Генеративті AI зейнетке шыққан литий-ионды батареяларды тұрақты түрде қайта пайдалануды қамтамасыз етеді

Авторлар: Шенгю Тао Руйфей Ма Цзыси Чжао Гуаньюань Ма Лин Су Хенг Чанг Юоу Чен Хайчжоу Лю Чжэн Лян Тинвэй Цао Хаоченг Джи Чжиюань Хан Минъян Лу Хуйсян Ян Цзунгуо Вэнь Цзяньхуа Яо Ронг Юй Годань Вэй Ян Ли Сюань Чжан Тинъян Сюй Гуанмин Чжоу Аннотация Швидка та точна оцінка стану здоров'я (SOH) відпрацьованих акумуляторів є ключовим попереднім кроком для їх повторного використання та переробки. Однак методи, що базуються на даних, вимагають вичерпного курування даних за випадкових умов виведення з експлуатації за SOH та SOC. Тут ми показуємо, що оцінка SOH за допомогою генеративного навчання є перспективною для зменшення проблем дефіциту та неоднорідності даних, що підтверджено набором даних із імпульсним впорскуванням 2700 зразків відпрацьованих літій-іонних акумуляторів, що охоплюють 3 типи катодних матеріалів, 3 фізичні формати, 4 конструкції ємності та 4 історичні режими використання з 10 рівнями SOC. Використовуючи згенеровані дані, регресор забезпечує точну оцінку SOH із середньою абсолютною відсотковою похибкою менше 6% за невідомих SOC. Ми прогнозуємо, що за умови рівномірного впровадження запропонованої техніки це дозволить заощадити 4,9 мільярда доларів США на витратах на електроенергію та 35,8 мільярда кг викидів CO2, зменшуючи витрати на курування даних для сценарію виведення з експлуатації акумуляторів у всьому світі до 2030 року. Ця стаття підкреслює використання обмежених даних для дослідження розширеного простору даних за допомогою генеративних методів, враховуючи, що дані можуть бути трудомісткими, дорогими та забруднюючими для отримання для багатьох завдань оцінки та прогнозування. Вступ Електрифікація транспорту, ключовий сектор у переході до низьковуглецевої енергетики , безпрецедентно змінив парадигму викопного палива. Літій-іонні акумулятори є життєво важливими для цього переходу, забезпечуючи доступні, довговічні та безпечні джерела енергії для електромобілів (EV) , . Загальна потужність акумуляторів EV, що використовуються та виведені з експлуатації, перевищить 32–62 теравати до 2050 року, що значно вище, ніж прогнозувалося в сценаріях Міжнародного агентства з відновлюваної енергетики та Storage Lab . Однак відпрацьовані акумулятори EV суворо регулюються, маючи велику залишкову вартість, яка недостатньо використовується, як правило, понад 80% номінальної ємності , . Якщо їх не обробляти належним чином, це призводить до економічного тягаря для виробників та користувачів, а також до подальших екологічних та соціальних проблем , включаючи втрату ресурсів, ризики в ланцюгах постачання та викиди вуглецю , , . 1 2 3 4 5 6 7 8 9 10 11 Перспективні стратегії для вирішення проблем, пов'язаних з непередбачуваним зростанням кількості відпрацьованих акумуляторів, — це повторне використання , , та переробка . При повторному використанні відпрацьовані акумулятори переобладнані для таких застосувань, як мережеві системи накопичення енергії , побутові джерела живлення та повільні транспортні засоби. Однак повторне використання вимагає попередньої обробки, включаючи скринінг узгодженості , сортування за ємністю та групування , для задоволення вимог застосування . Незважаючи на започаткування пілотних програм , , , відсутність суворих стандартів для сценаріїв використання та шляхів виведення з експлуатації перешкоджає раціональному використанню залишкової ємності . Переробка натомість використовує залишкові цінності відпрацьованих акумуляторів шляхом вилучення матеріалів або ремонту конструкцій , , придатних для безповоротно деградованих відпрацьованих акумуляторів. Порівняно з пірометалургією та гідрометалургією , , пряма переробка виділяється вищою прибутковістю, меншим споживанням енергії та зменшеними викидами вуглецю , , . Використовуючи поповнення літію та післяобробку катодних матеріалів, пряма переробка досягає ефективного ремонту структури матеріалу та відновлення продуктивності . Однак стан здоров'я (SOH) визначає необхідний хімічний реагент та очікувані дози поповнення літію у формулюваннях стратегії прямої переробки , , . Недостатня доза може призвести до неповного ремонту, тоді як надмірна доза може призвести до утворення залишкової луги на поверхні катода, погіршуючи продуктивність відновлення , . На жаль, вилучення SOH вимагає інвазивних характеристик матеріалу , та тривалих тестів калібрування ємності, тому неінвазивне, швидке та стале отримання SOH залишається невирішеною проблемою. 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 Для забезпечення послідовної інформації про SOH акумулятори EV моніторяться, а операційні дані записуються хмарними платформами та паспортами акумуляторів . Європейський парламент 14 червня 2023 року прийняв Директиву про акумулятори, щоб гарантувати, що відпрацьовані акумулятори можуть бути повторно використані, відновлені або перероблені після закінчення терміну служби . Однак необхідна процедура моніторингу та запису доступна лише на етапі експлуатації EV, відпрацьовані акумулятори більше не підключені до блоку моніторингу в автомобілі. Таким чином, складно отримати дані SOH, доступні в польових умовах. Цілісність даних за весь термін служби залишається серйозною проблемою, що вимагає оцінки SOH лише за допомогою польових даних, на відміну від історичних даних або за контрольованих умов , , . Одним із рішень є проведення тесту калібрування ємності на місці збору відпрацьованих акумуляторів, тобто кондиціонування стану заряду (SOC), що є простим, однак, це вимагає недоступних витрат часу на тестування та додаткових витрат на електроенергію. Гібридний тест характеристики імпульсної потужності є альтернативою для оцінки SOH шляхом динамічного імпульсного впорскування, але повна послідовність тесту займає понад 12 годин. Тао та ін. використовували короткі імпульси для оцінки SOH відпрацьованих акумуляторів, припускаючи, що було виконано кондиціонування SOC до 5%, що було ледь сумісним з випадковими умовами виведення з експлуатації SOC . Останні досягнення в сенсорних вимірюваннях включають рентгенівську візуалізацію , електрохімічний імпеданс , , оптико-волоконне зондування , , акустичне зондування , , часткове заряджання , та імпульсне впорскування , . Сенсорні методи знаходяться на лабораторному етапі через інвазивність, тоді як імпульсне впорскування дозволяє розплутати деградацію акумулятора без фізичних пошкоджень, одночасно швидше, ніж методи часткового заряджання та електрохімічного імпедансу , , , , , . Однак імпульсне впорскування є методом, що базується на даних, який можливий лише за ідеального припущення, що фізично виміряні дані охоплюють умови виведення з експлуатації етапу розгортання моделі, відомого як спільна проблема зсуву домену в спільноті машинного навчання. Незважаючи на досягнення в галузі навчання з переносом та методів адаптації домену , , , проблеми залишаються, оскільки цільовий домен для вирівнювання все ще вимагає попередньої інформації після розгортання, а існуючі методи навчання важко оновити для випадкових умов виведення з експлуатації . Альтернативою є розширення масштабу тестування даних за незвіданих умов виведення з експлуатації для зменшення дефіциту даних та неоднорідності, хоча це може призвести до збільшення витрат. Ван та ін. запропонували метод температурної екскавації для інтерполяції кінетичних уподобань реакції за різних проміжних станів під час термічного процесу, що дозволяє створювати розширені навчальні бази даних з мінімальним масштабом термічних експериментів та витратами як доповнення даних для навчання моделі машинного навчання . Крім того, генеративне навчання також демонструє можливості оцінки SOH за допомогою доповнених даних з частково проциклізованих профілів, заощаджуючи необхідні фізично протестовані дані , . Однак дефіцит даних та неоднорідність у контексті повторного використання та переробки акумуляторів ще складніші через суміш типів катодних матеріалів, фізичних форматів, конструкцій ємності та історичних видів використання, що обмежує потенційну інтеграцію специфічних для умов знань про деградацію в моделі машинного навчання. Таким чином, доцільно розглядати залежність між умовами виведення з експлуатації та імпульсними відгуками на напругу для генерації даних, не вимагаючи тривалого калібрування ємності за часовою шкалою та додаткових фізичних експериментів одночасно, щоб підвищити ефективність оцінки 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 У цьому дослідженні ми проводимо попередню обробку відпрацьованих акумуляторів, тобто оцінку SOH, за допомогою даних імпульсної напруги, згенерованих автокодувальником уваги за збережений час та вартість фізичних вимірювань. Загальний процес загальних кроків попередньої обробки, навчання генеративної моделі та кроків практичного розгортання моделі проілюстровано на рис. . Ідея дослідження полягає у використанні генеративного навчання для експлуатації вже виміряних даних для дослідження імпульсних відгуків на напругу за безперервних умов виведення з експлуатації, тобто розподілу SOC на етапі збору відпрацьованих акумуляторів. Подальша оцінка SOH здійснюється без фізично виміряних даних імпульсного відгуку, заощаджуючи витрати на електроенергію для попередньої обробки та викиди вуглецю, які інакше вимагалися б від кондиціонування SOC до очікуваного рівня. Порівняно з методом інтегрування ампер-годин та імпульсним впорскуванням машинного навчання, генеративне навчання підкреслює швидшу швидкість генерації та точну оцінку. З згенерованими даними простий регресор успішно оцінює SOH з низькою похибкою за невідомих або недоступних умов виведення з експлуатації SOC у базі даних, що є складною проблемою поза розподілом (OOD). Проблема OOD вирішується шляхом вивчення успадкованої фізичної закономірності між умовою SOC та відгуком напруги, спричиненою швидким імпульсом. Ми демонструємо загальність нашого методу, перевіривши його на 2700 фізично виміряних зразках, що охоплюють 3 типи катодних матеріалів, 3 фізичні формати, 4 конструкції ємності та 4 історичні види використання (1 лабораторне прискорене старіння, 1 чиста електромобільна їзда та 2 гібридні режими їзди). Генеративне навчання підходить для інтерполяції та екстраполяції шляхом інтеграції попередніх знань про умови виведення з експлуатації в масштабування латентного простору параметрів моделі, заощаджуючи час вимірювання, витрати на електроенергію та подальші викиди вуглецю, не поступаючись точністю оцінки SOH. Консервативне глобальне дослідження виведення з експлуатації акумуляторів у 2030 році висвітлює важливість швидкої та сталого оцінки SOH у пірометалургійних, гідрометалургійних та прямих сценаріях переробки. За допомогою техніко-економічного аналізу генеративне навчання, що допомагає оцінювати SOH, може заощадити 4,9 мільярда доларів США на витратах на електроенергію та 35,8 мільярда кг викидів CO2 до 2030 року в усьому світі. Ми обговорюємо інтерпретованість моделі, наслідки попередньої обробки для переробки та ширші аспекти майбутніх напрямків попередньої обробки розумної переробки, інтегрованих із машинним навчанням. 1 Кроки попередньої обробки відпрацьованих акумуляторів включають кондиціонування SOC, фізичні вимірювання, машинне навчання для діагностики SOH та процес прийняття рішень другого життя перед повторним використанням або переробкою. Кондиціонування SOC означає регулювання значень SOC відпрацьованих акумуляторів до бажаних рівнів за допомогою традиційного методу постійного струму та постійної напруги (CCCV). Схема автокодувальника уваги для генерації даних імпульсного відгуку на напругу. Практичне використання моделі генерації даних для оцінки SOH не вимагає додаткового кондиціонування SOC. Навчена модель машинного навчання контролюється згенерованими даними та отримує негайні імпульсні відгуки на напругу під час фази розгортання. Економічні та екологічні переваги та висока швидкість генерації нашої методології генеративного навчання шляхом економії витрат на кондиціонування SOC у глобальному сценарії виведення з експлуатації акумуляторів 2030 року. а b c d Результати Придбання набору даних Дефіцит даних та неоднорідність є основними проблемами в діагностиці та прогнозуванні акумуляторів на основі даних, особливо для відпрацьованих акумуляторів. Ми зібрали 2700 зразків від 270 фізично відпрацьованих акумуляторів з широким діапазоном рівнів SOC, тобто від 5% до 50% з кроком 5%. На рис. набір даних охоплює 3 поширені типи катодних матеріалів, включаючи 119 фізично зібраних акумуляторів NMC (нікель-марганець-кобальтовий оксид), 56 LFP (літій-залізо-фосфат) та 95 LMO (літій-марганцевий оксид), що охоплюють 3 фізичні формати (циліндричний, мішечковий, призматичний) та 4 історичні режими використання (1 лабораторний прискорений тест, 3 режими використання EV, включаючи 1 режим чисто електричного приводу та 2 режими гібридного приводу). Ми наголошуємо, що включення високонеоднорідних тестових зразків робить наш набір даних найбільшим на сьогоднішній день набором даних на основі швидких імпульсів для оцінки SOH відпрацьованих акумуляторів, що сприяє загальності моделі поза межами фізично виміряних наборів даних. 2a Діаграма Сенкі для розподілу відпрацьованих акумуляторів, що включає типи катодних матеріалів, фізичні формати, конструкції ємності та історичні види використання. Імпульсний струм та подальший відгук напруги відпрацьованих акумуляторів, де ознаки вилучаються з точок повороту, тобто точок з нульовою другою похідною кривої відгуку напруги. Вилучено 21 ознаку, від U1 до U21. Частота запису сирих даних становить 100 Гц. Час відпочинку між кожним імпульсом становить 25 секунд при C-ставці. Зверніть увагу, що термін C позначає швидкість зарядки (розрядки) при виконанні зарядки (розрядки) протягом 1 години. Температура навколишнього середовища контролюється при 25°C. Розподіл стану здоров'я (SOH) (гауссова апроксимація) відпрацьованих акумуляторів 2,1 А·год та 21 А·год для ілюстрації відповідно. Щодо розподілу SOH інших типів акумуляторів, див. Додатковий рис. . Зв'язок між виміряним імпульсним відгуком напруги та каліброваним SOH з тесту калібрування ємності, при різних умовах стану заряду (SOC). Ілюструється перший вимір ознаки, U1. Ілюстрація випадку генерації даних шляхом інтерполяції та екстраполяції при різних розподілах SOC виведення з експлуатації акумуляторів. Детальні налаштування тестування наведені в та , зверніть увагу, що налаштування C-ставки однакове для всіх типів катодних матеріалів. Вихідні дані надаються як файл вихідних даних. a b c 1 d e Додаткових примітках 1 2 На відміну від звичайного тестування з постійним струмом та постійною напругою (CCCV), імпульсний тест не вимагає тривалого часу тестування та додаткового пошкодження відпрацьованих акумуляторів. Тому ми використовуємо результа