Генеративті AI қалдық литий-ионды батареяларды тұрақты пайдалануға мүмкіндік береді

```html Авторлар: Шенгю Тао Руйфей Ма Зикси Чжао Гуаньюань Ма Лин Су Хенг Чанг Юоу Чен Хайчжоу Лю Чжэн Лян Тингвэй Цао Хаоченг Джи Чжиюань Хан Минъян Лу Хуисионг Янг Цзунгуо Вэнь Цзяньхуа Яо Ронг Ю Гуодан Вэй Янг Ли Сюань Чжан Тингьянг Сюй Гуанмин Чжоу Аннотация Жылжымалы батареялардың денсаулық жағдайын (SOH) жылдам және дәл бағалау, оларды қайта пайдалану жәнеRecycling үшін маңызды алдын-ала өңдеу болып табылады. Дегенмен, деректерге негізделген әдістер random SOH және заряд съйітілгені (SOC) жағдайларында деректерді мұқият өңдеуді талап етеді. Бұл жерде, біз generative learning-кемектесетін SOH бағалау, деректердің тапшылығы мен гетерогендік мәселелерін жеңілдетуге перспективалы екенін көрсетеміз, бұл 2700 жылжымалы литий-ионды батарея үлгілерінің пульстік инжекциялық деректер жинағы арқылы расталды, 3 катодтық материал түрі, 3 физикалық пішін, 4 сыйымдылық дизайны және 10 SOC деңгейі бар 4 тарихи қолданыс қамтылған. Генеративті деректерді қолдана отырып, регрессор unseen SOC жағдайында 6% - дан аз орташа абсолюттік пайыздық қателіктермен (MAPE) нақты SOH бағалауды жүзеге асырады. Біз болжағандай, ұсынылған әдістемені бірізді пайдалану, 2030 жылға арналған жаһандық батареяны жою сценарийі үшін деректерді өңдеу шығындарын азайту арқылы 4,9 миллиард АҚШ доллары электр энергиясы шығындарын және 35,8 миллиард кг CO2 шығарындыларын үнемдеуге мүмкіндік береді. Бұл мақала, көптеген бағалау және болжау тапсырмалары үшін деректерді алу уақытты, қымбат және ластаушы болғандықтан, generative әдістерді қолдана отырып, шектеулі деректерді кеңейтілген деректер кеңістігін зерттеу үшін пайдалануды баса көрсетеді. Кіріспе Көмірсутектен басқа энергияға ауысудағы маңызды сектор болып табылатын көліктердің электрлендірілуі , қазба отынына негізделген көлік парадигмасын бұрын-соңды болмағандай өзгертті. Литий-ионды батареялар электр көліктеріне (EV) арзан, берік және қауіпсіз энергиямен қамтамасыз ету арқылы осы ауысуда маңызды рөл атқарады , . Қазіргі және пайдаланудан шыққан EV батареяларының жалпы сыйымдылығы 2050 жылға қарай 32–62 тераватт-сағаттан асады, бұл Халықаралық Жаңартылатын Энергия Агенттігі мен Storage Lab сценарийлеріндегі бағалаулардан әлдеқайда жоғары . Алайда, пайдаланудан шыққан EV батареялары қатаң реттелген және олардың қалған сыйымдылығының құндылығы, әдетте, номиналды сыйымдылықтың 80% - дан астамы толық пайдаланылмайды , . Егер олар дұрыс өңделмесе, бұл өндірушілер мен пайдаланушылар үшін экономикалық қиындықтарға , сондай-ақ ресурстардың ысырап болуы, жеткізу тізбегіндегі тәуекелдер және көміртегі шығарындылары сияқты экологиялық және әлеуметтік мәселелерге , , , әкелуі мүмкін. 1 2 3 4 5 6 7 8 9 10 11 Батареяны пайдаланудан шығарудың үнемі артып отыратын мәселелерін шешуге бағытталған перспективалы стратегиялар - оларды қайта пайдалану , , жәнеRecycling . Қайта пайдалану кезінде, пайдаланудан шыққан батареялар grid-connected энергия сақтау жүйелері , тұрғын үй қуат көздері және баяу жүретін көліктер сияқты қолданыстарға қайта бағытталады. Алайда, қайта пайдалану алдын-ала алдын-ала өңдеуді, соның ішінде консистенттілікті скрининг , сыйымдылықты сорттау және топтастыруды , талап етеді, олар қолданыс талаптарына сәйкес келеді . Пилоттық бағдарламалар басталғанына қарамастан , , , қолданыс сценарийлері мен жою жолдары үшін нақты стандарттардың жоқтығы қалдық сыйымдылықты рационалды пайдалануға кедергі келтіреді .Recycling керісінше, материалды шығару немесе құрылымды жөндеу арқылы пайдаланудан шыққан батареялардың қалдық құндылықтарын пайдаланады , , қайтымсыз деградацияланған пайдаланудан шыққан батареялар үшін жарамды. Пирометаллургия мен гидрометаллургиямен , салыстырғанда, тікелейRecycling жоғары рентабельділік, төмен энергия тұтыну және көміртегі шығарындыларын азайту арқылы ерекшеленеді , , . Литийді толықтыруды және катодтық материалдарды өңдеуден кейінгі өңдеуді пайдалану арқылы тікелейRecycling материалдың құрылымын тиімді жөндеуді және өнімділікті қалпына келтіруді қамтамасыз етеді . Алайда, денсаулық жағдайы (SOH) тікелейRecycling стратегиясын қалыптастыруда қажетті химиялық реагентті және болжалды литий қоспаларының дозаларын анықтайды , , . Доза жеткіліксіз болса, жөндеу толық емес болуы мүмкін, ал доза тым көп болса, катод бетінде қалдық сілті пайда болып, қалпына келтіру өнімділігін нашарлатуы мүмкін , . Өкінішке орай, SOH-ты анықтау үшін инвазивті материалдық сипаттама , және ұзақ сыйымдылықты калибрлеу сынақтары қажет, сондықтан инвазивті емес, жылдам және тұрақты SOH алу - маңызды мәселе болып қалуда. 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 Үнемі SOH ақпаратын қамтамасыз ету үшін EV батареялары бақыланады және операциялық деректер бұлттық платформалар және батарея паспорттары арқылы жазылады. Еуропа Парламенті 2023 жылғы 14 маусымда Батареялар директивасын қабылдады, бұл пайдаланудан шыққан батареялардың қызмет мерзімі аяқталғаннан кейін пайдаланудан шығаруға, қайта жөндеуге немесеRecycling үшін қол жетімді болуын қамтамасыз етеді . Алайда, қажетті бақылау және жазу рәсімі тек EV қызмет кезеңінде қолжетімді, пайдаланудан шыққан батареялар көлік ішіндегі бақылау блогына қосылмаған. Осылайша, даладан алынған SOH деректерін алу қиын. Өмірлік деректердің тұтастығы - бұл маңызды мәселе, ол SOH-ты тек дала деректерін қолданып бағалауды талап етеді, тарихи деректерге немесе бақыланатын жағдайларға қарама-қарсы , , . Бір шешім - бұл пайдаланудан шыққан батареяны жинау алаңында сыйымдылықты калибрлеу сынағын жүргізу, яғни SOC жағдайын реттеу, бұл тікелей, алайда, тым қымбат сынақ уақытын және қосымша электр энергиясы шығындарын талап етеді. Гибридті импульстік қуатты сипаттау сынағы динамикалық импульсті инжекциялау арқылы SOH бағалау үшін балама болып табылады, бірақ толық сынақ тізбегі 12 сағаттан астам уақытты алады. Тао және т.б. пайдаланудан шыққан батареялардың SOH бағалауы үшін қысқа импульстерді қолданды, бұл 5% SOC-қа дейін SOC жағдайын жүргізу арқылы жүзеге асырылады деп болжайды, бұл random retirement SOC жағдайларымен үйлесімді болды . Сенсорлық өлшемдердегі соңғы жетістіктерге X-ray суреттері , электрохимиялық импеданс , , оптикалық талшықтық сенсор , , акустикалық сенсор , , ішінара зарядтау , және импульсті инжекция , жатады. Лабораториялық деңгейде инвазивті болғандықтан, сенсорлық әдістер зертханалық сатыда, ал импульстік инжекция батареяны физикалық зақымдамай, деградацияны анықтауға мүмкіндік береді, бұл ішінара зарядтау және электрохимиялық импеданс негізіндегі әдістерден жылдамырақ , , , , , . Алайда, импульстік инжекция дерекке негізделген әдіс болып табылады, ол тек физикалық өлшенген деректер модельді орналастыру кезеңіндегі жою жағдайларын қамтитын тамаша болжам жағдайында ғана қолжетімді, бұл машиналық оқыту қауымдастығындағы domain shift-тің жалпы мәселесі ретінде белгілі. Transfer learning және domain adaption әдістеріндегі жетістіктерге қарамастан , , , мақсатты domain-ді сәйкестендіру орналастыру кезінде алдын-ала ақпаратты талап ететіндіктен және қолданыстағы оқыту әдістерін random retirement жағдайларына жаңарту қиын болғандықтан, мәселелер қала береді . Балама - деректердің тапшылығы мен гетерогендігін жою үшін зерттелмеген retirement жағдайларында деректерді сынау ауқымын кеңейту, бірақ бұл шығындарды арттыруы мүмкін. Ванг және т.б. температураны қазу әдісін ұсынды, бұл термохимиялық процесс кезінде әртүрлі аралық күйдегі реакция кинетикалық артықшылықтарын интерполяциялауға мүмкіндік береді, бұл машиналық оқыту моделін оқытуға деректерді кеңейту үшін аз термохимиялық эксперименттік масштабта және шығындарда кеңейтілген оқыту дерек базаларын құруға мүмкіндік береді . Сонымен қатар, generative learning де жарым-жартылай циклденген профильдерден алынған деректерді кеңейту арқылы SOH бағалау мүмкіндіктерін көрсетеді, бұл қажетті физикалық сынақтан өткен деректерді үнемдейді , . Алайда, батареяны қайта пайдалану жәнеRecycling жағдайында деректердің тапшылығы мен гетерогендігі катодтық материалдардың түрлері, физикалық пішіндері, сыйымдылық дизайндары және тарихи қолданыстарының қоспасы себебінен одан да күрделі, бұл деградацияның жағдайға байланысты білімдерін машиналық оқыту модельдеріне біріктіру әлеуетін шектейді. Сондықтан, әрі қарайғы физикалық сынақ уақытын және қосымша физикалық сынақтарды талап етпей, деректерді генерациялау үшін retirement жағдайлары мен импульстік кернеу жауаптары арасындағы тәуелділік байланысын қарастыру, SOH бағалау өнімділігін арттыру үшін ақылға қонымды. 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 Бұл зерттеуде біз attentional variational autoencoder арқылы генерацияланған, физикалық өлшем уақытын және шығындарын үнемдейтін жылжымалы батареялардың пульстік кернеу жауаптары деректерін пайдаланып, жылжымалы батарея алдын-ала өңдеуін, яғни SOH бағалауын жүзеге асырамыз. Жалпы алдын-ала өңдеу қадамдарының, генеративті модельді оқытудың және практикалық модельді орналастыру қадамдарының жоғары деңгейлі процесі 1-суретте көрсетілген Зерттеу идеясы - генеративті оқытуды пайдаланып, пульстік кернеу жауаптарын continuous retirement жағдайларында, яғни SOC таралуын пайдалану үшін бұрын өлшенген деректерді пайдалану. Төменгі ағындағы SOH бағалауы, физикалық өлшенген импульстік жауап деректері жоқ болған кезде жүзеге асырылады, бұл бұрын қажет болған алдын-ала өңдеу электр энергиясы шығындарын және көміртегі шығарындыларын үнемдейді. ақпараттық-қосынды интеграция әдісі және машиналық оқыту импульстік инжекциясымен салыстырғанда, генеративті оқыту жылдам генерация жылдамдығын және дәл бағалауды баса көрсетеді. Генеративті деректермен, қарапайым регрессор, unseen немесе қолжетімсіз SOC retirement жағдайларында төмен қателікпен SOH бағалауды сәтті жүзеге асырады, бұл машиналық оқытудағы күрделі out-of-distribution (OOD) мәселесі. OOD мәселесі SOC жағдайы мен импульстік импульстің тудырған кернеу жауабы арасындағы тарихи физикалық үлгіні оқыту арқылы шешіледі. Біз 3 катодтық материал түрін, 3 физикалық пішінді, 4 сыйымдылық дизайнын және 4 тарихи қолданысты (1 лабораториялық жеделдетілген сынақ, 3 EV пайдалану) қамтитын 2700 физикалық өлшенген үлгі арқылы әдісіміздің жалпыламалығын тексереміз. Generative learning, өлшем уақытын, электр энергиясы шығындарын және нәтижесінде көміртегі шығарындыларын үнемдей отырып, модель параметрлерінің латентті кеңістігін масштабтау арқылы бұрынғы білімді интеграциялау арқылы, интерполяция және экстраполяция үшін жарамды. 2030 жылғы батареяны жоюдың консервативті жаһандық сценарийін талдау, пирометаллургиялық, гидрометаллургиялық және тікелейRecycling жағдайларында жылдам және тұрақты SOH бағалаудың маңыздылығын көрсетеді. Техникалық-экономикалық талдау арқылы, generative learning-кемектесетін SOH бағалау, 2030 жылға қарай жаһандық деңгейде батареяларды жою арқылы 4,9 миллиард АҚШ доллары электр энергиясы шығындарын және 35,8 миллиард кг CO2 шығарындыларын үнемдеуі мүмкін. Біз модель интерпретациясын,Recycling алдын-ала өңдеу салдарларын және машиналық оқытумен біріктірілген smart recycling алдын-ала өңдеу бағыттарын талқылаймыз. . Пайдаланудан шыққан батареяларды алдын-ала өңдеу кезеңдеріне SOC жағдайын реттеу, физикалық өлшемдер, SOH диагностикасы үшін машиналық оқыту және пайдалану немесеRecycling алдындағы екінші өмірді шешу процесі кіреді. SOC жағдайын реттеу, дәстүрлі тұрақты ток тұрақты кернеу (CCCV) әдісін қолданып, пайдаланудан шыққан батареялардың SOC деңгейін қажетті деңгейге келтіруді білдіреді. Импульстік кернеу жауаптары деректерін генерациялау үшін attentional variational autoencoder сызбасы. SOH бағалау үшін деректерді генерациялау моделін практикалық пайдалану қосымша SOC жағдайын реттеуді талап етпейді. Оқытылған машиналық оқыту моделі, генерацияланған деректермен бақыланады және орналастыру кезеңінде импульстік кернеу жауаптарын лезде қабылдайды. 2030 жылғы жаһандық батареяны жою сценарийіндегі генеративті оқыту әдістемесінің экономикалық және экологиялық артықшылықтары мен жылдам генерация жылдамдығы, SOC жағдайын реттеу шығындарын үнемдеу арқылы. a b c d Нәтижелер Деректер жинағын алу Деректердің тапшылығы мен гетерогендігі - дерекке негізделген батарея диагностикасы мен прогнозлауындағы, әсіресе пайдаланудан шыққан батареялар үшін маңызды мәселелер. Біз 270 физикалық пайдаланудан шыққан батареядан 2700 үлгі жинадық, олардың SOC деңгейлері 5% - дан 50% - ға дейін, 5% адыммен. 2-суретте , деректер жинағы 3 кең таралған катодтық материал түрін қамтиды, соның ішінде 119 физикалық жиналған NMC (никель-марганец-кобальт оксиді), 56 LFP (литий темір фосфаты) және 95 LMO (литий марганец оксиді) пайдаланудан шыққан батареялар, 3 физикалық пішін (цилиндрлік, қапшық, призмалық) және 4 тарихи қолданыс үлгісі (1 лабораториялық жеделдетілген сынақ, 3 EV пайдалану, соның ішінде 1 таза электр жетегі режимі және 2 гибридті жетегі режимі). а