
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 xubiladas 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, validado a través dun conxunto de datos de inxección de pulsos de 2700 mostras de baterías de ión-litio xubiladas, que cobren 3 tipos de materiais catódicos, 3 formatos físicos, 4 deseños de capacidade e 4 usos históricos con 10 niveis de SOC. Usando datos xerados, un regresor consegue estimacións precisas de SOH, con erros de porcentaxe absolutos medios por baixo do 6% baixo SOC non visto. Predicimos que asumindo a implementación 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 global 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 ión-litio son vitais para esta transición ao proporcionar subministracións enerxéticas asequibles, duradeiras e seguras aos 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 maior que a estimación na Axencia Internacional de Enerxía Renovable e nos escenarios de Storage Lab . Non obstante, as baterías de VE xubiladas están fortemente reguladas cun enorme valor de capacidade restante infrautilizado, normalmente 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 subministración 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 xubiladas repropóñense para aplicacións como sistemas de almacenamento de enerxía conectados á rede , subministracións eléctricas residenciais , e vehículos de baixa velocidade. Non obstante, a reutilización require pretratamentos preliminares, incluíndo o cribado de consistencia , a clasificación de capacidade , e a reagrupación ,  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 xubiladas mediante a extracción de materiais ou a reparación estrutural , , axeitada para baterías xubiladas degradadas irreversiblemente. En comparación coa pirometalurxia e a hidrometalurxia , , a reciclaxe directa destaca pola súa superior rendibilidade, menor consumo de enerxía e redución das emisións de carbono , , . Aproveitando a reposición de litio e o postratamento dos materiais catódicos, 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 requirido e as doses anticipadas de suplementación de litio na formulación da estratexia de reciclaxe directa , , . Unha dose insuficiente pode dar lugar a unha reparación incompleta, mentres que unha dose excesiva pode levar á xeración de álcali residual na superficie do cátodo, deteriorando o rendemento da restauración , . Desafortunadamente, a recuperación do SOH require caracterización de material invasiva ,  e probas de calibración de capacidade longas, 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 sobre o SOH, as baterías de VE son monitorizadas e os datos operativos rexístranse mediante 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 xubiladas 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 xubiladas 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 ao longo da vida útil segue sendo un gran desafío, o que require a estimación de SOH utilizando unicamente datos de campo, en oposición a datos históricos ou baixo condicións controlables , , . Unha solución é realizar unha proba de calibración de capacidade no campo de recollida de baterías xubiladas, é dicir, acondicionamento do estado de carga (SOC), que é sinxelo, 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 de proba completa dura máis de 12 horas. Tao et al. utilizaron pulsos curtos para a estimación de SOH de baterías xubiladas, asumindo que se realizaba un acondicionamento de SOC ao 5% de SOC, o que era escasamente compatible coas condicións aleatorias de SOC de xubilación . Avanzados recentes en medicións baseadas en sensores inclúen imaxes de raios X , impedancia electroquímica , , detección de fibra óptica , , detección acústica , , carga parcial , , e inxección de pulsos , . As técnicas baseadas en sensores están en fase de laboratorio debido á invasión, mentres que a inxección de pulsos presenta a vantaxe de desentrañar a degradación da batería sen danos físicos, sendo simultaneamente máis rápida que os métodos baseados na carga parcial e na impedancia electroquímica , , , , , . Non obstante, a inxección de pulsos é un método centrado en datos que só é factible baixo a suposición ideal de que os datos medidos fisicamente abranguen as condicións de xubilación da fase de despregamento do modelo, coñecido como o desafío común do cambio 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 ao despregamento, e os métodos de aprendizaxe existentes apenas se poden actualizar para condicións de xubilación aleatorias . Unha alternativa é estender a escala de proba de datos baixo condicións de xubilación inexploradas para mitigar a escaseza e a heteroxeneidade de datos, aínda que pode levar a un aumento dos custos. 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 extensas bases de datos de adestramento cunha escala e custo experimental termoquímico minimais como aumento de datos para o adestramento de modelos de aprendizaxe automática . Ademais, a aprendizaxe xenerativa tamén demostra as posibilidades de estimar o SOH con datos aumentados de perfís ciclilados parcialmente, aforrando datos fisicamente probados necesarios , . Non obstante, a escaseza e a heteroxeneidade de datos no contexto de reutilización e reciclaxe de baterías son aínda máis complexas debido a unha mestura de tipos de materiais catódicos, formatos físicos, deseños de capacidade e usos históricos, restrinxindo a potencial integración do coñecemento específico das condicións de degradación nos modelos de aprendizaxe automática. Polo tanto, é razoable considerar a dependencia entre as condicións de xubilación e as respostas de voltaxe de pulso para a xeración de datos, sen unha longa 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 xubiladas, 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 medida física aforrados. O proceso de alto nivel dos pasos xerais de pretratamento, adestramento do modelo xenerativo e pasos prácticos de despregamento do modelo están ilustrados na Fig.  . A idea da investigación é usar a aprendizaxe xenerativa para explotar os 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 xubiladas. A estimación de SOH posterior impĺementase sen datos de resposta de pulso medidos fisicamente, aforrando custos de electricidade de pretratamento e emisións de carbono doutro xeito requiridas polo acondicionamento do SOC ao nivel anticipado. En comparación co método de integral 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 cun baixo erro baixo condicións de SOC non vistas ou inaccesibles na base de datos, un problema desafiante de fóra de distribución (OOD). O problema OOD resólvese aprendendo o patrón físico herdado entre a condición de SOC e a resposta de voltaxe inducida polo pulso rápido. Demostramos a xeneralizabilidade do noso método verificando a través de 2700 mostras medidas fisicamente, abrangendo 3 tipos de materiais catódicos, 3 formatos físicos, 4 deseños de capacidade e 4 usos históricos (1 envellecemento acelerado de laboratorio, 1 condución de VE de batería pura e 2 modos de condución de VE híbrido). A aprendizaxe xenerativa adáptase á interpolación e extrapolación ao integrar coñecemento previo de condicións de xubilación no espazo latente de escalado dos parámetros do modelo, aforrando tempo de medición, custos de electricidade e as consecuentes emisións de carbono sen comprometer a precisión da estimación de SOH. Un estudo de caso global conservador da xubilación de baterías en 2030 destaca a importancia da 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 xubiladas 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 á axuste dos valores de SOC das baterías xubiladas 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 de SOC adicional. O modelo de aprendizaxe automática adestrado 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 aforrando custos de acondicionamento de SOC no escenario global de xubilación de baterías de 2030. a b c d Resultados Adquisición de conxuntos de datos A escaseza e a heteroxeneidade de datos son desafíos importantes no diagnóstico e prognóstico de baterías baseados en datos, especialmente para baterías xubiladas. Recopilamos 2700 mostras de 270 baterías xubiladas fisicamente a través de amplos niveis de SOC, é dicir, do 5% ao 50% cunha granularidade do 5%. Na Fig.  , o conxunto de datos abrangue 3 tipos prevalentes de materiais catódicos, incluíndo 119 baterías NMC (óxido de níquel-manganeso-cobalto) recollidas fisicamente, 56 baterías LFP (fosfato de ferro e litio), e 95 baterías LMO (óxido de manganeso e litio) xubiladas, abrangendo 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). Subliñamos que a inclusión de mostras de proba altamente heteroxéneas fai que o noso conxunto de datos sexa o maior conxunto de datos baseado en pulsos rápidos para a estimación de SOH de baterías xubiladas ata a data, facilitando a xeneralizabilidade do modelo máis aló dos conxuntos de datos medidos fisicamente. 2a    O gráfico Sankey para a distribución de baterías xubiladas, comprende tipos de materiais catódicos, formatos físicos, deseños de capacidade e usos históricos.   Corrente de pulso e a resposta de voltaxe resultante das baterías xubiladas, 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. Extráense os 21 puntos de característica, de U1 a U21. A frecuencia de gravación dos datos brutos é de 100 Hz. O tempo de descanso é de 25 segundos entre cada pulso en C-rate. Nótese que o termo C representa a carga (descarga) cando se realiza unha carga (descarga) de 1 hora. A temperatura ambiente está controlada a 25. .   A distribución do estado de saúde (SOH) (axuste Gaussiano) das baterías xubiladas de 2.1 Ah e 21 Ah para a ilustración, respectivamente. Para a distribución de SOH doutros tipos de baterías, pódese consultar a Figura Suplementaria  .   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. Illústrase a primeira dimensión de característica, U1.   A ilustración do caso de xeración de datos de interpolación e extrapolación baixo diferentes distribucións de SOC de xubilación de baterías. Os axustes detallados de proba atópanse nas   e  , notando que o axuste de C-rate é idéntico entre os tipos de materiais catódicos. Os datos fonte provéñense nun ficheiro de Datos Fonte. a b c 1 d e Notas Suplementarias 1 2 En contraste coa proba constante de corrente e voltaxe constante (CCCV) regular, a proba de pulso non inflixe un longo tempo de proba nin danos adicionais ás baterías xubiladas. 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 catódico da batería varía, realizamos unha enxeñaría de características estandarizada e accesible, garantindo a compatibilidade no uso práctico. A Figura   demostra a extracción de características despois da inxección de corrente de pulso. Os axustes 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 características de 21 dimensións. A pesar do tempo de pulso a nivel de 5 segundos, tamén realizamos medidas de sensibilidade na anchura do pulso con dous obxectivos: verificar a robustez do pulso e acurtar aínda máis o tempo de proba, variando de 30 ms a 5 s. 2b 1 Consideramos o envellecemento acelerado en probas de laboratorio (Nota Suplementaria  ) e o envellecemento real da condución de VE, aínda que agnóstico aos perfís de condución explícitos debido a restricións de privacidade de datos. Na Fig.  , ilustra a distribución de SOH das baterías de envellecemento acelerado (NMC, 2.1 Ah) e das baterías de envellecemento por condución de VE (NMC, 21 Ah). Nótese que os valores de SOH son complementarios nunha ampla rexión de SOH, de 0.6 a 1, os datos recompilados son representativos dos escenarios de xubilación de baterías, tamén con casos de xubilación extrema temperá. As distribucións de SOH doutras baterías recompiladas (LMO, 10 Ah e LFP 35 Ah) abarcan unha ampla distribución de SOH, ver Figura Suplementaria  2 2c

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 Xenérica Impulsa a Reutilización Sustentable de Baterías de Ion de Litio Retiradas

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Society Community!

R Systems BlogBook—Chapter 1: Round 2 is Now Open for Submissions🎉

HackerNoon Decoded 2024: Celebrating Our HackerNoon Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Society Community!

R Systems BlogBook—Chapter 1: Round 2 is Now Open for Submissions🎉

HackerNoon Decoded 2024: Celebrating Our HackerNoon Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps