
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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) de 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 generativa 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 ión-litio retiradas, que abranguen 3 tipos de material de cátodo, 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 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 generativos, dado que a recuperación de datos pode ser que leve tempo, sexa custosa e contaminante 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 nesta transición ao proporcionar subministracións de enerxía asequibles, duradeiras e seguras para vehículos eléctricos (VE) , . A capacidade total de baterías de VE en uso e ao final da súa vida útil superará os 32–62 teravatios para 2050, considerablemente máis alta que a estimación nos escenarios da Axencia Internacional de Enerxía Renovabale e Storage Lab . Non obstante, as baterías de VE retiradas están fortemente reguladas cunha enorme carga útil restante de valor infrautilizado, tipicamente máis do 80% da capacidade nominal , . Se non se xestionan correctamente, leva a cargas económicas  para 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 eléctricas residenciais , e vehículos de baixa velocidade. Non obstante, a reutilización require pretratamentos preliminares, incluíndo 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 estritas para escenarios de uso e vías de xubilación dificulta o uso racional da capacidade residual . A reciclaxe utiliza alternativamente os valores residuais das baterías retiradas mediante extracción de materiais ou reparación estrutural , , axeitada para baterías retiradas degradadas irreversiblemente. Comparada coa pirometalurxia e a hidrometalurxia , , a reciclaxe directa destaca pola súa maior rendibilidade, menor consumo de enerxía e redución de emisións de carbono , , . Aproveitando a reposición de litio e o posprocesamento de 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 suplemento de litio nas formulacións da estratexia de reciclaxe directa , , . Unha dose insuficiente pode levar a unha reparación incompleta, mentres que unha dose excesiva pode xerar álcali residual na superficie do cátodo, deteriorando o rendemento da restauración , . Desafortunadamente, a recuperación do SOH require caracterización de materiais invasiva ,  e probas de calibración de capacidade longas, polo que 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 SOH consistente, 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 do vehículo. Polo tanto, é un desafío recuperar datos SOH dispoñibles no campo. A integridade dos datos de vida útil segue sendo un desafío importante, que require a estimación de SOH utilizando unicamente datos do 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, pero 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 retiradas, asumindo que se realizou un acondicionamento de SOC ao 5% de SOC, o que era escasamente compatible con condicións aleatorias de SOC de xubilación . Avances recentes en medidas 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 sensores están na fase 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 abranguen as condicións de xubilación da fase de implantación do modelo, coñecido como o desafío común de 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 sobre a implantación, e os métodos de aprendizaxe existentes dificilmente 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 a 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 adestramento a unha escala e custo experimental termoquímico mínimos como aumento de datos para o adestramento de modelos de aprendizaxe automática . Ademais, a aprendizaxe generativa tamén demostra as posibilidades de estimar SOH con datos aumentados de perfís parcialmente ciclados, 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 de coñecemento específico de condicións de degradación nos modelos de aprendizaxe automática. Polo tanto, é razoable considerar a dependencia entre as condicións de xubilación e as respostas de tensión de pulso para a xeración de datos, sen impor 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 tensión de pulso xerados por un autoencodificador variacional atencional cun tempo e custo de medición física aforrados. O proceso de alto nivel de pasos xerais de pretratamento, adestramento do modelo generativo e pasos prácticos de implantación do modelo, móstrase na Fig.  . A idea de investigación é usar aprendizaxe generativa para explotar datos xa medidos para a exploración de respostas de tensión de pulso en condicións de xubilación continuas, é dicir, a distribución 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 doutra maneira serían necesarias para acondicionar o SOC ao nivel anticipado. En comparación co método de integridade amperimétrica e a inxección de pulso de aprendizaxe automática, a aprendizaxe generativa destaca por 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 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 SOC e a resposta de tensión inducida polo pulso rápido. Demostramos a xeneralidade 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 proba de envellecemento acelerado en laboratorio, 1 condución pura de VE, e 2 conducións de VE híbrido). A aprendizaxe generativa é axeitada para interpolación e extrapolación integrando coñecemento previo de condicións de xubilación na escala 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 de xubilación de baterías en 2030 destaca a importancia da estimación de SOH rápida e sostible en circunstancias de reciclaxe pirometalúrxico, hidrometalúrxico e directo. A través da análise técnico-económica, a estimación de SOH asistida por aprendizaxe generativa 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 do 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 do SOC refírese á axuste dos valores de SOC das baterías retiradas a niveis desexados utilizando o método tradicional de corrente constante e tensión constante (CCCV).   O esquema do autoencodificador variacional atencional para a xeración de datos de resposta de tensión de pulso.   O uso práctico do modelo de xeración de datos para a estimación de SOH non require acondicionamento SOC adicional. O modelo de aprendizaxe automática adestrado é supervisado polos datos xerados e recibe respostas inmediatas de tensión de pulso cando está na fase de implantación.   Os beneficios económicos e ambientais e a rápida velocidade de xeración da nosa metodoloxía de aprendizaxe generativa ao aforrar custos de acondicionamento de SOC no escenario global 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. Recolectamos 2700 mostras de 270 baterías retiradas fisicamente en amplos niveis de SOC, é dicir, de 5% a 50% cunha granularidade de 5%. Na Fig.  , o conxunto de datos abrangue 3 tipos predominantes de materiais catódicos, incluíndo 119 NMC (óxido de níquel manganeso cobalto) recollidos fisicamente, 56 LFP (fosfato de ferro e litio), e 95 LMO (óxido de manganeso e litio) baterías retiradas, abrangendo 3 formatos físicos (cilíndrico, bolsa, prismático) e 4 patróns de uso histórico (1 proba acelerada en laboratorio, 3 usos de VE, incluíndo 1 modo de propulsión puramente electrificado e 2 modos de propulsión híbrido). Subliñamos 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 xeneralidade 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 catódicos, formatos físicos, deseños de capacidade e usos históricos.   Corrente de pulso e a resposta de tensión subsiguiente 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 tensión. 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. 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 retiradas de 2.1 Ah e 21 Ah para ilustración, respectivamente. Para a distribución SOH doutros tipos de baterías, consulte a Figura Suplementaria.  .   A relación entre a resposta de tensión 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 característica, U1.   A ilustración do caso de xeración de datos de interpolación e extrapolación baixo diferentes distribucións de SOC de xubilación de baterías. As configuracións detalladas de proba están en   e  , observando que a configuración da taxa C é idéntica entre os tipos de materiais catódicos. Os datos fonte proporciónanse como un ficheiro de Datos Fonte. a b c 1 d e Notas Suplementarias 1 2 En contraste coa proba constante de corrente e tensión constante (CCCV) habitual, a proba de pulso non impón un tempo de proba longo nin danos adicionais ás baterías retiradas. Polo tanto, usamos os resultados de CCCV como valores de capacidade de referencia para SOH. Os datos de proba de pulso utilízanse como datos de adestramento para o modelo de aprendizaxe generativa. Aínda que varía o tipo de material catódico da batería, 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. A configuración experimental de inxección de CCCV e pulso atópase 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 tensión, rexístranse como características, resultando en características de 21 dimensións. A pesar do tempo de pulso a nivel de 5 segundos, tamén realizamos medicións de sensibilidade na anchura 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 da condución de VE, aínda que non temos en conta os perfís de condución explícitos debido a restricións de privacidade de datos. Na Fig.  , ilústranse as distribucións de SOH de baterías de envellecemento acelerado (NMC, 2.1 Ah) e baterías de envellecemento de condución de VE pura (NMC, 21 Ah). Observando que os valores de SOH son complementarios nunha ampla rexión de SOH, de 0.6 a 1, os datos recollidos son representativos dos escenarios de xubilación de baterías, tamén con casos extremos de xubilación temperá. As distribucións de SOH doutras baterías recollidas (LMO, 10 Ah, e LFP 35 Ah) abranguen unha ampla distribución de SOH, véxase a Figura Suplementaria.  . As probas de pulso repítense en diferentes niveis de SOC, que van 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 requisitos de almacenamento seguro en almacéns 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!

Intelixencia artificial generativa impulsa a reutilización sostible de baterías de ión-litio retiradas

About Author

COMENTARIOS

Etiquetas colgantes

ESTE ARTIGO FOI PRESENTADO EN

Related Stories

HackerNoon Decoded 2024: Celebrating Our Programming Community!

HackerNoon Decoded 2024: Celebrating Our Tech Companies Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Web3 Community!

HackerNoon Decoded 2024: Celebrating Our Programming Community!

HackerNoon Decoded 2024: Celebrating Our Tech Companies Community!

Coñece R Systems: HackerNoon empresa da semana

HackerNoon Decoded 2024: Celebrating Our Web3 Community!

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps