Генеративната вештачка интелигенција ја поттикнува одржливата повторна употреба на пензионирани литиум-јонски батерии

```html Автори: Шенгју Тао Руифеи Ма Зикси Жао Гуангјуан Ма Лин Су Хенг Чанг Јуоу Чен Хаижоу Лиу Женг Лианг Тингвеи Као Хаоченг Џи Зхијуан Хан Минјан Лу Хуиксионг Јанг Зонггуо Вен Јанхуа Јао Ронг Ју Гуодан Веи Јанг Ли Суан Жанг Тингјанг Ксу Гуангмин Џоу Апстракт Брзата и точна проценка на состојбата на здравјето (SOH) на пензионираните батерии е клучен предобработка за повторна употреба и рециклирање. Сепак, методите базирани на податоци бараат исцрпна курација на податоци под услови на случајни пензионирања на SOH и состојба на полнење (SOC). Овде, покажуваме дека проценката на SOH со помош на генеративно учење е ветувачка во ублажувањето на предизвиците на недостиг и хетерогеност на податоци, потврдено преку сет на податоци за вбризгување на пулс од 2700 пензионирани примероци на литиум-јонски батерии, кои опфаќаат 3 типови на катоден материјал, 3 физички формати, 4 дизајни на капацитет и 4 историски употреби со 10 нивоа на SOC. Користејќи генерирани податоци, регресорот реализира точни проценки на SOH, со средни апсолутни процентуални грешки под 6% под непознати SOC. Предвидуваме дека претпоставувајќи униформно распоредување на предложената техника, ова би заштедило 4,9 милијарди американски долари на трошоци за електрична енергија и 35,8 милијарди кг CO2 емисии со ублажување на трошоците за курација на податоци за сценарио на пензионирање на батерии ширум светот во 2030 година. Овој труд нагласува искористување на ограничени податоци за истражување на проширен простор на податоци со користење на генеративни методи, со оглед на тоа дека податоците можат да бидат бавни, скапи и загадувачки за добивање за многу задачи за проценка и предвидување. Вовед Електрификацијата на транспортот, клучен сектор во транзицијата кон нискојаглеродна енергија , има беспрекорно ја преобликувала парадигмата на транспорт базирана на фосилни горива. Литиум-јонските батерии се витални за оваа транзиција обезбедувајќи достапни, издржливи и безбедни енергетски напојувања за електрични возила (EV) , . Вкупниот капацитет на EV батериите во употреба и на крајот на нивниот животен век ќе надмине 32–62 теравати до 2050 година, значително повисок од проценките во сценаријата на Меѓународната агенција за обновлива енергија и Storage Lab . Сепак, пензионираните EV батерии се строго регулирани со огромна преостаната вредност на капацитетот недоволно искористена, обично над 80% од номиналниот капацитет , . Ако не се постапува правилно, тоа води до економски товари за производителите и корисниците, како и последователни еколошки и општествени проблеми , вклучувајќи загуба на ресурси, ризици во синџирот на снабдување и јаглеродни емисии , , . 1 2 3 4 5 6 7 8 9 10 11 Ветувачки стратегии за адресирање на загриженоста во врска со интермитентниот пораст на пензионирањето на батериите се повторна употреба , , и рециклирање . Во повторната употреба, пензионираните батерии се пренаменуваат за апликации како што се системи за складирање енергија поврзани на мрежата , напојувања за домаќинства , и возила со мала брзина. Сепак, повторната употреба бара прелиминарни предобработки, вклучувајќи скрининг на конзистентноста , сортирање на капацитет , и групирање , за да се исполнат барањата на апликацијата . И покрај започнувањето на пилот-програми , , , отсуството на строги стандарди за сценарија на употреба и патишта за пензионирање ја попречува рационалната употреба на преостанатиот капацитет . Рециклирањето алтернативно ги користи преостанатите вредности на пензионираните батерии преку екстракција на материјали или поправка на структурата , , погодно за иреверзибилно деградирани пензионирани батерии. Во споредба со пирометалургијата и хидрометалургијата , , директното рециклирање се истакнува со супериорна профитабилност, потрошувачка на пониска енергија и намалени јаглеродни емисии , , . Со искористување на надополнувањето на литиум и пост-третманот на катодните материјали, директното рециклирање постигнува ефикасна поправка на материјалната структура и враќање на перформансите . Сепак, состојбата на здравјето (SOH) ја одредува потребната хемиска реагенција и очекуваните дози на надополнување на литиум во формулирањето на стратегијата за директно рециклирање , , . Недоволната доза може да резултира со нецелосна поправка, додека прекумерната доза може да доведе до генерирање на резидуален алкален раствор на површината на катодата, влошувајќи ги перформансите на обновување , . За жал, враќањето на SOH бара инвазивна карактеризација на материјалот , и долги тестови за калибрација на капацитет, додека неинвазивното, брзо и одржливо стекнување на SOH останува извонреден предизвик. 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 За да се обезбедат конзистентни информации за SOH, EV батериите се надгледуваат, а оперативните податоци се евидентираат од облак платформи и пасоши за батерии . Европскиот парламент ја усвои Директивата за батерии на 14 јуни 2023 година, за да обезбеди пензионираните батерии да можат да се користат повторно, да се рекондиционираат или рециклираат на крајот од работниот век . Сепак, потребната процедура за надзор и снимање е достапна само во фазата на употреба на EV, пензионираните батерии веќе не се поврзани со единицата за надзор во возилото. Така, предизвик е да се добијат податоци за SOH достапни на терен. Интегритетот на податоците за животниот век останува голем предизвик, повикувајќи на проценка на SOH само со користење на податоци од терен, спротивно на историски податоци или под контролирани услови , , . Едно решение е да се изврши тест за калибрација на капацитетот на теренот за собирање на пензионирани батерии, т.е., кондиционирање на состојбата на полнење (SOC), што е едноставно, но бара неподносливо време за тестирање и дополнителни трошоци за електрична енергија. Тестот за карактеризација на хибридна пулсна моќ е алтернатива за проценка на SOH преку динамичко вбризгување на пулс, но комплетниот тест трае повеќе од 12 часа. Тао и сор. користеа кратки импулси за проценка на SOH на пензионирани батерии, претпоставувајќи дека било извршено кондиционирање на SOC до 5% SOC, што едвај било компатибилно со случајните услови за пензионирање на SOC . Неодамнешните напредоци во сензорските мерења вклучуваат X-зрачна слика , електрохемиска импеданса , , сензорска оптичка влакна , , акустична сензорска , , делумно полнење , , и вбризгување на пулс , . Сензорските техники се во лабораториска фаза поради инвазивноста, додека вбризгувањето на пулс одликува со одвојување на деградацијата на батеријата без физичка штета, истовремено побрзо од методите базирани на делумно полнење и електрохемиска импеданса , , , , , . Сепак, вбризгувањето на пулс е метод центриран на податоци кој е само остварлив под идеалната претпоставка дека физички измерените податоци ги опфаќаат условите на пензионирање на фазата на распоредување на моделот, познато како вообичаен предизвик на поместување на доменот во заедницата за машинско учење. И покрај напредоците во трансфер учењето и методите за адаптација на доменот , , , предизвиците опстојуваат бидејќи целниот домен за усогласување сè уште бара претходни информации по распоредувањето, а постоечките методи за учење тешко можат да се ажурираат за случајни услови на пензионирање . Алтернатива е да се прошири опсегот на тестирање на податоците под неистражени услови на пензионирање за ублажување на недостигот и хетерогеноста на податоците, иако тоа може да доведе до зголемување на трошоците. Ванг и сор. предложија метод за ископување температура за интерполирање на преференциите за кинетиката на реакцијата при различни меѓуметални состојби за време на термохемиски процес, овозможувајќи конструирање на опсежни бази на податоци за обука при минимален обем и цена на термохемиски експерименти како дополнување на податоците за обука на моделот за машинско учење . Покрај тоа, генеративното учење исто така ги покажува можностите за проценка на SOH со дополнителни податоци од делумно циклирани профили, заштедувајќи потребни физички тестирани податоци , . Сепак, недостигот и хетерогеноста на податоците во контекстот на повторна употреба и рециклирање на батериите се уште покомплексни поради мешавина од типови на катодни материјали, физички формати, дизајни на капацитет и историски употреби, ограничувајќи го потенцијалното интегрирање на знаењето специфично за условите на деградација во моделите за машинско учење. Така, е разумно да се земе предвид зависноста помеѓу условите на пензионирање и одговорите на напонот на пулсот за генерирање податоци, без долги серии на време за калибрација на капацитет и дополнителни физички експерименти истовремено, за да се подобрат перформансите на проценка на 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 Во оваа студија, вршиме предобработка на пензионирани батерии, т.е., проценка на SOH, користејќи податоци за одговор на напонот на пулсот генерирани од автоенкодер со варијациона автоматска контрола при заштедено време и трошоци за физичко мерење. Високо ниво на општи чекори за предобработка, обука на генеративен модел и чекори за практично распоредување на моделот се прикажани на сл. . Идејата на истражувањето е да се користи генеративно учење за искористување на веќе измерените податоци за истражување на одговорите на напонот на пулсот во континуирани услови на пензионирање, т.е., дистрибуција на SOC во фазата на собирање на пензионирани батерии. Проценката на SOH низводно се спроведува без физички измерени податоци за одговор на пулсот, заштедувајќи трошоци за електрична енергија за предобработка и емисии на јаглерод кои инаку би биле потребни од кондиционирање на SOC до очекуваното ниво. Во споредба со методот на ампер-час интеграл и пулсното вбризгување со машинско учење, генеративното учење нагласува побрза брзина на генерација и точна проценка. Со генерирани податоци, едноставен регресор успешно ја проценува SOH со ниска грешка под непознати или недостапни услови за пензионирање на SOC во базата на податоци, предизвикувачки проблем со излезот од дистрибуцијата (OOD). Проблемот OOD се решава со учење на наследената физичка шема помеѓу состојбата на SOC и одговорот на напонот предизвикан од брзиот пулс. Демонстрираме генерализираност на нашиот метод со верификација преку 2700 физички измерени примероци, кои опфаќаат 3 типа на катодни материјали, 3 физички формати, 4 дизајни на капацитет и 4 историски употреби (1 лабораториско забрзано стареење, 1 возење со чисто електрично возило и 2 режими на возење со хибридно возило). Генеративното учење е погодно за интерполација и екстраполација со интегрирање на претходно знаење за условите на пензионирање во скалирање на латентниот простор на параметрите на моделот, заштедувајќи време на мерење, трошоци за електрична енергија и последователни емисии на јаглерод, без да се компромитира точноста на проценката на SOH. Конзервативна глобална студија на случајот со пензионирање на батерии во 2030 година ја истакнува важноста на брзата и одржлива проценка на SOH во услови на пирометалуршко, хидрометалуршко и директно рециклирање. Преку техничко-економска анализа, проценката на SOH со помош на генеративно учење може да заштеди 4,9 милијарди американски долари трошоци за електрична енергија и 35,8 милијарди кг CO2 емисии до 2030 година ширум светот. Дискутираме за интерпретабилноста на моделот, импликациите од предобработката за рециклирање и пошироките аспекти на идните насоки за паметна предобработка за рециклирање интегрирани со машинско учење. 1 Чекорите за предобработка на пензионираните батерии вклучуваат кондиционирање на SOC, физички мерења, машинско учење за дијагноза на SOH и процес на одлучување за втор животен век пред повторна употреба или рециклирање. Кондиционирањето на SOC се однесува на прилагодување на вредностите на SOC на пензионираните батерии до посакуваните нивоа со користење на традиционалниот метод на константна струја со константен напон (CCCV). Шемата на автоенкодер со варијациона автоматска контрола за генерирање податоци за одговор на напон на пулсот. Практичната употреба на моделот за генерирање податоци за проценка на SOH не бара дополнително кондиционирање на SOC. Обучениот модел за машинско учење е надгледуван од генерирани податоци и прима непосредни одговори на напон на пулсот кога е во фаза на распоредување. Економските и еколошките придобивки и брзата брзина на генерација на нашата методологија за генеративно учење со заштеда на трошоците за кондиционирање на SOC во сценариото на пензионирање на батериите во 2030 година глобално. a b c d Резултати Набавка на сет на податоци Недостигот и хетерогеноста на податоците се главни предизвици во дијагностиката и прогнозата на батериите базирана на податоци, особено за пензионираните батерии. Собравме 2700 примероци од 270 физички пензионирани батерии преку широк опсег на SOC, т.е., од 5% до 50% со чекор од 5%. На сл. , сетот на податоци опфаќа 3 преовладувачки типови на катоден материјал, вклучувајќи 119 физички собрани NMC (никел манган кобалт оксид), 56 LFP (литиум железен фосфат) и 95 LMO (литиум манган оксид) пензионирани батерии, кои опфаќаат 3 физички формати (цилиндрични, кесички, призматични) и 4 обрасци на историска употреба (1 лабораториски забрзан тест, 3 употреби на EV, вклучувајќи 1 чисто електричен погонски режим и 2 режими на хибриден погон). Нагласуваме дека вклучувањето на високо хетерогени тест примероци го прави нашиот сет на податоци најголемиот сет на податоци базиран на брз пулс за проценка на SOH на пензионирани батерии до денес, олеснувајќи ја генерализацијата на моделот надвор од физички измерените бази на податоци. 2a