
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Penulis: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrak Penilaian keadaan kesihatan (SOH) bateri terpakai yang pantas dan tepat adalah pra-rawatan penting untuk penggunaan semula dan kitar semula. Walau bagaimanapun, kaedah berasaskan data memerlukan kurasi data yang teliti di bawah keadaan persaraan SOH dan keadaan cas (SOC) yang rawak. Di sini, kami menunjukkan bahawa anggaran SOH berbantu pembelajaran generatif menjanjikan dalam mengurangkan cabaran kekurangan dan ketidakhomogenan data, divalidasi melalui dataset suntikan denyut nadi daripada 2700 sampel bateri litium-ion terpakai, merangkumi 3 jenis bahan katod, 3 format fizikal, 4 reka bentuk kapasiti, dan 4 kegunaan sejarah dengan 10 peringkat SOC. Menggunakan data yang dijana, regressor merealisasikan anggaran SOH yang tepat, dengan kesilapan peratusan mutlak min di bawah 6% di bawah SOC yang tidak dilihat. Kami meramalkan bahawa dengan menganggap penggunaan teknik yang dicadangkan secara seragam, ini akan menjimatkan 4.9 bilion USD dalam kos elektrik dan mengurangkan 35.8 bilion kg pelepasan CO2 dengan mengurangkan kos kurasi data untuk senario persaraan bateri global 2030. Kertas ini menyoroti penggunaan data terhad untuk meneroka ruang data yang diperluas menggunakan kaedah generatif, memandangkan data boleh memakan masa, mahal, dan mencemarkan alam untuk diambil untuk banyak tugas anggaran dan ramalan. Pendahuluan Elektrifikasi pengangkutan, sektor kritikal dalam peralihan tenaga karbon rendah , telah membentuk semula paradigma pengangkutan berasaskan bahan api fosil secara luar biasa. Bateri litium-ion adalah penting kepada peralihan ini dengan menyediakan bekalan tenaga yang berpatutan, tahan lama, dan selamat kepada kenderaan elektrik (EV) , . Jumlah kapasiti bateri EV yang digunakan dan akhir hayat akan melebihi 32–62 terawatt menjelang 2050, jauh lebih tinggi daripada anggaran dalam senario Agensi Tenaga Boleh Diperbaharui Antarabangsa dan Makmal Penyimpanan . Walau bagaimanapun, bateri EV terpakai dikawal ketat dengan nilai kapasiti sisa yang besar kurang dieksploitasi, biasanya melebihi 80% daripada kapasiti kadar , . Jika tidak dikendalikan dengan betul, ia membawa kepada beban ekonomi  untuk pengeluar dan pengguna, serta isu alam sekitar dan sosial yang seterusnya , termasuk pembaziran sumber, risiko rantaian bekalan, dan pelepasan karbon , , . 1 2 3 4 5 6 7 8 9 10 11 Strategi yang menjanjikan untuk menangani kebimbangan mengenai lonjakan persaraan bateri yang sekejap-sekejap adalah penggunaan semula , ,  dan kitar semula . Dalam penggunaan semula, bateri terpakai dikitar semula untuk aplikasi seperti sistem penyimpanan tenaga bersambung grid , bekalan kuasa kediaman , dan kenderaan kelajuan rendah. Walau bagaimanapun, penggunaan semula memerlukan pra-rawatan awal, termasuk penyaringan konsistensi , pengisihan kapasiti , dan pengumpulan semula ,  untuk memenuhi keperluan aplikasi . Walaupun program perintis telah dimulakan , , , ketiadaan piawaian yang ketat untuk senario penggunaan dan laluan persaraan menghalang penggunaan kapasiti sisa secara rasional . Kitar semula sebaliknya menggunakan nilai sisa bateri terpakai melalui pengekstrakan bahan atau pembaikan struktur , , sesuai untuk bateri terpakai yang rosak secara tidak dapat dipulihkan. Berbanding dengan pirometalurgi dan hidrometalurgi , , kitar semula langsung menonjol kerana keuntungan yang unggul, penggunaan tenaga yang lebih rendah, dan pelepasan karbon yang berkurangan , , . Memanfaatkan penambahan litium dan pasca-pemprosesan bahan katod, kitar semula langsung mencapai pembaikan struktur bahan yang cekap, dan pemulihan prestasi . Walau bagaimanapun, keadaan kesihatan (SOH) menentukan reagen kimia yang diperlukan dan dos penambahan litium yang dijangkakan dalam formulasi strategi kitar semula langsung , , . Dos yang tidak mencukupi boleh menyebabkan pembaikan yang tidak lengkap, manakala dos yang berlebihan boleh menyebabkan penjanaan alkali sisa pada permukaan katod, merosakkan prestasi pemulihan , . Malangnya, pengambilan SOH memerlukan pencirian bahan invasif ,  dan ujian penentukuran kapasiti yang panjang, pemerolehan SOH bukan invasif, pantas, dan mampan kekal sebagai cabaran yang luar biasa. 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 Untuk memastikan maklumat SOH yang konsisten, bateri EV dipantau, dan data operasi direkodkan oleh platform awan  dan pasport bateri . Parlimen Eropah meluluskan Arahan Bateri pada 14 Jun 2023, untuk memastikan bateri terpakai boleh digunakan semula, diperbaharui, atau dikitar semula pada akhir hayat perkhidmatan . Walau bagaimanapun, prosedur pemantauan dan rakaman yang diperlukan hanya boleh diakses semasa fasa perkhidmatan EV, bateri terpakai tidak lagi disambungkan kepada unit pemantauan dalam kenderaan. Oleh itu, sukar untuk mendapatkan data SOH yang tersedia di lapangan. Integriti data hayat kekal sebagai cabaran utama, memerlukan anggaran SOH hanya menggunakan data lapangan, bertentangan dengan data sejarah atau di bawah keadaan terkawal , , . Satu penyelesaian adalah untuk melakukan ujian penentukuran kapasiti di kawasan pengumpulan bateri terpakai, iaitu, keadaan cas (SOC) pengkondisian, yang mudah, bagaimanapun, ia memerlukan masa ujian yang tidak mampu dimiliki dan kos elektrik tambahan. Ujian pencirian kuasa denyut nadi hibrid adalah alternatif untuk anggaran SOH oleh suntikan denyut nadi dinamik, tetapi urutan ujian lengkap mengambil masa lebih 12 jam. Tao et al. menggunakan denyut nadi pendek untuk anggaran SOH bateri terpakai, dengan menganggap bahawa pengkondisian SOC kepada 5% SOC telah dilakukan, yang hampir tidak serasi dengan keadaan persaraan SOC rawak . Kemajuan terkini dalam pengukuran berasaskan deria termasuk pengimejan X-ray , impedans elektrokimia , , penderiaan gentian optik , , penderiaan akustik , , pengecasan separa , , dan suntikan denyut nadi , . Teknik berasaskan penderiaan berada di peringkat makmal kerana pencerobohan, manakala suntikan denyut nadi menampilkan penguraian bateri tanpa kerosakan fizikal, secara serentak lebih pantas daripada kaedah pengecasan separa dan berasaskan impedans elektrokimia , , , , , . Walau bagaimanapun, suntikan denyut nadi adalah kaedah berpusatkan data yang hanya layak di bawah andaian ideal bahawa data yang diukur secara fizikal merangkumi keadaan persaraan fasa penggunaan model, yang dikenali sebagai cabaran umum anjakan domain dalam komuniti pembelajaran mesin. Walaupun kemajuan dalam kaedah pembelajaran pemindahan dan adaptasi domain , , , cabaran kekal kerana domain sasaran untuk diselaraskan masih memerlukan maklumat awal semasa penggunaan, dan kaedah pembelajaran sedia ada sukar dikemas kini untuk keadaan persaraan rawak . Alternatifnya ialah merangkumi skala ujian data di bawah keadaan persaraan yang belum diterokai untuk mengurangkan kekurangan dan ketidakhomogenan data manakala ia boleh membawa kepada peningkatan kos. Wang et al. mencadangkan kaedah penggalian suhu untuk menyelia pilihan kinetik tindak balas pada keadaan perantaraan yang berbeza semasa proses termokimia, membolehkan pembinaan pangkalan data latihan yang luas pada skala dan kos eksperimen termokimia minimum sebagai augmentasi data untuk latihan model pembelajaran mesin . Selain itu, pembelajaran generatif juga menunjukkan kemungkinan menganggarkan SOH dengan data tambahan daripada profil yang dikitar semula sebahagiannya, menjimatkan data yang diuji secara fizikal , . Walau bagaimanapun, kekurangan dan ketidakhomogenan data dalam konteks penggunaan semula dan kitar semula bateri lebih kompleks kerana campuran jenis bahan katod, format fizikal, reka bentuk kapasiti, dan kegunaan sejarah, mengehadkan potensi integrasi pengetahuan khusus keadaan degradasi ke dalam model pembelajaran mesin. Oleh itu, adalah munasabah untuk mempertimbangkan hubungan kebergantungan antara keadaan persaraan dan tindak balas voltan denyut nadi untuk penjanaan data, tanpa mengenakan penentukuran kapasiti siri masa yang panjang dan eksperimen fizikal tambahan secara serentak, untuk meningkatkan prestasi anggaran 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 Dalam kajian ini, kami melakukan pra-rawatan bateri terpakai, iaitu, anggaran SOH, menggunakan data tindak balas voltan denyut nadi yang dijana oleh autoencoder variasi perhatian pada masa dan kos pengukuran fizikal yang disimpan. Proses peringkat tinggi langkah-langkah pra-rawatan umum, latihan model generatif, dan langkah-langkah penggunaan model praktikal digariskan dalam Rajah.  . Idea penyelidikan adalah untuk menggunakan pembelajaran generatif untuk mengeksploitasi data yang telah diukur untuk penerokaan tindak balas voltan denyut nadi dalam keadaan persaraan berterusan, iaitu, pengedaran SOC pada peringkat pengumpulan bateri terpakai. Anggaran SOH hiliran dilaksanakan tanpa data tindak balas denyut nadi yang diukur secara fizikal, menjimatkan kos elektrik pra-rawatan dan pelepasan karbon yang sebaliknya diperlukan daripada mengkondisikan SOC ke peringkat yang dijangkakan. Berbanding dengan kaedah kamiran ampere-jam dan suntikan denyut nadi pembelajaran mesin, pembelajaran generatif menekankan kelajuan penjanaan yang lebih pantas dan anggaran yang tepat. Dengan data yang dijana, regressor mudah berjaya menganggarkan SOH dengan ralat rendah di bawah keadaan SOC yang tidak dilihat atau tidak dapat diakses dalam pangkalan data, isu pengedaran luar (OOD) yang mencabar. Isu OOD diselesaikan dengan mempelajari corak fizikal yang diwarisi antara keadaan SOC dan tindak balas voltan yang disebabkan oleh denyut nadi yang cepat. Kami menunjukkan kebolehpasaran kaedah kami dengan mengesahkan melalui 2700 sampel yang diukur secara fizikal, merangkumi 3 jenis bahan katod, 3 format fizikal, 4 reka bentuk kapasiti, dan 4 kegunaan sejarah (1 penuaan dipercepatkan makmal, 1 pemanduan EV bateri tulen, dan 2 pemanduan EV hibrid). Pembelajaran generatif sesuai untuk interpolasi dan ekstrapolasi dengan mengintegrasikan pengetahuan terdahulu tentang keadaan persaraan ke dalam penskalaan ruang laten parameter model, menjimatkan masa pengukuran, kos elektrik, dan pelepasan karbon yang berterusan tanpa menjejaskan ketepatan anggaran SOH. Kajian kes global yang konservatif mengenai persaraan bateri pada 2030 menyoroti kepentingan anggaran SOH yang pantas dan mampan dalam keadaan kitar semula pirometalurgi, hidrometalurgi, dan kitar semula langsung. Melalui analisis teknikal-ekonomi, anggaran SOH berbantu pembelajaran generatif boleh menjimatkan $4.9 bilion kos elektrik dan 35.8 bilion kg pelepasan CO2 menjelang 2030 di seluruh dunia. Kami membincangkan kebolehfahaman model, implikasi pra-rawatan kitar semula, dan aspek yang lebih luas arah pra-rawatan kitar semula pintar masa depan yang disepadukan dengan pembelajaran mesin. 1    Langkah-langkah pra-rawatan bateri terpakai termasuk pengkondisian SOC, pengukuran fizikal, pembelajaran mesin untuk diagnosis SOH, dan proses pembuatan keputusan hayat kedua sebelum penggunaan semula atau kitar semula. Pengkondisian SOC merujuk kepada penyesuaian nilai SOC bateri terpakai ke tahap yang dikehendaki menggunakan kaedah arus malar arus malar voltan (CCCV) tradisional.   Skematik autoencoder variasi perhatian untuk penjanaan data tindak balas voltan denyut nadi.   Penggunaan praktikal model penjanaan data untuk anggaran SOH tidak memerlukan pengkondisian SOC tambahan. Model pembelajaran mesin yang dilatih diselia oleh data yang dijana dan menerima tindak balas voltan denyut nadi segera apabila dalam fasa penggunaan.   Faedah ekonomi dan alam sekitar serta kelajuan penjanaan pantas metodologi pembelajaran generatif kami dengan menjimatkan kos pengkondisian SOC dalam senario persaraan bateri 2030 secara global. a b c d Keputusan Pemerolehan dataset Kekurangan dan ketidakhomogenan data adalah cabaran utama dalam diagnosis dan prognosis bateri berasaskan data, terutamanya untuk bateri terpakai. Kami mengumpul 2700 sampel daripada 270 bateri terpakai secara fizikal merentasi peringkat SOC yang luas, iaitu, daripada 5% hingga 50% dengan selang 5%. Dalam Rajah.  , dataset merangkumi 3 jenis bahan katod yang lazim, termasuk 119 bateri terpakai NMC (nikel mangan kobalt oksida) yang dikumpulkan secara fizikal, 56 LFP (litium besi fosfat), dan 95 LMO (litium mangan oksida), merangkumi 3 format fizikal (silindrik, kantung, prismatik) dan 4 corak penggunaan sejarah (1 ujian dipercepatkan makmal, 3 kegunaan EV, termasuk 1 mod tren kuasa elektrik tulen dan 2 mod tren kuasa hibrid). Kami menekankan bahawa penyertaan sampel ujian yang sangat heterogen menjadikan dataset kami sebagai dataset berasaskan denyut nadi pantas terbesar untuk anggaran SOH bateri terpakai sehingga kini, memudahkan kebolehpasaran model di luar dataset yang diukur secara fizikal. 2a    Plot Sankey untuk pengedaran bateri terpakai, terdiri daripada jenis bahan katod, format fizikal, reka bentuk kapasiti, dan kegunaan sejarah.   Arus denyut nadi dan tindak balas voltan seterusnya bagi bateri terpakai, di mana ciri-ciri diekstrak daripada titik perubahan, iaitu, titik dengan terbitan kedua sifar lengkung tindak balas voltan. 21 titik ciri, daripada U1 hingga U21, diekstrak. Frekuensi rakaman untuk data mentah ialah 100 Hz. Masa rehat ialah 25 saat antara setiap denyut nadi dalam kadar C. Ambil perhatian bahawa istilah C mewakili kadar cas (nyahcas) apabila pengecasan (nyahcas) selama 1 jam dilakukan. Suhu ambien dikawal pada 25 .   Pengedaran keadaan kesihatan (SOH) (fit Gaussian) bagi bateri terpakai 2.1 Ah dan 21 Ah untuk ilustrasi, masing-masing. Untuk pengedaran SOH jenis bateri lain, anda boleh merujuk kepada Rajah Tambahan.  .   Hubungan antara tindak balas voltan denyut nadi yang diukur dan SOH yang ditentukur daripada ujian penentukuran kapasiti, dengan keadaan cas (SOC) yang berbeza. Dimensi ciri pertama, U1, diilustrasikan.   Ilustrasi kes penjanaan data interpolasi dan ekstrapolasi di bawah pengedaran SOC persaraan bateri yang berbeza. Tetapan ujian terperinci terdapat dalam   dan  , dengan ambil perhatian bahawa tetapan kadar C adalah sama di seluruh jenis bahan katod. Data sumber disediakan sebagai fail Data Sumber. a b c 1 d e Nota Tambahan 1 2 Berbeza dengan ujian arus malar voltan malar (CCCV) biasa, ujian denyut nadi tidak menyebabkan masa ujian yang panjang dan kerosakan tambahan pada bateri terpakai. Oleh itu, kami menggunakan hasil CCCV sebagai nilai kapasiti penanda aras SOH. Data ujian denyut nadi digunakan sebagai data latihan untuk model pembelajaran generatif. Walaupun jenis bahan katod bateri berbeza, kami melakukan kejuruteraan ciri yang piawai dan boleh diakses, memastikan keserasian dalam penggunaan praktikal. Rajah.   menunjukkan pengekstrakan ciri selepas suntikan arus denyut nadi. Tetapan eksperimen CCCV dan suntikan denyut nadi boleh didapati dalam Nota Tambahan.  . Untuk lima denyut nadi yang disuntik pertama, titik perubahan, iaitu, titik dengan terbitan kedua sifar tindak balas voltan, direkodkan sebagai ciri, menghasilkan ciri 21 dimensi. Walaupun masa denyut nadi pada peringkat 5 saat, kami juga melakukan pengukuran sensitiviti pada lebar denyut nadi dengan dua tujuan untuk mengesahkan ketahanan denyut nadi dan memendekkan masa ujian, dari 30 ms hingga 5 s. 2b 1 Kami mempertimbangkan penuaan dipercepatkan dalam ujian makmal (Nota Tambahan.  ) dan penuaan pemanduan EV sebenar, walaupun tanpa profil pemanduan eksplisit kerana sekatan privasi data. Dalam Rajah.  , pengedaran SOH bateri penuaan dipercepatkan (NMC, 2.1 Ah) dan bateri penuaan pemanduan EV (NMC, 21 Ah) diilustrasikan. Ambil perhatian bahawa nilai SOH adalah pelengkap dalam julat SOH yang luas, daripada 0.6 hingga 1, data yang dikumpulkan mewakili senario persaraan bateri, juga dengan kes persaraan awal yang melampau. Pengedaran SOH bateri yang dikumpulkan lain (LMO, 10 Ah, dan LFP 35 Ah) merangkumi pengedaran SOH yang luas, lihat Rajah Tambahan.  . Ujian denyut nadi diulang dalam peringkat SOC yang berbeza, daripada 5% hingga 50%, untuk mensimulasikan kerawakan pengumpulan bateri persaraan. Julang SOC yang diuji adalah di bawah andaian bahawa bateri terpakai sama ada memaparkan SOC rendah atau tertakluk kepada nyahcas paksa untuk keperluan penyimpanan gudang selamat, oleh itu had atas SOC ditetapkan pada 50%. Dalam Rajah.  , dimensi pertama ciri yang diekstrak daripada bateri penuaan dipercepatkan (NMC, 2.1 Ah) dan bateri penuaan pemanduan EV (NMC, 21 Ah) diilustrasikan. Walaupun terdapat perbezaan dalam reka bentuk kapasiti dan kegunaan sejarah, tindak balas voltan denyut nadi menunjukkan corak degradasi yang konsisten, begitu juga bateri terpakai lain untuk dimensi ciri lain, lihat Rajah Tambahan.  – . Walau bagaimanapun, pengedaran SOC bateri terpakai adalah berterusan, dan oleh itu ia tidak boleh habis melalui pengukuran fizikal. Daripada merangkumi skala ujian data, kami menggunakan data tindak balas voltan denyut nadi yang telah diuji untuk menjana lebih banyak data yang pelbagai merentasi keadaan SOC. Dalam Rajah.  2 2c 1 2d 2 5

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

Audio ini dihasilkan dalam bahasa asal cerita!

AI Generatif Memanfaatkan Penggunaan Semula Bateri Litium-Ion Yang Telah Bersara Secara Mampan

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps