
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 저자: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 셴지우 타오 루이페이 마 지시 자오 광위안 마 린 수 헝 창 위우 첸 하이저우 리우 정량 리앙 팅웨이 차오 하오청 지 즈위안 한 민얀 루 후이시옹 양 종구오 웬 지안화 야오 룽 위 구오단 웨이 양 리 쉬안 장 팅양 쉬 광민 저우 초록 폐기된 배터리의 빠르고 정확한 건강 상태(SOH) 추정은 재사용 및 재활용을 위한 중요한 사전 처리입니다. 그러나 데이터 기반 방법에는 무작위 SOH 및 충전 상태(SOC) 폐기 조건 하에서 철저한 데이터 큐레이션이 필요합니다. 여기서 우리는 생성 학습 보조 SOH 추정이 데이터 부족 및 이질성 문제를 완화하는 데 유망하다는 것을 보여주며, 3가지 양극재 유형, 3가지 물리적 형식, 4가지 용량 설계 및 10가지 SOC 수준을 포함한 4가지 과거 사용 기록을 포함하는 2700개의 폐기된 리튬 이온 배터리 샘플의 펄스 주입 데이터 세트를 통해 검증되었습니다. 생성된 데이터를 사용하여 회귀기는 보이지 않는 SOC에서도 백분율 오차 평균 6% 미만으로 정확한 SOH 추정을 실현합니다. 우리는 제안된 기술의 균일한 배포를 가정하면, 2030년 전 세계 배터리 폐기 시나리오에 대한 데이터 큐레이션 비용을 완화함으로써 49억 달러의 전기 비용과 358억 킬로그램의 CO2 배출량을 절약할 것이라고 예측합니다. 이 논문은 많은 추정 및 예측 작업에서 데이터를 검색하는 것이 시간이 많이 걸리고 비용이 많이 들며 오염을 유발할 수 있다는 점을 감안할 때 생성 방법을 사용하여 제한된 데이터를 활용하여 확장된 데이터 공간을 탐색하는 것을 강조합니다. 서론 저탄소 에너지 전환의 핵심 부문인 운송 전기화 는 화석 연료 기반 운송 패러다임을 전례 없이 재편했습니다. 리튬 이온 배터리는 전기차(EV)에 저렴하고 내구성이 뛰어나며 안전한 에너지 공급을 제공하여 이 전환에 필수적입니다 , . 사용 중이거나 수명이 다한 EV 배터리의 총 용량은 2050년까지 32~62테라와트를 초과할 것이며, 이는 국제 재생 에너지 기구 및 저장소 시나리오의 추정치보다 상당히 높습니다 . 그러나 폐기된 EV 배터리는 종종 정격 용량의 80% 이상에 달하는 상당한 잔여 용량 가치를 제대로 활용하지 못하고 엄격하게 규제됩니다 , . 적절하게 처리되지 않으면 제조업체와 사용자에게 경제적 부담 을 주고, 자원 낭비, 공급망 위험, 탄소 배출 , , , 을 포함한 후속 환경 및 사회적 문제 를 초래합니다. 1 2 3 4 5 6 7 8 9 10 11 8 배터리 폐기 급증에 대한 우려를 해결하기 위한 유망한 전략은 재사용 , ,  및 재활용 입니다. 재사용에서는 폐기된 배터리가 그리드 연결 에너지 저장 시스템 , 주택용 전원 공급 장치 , 저속 차량과 같은 응용 분야에 재활용됩니다. 그러나 재사용에는 응용 요구 사항을 충족하기 위한 일관성 스크리닝 , 용량 정렬 , 재그룹화 , 와 같은 예비 사전 처리가 필요합니다. . 시범 프로그램 , , 이 시작되었음에도 불구하고, 사용 시나리오 및 폐기 경로에 대한 엄격한 표준이 부족하여 잔여 용량의 합리적인 사용 을 방해합니다. 재활용은 대신 재료 추출 또는 구조 수리를 통해 폐기된 배터리의 잔여 가치를 사용합니다 , . 이는 비가역적으로 열화된 폐기 배터리에 적합합니다. 열야금 및 습식야금 , 에 비해 직접 재활용은 더 나은 수익성, 낮은 에너지 소비 및 감소된 탄소 배출 , , 으로 두드러집니다. 리튬 보충 및 양극재 후처리 활용을 통해 직접 재활용은 효율적인 재료 구조 수리 및 성능 복원 을 달성합니다. 그러나 건강 상태(SOH)는 직접 재활용 전략 제형 , , 에서 필요한 화학 시약과 예상되는 리튬 보충량을 결정합니다. 복용량이 부족하면 불완전한 복원이 발생할 수 있으며, 과도한 복용량은 양극 표면에 잔류 알칼리가 생성되어 복원 성능을 저하시킬 수 있습니다 , . 불행히도, SOH 검색에는 침습적 재료 특성화 ,  및 긴 용량 보정 테스트가 필요하며, 비침습적이고 빠르며 지속 가능한 SOH 획득은 여전히 outstanding challenge입니다. 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 일관된 SOH 정보를 확보하기 위해 EV 배터리는 모니터링되고 운영 데이터는 클라우드 플랫폼  및 배터리 여권 에 기록됩니다. 유럽 의회는 2023년 6월 14일 배터리 지침을 채택하여 폐기된 배터리가 서비스 수명 종료 시 재사용, 복원 또는 재활용될 수 있도록 보장했습니다 . 그러나 필요한 모니터링 및 기록 절차는 EV 서비스 단계에서만 액세스 가능하며, 폐기된 배터리는 더 이상 차량 내 모니터링 장치에 연결되지 않습니다. 따라서 현장에서 사용 가능한 SOH 데이터를 검색하는 것은 어렵습니다. 수명 데이터 무결성은 주요 과제로 남아 있으며, 과거 데이터 또는 제어 가능한 조건 , , 과 반대로 현장 데이터만을 사용하여 SOH 추정을 요구합니다. 한 가지 해결책은 폐기된 배터리 수집 현장에서 용량 보정 테스트를 수행하는 것, 즉 SOC 컨디셔닝입니다. 이는 간단하지만, 비싼 테스트 시간과 추가 전기 비용이 필요합니다. 하이브리드 펄스 전력 특성화 테스트는 동적 펄스 주입을 통한 SOH 추정을 위한 대안이지만, 완전한 테스트 시퀀스는 12시간 이상 걸립니다. Tao 등의 연구에서는 폐기된 배터리의 SOH 추정을 위해 짧은 펄스를 사용했으며, 5% SOC로 SOC 컨디셔닝이 수행되었다고 가정했습니다. 이는 무작위 폐기 SOC 조건 과 거의 호환되지 않았습니다. 최근 감각 기반 측정의 발전에는 X-선 이미징 , 전기화학 임피던스 , , 광섬유 센싱 , , 음향 센싱 , , 부분 충전 , , 펄스 주입 , 이 포함됩니다. 감각 기반 기술은 침습성으로 인해 실험실 단계에 있지만, 펄스 주입은 물리적 손상 없이 배터리 열화를 풀고, 동시에 부분 충전 및 전기화학 임피던스 기반 방법 , , , , , 보다 빠르다는 특징이 있습니다. 그러나 펄스 주입은 데이터 중심 방법으로, 물리적으로 측정된 데이터가 모델 배포 단계의 폐기 조건을 포함한다는 이상적인 가정 하에서만 가능합니다. 이는 기계 학습 커뮤니티에서 도메인 이동의 일반적인 과제로 알려져 있습니다. 전이 학습 및 도메인 적응 방법 , , 의 발전에도 불구하고, 대상 도메인을 정렬하려면 배포 시 사전 정보가 필요하고 기존 학습 방법은 무작위 폐기 조건 에 대해 업데이트하기 어렵기 때문에 과제가 지속됩니다. 대안은 데이터 부족 및 이질성을 완화하기 위해 탐색되지 않은 폐기 조건에서 데이터 테스트 규모를 확장하는 것이지만, 비용 증가로 이어질 수 있습니다. Wang 등의 연구에서는 온도 발굴 방법을 제안하여 열화학 공정 중 다양한 중간 상태에서의 반응 속도 선호도를 보간하여 기계 학습 모델 훈련을 위한 데이터 증강으로 최소한의 열화학 실험 규모와 비용으로 광범위한 훈련 데이터베이스를 구축할 수 있도록 했습니다 . 또한, 생성 학습은 부분적으로 순환된 프로파일에서 증강된 데이터로 SOH를 추정할 수 있는 가능성을 보여주어 물리적으로 테스트된 데이터를 절약합니다 , . 그러나 배터리 재사용 및 재활용 맥락에서의 데이터 부족 및 이질성은 양극재 유형, 물리적 형식, 용량 설계 및 과거 사용 기록의 혼합으로 인해 더욱 복잡하며, 조건별 열화 지식을 기계 학습 모델에 통합할 가능성을 제한합니다. 따라서 데이터 생성에 대한 재활용 조건과 펄스 전압 응답 간의 의존 관계를 고려하는 것이 합리적입니다. 이는 긴 시계열 용량 보정과 추가 물리 실험을 동시에 수행하지 않고 SOH 추정 성능을 향상시킵니다. 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 본 연구에서는 저장된 물리적 측정 시간과 비용으로 주의력 기반 변수 자동 인코더(attentional variational autoencoder)로 생성된 펄스 전압 응답 데이터를 사용하여 폐기 배터리 사전 처리를 수행합니다. 일반적인 사전 처리 단계, 생성 모델 훈련 및 실제 모델 배포 단계의 높은 수준의 프로세스는 그림  에 나와 있습니다. 연구 아이디어는 생성 학습을 사용하여 이미 측정된 데이터를 활용하여 연속적인 폐기 조건, 즉 폐기 배터리 수집 단계의 SOC 분포에서 펄스 전압 응답을 탐색하는 것입니다. 다운스트림 SOH 추정은 물리적으로 측정된 펄스 응답 데이터 없이 구현되어, 컨디셔닝 SOC를 예상 수준으로 맞추는 데 필요한 사전 처리 전기 비용과 탄소 배출량을 절약합니다. 암페어-시간 적분 방법 및 기계 학습 펄스 주입과 비교하여 생성 학습은 더 빠른 생성 속도와 정확한 추정을 강조합니다. 생성된 데이터를 사용하여 간단한 회귀기는 데이터베이스에서 보이지 않거나 접근할 수 없는 SOC 폐기 조건에서 낮은 오류로 SOH를 성공적으로 추정합니다. 이는 어려운 분포 외(OOD) 문제입니다. OOD 문제는 빠른 펄스로 인해 발생하는 SOC 조건과 전압 응답 간의 상속된 물리적 패턴을 학습함으로써 해결됩니다. 우리는 3가지 양극재 유형, 3가지 물리적 형식, 4가지 용량 설계 및 4가지 과거 사용 기록(1가지 실험실 가속 노화, 1가지 순수 배터리 EV 주행, 2가지 하이브리드 EV 주행)을 포함하는 2700개의 물리적 측정 샘플을 통해 검증하여 방법의 일반성을 입증합니다. 생성 학습은 사전 지식을 잠재 공간 스케일링에 통합하여 측정 시간, 전기 비용 및 결과적인 탄소 배출량을 절약하면서 SOH 추정 정확도를 저하시키지 않으면서도 보간 및 외삽에 적합합니다. 배터리 폐기 2030년의 보수적인 글로벌 사례 연구는 열야금, 습식야금 및 직접 재활용 상황에서 빠르고 지속 가능한 SOH 추정의 중요성을 강조합니다. 기술-경제 분석을 통해 생성 학습 보조 SOH 추정은 2030년까지 전 세계적으로 49억 달러의 전기 비용을 절약하고 358억 킬로그램의 CO2 배출량을 줄일 수 있습니다. 우리는 모델 해석 가능성, 재활용 사전 처리 시사점 및 기계 학습과 통합된 향후 스마트 재활용 사전 처리 방향의 더 넓은 측면을 논의합니다. 1    폐기 배터리 사전 처리 단계에는 SOC 컨디셔닝, 물리적 측정, SOH 진단을 위한 기계 학습, 재사용 또는 재활용 전의 재활용 결정 프로세스가 포함됩니다. SOC 컨디셔닝은 전통적인 정전류 정전압(CCCV) 방법을 사용하여 폐기 배터리의 SOC 값을 원하는 수준으로 조정하는 것을 의미합니다.   펄스 전압 응답 데이터 생성을 위한 주의력 기반 변수 자동 인코더의 개략도.   SOH 추정을 위한 데이터 생성 모델의 실제 사용에는 추가 SOC 컨디셔닝이 필요하지 않습니다. 훈련된 기계 학습 모델은 생성된 데이터로 감독되며 배포 단계에서 즉각적인 펄스 전압 응답을 받습니다.   2030년 전 세계 배터리 폐기 시나리오에서 SOC 컨디셔닝 비용을 절감함으로써 우리의 생성 학습 방법론의 경제적 및 환경적 이점 및 빠른 생성 속도. a b c d 결과 데이터셋 획득 데이터 부족 및 이질성은 데이터 기반 배터리 진단 및 예측, 특히 폐기된 배터리의 주요 과제입니다. 우리는 5%에서 50%까지 5% 단위로 270개의 물리적으로 폐기된 배터리에서 2700개의 샘플을 수집했습니다. 그림  에서 이 데이터셋은 3가지 일반적인 양극재 유형(NMC(니켈 망간 코발트 산화물) 119개, LFP(리튬 철 인산염) 56개, LMO(리튬 망간 산화물) 95개)과 3가지 물리적 형식(원통형, 파우치형, 각형) 및 4가지 과거 사용 패턴(1가지 실험실 가속 테스트, 3가지 EV 사용, 1가지 순수 전기 동력계 모드 및 2가지 하이브리드 동력계 모드 포함)을 포함합니다. 우리는 이러한 매우 이질적인 테스트 샘플의 포함으로 인해 본 데이터셋이 현재까지 폐기된 배터리의 SOH 추정을 위한 가장 큰 고속 펄스 기반 데이터셋이 되어 모델의 일반성을 물리적으로 측정된 데이터 세트 너머로 확장할 수 있게 된다는 점을 강조합니다. 2a    폐기 배터리 분포에 대한 Sankey 플롯으로, 양극재 유형, 물리적 형식, 용량 설계 및 과거 사용 기록을 포함합니다.   펄스 전류와 후속 전압 응답, 특징은 전환점, 즉 전압 응답 곡선의 2차 도함수가 0인 지점에서 추출됩니다. U1부터 U21까지의 21개 특징점이 추출됩니다. 원시 데이터의 기록 빈도는 100Hz입니다. C-비율에서 각 펄스 간의 휴식 시간은 25초입니다. 참고로 C는 1시간의 충전(방전)이 수행될 때 충전(방전) 속도를 나타냅니다. 주변 온도는 25°C로 제어됩니다.   2.1Ah 및 21Ah 폐기 배터리에 대한 건강 상태(SOH) 분포(가우시안 피팅)입니다. 다른 배터리 유형의 SOH 분포는 보충 그림  을 참조하십시오.   측정된 펄스 전압 응답과 보정된 SOH 간의 관계는 다양한 충전 상태(SOC) 조건에 따라 달라집니다. 첫 번째 특징 차원인 U1이 표시됩니다.   다른 배터리 폐기 SOC 분포 하에서의 보간 및 외삽 데이터 생성 사례입니다. 자세한 테스트 설정은 보충 참고 자료   및  에 있습니다. C-비율 설정은 양극재 유형에 따라 동일합니다. 원본 데이터는 원본 데이터 파일로 제공됩니다. a b c 1 d e 1 2 일반적인 정전류 정전압(CCCV) 테스트와 달리 펄스 테스트는 긴 테스트 시간과 폐기된 배터리에 대한 추가 손상을 유발하지 않습니다. 따라서 CCCV 결과를 SOH 벤치마킹 용량 값으로 사용합니다. 펄스 테스트 데이터는 생성 학습 모델의 훈련 데이터로 사용됩니다. 배터리 양극재 유형이 다르더라도 실용적인 사용에 대한 호환성을 보장하기 위해 표준화되고 액세스 가능한 기능 엔지니어링을 수행합니다. 그림  는 펄스 전류 주입 후 특징 추출을 보여줍니다. CCCV 및 펄스 주입 실험 설정은 보충 노트  에서 찾을 수 있습니다. 처음 다섯 번의 주입 펄스의 경우, 전환점, 즉 전압 응답의 2차 도함수가 0인 지점이 특징으로 기록되어 21차원 특징이 생성됩니다. 5초 수준의 펄스 시간에도 불구하고, 펄스 견고성을 검증하고 테스트 시간을 더욱 단축하기 위해 30ms에서 5초까지 펄스 폭에 대한 민감도 측정을 수행합니다. 2b 1 데이터 프라이버시 제한으로 인해 명시적인 주행 프로파일에는 의존하지 않지만, 실험실 테스트(보충 노트  )의 가속 노화와 실제 EV 주행 노화를 고려합니다. 그림  에서는 가속 노화 배터리(NMC, 2.1Ah) 및 순수 배터리 EV 주행 노화 배터리(NMC, 21Ah)의 SOH 분포를 보여줍니다. 0.6에서 1까지 넓은 SOH 영역에서 SOH 값이 보완적이라는 점을 감안할 때, 수집된 데이터는 배터리 폐기 시나리오를 나타내며 극단적인 조기 폐기 사례도 포함합니다. 다른 수집된 배터리(LMO, 10Ah 및 LFP 35Ah)의 SOH 분포는 넓은 SOH 분포를 포함하며, 보충 그림  을 참조하십시오. 펄스 테스트는 폐기 배터리 수집의 무작위성을 시뮬레이션하기 위해 5%에서 50%까지 다른 SOC 수준에서 반복됩니다. 테스트된 SOC 영역은 폐기된 배터리가 저 SOC를 나타내거나 안전한 정지 창고 보관 요구 사항을 위해 강제 방전을 받기 때문이라는 가정 하에 있으므로 SOC 상한선은 50%로 설정됩니다. 그림  에서는 가속 노화 배터리(NMC, 2.1Ah) 및 EV 주행 노화 배터리(NMC, 21Ah)에서 추출된 특징의 첫 번째 차원을 보여줍니다. 용량 설계 및 과거 사용 기록의 차이에도 불구하고, 펄스 전압 응답은 일관된 열화 패턴을 보이며, 다른 폐기된 배터리도 다른 특징 차원에 대해 마찬가지입니다. 보충 그림  – 를 참조하십시오. 그러나 폐기된 배터리의 SOC 분포는 연속적이므로 물리적 측정으로는 완전히 다룰 수 없습니다. 대신 데이터 테스트 규모를 확장하는 대신 이미 테스트된 펄스 전압 응답 데이터를 사용하여 SOC 조건 전반에 걸쳐 더 다양한 데이터를 생성합니다. 그림  에서는 두 가지 생성 시나리오, 즉 보간 및 외삽이 표시되며, 단위 컨디셔닝 절약, 전기 절약, CO2 배출 감소 및 해당 계산 방법은 보충 표& 2 2c 1 2d 2 5 2e

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

이 오디오는 이야기의 원래 언어로 제작되었습니다!

코드는 "ko"이므로 한국어로 번역해야 합니다.

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

HackerNoon 글쓰기 대회에서 우승하고 싶으신가요? #crypto-api 대회 우승자들이 추천하는 내용은 다음과 같습니다.

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps