
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 súa reutilización e 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 pulso de 2700 mostras de baterías de ión-litio xubiladas, que cobren 3 tipos de material catódico, 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 de porcentaxe absolutos medios por debaixo do 6% baixo SOC descoñecidos. 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 o aproveitamento 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 nunha transición enerxética baixa en carbono , reconfigurou sen precedentes o paradigma do transporte baseado en combustibles fósiles. As baterías de ión-litio son vitais para esta transición ao proporcionar subministros de enerxía asequibles, duradeiros e seguros 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 superior á estimación na Axencia Internacional de Enerxías Renovables e nos escenarios de Storage Lab . Non obstante, as baterías de VE xubiladas están fortemente reguladas cun enorme valor de capacidade restante infrautilizado, normalmente superior ao 80% da capacidade nominal , . Se non se xestionan 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 xubiladas repóñense 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 a selección de consistencia , clasificación de capacidade , e reagrupamento ,  para cumprir os requisitos da aplicación . A pesar da iniciación de programas piloto , , , a ausencia de estándares rigorosos 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 irreversiblemente degradadas. En comparación coa pirometalurxia e a hidrometalurxia , , a reciclaxe directa destaca pola súa rendibilidade superior, menor consumo enerxético e reducidas emisións de carbono , , . Aproveitando a reposición de litio e o post-tratamento dos materiais catódicos, a reciclaxe directa consegue unha 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 de suplementación de litio anticipadas na formulación da estratexia de reciclaxe directa , , . Unha dose insuficiente pode dar lugar a unha reparación incompleta, mentres que unha dose excesiva pode provocar a 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 sobre o SOH, as baterías de VE son monitorizadas e os datos operativos son rexistrados por plataformas na nube  e pasaportes de baterías . 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 está accesible na fase de servizo do VE, as baterías xubiladas xa non están conectadas á unidade de monitorización no 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, 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 tempo de proba inasequible e custos de electricidade adicionais. A proba de caracterización de pulso de potencia híbrida é unha alternativa para a estimación de SOH mediante inxección de pulso dinámico, pero a secuencia de proba completa leva máis de 12 horas. Tao et al. utilizaron pulsos curtos para a estimación de SOH de baterías xubiladas, asumindo que se realizou un acondicionamento de SOC ao 5% de SOC, o que apenas era compatible con condicións aleatorias de SOC de xubilación . Os avances recentes en medidas baseadas en sensores inclúen imaxes de raios X , impedancia electroquímica , , sensado por fibra óptica , , sensado acústico , , carga parcial , , e inxección de pulso , . As técnicas baseadas en sensado están na fase de laboratorio debido á invasión, mentres que a inxección de pulso presenta a tarefa de desentrañar a degradación da batería sen danos físicos, simultaneamente máis rápido que os métodos de carga parcial e baseados na 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 de 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 ao despregamento, e os métodos de aprendizaxe existentes apenas se poden actualizar para condicións aleatorias de xubilación . Unha alternativa é estender a escala de proba de datos baixo condicións de xubilación inexploradas para mitigar a escaseza e 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 a unha escala e custo experimental termoquímico mínimos 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 ciclado, 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 material catódico, formatos físicos, deseños de capacidade e usos históricos, restrinxindo a potencial integración de coñecementos específicos de condición de degradacións en 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 causar longos tempos de calibración de capacidade nin 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 autoencoder variacional atencional cun tempo e custo de medida física aforrados. O proceso de alto nivel de pasos xerais de pretratamento, adestramento de modelos xenerativos e pasos prácticos de despregamento de modelos están ilustrados na Fig.  . A idea de 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 fase de recollida de baterías xubiladas. A estimación de SOH posterior realízase sen datos de resposta de pulso medidos fisicamente, aforrando custos de electricidade de pretratamento e emisións de carbono doutro xeito requirido polo acondicionamento do SOC ao nivel anticipado. En comparación co método de integral amp-hora e a inxección de pulso de aprendizaxe automática, a aprendizaxe xenerativa destaca 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 fóra da 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 xeneralización do noso método verificando a través de 2700 mostras medidas fisicamente, abarcando 3 tipos de material catódico, 3 formatos físicos, 4 deseños de capacidade e 4 usos históricos (1 envellecemento acelerado de laboratorio, 1 condución pura de VE, e 2 conducións de VE híbridas). A aprendizaxe xenerativa axústase á interpolación e extrapolación integrando coñecementos previos das condicións de xubilación na escalada do espazo latente dos parámetros do modelo, aforrando tempo de medida, 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 significación da estimación rápida e sostible de SOH nas 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 os 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, medidas físicas, aprendizaxe automática para 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 xubiladas a niveis desexados usando o método tradicional de corrente constante e voltaxe constante (CCCV).   O esquema do autoencoder variacional atencional 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 ningún acondicionamento de SOC adicional. O modelo de aprendizaxe automática adestrado é supervisado polos datos xerados e recibe respostas inmediatas de voltaxe de pulso 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 global de xubilación de baterías de 2030. a b c d Resultados Adquisición de conxunto 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. Recollemos 2700 mostras de 270 baterías físicas xubiladas nunha ampla gama de niveis de SOC, é dicir, de 5% a 50% cun gran de 5%. Na Fig.  , o conxunto de datos abrangue 3 tipos predominantes de material catódico, incluíndo 119 NMC (óxido de níquel, manganeso e cobalto) recollidas fisicamente, 56 LFP (fosfato de ferro e litio), e 95 LMO (óxido de litio e manganeso) baterías xubiladas, abarcando 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 híbridos). 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 xeneralización do modelo máis aló dos conxuntos de datos medidos fisicamente. 2a    A gráfica de Sankey para a distribución de baterías xubiladas, comprende tipos de material catódico, formatos físicos, deseños de capacidade e usos históricos.   > Corrente de pulso e a resposta de voltaxe subsiguiente 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. Extraense os 21 puntos de características, 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. Teña en conta que o termo C representa a taxa de carga (descarga) cando se realiza unha carga (descarga) de 1 hora. A temperatura ambiente está controlada a 25 °C.   > A distribución do estado de saúde (SOH) (axuste Gaussiano) das baterías xubiladas de 2.1 Ah e 21 Ah para 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 variables de estado de carga (SOC). Ilústrase a primeira dimensión de características, U1.   > A ilustración do caso de xeración de datos de interpolación e extrapolación baixo diferentes distribucións de SOC de xubilación de baterías. A configuración detallada das probas atópase nas   e  , notando que a configuración de C-rate é idéntica entre os tipos de material catódico. Os datos fonte proporciónanse como un arquivo 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 inflúe en longos tempos de proba nin en 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. A configuración experimental de CCCV e inxección de pulso atópase na Nota Suplementaria  . Para os cinco primeiros 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 s, tamén realizamos medidas de sensibilidade no ancho do pulso con dobre obxectivo de verificar a robustez do pulso e acurtar aínda máis o tempo de proba, que varía de 30 ms a 5 s. 2b 1 Consideramos o envellecemento acelerado en probas de laboratorio (Nota Suplementaria  ) e o envellecemento real de condución de VE, aínda que axnósticos aos perfís de condución explícitos debido a restricións de privacidade de datos. Na Fig.  , ilustranse as distribucións de SOH das 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 de xubilación extrema temperá. As distribucións de SOH doutras baterías recollidas (LMO, 10 Ah, e LFP 35 Ah) cobren unha ampla distribución de SOH, véxase a Figura Suplementaria  . As probas de pulso rep 2 2c 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!

IA Generativa Impulsa a Sostibilidade na Reutilización de Baterías de Ion-Litio Retiradas

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

R Systems BlogBook—Chapter 1: Round 3 is Now Open for Submissions🎉

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

R Systems BlogBook—Chapter 1: Round 3 is Now Open for Submissions🎉

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps