```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Sažetak Brza i točna procjena stanja zdravlja (SOH) umirovljenih baterija ključni je pretretman za ponovnu upotrebu i recikliranje. Međutim, metode temeljene na podacima zahtijevaju iscrpnu kuraciju podataka pod uvjetima umirovljenja sa slučajnim SOH i stanjem napunjenosti (SOC). Ovdje pokazujemo da je procjena SOH potpomognuta generativnim učenjem obećavajuća u ublažavanju problema nestašice podataka i heterogenosti, potvrđena skupom podataka o ubrizgavanju impulsa od 2700 uzoraka umirovljenih litij-ionskih baterija, koji pokrivaju 3 vrste katodnih materijala, 3 fizička oblika, 4 dizajna kapaciteta i 4 povijesna korištenja s 10 razina SOC-a. Koristeći generirane podatke, regresor postiže točne procjene SOH, s pogreškama apsolutne postotne srednje vrijednosti (MAPE) ispod 6% pod neviđenim SOC-om. Predviđamo da bi, uz pretpostavku jedinstvenog raspoređivanja predloženog tehničkog rješenja, to uštedjelo 4,9 milijarde USD troškova električne energije i 35,8 milijardi kg CO2 emisija ublažavanjem troškova kuracije podataka za globalni scenarij umirovljenja baterija 2030. godine. Ovaj rad naglašava korištenje ograničenih podataka za istraživanje proširenog podatkovnog prostora pomoću generativnih metoda, s obzirom da prikupljanje podataka može biti dugotrajno, skupo i zagađujuće za mnoge zadatke procjene i predviđanja. Uvod Elektrifikacija prometa, ključni sektor u prijelazu na nisko-ugljičnu energiju , neusporedivo je preoblikovao energetski model prometa temeljen na fosilnim gorivima. Litij-ionske baterije ključne su za ovaj prijelaz pružajući cjenovno pristupačne, dugotrajne i sigurne opskrbe energijom za električna vozila (EV) , . Ukupni kapacitet baterija za upotrebu i baterija na kraju životnog vijeka EV-a premašit će 32–62 teravat-sata do 2050., znatno više od procjena u scenarijima Međunarodne agencije za obnovljivu energiju i Storage Lab-a . Međutim, umirovljene EV baterije strogo su regulirane s ogromnom preostalom vrijednošću kapaciteta koja je nedovoljno iskorištena, obično preko 80% nominalnog kapaciteta , . Ako se ne upravlja pravilno, to dovodi do ekonomskih opterećenja  za proizvođače i korisnike, kao i naknadnih ekoloških i društvenih problema , uključujući rasipanje resursa, rizike u lancu opskrbe i emisije ugljika , , . 1 2 3 4 5 6 7 8 9 10 11 Obećavajuće strategije za rješavanje problema povremenog porasta umirovljenja baterija su ponovna upotreba , ,  i recikliranje . U ponovnoj upotrebi, umirovljene baterije se prenamjenjuju za primjene kao što su sustavi za pohranu energije povezani na mrežu , stambeni izvori napajanja , i vozila male brzine. Međutim, ponovna upotreba zahtijeva preliminarno pretretman, uključujući procjenu dosljednosti , sortiranje kapaciteta , i ponovno grupiranje ,  kako bi se zadovoljili zahtjevi primjene . Unatoč pokretanju pilot programa , , , odsutnost strogih standarda za scenarije uporabe i putanje umirovljenja otežava racionalno korištenje preostalog kapaciteta . Recikliranje alternativno koristi preostale vrijednosti umirovljenih baterija ekstrakcijom materijala ili strukturnim popravkom , , pogodno za nepovratno degradirane umirovljene baterije. U usporedbi s pirometalurgijom i hidrometalurgijom , , izravno recikliranje ističe se superiornom profitabilnošću, nižom potrošnjom energije i smanjenim emisijama ugljika , , . Korištenjem nadopune litija i post-obrade katodnih materijala, izravno recikliranje postiže učinkovitu popravku materijalne strukture i obnavljanje performansi . Međutim, stanje zdravlja (SOH) određuje potreban kemijski reagens i predviđene doze nadopune litija u formulacijama strategije izravnog recikliranja , , . Nedovoljna doza može rezultirati nepotpunim popravkom, dok prekomjerna doza može dovesti do stvaranja rezidualne lužine na površini katode, pogoršavajući performanse obnavljanja , . Nažalost, dohvaćanje SOH-a zahtijeva invazivnu karakterizaciju materijala ,  i dugotrajne testove kalibracije kapaciteta, a neinvazivno, brzo i održivo stjecanje SOH-a ostaje izvanredan izazov. 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 Kako bi se osigurale dosljedne informacije o SOH-u, EV baterije se nadziru, a operativni podaci bilježe putem cloud platformi  i putovnica za baterije . Europski parlament usvojio je Direktivu o baterijama 14. lipnja 2023. kako bi osigurao da se umirovljene baterije mogu ponovno koristiti, obnoviti ili reciklirati na kraju životnog vijeka . Međutim, postupak potrebnog nadzora i bilježenja dostupan je samo u fazi usluge EV-a, a umirovljene baterije više nisu spojene na jedinicu za nadzor unutar vozila. Stoga je teško dohvatiti podatke o SOH-u dostupne u polju. Integritet podataka o životnom vijeku ostaje glavni izazov, što zahtijeva procjenu SOH-a samo pomoću poljskih podataka, za razliku od povijesnih podataka ili pod kontroliranim uvjetima , , . Jedno rješenje je provođenje testa kalibracije kapaciteta na terenu za prikupljanje umirovljenih baterija, tj. kondicioniranje stanja napunjenosti (SOC), što je jednostavno, međutim, zahtijeva neprihvatljivo vrijeme testiranja i dodatne troškove električne energije. Test karakterizacije hibridnom pulsnom snagom je alternativa za procjenu SOH-a dinamičkim ubrizgavanjem impulsa, ali potpuni niz testova traje preko 12 sati. Tao i sur. iskoristili su kratke impulse za procjenu SOH-a umirovljenih baterija, pretpostavljajući da je obavljeno kondicioniranje SOC-a na 5% SOC-a, što je jedva kompatibilno sa slučajnim uvjetima umirovljenja SOC-a . Nedavna napredovanja u senzorskim mjerenjima uključuju X-zračnu sliku , elektro kemijsku impedanciju , , optičko vlakno senzora , , akustični senzor , , djelomično punjenje , , i ubrizgavanje impulsa , . Tehnike temeljene na senzoru su u laboratorijskoj fazi zbog invazivnosti, dok ubrizgavanje impulsa karakterizira razdvajanje degradacije baterije bez fizičkog oštećenja, istovremeno brže od metoda temeljenih na djelomičnom punjenju i elektro kemijskoj impedanciji , , , , , . Međutim, ubrizgavanje impulsa je metoda usredotočena na podatke koja je samo izvediva pod idealnom pretpostavkom da fizički izmjereni podaci obuhvaćaju uvjete umirovljenja faze implementacije modela, poznato kao zajednički izazov pomaka domene u zajednici strojarskog učenja. Unatoč napretku u metodama prijenosnog učenja i prilagodbe domene , , , izazovi ostaju budući da ciljna domena za usklađivanje još uvijek zahtijeva prethodne informacije nakon implementacije, a postojeće metode učenja teško se mogu ažurirati za slučajne uvjete umirovljenja . Alternativa je proširiti ljestvicu testiranja podataka pod neistraženim uvjetima umirovljenja kako bi se ublažila nestašica podataka i heterogenost, dok to može dovesti do povećanih troškova. Wang i sur. predložili su metodu iskopa temperature za interpolaciju preferencija kinetike reakcije u različitim međustanjima tijekom termokemijskog procesa, omogućujući konstrukciju opsežnih baza podataka za obuku uz minimalnu ljestvicu i troškove termokemijskog eksperimenta kao proširenje podataka za obuku modela strojarskog učenja . Osim toga, generativno učenje također pokazuje mogućnosti procjene SOH-a s proširenim podacima iz djelomično cikliranih profila, štedeći potrebne fizički testirane podatke , . Međutim, nestašica podataka i heterogenost u kontekstu ponovne upotrebe i recikliranja baterija još su složeniji zbog mješavine vrsta katodnih materijala, fizičkih oblika, dizajna kapaciteta i povijesnih korištenja, što ograničava potencijalnu integraciju znanja specifičnog za uvjete degradacije u modele strojarskog učenja. Stoga je razumno razmotriti odnos ovisnosti između uvjeta umirovljenja i odziva napona impulsa za generiranje podataka, bez dugotrajnog kalibriranja vremenskih nizova kapaciteta i dodatnih fizičkih eksperimenata istovremeno, kako bi se poboljšale performanse procjene SOH-a. 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 U ovoj studiji provodimo pretretman umirovljenih baterija, tj. procjenu SOH-a, koristeći podatke o odzivu napona impulsa generirane autoenkoderom s varijacijskim mehanizmom pažnje uz uštedu vremena i troškova fizičkih mjerenja. Opći proces koraka općeg pretretmana, obuke generativnog modela i koraci praktične implementacije modela prikazani su na slici 1. Glavna ideja istraživanja je koristiti generativno učenje za iskorištavanje već izmjerenih podataka za istraživanje odziva napona impulsa u kontinuiranim uvjetima umirovljenja, tj. raspodjele SOC-a u fazi prikupljanja umirovljenih baterija. Naknadna procjena SOH-a provodi se bez fizički izmjerenih podataka o odzivu impulsa, čime se štede troškovi električne energije za pretretman i emisije ugljika koje bi inače bile potrebne za kondicioniranje SOC-a na predviđenu razinu. U usporedbi s metodom integrala ampersata i procjenom SOH-a pomoću impulsa pomoću strojarskog učenja, generativno učenje naglašava bržu brzinu generiranja i točnu procjenu. S generiranim podacima, jednostavan regresor uspješno procjenjuje SOH s niskom pogreškom pod neviđenim ili nedostupnim uvjetima umirovljenja SOC-a u bazi podataka, što je izazovan problem izvan distribucije (OOD). Problem OOD-a rješava se učenjem naslijeđenog fizičkog obrasca između uvjeta SOC-a i odziva napona uzrokovanog brzim impulsom. Demonstriramo općenitost naše metode provjerom na 2700 fizički izmjerenih uzoraka, koji obuhvaćaju 3 vrste katodnih materijala, 3 fizička oblika, 4 dizajna kapaciteta i 4 povijesna korištenja (1 laboratorijsko ubrzano starenje, 3 vožnje čisto električnim vozilom i 2 vožnje hibridnim vozilom). Generativno učenje odgovara interpolaciji i ekstrapolaciji integriranjem prethodnog znanja o uvjetima umirovljenja u skaliranje latentnog prostora parametara modela, štedeći vrijeme mjerenja, troškove električne energije i posljedične emisije ugljika, a da ne ugrožava točnost procjene SOH-a. Konzervativna globalna studija slučaja umirovljenja baterija 2030. godine naglašava značaj brze i održive procjene SOH-a u pirometalurškim, hidrometalurškim i izravnim scenarijima recikliranja. Kroz tehničko-ekonomsku analizu, procjena SOH-a potpomognuta generativnim učenjem mogla bi uštedjeti 4,9 milijarde USD troškova električne energije i 35,8 milijardi kg CO2 emisija do 2030. godine diljem svijeta. Raspravljamo o interpretativnosti modela, posljedicama pretretmana za recikliranje i širim aspektima budućih smjerova pametnog pretretmana za recikliranje integriranih sa strojarskim učenjem.    Koraci pretretmana umirovljene baterije uključuju kondicioniranje SOC-a, fizička mjerenja, strojno učenje za dijagnozu SOH-a i proces odlučivanja o drugom životu prije ponovne upotrebe ili recikliranja. Kondicioniranje SOC-a odnosi se na podešavanje vrijednosti SOC-a umirovljenih baterija na željene razine pomoću tradicionalne metode stalne struje konstantnog napona (CCCV).   Shematski prikaz autoenkodera s varijacijskim mehanizmom pažnje za generiranje podataka o odzivu napona impulsa.   Praktična upotreba modela generiranja podataka za procjenu SOH-a ne zahtijeva dodatno kondicioniranje SOC-a. Obučeni model strojarskog učenja nadzire generirane podatke i prima trenutne odzive napona impulsa kada je u fazi implementacije.   Ekonomski i ekološki benefiti te brza brzina generiranja naše metodologije generativnog učenja uštedom troškova kondicioniranja SOC-a u globalnom scenariju umirovljenja baterija 2030. a b c d Rezultati Stjecanje skupa podataka Nestašica podataka i heterogenost glavni su izazovi u dijagnostici i prognozi baterija temeljene na podacima, posebno za umirovljene baterije. Sakupili smo 2700 uzoraka od 270 fizički umirovljenih baterija u širokim rasponima SOC-a, tj. od 5% do 50% s korakom od 5%. Na slici 2a, skup podataka obuhvaća 3 prevladavajuće vrste katodnih materijala, uključujući 119 fizički prikupljenih NMC (nikal-mangan-kobalt oksid), 56 LFP (litij-željezni fosfat) i 95 LMO (litij-mangan oksid) umirovljenih baterija, koje pokrivaju 3 fizička oblika (cilindrični, vrećasti, prizmatični) i 4 obrasca povijesnog korištenja (1 laboratorijsko ubrzano ispitivanje, 3 korištenja u EV-u, uključujući 1 način čisto električnog pogona i 2 načina hibridnog pogona). Naglašavamo da naš skup podataka, koji uključuje visoko heterogene testne uzorke, čini najveći skup podataka temeljen na brzim impulsima za procjenu SOH-a umirovljenih baterija do danas, olakšavajući općenitost modela izvan fizički izmjerenih skupova podataka.    Sankey dijagram za raspodjelu umirovljenih baterija, obuhvaća vrste katodnih materijala, fizičke oblike, dizajne kapaciteta i povijesna korištenja.   Pulsna struja i naknadni odziv napona umirovljenih baterija, gdje se značajke izvlače iz prijelomnih točaka, tj. točaka s nultom drugom derivacijom krivulje odziva napona. Izvučeno je 21 značajka točaka, od U1 do U21. Frekvencija snimanja sirovih podataka je 100 Hz. Vrijeme mirovanja između svakog impulsa u C-stopi iznosi 25 sekundi. Napominjemo da C označava stopu punjenja (pražnjenja) kada se vrši punjenje (pražnjenje) od 1 sata. Sobna temperatura kontrolira se na 25°C.   Ilustracija raspodjele stanja zdravlja (SOH) (Gaussova prilagodba) umirovljenih baterija od 2,1 Ah i 21 Ah. Za raspodjelu SOH-a drugih tipova baterija, pogledajte Dopunsku sliku 1.   Odnos između izmjerenog odziva napona impulsa i kalibriranog SOH-a iz testa kalibracije kapaciteta, pri različitim uvjetima stanja napunjenosti (SOC). Ilustrirana je prva dimenzija značajke, U1.   Ilustracija slučaja generiranja podataka interpolacijom i ekstrapolacijom pod različitim raspodjelama SOC-a umirovljenih baterija. Detaljne postavke ispitivanja nalaze se u Napomenama S1 i S2, uz napomenu da je C-stopa postavljena identično za sve vrste katodnih materijala. Izvorny podaci su osigurani kao datoteka izvornih podataka. a b c d e Za razliku od redovitog testiranja stalnom strujom i konstantnim naponom (CCCV), pulsni test ne zahtijeva dugo vrijeme testiranja i ne uzrokuje dodatnu štetu umirovljenim baterijama. Stoga koristimo CCCV rezultate kao referentne vrijednosti kapaciteta za SOH. Podaci pulsne metode koriste se kao podaci za obuku generativnog modela učenja. Čak i ako se vrsta katodnog materijala baterije razlikuje, provodimo standardizirano i pristupačno inženjerstvo značajki, osiguravajući kompatibilnost u praktičnoj upotrebi. Slika 2b prikazuje ekstrakciju značajki nakon ubrizgavanja pulsne struje. Postavke eksperimenta za CCCV i pulsno ubrizgavanje mogu se pronaći u Dopunskoj napomeni 1. Za prvih pet ubrizganih impulsa, prijelomne točke, tj. točke s nultom drugom derivacijom odziva napona, bilježe se kao značajke, što rezultira 21-dimenzionalnim značajkama. Unatoč vremenu impulsa od 5 sekundi, također provodimo mjerenje osjetljivosti na širinu impulsa s dvostrukim ciljem provjere robusnosti impulsa i daljnjeg skraćivanja vremena ispitivanja, u rasponu od 30 ms do 5 s. Razmatramo ubrzano starenje u laboratorijskim testovima (Dopunska napomena 2) i stvarno starenje vožnje EV-a, iako neovisno o eksplicitnim profilima vožnje zbog ograničenja privatnosti podataka. Na slici 2c ilustrirane su raspodjele SOH-a baterija koje su prošle ubrzano starenje (NMC, 2,1 Ah) i baterija koje su prošle starenje vožnje u EV

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

Ovaj zvuk je proizveden na izvornom jeziku priče!

Generativna umjetna inteligencija pokreće održivo ponovno korištenje povučenih litij-ionskih baterija

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps