
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 de datos exhaustiva 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 impulsos de 2700 mostras de baterías de litio-ión retiradas, que abarcan 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 inferiores ao 6% baixo SOC descoñecido. Predicimos que, asumindo a implantación 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 levar moito tempo, ser caros e contaminantes de recuperar para moitas tarefas de estimación e preditivas. 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 de enerxía asequibles, duradeiras e seguras para os vehículos eléctricos (EV) , . A capacidade total de baterías de VE en uso e ao final da súa vida útil superará os 32-62 terawatts para 2050, considerablemente maior que a estimación nas perspectivas da Axencia Internacional de Enerxía Renovabel e do Laboratorio de Almacenamento . Non obstante, as baterías de VE retiradas están fortemente reguladas cunha enorme capacidade restante infrautilizada, normalmente superior ao 80% da capacidade nominal , . Se non se manexan correctamente, isto 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 retiradas son reutilizadas para aplicacións como sistemas de almacenamento de enerxía conectados á rede , subministracións de enerxía residenciais  e vehículos de baixa velocidade. Non obstante, a reutilización require pretratamentos preliminares, incluíndo o cribado de consistencia , a clasificación por 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 retiradas mediante a extracción de materiais ou a reparación estrutural , , axeitada para baterías retiradas irreversiblemente degradadas. En comparación coa pirometalurxia e a hidrometalurxia , , a reciclaxe directa destaca pola súa maior rendibilidade, menor consumo de enerxía e redución de emisións de carbono , , . Aproveitando o reabastecemento de litio e o posprocesamento dos materiais do cátodo, a reciclaxe directa consegue unha reparación eficiente da estrutura do material e unha restauración do rendemento . Non obstante, o estado de saúde (SOH) determina a cantidade de reactivo químico requirido e as doses anticipadas de suplemento de litio nas formulacións da estratexia de reciclaxe directa , , . Unha dose insuficiente pode provocar 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 de SOH require caracterización de materiais 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 de 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 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 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 usando 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 retiradas, é dicir, acondicionamento do estado de carga (SOC), que é sinxelo, non obstante, require un tempo de proba inasequible e custos adicionais de electricidade. A proba de caracterización de potencia de pulso híbrida é unha alternativa para a estimación de SOH mediante inxección de pulso dinámica, pero a secuencia completa de probas 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 SOC ao 5% SOC, o que era escasamente compatible con condicións aleatorias de SOC de xubilación . Os avances recentes en medicións baseadas en sensores inclúen imaxes de raios X , impedancia electroquímica , , detección de fibra óptica , , detección acústica , , carga parcial ,  e inxección de pulso , . As técnicas baseadas en sensores están na fase de laboratorio debido á invasión, mentres que a inxección de pulso presenta a capacidade 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 implantación do modelo, coñecido como o desafío común do desprazamento do 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 a implantación, e os métodos de aprendizaxe existentes difícilmente poden actualizarse 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 custos incrementados. 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 formación cunha 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 ciclados, aforrando datos fisicamente probados requiridos , . Non obstante, a escaseza e heteroxeneidade de datos no contexto da 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 da condición de degradación en 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 longas calibracións 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 un pretratamento de baterías retiradas, é dicir, estimación de SOH, utilizando os datos de resposta de voltaxe de pulso xerados por un autoencoder 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 de implantación práctica do modelo ilustrase 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, a distribución de SOC na fase 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 serían requiridas polo acondicionamento de 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 erro baixo 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 patrón físico herdado entre a condición de SOC e a resposta de voltaxe inducida polo pulso rápido. Demostramos a xeneralización do noso método verificando con 2700 mostras medidas fisicamente, que abarcan 3 tipos de materiais de cátodo, 3 formatos físicos, 4 deseños de capacidade e 4 usos históricos (1 proba de envellecemento acelerado de laboratorio, 1 condución pura de VE de batería e 2 modos de condución de VE híbridos). A aprendizaxe xenerativa axústase á interpolación e extrapolación integrando coñecementos previos de condicións de xubilación na escala do espazo latente 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 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 os 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 ao axuste dos valores de SOC das baterías retiradas a niveis desexados mediante o método tradicional de corrente constante e voltaxe constante (CCCV).   O esquema do autoencoder 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 inmediatas de voltaxe de pulso cando está na fase de implantación.   Os beneficios económicos e ambientais e a velocidade de xeración rápida da nosa metodoloxía de aprendizaxe xenerativa aforrando 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 desafíos importantes no diagnóstico e prognóstico de baterías baseados en datos, especialmente para baterías retiradas. Recopilamos 2700 mostras de 270 baterías físicas retiradas en amplos niveis de SOC, é dicir, do 5% ao 50% cun grao do 5%. Na Fig.  , o conxunto de datos abrangue 3 tipos de materiais de cátodo predominantes, incluíndo 119 baterías retiradas físicas de NMC (óxido de níquel, manganeso e cobalto), 56 de LFP (fosfato de ferro e litio) e 95 de LMO (óxido de litio e manganeso), 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 híbridos). Enfatizamos que a inclusión de mostras de proba altamente heteroxéneas fai do noso conxunto de datos o maior conxunto de datos baseado en pulsos rápidos 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 Sankey para a distribución de baterías retiradas, composto por tipos de materiais de cátodo, formatos físicos, deseños de capacidade e usos históricos.   Corrente de pulso e a posterior resposta de voltaxe 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. 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 taxa C. 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.   >Ilustración da distribución de estado de saúde (SOH) (axuste Gaussiano) das baterías retiradas de 2,1 Ah e 21 Ah, 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 mediante proba de calibración de capacidade, con condicións variables de estado de carga (SOC). Illústrase a primeira dimensión de característica, U1.   Ilustración do caso de xeración de datos de interpolación e extrapolación baixo diferentes distribucións de SOC de xubilación de baterías. As configuracións de proba detalladas atópanse nas Notas Suplementarias 1 e 2, tendo en conta que a configuración da taxa C é idéntica entre os tipos de materiais de cátodo. Os datos fonte proporciónanse como un arquivo de Datos Fonte. a b c 1 d e En contraste coa proba regular de corrente constante e voltaxe constante (CCCV), a proba de pulso non causa longos tempos de proba nin danos adicionais ás baterías retiradas. Polo tanto, usamos os resultados de CCCV como valores de referencia para a calibración do 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 enxeñería 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 segunda derivada 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 da anchura do pulso con dous obxectivos: 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 agnósticos aos perfís de condución explícitos debido a restricións de privacidade de datos. Na Fig.  , ilústranse as distribucións de SOH das baterías de envellecemento acelerado (NMC, 2,1 Ah) e das baterías de envellecemento de condución de VE (NMC, 21 Ah). Tendo en conta 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, véxase a Figura Suplementaria  . As probas de pulso repítense en diferentes niveis de SOC, que varían do 5% ao 50%, para simular a aleatoriedade da recollida de baterías retiradas. A rexión de SOC probada está baixo a suposición de que as baterías retiradas presentan un SOC baixo ou están suxeitas a unha descarga obrigatoria para os requisitos de almacenamento seguro en almacéns, polo que o límite superior de SOC establécese no 50%. Na Fig.  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 Xenerativa Impulsa a Reutilización Sustentable de Baterías de Ion-Litio Retiradas

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

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

HackerNoon Decoded 2024: Celebrating Our Product Management Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

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

HackerNoon Decoded 2024: Celebrating Our Product Management Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Tech Stories Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps