na superficie do cátodo, deteriorando o rendemento da restauración , . Desafortunadamente, a recuperación de SOH require caracterización de materiais invasiva ,  e longas probas de calibración de capacidade, a adquisición de SOH non invasiva, rápida e sostible segue sendo un desafío pendente. 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 Para asegurar información consistente de SOH, as baterías de VE son monitorizadas e os datos operativos son rexistrados por plataformas na nube  e pasaportes de batería . O Parlamento Europeo adoptou a Directiva de Baterías o 14 de xuño de 2023 para garantir que as baterías retiradas poidan ser reutilizadas, reacondicionadas ou recicladas ao final da súa vida útil . Non obstante, o procedemento de monitorización e rexistro requirido só é accesible na fase de servizo do VE; as baterías retiradas xa non están conectadas á unidade de monitorización do vehículo. Polo tanto, é difícil recuperar datos de SOH dispoñibles no campo. A integridade dos datos de vida útil segue sendo un gran desafío, o que require a estimación de SOH utilizando só datos de campo, oposto a datos históricos ou baixo condicións controlables , , . Unha solución é realizar unha proba de calibración de capacidade no campo de recollida de baterías retiradas, é dicir, acondicionamento de estado de carga (SOC), que é sinxela; non obstante, require un tempo de proba inasequible e custos de electricidade adicionais. A proba de caracterización de potencia de pulso híbrido é unha alternativa para a estimación de SOH mediante inxección de pulso dinámico, pero a secuencia completa de proba leva máis de 12 horas. Tao et al. utilizaron pulsos curtos para a estimación de SOH de baterías retiradas, asumindo que se realizou un acondicionamento de SOC ao 5% de SOC, o que apenas era compatible coas condicións de xubilación de SOC aleatorias . Avances recentes en medicións baseadas en sensores inclúen imaxes de raios X , impedancia electroquímica , , sensado de fibra óptica , , sensado acústico , , carga parcial , , e inxección de pulso , . As técnicas baseadas en sensado están na etapa de laboratorio debido á invasión, mentres que a inxección de pulso presenta a vantaxe de desentrañar a degradación da batería sen danos físicos, simultaneamente máis rápido que os métodos de carga parcial e baseados en impedancia electroquímica , , , , , . Non obstante, a inxección de pulso é un método centrado en datos que só é factible baixo a suposición ideal de que os datos medidos fisicamente abarcan as condicións de xubilación da fase de despregamento do modelo, coñecido como o desafío común do desprazamento de dominio na comunidade de aprendizaxe automática. A pesar dos avances en métodos de aprendizaxe de transferencia e adaptación de dominio , , , persisten os desafíos xa que o dominio de destino a aliñar aínda require información previa sobre o despregamento, e os métodos de aprendizaxe existentes dificilmente poden actualizarse para condicións de xubilación aleatorias . Unha alternativa é estender a escala de probas de datos baixo condicións de xubilación non exploradas para mitigar a escaseza e a heteroxeneidade de datos, aínda que pode levar a custos aumentados. Wang et al. propuxeron un método de escavación de temperatura para interpolar preferencias cinéticas de reacción en diferentes estados intermedios durante un proceso termoquímico, permitindo a construción de bases de datos de adestramento extensas a escala e custo experimental termoquímico mínimo como aumento de datos para o adestramento de modelos de aprendizaxe automática . Ademais, a aprendizaxe xenerativa tamén demostra as posibilidades de estimar SOH con datos aumentados de perfís parcialmente ciclados, aforrando datos probados fisicamente necesarios , . Non obstante, a escaseza e heteroxeneidade de datos no contexto de reutilización e reciclaxe de baterías son aínda máis complexas debido a unha mestura de tipos de materiais de cátodo, formatos físicos, deseños de capacidade e usos históricos, restrinxindo a posible integración de coñecemento específico de condicións de degradación nos modelos de aprendizaxe automática. Polo tanto, é razoable considerar a relación de dependencia entre as condicións de xubilación e as respostas de voltaxe de pulso para a xeración de datos, sen causar longos tempos de calibración de capacidade de series temporais e experimentos físicos adicionais simultaneamente, para mellorar o rendemento da estimación de 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 Neste estudo, realizamos o pretratamento de baterías retiradas, é dicir, a estimación de SOH, utilizando os datos de resposta de voltaxe de pulso xerados por un autoencodificador variacional de atención cun tempo e custo de medición física aforrados. O proceso de alto nivel de pasos xerais de pretratamento, adestramento do modelo xenerativo e pasos prácticos de despregamento do modelo ilustranse na Fig.  . A idea da investigación é usar a aprendizaxe xenerativa para explotar datos xa medidos para a exploración das respostas de voltaxe de pulso en condicións de xubilación continuas, é dicir, distribución de SOC na etapa de recollida de baterías retiradas. A estimación de SOH posterior realízase sen datos de resposta de pulso medidos fisicamente, aforrando custos de electricidade de pretratamento e emisións de carbono que doutro xeito se requirirían desde o acondicionamento de SOC ao nivel anticipado. En comparación co método de integral de amperio-hora e a inxección de pulso de aprendizaxe automática, a aprendizaxe xenerativa subliña unha velocidade de xeración máis rápida e unha estimación precisa. Con datos xerados, un regresor sinxelo estima con éxito o SOH con baixo erro baixo condicións de xubilación de SOC descoñecidas ou inaccesibles na base de datos, un problema desafiante de fóra de distribución (OOD). O problema de OOD resólvese aprendendo o padrón físico herdado entre a condición de SOC e a resposta de voltaxe inducida polo pulso rápido. Demostramos a xeneralización do noso método verificando a través de 2700 mostras medidas fisicamente, que abarcan 3 tipos de materiais de cátodo, 3 formatos físicos, 4 deseños de capacidade e 4 usos históricos (1 envellecemento acelerado de laboratorio, 1 condución pura de VE de batería e 2 conducións de VE híbridas). A aprendizaxe xenerativa axeita a interpolación e a extrapolación integrando coñecemento previo das condicións de xubilación no escalado do espazo latente dos parámetros do modelo, aforrando tempo de medición, custos de electricidade e emisións de carbono consecuentes sen comprometer a precisión da estimación de SOH. Un estudo de caso global conservador da xubilación de baterías en 2030 destaca a importancia dunha estimación de SOH rápida e sostible en circunstancias de reciclaxe pirometalúrxica, hidrometalúrxica e directa. A través da análise técnico-económica, a estimación de SOH asistida por aprendizaxe xenerativa podería aforrar 4,9 mil millóns de USD en custos de electricidade e 35,8 mil millóns de kg de emisións de CO2 para 2030 a nivel mundial. Discutimos a interpretabilidade do modelo, as implicacións do pretratamento de reciclaxe e aspectos máis amplos das futuras direccións de pretratamento de reciclaxe intelixente integradas coa aprendizaxe automática. 1    Os pasos de pretratamento de baterías retiradas inclúen o acondicionamento de SOC, medicións físicas, aprendizaxe automática para o diagnóstico de SOH e o proceso de toma de decisións de segunda vida antes da reutilización ou reciclaxe. O acondicionamento de SOC refírese a axustar os valores de SOC das baterías retiradas a niveis desexados utilizando o método tradicional de corrente constante e voltaxe constante (CCCV).   O esquema do autoencodificador variacional de atención para a xeración de datos de resposta de voltaxe de pulso.   O uso práctico do modelo de xeración de datos para a estimación de SOH non require acondicionamento adicional de SOC. O modelo de aprendizaxe automática adestrado é supervisado polos datos xerados e recibe respostas de voltaxe de pulso inmediatas cando está na fase de despregamento.   Os beneficios económicos e ambientais e a rápida velocidade de xeración da nosa metodoloxía de aprendizaxe xenerativa ao aforrar custos de acondicionamento de SOC no escenario mundial de xubilación de baterías de 2030. a b c d Resultados Adquisición do conxunto de datos A escaseza e a heteroxeneidade de datos son os principais desafíos no diagnóstico e prognóstico de baterías baseados en datos, especialmente para baterías retiradas. Recopilamos 2700 mostras de 270 baterías retiradas fisicamente en amplos niveis de SOC, é dicir, do 5% ao 50% cun gran de 5%. Na Fig.  , o conxunto de datos abarca 3 tipos de materiais de cátodo predominantes, incluíndo 119 baterías retiradas NMC (óxido de níquel manganeso cobalto), 56 LFP (fosfato de ferro e litio) e 95 LMO (óxido de litio manganeso) recolleitas fisicamente, que abarcan 3 formatos físicos (cilíndrico, bolsa, prismático) e 4 patróns de uso histórico (1 proba acelerada de laboratorio, 3 usos de VE, incluíndo 1 modo de propulsión puramente electrificado e 2 modos de propulsión híbrida). Enfatizamos que a inclusión de mostras de proba altamente heteroxéneas fai que o noso conxunto de datos sexa o maior conxunto de datos de pulso rápido para a estimación de SOH de baterías retiradas ata a data, facilitando a xeneralización do modelo máis aló dos conxuntos de datos medidos fisicamente. 2a    O gráfico de Sankey para a distribución de baterías retiradas, comprende tipos de materiais de cátodo, formatos físicos, deseños de capacidade e usos históricos.   Corrente de pulso e a resposta de voltaxe posterior das baterías retiradas, onde as características se extraen dos puntos de inflexión, é dicir, os puntos con derivada de segundo orde cero da curva de resposta de voltaxe. Os 21 puntos de característica, de U1 a U21, extráense. A frecuencia de gravación dos datos brutos é de 100 Hz. O tempo de repouso é de 25 segundos entre cada pulso en C-rate. Nótese que o termo C representa a taxa de carga (descarga) cando se realiza unha carga (descarga) de 1 hora. A temperatura ambiente contrólase a 25 .   A distribución do estado de saúde (SOH) (axuste Gaussiano) das baterías retiradas de 2,1 Ah e 21 Ah para a súa ilustración, respectivamente. Para a distribución de SOH doutros tipos de baterías, pódese consultar a Fig.  .   A relación entre a resposta de voltaxe de pulso medida e o SOH calibrado a partir da proba de calibración de capacidade, con condicións de estado de carga (SOC) variables. A primeira dimensión de característica, U1, ilústrase.   A ilustración do caso de xeración de datos de interpolación e extrapolación baixo diferentes distribucións de SOC de xubilación de baterías. As configuracións detalladas da proba atópanse nas Notas Suplementarias   e  , notando que a configuración da taxa C é idéntica entre os tipos de materiais de cátodo. Os datos de orixe fornécense como un ficheiro de datos de orixe. a b c Suplementaria 1 d e 1 2 A diferenza do test CCCV regular, a proba de pulso non inflige un longo tempo de proba nin danos adicionais ás baterías retiradas. Polo tanto, usamos os resultados de CCCV como valores de capacidade de referencia para o SOH. Os datos da proba de pulso úsanse como datos de adestramento para o modelo de aprendizaxe xenerativa. Aínda que o tipo de material de cátodo da batería varía, realizamos unha enxeñaría de características estandarizada e accesible, garantindo a compatibilidade no uso práctico. A Fig.   demostra a extracción de características despois da inxección de corrente de pulso. As configuracións experimentais de CCCV e inxección de pulso pódense atopar na Nota Suplementaria  . Para os primeiros cinco pulsos inxectados, os puntos de inflexión, é dicir, os puntos con derivada de segundo orde cero das respostas de voltaxe, rexístranse como características, resultando en 21 dimensións de características. A pesar do tempo de pulso a nivel de 5 segundos, tamén realizamos unha medición de sensibilidade sobre a anchura do pulso con dobre obxectivo de verificar a robustez do pulso e acurtar aínda máis o tempo de proba, que oscila entre 30 ms e 5 s. 2b 1 Consideramos o envellecemento acelerado en probas de laboratorio (Nota Suplementaria  ) e o envellecemento real de conducción de VE, aínda que axnóstico aos perfís de condución explícitos debido a restricións de privacidade de datos. Na Fig.  , ilustranse as distribucións de SOH de baterías de envellecemento acelerado (NMC, 2,1 Ah) e baterías de envellecemento de condución de VE (NMC, 21 Ah). Notando que os valores de SOH son complementarios nunha ampla rexión de SOH, de 0,6 a 1, os datos recolleitos son representativos dos escenarios de xubilación de baterías, tamén con casos extremos de xubilación temperá. As distribucións de SOH doutras baterías recolleitas (LMO, 10 Ah, e LFP 35 Ah) abranguen unha ampla distribución de SOH, véxase a Fig.  . As probas de pulso repítense en diferentes niveis de SOC, que oscilan entre o 5% e o 50%, para simular a 2 2c Suplementaria 1

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

Este audio está producido na lingua orixinal da historia!

A IA Generativa Impulsa a Reimpresión Sustentable de Baterías de Ion de Litio Retiradas

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Programming Community!

R Systems Blogbook—Chapter 1 is Now Open for Submissions🎉

HackerNoon Decoded 2024: Celebrating Our Writing Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Programming Community!

R Systems Blogbook—Chapter 1 is Now Open for Submissions🎉

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps