```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Anggaran dan pengiraan anggaran keadaan kesihatan (SOH) bagi bateri terpakai adalah rawatan awal yang penting untuk penggunaan semula dan kitar semula. Walau bagaimanapun, kaedah yang diterajui data memerlukan kurasi data yang menyeluruh di bawah keadaan persaraan SOH dan keadaan cas (SOC) yang rawak. Di sini, kami tunjukkan bahawa anggaran SOH yang dibantu oleh pembelajaran penjanaan adalah menjanjikan dalam mengurangkan cabaran kekurangan dan ketidakseragaman data, yang disahkan melalui data suntikan 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 tahap SOC. Menggunakan data yang dihasilkan, pengukur merealisasikan anggaran SOH yang tepat, dengan kesilapan peratusan mutlak min di bawah 6% di bawah SOC yang tidak kelihatan. Kami meramalkan bahawa dengan andaian penggunaan meluas teknik yang dicadangkan, ini akan menjimatkan 4.9 bilion USD kos elektrik dan mengurangkan 35.8 bilion kg pelepasan CO2 dengan mengurangkan kos kurasi data untuk senario persaraan bateri global pada tahun 2030. Kertas ini menyoroti eksploitasi data terhad untuk meneroka ruang data lanjutan menggunakan kaedah penjanaan, memandangkan data boleh memakan masa, mahal dan mencemarkan alam sekitar untuk diambil untuk banyak tugas anggaran dan ramalan. Pengenalan Elektrifikasi pengangkutan, sektor kritikal dalam peralihan tenaga rendah karbon , telah mengubah paradigma pengangkutan berasaskan bahan api fosil secara tidak pernah berlaku. Bateri litium-ion adalah penting untuk peralihan ini dengan menyediakan bekalan tenaga yang berpatutan, tahan lama dan selamat untuk kenderaan elektrik (EV) , . Jumlah kapasiti bateri EV yang digunakan dan akhir hayatnya akan melebihi 32–62 terrawatt menjelang 2050, jauh lebih tinggi daripada anggaran dalam senario Agensi Tenaga Boleh Diperbaharui Antarabangsa dan Makmal Penyimpanan . Walau bagaimanapun, bateri EV yang terpakai sangat dikawal selia dengan nilai kapasiti sisa yang besar yang kurang dieksploitasi, biasanya melebihi 80% daripada kapasiti dinilai , . Jika tidak dikendalikan dengan betul, ia akan menyebabkan beban ekonomi  untuk pengeluar dan pengguna, serta isu persekitaran dan sosial berikutnya , 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 berselang-seli ialah penggunaan semula , ,  dan kitar semula . Dalam penggunaan semula, bateri terpakai digunakan semula untuk aplikasi seperti sistem penyimpanan tenaga bersambung grid , bekalan kuasa kediaman , dan kenderaan kelajuan rendah. Walau bagaimanapun, penggunaan semula memerlukan rawatan awal, termasuk pemeriksaan konsistensi , pengisihan kapasiti , dan pengumpulan semula ,  untuk memenuhi keperluan aplikasi . Walaupun program perintis 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 lebih baik, 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 dijangka dalam perumusan 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, pemerolehan SOH memerlukan pencirian bahan invasif ,  dan ujian penentukuran kapasiti yang panjang, pemerolehan SOH yang tidak 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 mendapatkan 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, dibaik pulih, atau dikitar semula pada akhir hayat perkhidmatan . Walau bagaimanapun, prosedur pemantauan dan perekodan yang diperlukan hanya boleh diakses dalam 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 seumur hidup kekal sebagai cabaran utama, memerlukan anggaran SOH hanya menggunakan data lapangan, berbanding data sejarah atau dalam keadaan terkawal , , . Satu penyelesaian adalah untuk melakukan ujian penentukuran kapasiti di lapangan pengumpulan bateri terpakai, iaitu, penyesuaian keadaan cas (SOC), yang mudah, bagaimanapun, ia memerlukan masa ujian yang tidak mampu dan kos elektrik tambahan. Ujian pencirian kuasa nadi hibrid adalah alternatif untuk anggaran SOH oleh suntikan nadi dinamik, tetapi urutan ujian yang lengkap mengambil masa lebih 12 jam. Tao et al. menggunakan nadi pendek untuk anggaran SOH bateri terpakai, dengan andaian bahawa penyesuaian 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 nadi , . Teknik berasaskan penderiaan berada di peringkat makmal kerana pencerobohan, manakala suntikan nadi menampilkan penyahkawangan penuaan bateri tanpa kerosakan fizikal, serentak lebih pantas daripada kaedah berasaskan pengecasan separa dan impedans elektrokimia , , , , , . Walau bagaimanapun, suntikan nadi adalah kaedah berpusatkan data yang hanya berdaya maju di bawah andaian ideal bahawa data yang diukur secara fizikal merangkumi keadaan persaraan fasa penggunaan model, yang dikenali sebagai cabaran anjakan domain biasa dalam komuniti pembelajaran mesin. Walaupun kemajuan dalam kaedah pembelajaran pemindahan dan adaptasi domain , , , cabaran masih wujud 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 meluaskan skala ujian data di bawah keadaan persaraan yang belum diterokai untuk mengurangkan kekurangan dan ketidakseragaman data sementara ia boleh membawa kepada peningkatan kos. Wang et al. mencadangkan kaedah penggalian suhu untuk menyelia kecenderungan kinetik tindak balas pada keadaan perantaraan yang berbeza semasa proses termokimia, membolehkan pembinaan pangkalan data latihan yang luas pada skala dan kos eksperimen termokimia yang minimum sebagai penambahan data untuk latihan model pembelajaran mesin . Selain itu, pembelajaran penjanaan juga menunjukkan kemungkinan anggaran SOH dengan data tambahan daripada profil yang dikitar separa, menjimatkan data yang diuji secara fizikal , . Walau bagaimanapun, kekurangan dan ketidakseragaman data dalam konteks penggunaan semula dan kitar semula bateri adalah lebih kompleks disebabkan oleh campuran jenis bahan katod, format fizikal, reka bentuk kapasiti, dan kegunaan sejarah, mengehadkan potensi penyepaduan pengetahuan khusus keadaan penuaan ke dalam model pembelajaran mesin. Oleh itu, adalah munasabah untuk mempertimbangkan hubungan kebergantungan antara keadaan persaraan dan tindak balas voltan nadi untuk penjanaan data, tanpa menyebabkan 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 rawatan awal bateri terpakai, iaitu, anggaran SOH, menggunakan data tindak balas voltan nadi yang dihasilkan oleh autoencoder variasi perhatian pada masa dan kos pengukuran fizikal yang disimpan. Proses peringkat tinggi langkah-langkah rawatan awal umum, latihan model penjanaan, dan langkah-langkah penggunaan model praktikal digambarkan dalam Rajah.  . Idea penyelidikan adalah untuk menggunakan pembelajaran penjanaan untuk mengeksploitasi data yang telah diukur untuk penerokaan tindak balas voltan nadi dalam keadaan persaraan berterusan, iaitu, taburan SOC di peringkat pengumpulan bateri terpakai. Anggaran SOH hiliran dilaksanakan tanpa data tindak balas nadi yang diukur secara fizikal, menjimatkan kos elektrik rawatan awal dan pelepasan karbon yang sebaliknya diperlukan daripada penyesuaian SOC kepada tahap yang dijangka. Berbanding dengan kaedah kamiran amphere-jam dan suntikan nadi pembelajaran mesin, pembelajaran penjanaan menekankan kelajuan penjanaan yang lebih pantas dan anggaran yang tepat. Dengan data yang dihasilkan, pengukur ringkas berjaya menganggarkan SOH dengan kesilapan rendah di bawah keadaan persaraan SOC yang tidak kelihatan 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 nadi pantas. Kami menunjukkan kebolehkesanan 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 tulen, dan 2 pemanduan EV hibrid). Pembelajaran penjanaan sesuai untuk interpolasi dan extrapolasi dengan menyepadukan pengetahuan terdahulu tentang keadaan persaraan ke dalam penskalaan ruang laten model, menjimatkan masa pengukuran, kos elektrik, dan pelepasan karbon yang seterusnya tanpa menjejaskan ketepatan anggaran SOH. Kajian kes global yang konservatif terhadap persaraan bateri pada tahun 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 yang dibantu pembelajaran penjanaan boleh menjimatkan kos elektrik $4.9 bilion dan pelepasan CO2 35.8 bilion kg menjelang 2030 di seluruh dunia. Kami membincangkan kebolehtafsiran model, implikasi rawatan awal kitar semula, dan aspek yang lebih luas bagi arah rawatan awal kitar semula pintar masa depan yang disepadukan dengan pembelajaran mesin. 1    Langkah-langkah rawatan awal bateri terpakai termasuk penyesuaian SOC, pengukuran fizikal, pembelajaran mesin untuk diagnosis SOH, dan proses membuat keputusan hayat kedua sebelum penggunaan semula atau kitar semula. Penyesuaian SOC merujuk kepada penyesuaian nilai SOC bateri terpakai kepada tahap yang diingini menggunakan kaedah arus malar arus malar voltan (CCCV) tradisional.   Skema autoencoder variasi perhatian untuk penjanaan data tindak balas voltan nadi.   Penggunaan praktikal model penjanaan data untuk anggaran SOH memerlukan tiada penyesuaian SOC tambahan. Model pembelajaran mesin yang dilatih diselia oleh data yang dihasilkan dan menerima tindak balas voltan nadi segera apabila berada dalam fasa penggunaan.   Faedah ekonomi dan alam sekitar serta kelajuan penjanaan pantas metodologi pembelajaran penjanaan kami dengan menjimatkan kos penyesuaian SOC dalam senario persaraan bateri global 2030. a b c d Keputusan Perolehan data set Kekurangan dan ketidakseragaman data adalah cabaran utama dalam diagnosis dan prognosis bateri yang diterajui 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 jurang 5%. Dalam Rajah.  , set data merangkumi 3 jenis bahan katod yang lazim, termasuk 119 bateri terpakai NMC (nikel mangan kobalt oksida) yang dikumpul 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 pecutan makmal, 3 kegunaan EV, termasuk 1 mod pacuan stereng kuasa elektrik tulen dan 2 mod pacuan stereng kuasa hibrid). Kami menekankan bahawa penyertaan sampel ujian yang sangat pelbagai menjadikan set data kami sebagai set data nadi pantas terbesar untuk anggaran SOH bateri terpakai sehingga kini, memudahkan kebolehkesanan model di luar set data yang diukur secara fizikal. 2a    Plot Sankey untuk taburan bateri terpakai, merangkumi jenis bahan katod, format fizikal, reka bentuk kapasiti, dan kegunaan sejarah.   Nadi arus dan tindak balas voltan seterusnya bateri terpakai, di mana ciri diekstrak daripada titik pusingan, 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 nadi dalam kadar C. Perhatikan bahawa istilah C mewakili kadar cas (nyahcas) apabila 1 jam cas (nyahcas) dilakukan. 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, anda boleh merujuk kepada Rajah Tambahan.  .   Hubungan antara tindak balas voltan nadi yang diukur dan SOH yang ditentukur daripada ujian penentukuran kapasiti, dengan keadaan cas (SOC) yang berbeza. Dimensi ciri pertama, U1, digambarkan.   Ilustrasi kes penjanaan data interpolasi dan extrapolasi 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 Tambahan1 2 Berbanding dengan ujian arus malar voltan malar (CCCV) biasa, ujian nadi tidak menyebabkan masa ujian yang panjang dan kerosakan tambahan kepada bateri terpakai. Oleh itu, kami menggunakan keputusan CCCV sebagai nilai kapasiti penanda aras SOH. Data ujian nadi 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.   menggambarkan pengekstrakan ciri selepas suntikan arus nadi. Tetapan eksperimen CCCV dan suntikan nadi boleh didapati dalam Nota Tambahan.  . Untuk lima nadi suntikan pertama, titik pusingan, iaitu, titik dengan terbitan kedua sifar bagi tindak balas voltan, direkodkan sebagai ciri, menghasilkan ciri 21 dimensi. Walaupun masa nadi pada tahap 5 saat, kami juga melakukan pengukuran sensitiviti pada lebar nadi dengan dwi tujuan untuk mengesahkan ketahanan nadi dan memendekkan masa ujian, daripada 30 ms hingga 5 saat. 2b 1 Kami mempertimbangkan penuaan pecutan dalam ujian makmal (Nota Tambahan.  ) dan penuaan pemanduan EV sebenar, walaupun tidak 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 tulen (NMC, 21 Ah) digambarkan. Perhatikan bahawa nilai SOH adalah pelengkap dalam julat SOH yang luas, daripada 0.6 hingga 1, data yang dikumpul adalah wakil senario persaraan bateri, juga dengan kes persaraan awal yang ekstrem. Taburan SOH bateri lain yang dikumpul (LMO, 10 Ah, dan LFP 35 Ah) merangkumi taburan SOH yang luas, lihat Rajah Tambahan.  . Ujian nadi diulang dalam pelbagai tahap SOC, daripada 5% hingga 50%, untuk mensimulasikan kerawakan pengumpulan bateri persaraan. Julang SOC yang diuji adalah di bawah andaian bahawa bateri terpakai sama ada menunjukkan SOC rendah atau tertakluk kepada penyahtcasan paksa untuk keperluan penyimpanan gudang 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) digambarkan. Walaupun terdapat perbezaan dalam reka bentuk kapasiti dan kegunaan sejarah, tindak balas voltan nadi menunjukkan corak penuaan 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 dapat dihabiskan melalui pengukuran fizikal. Daripada meluaskan skala ujian data, kami menggunakan data tindak balas voltan nadi yang telah diuji untuk menjana lebih banyak data yang pelbagai merentasi keadaan SOC. Dalam Rajah.  , dua senario penjanaan, iaitu, interpolasi dan extrapolasi, digambarkan, dengan penjimatan penyesuaian 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!

Generative AI Membolehkan Penggunaan Semula Bateri Litium-Ion yang Bersara Secara Lestari

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps