
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Authors: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Angaranan yang cepat dan tepat mengenai keadaan kesihatan (SOH) bateri terpakai adalah prarawatan penting untuk kegunaan semula dan kitar semula. Walau bagaimanapun, kaedah yang dipandu data memerlukan kurasi data yang teliti di bawah keadaan persaraan SOH dan keadaan cas (SOC) secara rawak. Di sini, kami tunjukkan bahawa anggaran SOH yang dibantu pembelajaran penjanaan adalah menjanjikan dalam mengurangkan cabaran kekurangan dan ketidakhomogenan data, yang disahkan melalui dataset suntikan denyut dari 2700 sampel bateri litium-ion terpakai, meliputi 3 jenis bahan katod, 3 format fizikal, 4 reka bentuk kapasiti, dan 4 kegunaan sejarah dengan 10 tahap SOC. Menggunakan data yang dijana, pengukur merealisasikan anggaran SOH yang tepat, dengan kesilapan peratusan mutlak min di bawah 6% di bawah SOC yang tidak dilihat. Kami meramalkan bahawa dengan mengandaikan penggunaan teknik yang dicadangkan secara seragam, ini akan menjimatkan kos elektrik sebanyak 4.9 bilion USD dan pelepasan CO2 sebanyak 35.8 bilion kg dengan mengurangkan kos kurasi data untuk senario persaraan bateri global 2030. Kertas ini menyoroti eksploitasi data terhad untuk meneroka ruang data lanjutan menggunakan kaedah penjanaan, memandangkan data boleh memakan masa, mahal, dan mencemarkan untuk diperolehi untuk banyak tugas anggaran dan prediktif. Pengenalan Elektrifikasi pengangkutan, sektor kritikal dalam peralihan tenaga rendah karbon , telah membentuk semula paradigma pengangkutan berasaskan bahan api fosil secara tidak pernah berlaku sebelum ini. 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 terapait pada tahun 2050, jauh lebih tinggi daripada anggaran dalam senario Agensi Tenaga Boleh Diperbaharui Antarabangsa dan Makmal Penyimpanan . Walau bagaimanapun, bateri EV terpakai dikawal dengan ketat dengan nilai kapasiti sisa yang besar yang kurang dimanfaatkan, biasanya lebih 80% daripada kapasiti berkadar , . Jika tidak diuruskan dengan betul, ia membawa kepada beban ekonomi  untuk pengeluar dan pengguna, serta isu alam sekitar dan sosial yang berterusan , 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 peningkatan pelepasan bateri yang berselang-seli 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 prarawatan awal, termasuk penapisan ketekalan , pengisihan kapasiti , dan pengumpulan semula ,  untuk memenuhi keperluan aplikasi . Walaupun permulaan program perintis , , , 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 boleh diubah. Berbanding dengan pirometalurgi dan hidrometalurgi , , kitar semula langsung menonjol untuk keuntungan yang unggul, penggunaan tenaga yang lebih rendah, dan pelepasan karbon yang dikurangkan , , . Menggunakan 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 suplemen litium yang dijangka dalam perumusan strategi kitar semula langsung , , . Dos yang tidak mencukupi boleh mengakibatkan pembaikan yang tidak lengkap, manakala dos yang berlebihan boleh menyebabkan penjanaan alkali sisa di permukaan katod, merosakkan prestasi pemulihan , . Malangnya, perolehan SOH memerlukan pencirian bahan invasif ,  dan ujian penentukuran kapasiti yang panjang, perolehan 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 menjamin maklumat SOH yang konsisten, bateri EV dipantau, dan data operasi direkodkan oleh platform awan  dan pasport bateri . Parlimen Eropah telah 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 dalam fasa perkhidmatan EV, bateri terpakai tidak lagi disambungkan kepada unit pemantauan dalam kenderaan. Oleh itu, adalah mencabar untuk mendapatkan data SOH yang tersedia di lapangan. Integriti data hayat kekal sebagai cabaran utama, memerlukan anggaran SOH hanya menggunakan data lapangan, berbanding data sejarah atau di bawah keadaan terkawal , , . Satu penyelesaian adalah untuk melakukan ujian penentukuran kapasiti di medan pengumpulan bateri terpakai, iaitu, keadaan caj (SOC) pengkondisian, yang mudah, bagaimanapun, ia memerlukan masa ujian yang tidak mampu dan kos elektrik tambahan. Ujian pencirian kuasa denyut hibrid adalah alternatif untuk anggaran SOH oleh suntikan denyut dinamik, tetapi urutan ujian lengkap mengambil masa lebih dari 12 jam. Tao et al. menggunakan denyut pendek untuk anggaran SOH bateri terpakai, dengan andaian bahawa pengkondisian SOC kepada 5% SOC telah dijalankan, 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 , . Teknik berasaskan penderiaan berada di peringkat makmal kerana pencerobohan, manakala suntikan denyut menampilkan pemisahan degradasi bateri tanpa kerosakan fizikal, secara serentak lebih pantas daripada kaedah pengecasan separa dan berasaskan impedans elektrokimia , , , , , . Walau bagaimanapun, suntikan denyut adalah kaedah tertumpu data yang hanya layak di bawah andaian ideal bahawa data yang diukur secara fizikal merangkumi keadaan persaraan fasa penggunaan model, yang dikenali sebagai cabaran biasa anjakan domain dalam komuniti pembelajaran mesin. Walaupun kemajuan dalam kaedah pembelajaran pemindahan dan penyesuaian 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 . Alternatif adalah 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 interpolasi keutamaan 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 penjanaan juga menunjukkan kemungkinan anggaran SOH dengan data tambahan daripada profil kitaran separa, menjimatkan data yang diuji secara fizikal yang diperlukan , . Walau bagaimanapun, kekurangan dan ketidakhomogenan data dalam konteks penggunaan semula dan kitar semula bateri adalah lebih kompleks kerana campuran jenis bahan katod, format fizikal, reka bentuk kapasiti, dan kegunaan sejarah, menyekat potensi integrasi pengetahuan khusus keadaan degradasi ke dalam model pembelajaran mesin. Oleh itu, adalah munasabah untuk mempertimbangkan hubungan kebergantungan antara keadaan persaraan dan respons voltan denyut untuk penjanaan data, tanpa dikenakan masa penentukuran kapasiti 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 prarawatan bateri terpakai, iaitu, anggaran SOH, menggunakan data respons voltan denyut yang dijana oleh pengautoenkoder variasi perhatian pada masa dan kos pengukuran fizikal yang disimpan. Proses peringkat tinggi langkah-langkah prarawatan umum, latihan model penjanaan, dan langkah-langkah penggunaan model praktikal digariskan dalam Rajah.  . Idea penyelidikan adalah untuk menggunakan pembelajaran penjanaan untuk meneroka data yang telah diukur untuk respons voltan denyut penerokaan dalam keadaan persaraan berterusan, iaitu, taburan SOC pada peringkat pengumpulan bateri terpakai. Anggaran SOH hiliran dilaksanakan tanpa data respons denyut yang diukur secara fizikal, menjimatkan kos elektrik prarawatan dan pelepasan karbon yang sebaliknya diperlukan daripada pengkondisian SOC ke tahap yang dijangkakan. Berbanding dengan kaedah kamiran ampere-jam dan suntikan denyut pembelajaran mesin, pembelajaran penjanaan menekankan kelajuan penjanaan yang lebih pantas dan anggaran yang tepat. Dengan data yang dijana, pengukur mudah berjaya menganggarkan SOH dengan ralat rendah di bawah keadaan persaraan SOC yang tidak dilihat atau tidak dapat diakses dalam pangkalan data, isu luar taburan (OOD) yang mencabar. Isu OOD diselesaikan dengan mempelajari corak fizikal yang diwarisi antara keadaan SOC dan respons voltan yang disebabkan oleh denyut pantas. Kami menunjukkan kebolehgenapan 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 pecutan makmal, 1 pemanduan EV bateri tulen, dan 2 pemanduan EV hibrid). Pembelajaran penjanaan sesuai untuk interpolasi dan extrapolasi dengan mengintegrasikan pengetahuan terdahulu keadaan persaraan ke dalam penskalaan ruang laten model, menjimatkan masa pengukuran, kos elektrik, dan pelepasan karbon yang berterusan tanpa menjejaskan ketepatan anggaran SOH. Kajian kes global konservatif persaraan bateri pada tahun 2030 menyoroti kepentingan anggaran SOH yang cepat dan mampan dalam keadaan kitar semula pirometalurgi, hidrometalurgi, dan kitar semula langsung. Melalui analisis teknikal-ekonomi, anggaran SOH yang dibantu pembelajaran penjanaan boleh menjimatkan $4.9 bilion kos elektrik dan 35.8 bilion kg pelepasan CO2 menjelang tahun 2030 di seluruh dunia. Kami membincangkan kebolehtafsiran model, implikasi prarawatan kitar semula, dan aspek yang lebih luas arah prarawatan kitar semula pintar masa depan yang disepadukan dengan pembelajaran mesin. 1    Langkah-langkah prarawatan bateri terpakai termasuk pengkondisian SOC, pengukuran fizikal, pembelajaran mesin untuk diagnosis SOH, dan proses membuat keputusan hayat kedua sebelum penggunaan semula atau kitar semula. Pengkondisian SOC merujuk kepada pelarasan nilai SOC bateri terpakai kepada tahap yang diingini menggunakan kaedah arus malar arus malar voltan (CCCV) tradisional.   Skema pengautoenkoder variasi perhatian untuk penjanaan data respons voltan denyut.   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 respons voltan denyut segera apabila berada dalam fasa penggunaan.   Faedah ekonomi dan alam sekitar serta kelajuan penjanaan yang pantas metodologi pembelajaran penjanaan kami dengan menjimatkan kos pengkondisian SOC dalam senario persaraan bateri 2030 di seluruh dunia. a b c d Keputusan Perolehan dataset Kekurangan data dan ketidakhomogenan adalah cabaran utama dalam diagnosis dan prognosis bateri yang dipandu data, terutamanya untuk bateri terpakai. Kami mengumpul 2700 sampel daripada 270 bateri terpakai secara fizikal merentasi pelbagai tahap SOC, iaitu, dari 5% hingga 50% dengan selang 5%. Dalam Rajah.  , dataset meliputi 3 jenis bahan katod yang lazim, termasuk 119 NMC (nikel mangan kobalt oksida) yang dikumpul secara fizikal, 56 LFP (litium besi fosfat), dan 95 LMO (litium mangan oksida) bateri terpakai, merangkumi 3 format fizikal (silindrik, kantung, prismatik) dan 4 corak penggunaan sejarah (1 ujian pecutan makmal, 3 kegunaan EV, termasuk 1 mod kuasa pacuan elektrik tulen dan 2 mod kuasa pacuan hibrid). Kami menekankan bahawa kemasukan sampel ujian yang sangat heterogen menjadikan dataset kami sebagai dataset berasaskan denyut pantas terbesar untuk anggaran SOH bateri terpakai sehingga kini, memudahkan kebolehgenapan model di luar dataset yang diukur secara fizikal. 2a    Plot Sankey untuk taburan bateri terpakai, terdiri daripada jenis bahan katod, format fizikal, reka bentuk kapasiti, dan kegunaan sejarah.   Arus denyut dan respons voltan seterusnya bateri terpakai, di mana ciri-ciri diekstrak dari titik perubahan, iaitu, titik dengan terbitan kedua sifar lengkung respons voltan. 21 titik ciri, dari U1 hingga U21, diekstrak. Frekuensi rakaman untuk data mentah ialah 100 Hz. Masa rehat ialah 25 saat di antara setiap denyut dalam kadar C. Perhatikan bahawa istilah C merujuk kepada kadar cas (nyahcas) apabila cas (nyahcas) selama 1 jam dijalankan. Suhu ambien dikawal pada 25 .   Taburan keadaan kesihatan (SOH) (fit Gaussian) bateri terpakai 2.1 Ah dan 21 Ah untuk ilustrasi, masing-masing. Untuk taburan SOH jenis bateri lain, seseorang boleh merujuk kepada Rajah Tambahan.  .   Hubungan antara respons voltan denyut terukur dan SOH yang ditentukur dari ujian penentukuran kapasiti, dengan keadaan cas (SOC) yang berbeza. Dimensi ciri pertama, U1, diilustrasikan.   Ilustrasi kes interpolasi dan extrapolasi penjanaan data di bawah taburan SOC persaraan bateri yang berbeza. Tetapan ujian terperinci terdapat dalam   dan  , dengan mengambil perhatian bahawa tetapan kadar C adalah serupa 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 tidak dikenakan masa ujian yang panjang dan kerosakan tambahan kepada bateri terpakai. Oleh itu, kami menggunakan hasil CCCV sebagai nilai kapasiti penanda aras SOH. Data ujian denyut digunakan sebagai data latihan untuk model pembelajaran penjanaan. Walaupun jenis bahan katod bateri berbeza, kami melakukan kejuruteraan ciri yang piawai dan boleh diakses, memastikan keserasian dalam penggunaan praktikal. Rajah.   menunjukkan penyematan ciri selepas suntikan arus denyut. Tetapan eksperimen CCCV dan suntikan denyut boleh didapati dalam Nota Tambahan  . Untuk lima denyut pertama yang disuntik, titik perubahan, iaitu, titik dengan terbitan kedua sifar respons voltan, direkodkan sebagai ciri, menghasilkan ciri 21 dimensi. Walaupun masa denyut pada tahap 5 saat, kami juga melakukan pengukuran sensitiviti pada lebar denyut dengan dua tujuan untuk mengesahkan ketahanan denyut dan memendekkan masa ujian, dari 30 ms hingga 5 saat. 2b 1 Kami mempertimbangkan penuaan pecutan dalam ujian makmal (Nota Tambahan  ) dan penuaan pemanduan EV sebenar, walaupun tanpa mengambil kira profil pemanduan eksplisit kerana sekatan privasi data. Dalam Rajah.  , taburan SOH bateri penuaan pecutan (NMC, 2.1 Ah) dan bateri penuaan pemanduan EV (NMC, 21 Ah) diilustrasikan. Memandangkan nilai SOH adalah pelengkap dalam julat SOH yang luas, dari 0.6 hingga 1, data yang dikumpul adalah wakil senario persaraan bateri, juga dengan kes persaraan awal yang melampau. Taburan SOH bateri yang dikumpul lain (LMO, 10 Ah, dan LFP 35 Ah) merangkumi taburan SOH yang luas, lihat Rajah Tambahan.  . Ujian denyut diulang pada tahap SOC yang berbeza, dari 5% hingga 50%, untuk mensimulasikan rawak pengumpulan bateri terpakai. Kawasan SOC yang diuji berada di bawah andaian bahawa bateri terpakai sama ada menunjukkan SOC rendah atau tertakluk kepada pelepasan paksa untuk keperluan penyimpanan gudang stasioner yang selamat, oleh itu, had atas SOC ditetapkan pada 50%. Dalam Rajah.  , dimensi pertama ciri yang diekstrak daripada bateri penuaan pecutan (NMC, 2.1 Ah) dan bateri penuaan pemanduan EV (NMC, 21 Ah) diilustrasikan. Walaupun terdapat perbezaan dalam reka bentuk kapasiti dan kegunaan sejarah, respons voltan denyut menunjukkan corak degradasi yang konsisten, begitu juga bateri terpakai lain untuk dimensi ciri lain, lihat Rajah Tambahan.  – . Walau bagaimanapun, taburan SOC bateri terpakai adalah berterusan, dan oleh itu ia tidak boleh dihabiskan melalui pengukuran fizikal. Daripada merangkumi skala ujian data, kami menggunakan data respons voltan denyut yang telah diuji untuk menjana lebih banyak data yang pelbagai merentasi keadaan SOC. Dalam Rajah.  , dua senario penjanaan, iaitu, interpolasi dan extrapolasi, diilustrasikan, dengan penjimatan pengkondisian unit, penjimatan elektrik, pengurangan 2 2c 1 2d 2 5 2e

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 Berkelanjutan Bateri Litium-ion Yang Bersara

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps