
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autorzy: 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 Abstrakt Szybkie i dokładne szacowanie stanu zdrowia (SOH) wycofanych baterii jest kluczowym etapem wstępnego przetwarzania do ponownego użycia i recyklingu. Jednak metody oparte na danych wymagają wyczerpującego przygotowania danych w warunkach losowego wycofywania z eksploatacji przy różnych SOH i stanach naładowania (SOC). Pokazujemy, że szacowanie SOH wspomagane uczeniem generatywnym jest obiecujące w łagodzeniu wyzwań związanych z niedoborem i niejednorodnością danych, co potwierdzono na podstawie zbioru danych impulsowych 2700 wycofanych próbek baterii litowo-jonowych, obejmujących 3 typy materiałów katodowych, 3 formaty fizyczne, 4 konstrukcje pojemności i 4 historyczne sposoby użytkowania z 10 poziomami SOC. Wykorzystując wygenerowane dane, regresor realizuje dokładne szacowanie SOH, ze średnimi błędami procentowymi poniżej 6% w warunkach nieznanych SOC. Przewidujemy, że przy założeniu jednolitego wdrożenia proponowanej techniki, pozwoliłoby to zaoszczędzić 4,9 miliarda USD na kosztach energii elektrycznej i 35,8 miliarda kg emisji CO2 poprzez ograniczenie kosztów przygotowania danych dla globalnego scenariusza wycofywania baterii w 2030 roku. Niniejszy artykuł podkreśla wykorzystanie ograniczonych danych do eksploracji rozszerzonej przestrzeni danych za pomocą metod generatywnych, biorąc pod uwagę, że dane mogą być czasochłonne, kosztowne i zanieczyszczające w pozyskiwaniu dla wielu zadań szacowania i predykcji. Wprowadzenie Elektryfikacja transportu, kluczowy sektor transformacji energetycznej niskoemisyjnej , bezprecedensowo przekształciła paradygmat transportu oparty na paliwach kopalnych. Baterie litowo-jonowe są kluczowe dla tej transformacji, zapewniając niedrogie, trwałe i bezpieczne dostawy energii dla pojazdów elektrycznych (EV) , . Całkowita pojemność używanych i wycofanych baterii EV przekroczy 32–62 TW do 2050 r., znacznie więcej niż szacowano w scenariuszach Międzynarodowej Agencji Energii Odnawialnej i Storage Lab . Jednak wycofane baterie EV są silnie regulowane, z dużą wartością pozostałej pojemności, która jest niedostatecznie wykorzystana, zazwyczaj ponad 80% pojemności znamionowej , . Niewłaściwe postępowanie prowadzi do obciążeń ekonomicznych  dla producentów i użytkowników, a także do późniejszych problemów środowiskowych i społecznych , w tym marnotrawstwa zasobów, ryzyka w łańcuchu dostaw i emisji dwutlenku węgla , , . 1 2 3 4 5 6 7 8 9 10 11 Obiecującymi strategiami rozwiązywania problemów związanych z okresowym napływem wycofanych baterii są ponowne użycie , ,  i recykling . W przypadku ponownego użycia, wycofane baterie są przepakowywane do zastosowań takich jak systemy magazynowania energii podłączone do sieci , domowe zasilacze  oraz pojazdy o niskiej prędkości. Jednak ponowne użycie wymaga wstępnych zabiegów, w tym oceny spójności , sortowania pojemności  i ponownego grupowania ,  w celu spełnienia wymagań aplikacji . Pomimo zainicjowania programów pilotażowych , , , brak ścisłych norm dotyczących scenariuszy użytkowania i ścieżek wycofywania ogranicza racjonalne wykorzystanie pozostałej pojemności . Recykling alternatywnie wykorzystuje pozostałe wartości wycofanych baterii poprzez ekstrakcję materiałów lub naprawę strukturalną , , nadaje się do nieodwracalnie zdegradowanych baterii. W porównaniu z pirometalurgią i hydrometalurgią , , recykling bezpośredni wyróżnia się lepszą rentownością, niższym zużyciem energii i mniejszymi emisjami dwutlenku węgla , , . Wykorzystując uzupełnianie litu i post-processing materiałów katodowych, recykling bezpośredni osiąga wydajną naprawę struktury materiału i przywrócenie parametrów . Jednak stan zdrowia (SOH) określa wymagany odczynnik chemiczny i przewidywane dawki uzupełnienia litu w formułach strategii recyklingu bezpośredniego , , . Niewystarczająca dawka może prowadzić do niepełnej naprawy, podczas gdy nadmierna dawka może prowadzić do wytworzenia pozostałego alkalicznego osadu na powierzchni katody, pogarszając wydajność regeneracji , . Niestety, odzyskiwanie SOH wymaga inwazyjnej charakterystyki materiału ,  oraz długotrwałych testów kalibracji pojemności, a nieinwazyjne, szybkie i zrównoważone pozyskiwanie SOH pozostaje otwartym wyzwaniem. 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 Aby zapewnić spójne informacje o SOH, baterie EV są monitorowane, a dane operacyjne są rejestrowane przez platformy chmurowe  i paszporty baterii . Parlament Europejski przyjął Dyrektywę Bateryjną w dniu 14 czerwca 2023 r., aby zapewnić, że wycofane baterie mogą być ponownie wykorzystane, odnowione lub poddane recyklingowi po zakończeniu okresu użytkowania . Jednak wymagana procedura monitorowania i rejestrowania jest dostępna tylko w fazie serwisowania pojazdu elektrycznego, a wycofane baterie nie są już podłączone do jednostki monitorującej w pojeździe. W związku z tym trudno jest odzyskać dane SOH dostępne w terenie. Integralność danych życiowych pozostaje głównym wyzwaniem, wymagającym szacowania SOH wyłącznie przy użyciu danych terenowych, w przeciwieństwie do danych historycznych lub w warunkach kontrolowanych , , . Jednym z rozwiązań jest przeprowadzenie testu kalibracji pojemności w punkcie odbioru wycofanych baterii, tj. warunkowania stanu naładowania (SOC), co jest proste, jednak wymaga nieosiągalnych czasów testowych i dodatkowych kosztów energii elektrycznej. Hybrydowy test charakterystyki pulsacyjnej jest alternatywą dla szacowania SOH poprzez dynamiczne wstrzykiwanie impulsów, ale pełna sekwencja testowa trwa ponad 12 godzin. Tao i inni wykorzystali krótkie impulsy do szacowania SOH wycofanych baterii, zakładając, że przeprowadzono warunkowanie SOC do 5%, co było słabo zgodne z losowymi warunkami wycofywania SOC . Ostatnie postępy w pomiarach sensorycznych obejmują obrazowanie rentgenowskie , impedancję elektrochemiczną , , czujniki światłowodowe , , czujniki akustyczne , , częściowe ładowanie ,  oraz wstrzykiwanie impulsów , . Techniki oparte na sensoryce są na etapie laboratoryjnym ze względu na inwazyjność, podczas gdy wstrzykiwanie impulsów umożliwia rozplątanie degradacji baterii bez uszkodzeń fizycznych, jednocześnie jest szybsze niż metody oparte na ładowaniu częściowym i impedancji elektrochemicznej , , , , , . Jednak wstrzykiwanie impulsów jest metodą skoncentrowaną na danych, która jest wykonalna tylko przy idealnym założeniu, że fizycznie zmierzone dane obejmują warunki wycofywania z eksploatacji fazy wdrożenia modelu, co jest znanym wyzwaniem w społeczności uczenia maszynowego związanym ze zmianą dziedziny. Pomimo postępów w metodach uczenia transferowego i adaptacji dziedziny , , , wyzwania pozostają, ponieważ docelowa dziedzina do dopasowania nadal wymaga wcześniejszych informacji po wdrożeniu, a istniejące metody uczenia trudno zaktualizować dla losowych warunków wycofywania z eksploatacji . Alternatywą jest rozszerzenie skali testowania danych w nieodkrytych warunkach wycofywania z eksploatacji w celu złagodzenia niedoboru i niejednorodności danych, chociaż może to prowadzić do zwiększonych kosztów. Wang i inni zaproponowali metodę ekstrakcji temperatury do interpolacji preferencji kinetycznych reakcji w różnych stanach pośrednich podczas procesu termochemicznego, umożliwiając konstrukcję obszernych baz danych treningowych przy minimalnej skali i koszcie eksperymentów termochemicznych jako rozszerzenie danych do trenowania modelu uczenia maszynowego . Ponadto, uczenie generatywne wykazuje również możliwości szacowania SOH za pomocą rozszerzonych danych z częściowo cyklowanych profili, oszczędzając wymagane fizycznie dane testowe , . Jednak niedobór i niejednorodność danych w kontekście ponownego użycia i recyklingu baterii są jeszcze bardziej złożone ze względu na mieszankę typów materiałów katodowych, formatów fizycznych, projektów pojemności i historii użytkowania, ograniczając potencjalną integrację wiedzy specyficznej dla warunków degradacji z modelami uczenia maszynowego. W związku z tym rozsądne jest rozważenie zależności między warunkami wycofywania z eksploatacji a odpowiedziami napięcia impulsowego w celu generowania danych, nie wymagając długotrwałej kalibracji pojemności i dodatkowych eksperymentów fizycznych jednocześnie, aby zwiększyć wydajność szacowania 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 W niniejszym badaniu przeprowadzamy wstępne przetwarzanie wycofanych baterii, tj. szacowanie SOH, przy użyciu danych odpowiedzi napięcia impulsowego wygenerowanych przez autoenkoder wariacyjny z mechanizmem uwagi, przy zaoszczędzonym czasie i kosztach fizycznych pomiarów. Ogólny proces kroków wstępnego przetwarzania, trenowania modelu generatywnego i praktycznych kroków wdrażania modelu zilustrowano na Rys. 1. Ideą badawczą jest wykorzystanie uczenia generatywnego do eksploatacji już zmierzonych danych w celu eksploracji odpowiedzi napięcia impulsowego w ciągłych warunkach wycofywania z eksploatacji, tj. rozkładu SOC na etapie odbioru wycofanych baterii. Szacowanie SOH w dalszej kolejności jest realizowane bez fizycznie zmierzonych danych odpowiedzi impulsowej, oszczędzając koszty energii elektrycznej związane z wstępnym przetwarzaniem i emisje dwutlenku węgla, które byłyby wymagane od warunkowania SOC do przewidywanego poziomu. W porównaniu z metodą całkowania ampero-godzinowego i uczeniem maszynowym opartym na wstrzykiwaniu impulsów, uczenie generatywne wyróżnia się szybszą prędkością generowania i dokładnym szacowaniem. Z wygenerowanymi danymi, prosty regresor z powodzeniem szacuje SOH z niskim błędem w warunkach nieznanego lub niedostępnego wycofywania z eksploatacji SOC w bazie danych, co jest trudnym problemem poza rozkładem (OOD). Problem OOD jest rozwiązywany poprzez uczenie dziedziczonego wzorca fizycznego między warunkiem SOC a odpowiedzią napięcia wywołaną szybkim impulsem. Demonstracja generalizacji naszej metody poprzez weryfikację 2700 fizycznie zmierzonych próbek, obejmujących 3 typy materiałów katodowych, 3 formaty fizyczne, 4 konstrukcje pojemności i 4 historyczne sposoby użytkowania (1 laboratoryjne przyspieszone starzenie, 1 czysty napęd EV, i 2 napędy hybrydowe). Uczenie generatywne nadaje się do interpolacji i ekstrapolacji poprzez integrację wiedzy o warunkach wycofywania z eksploatacji w skalowanie przestrzeni utajonej parametrów modelu, oszczędzając czas pomiarów, koszty energii elektrycznej i wynikające z nich emisje dwutlenku węgla, bez kompromisów w dokładności szacowania SOH. Konserwatywne globalne studium przypadku wycofywania baterii w 2030 roku podkreśla znaczenie szybkiego i zrównoważonego szacowania SOH w scenariuszach recyklingu pirometalurgicznego, hydrometalurgicznego i bezpośredniego. Poprzez analizę techniczną i ekonomiczną, szacowanie SOH wspomagane uczeniem generatywnym mogłoby zaoszczędzić 4,9 miliarda USD na kosztach energii elektrycznej i 35,8 miliarda kg emisji CO2 do 2030 roku na całym świecie. Dyskutujemy o interpretowalności modelu, implikacjach wstępnego przetwarzania recyklingu i szerszych aspektach przyszłych inteligentnych kierunków wstępnego przetwarzania recyklingu zintegrowanych z uczeniem maszynowym.    Kroki wstępnego przetwarzania wycofanych baterii obejmują warunkowanie SOC, pomiary fizyczne, uczenie maszynowe do diagnozy SOH i proces podejmowania decyzji drugiej życia przed ponownym użyciem lub recyklingiem. Warunkowanie SOC odnosi się do dostosowania wartości SOC wycofanych baterii do pożądanych poziomów przy użyciu tradycyjnej metody stałego prądu ze stałym napięciem (CCCV).   Schemat autoenkodera wariacyjnego z mechanizmem uwagi do generowania danych odpowiedzi napięcia impulsowego.   Praktyczne zastosowanie modelu generowania danych do szacowania SOH nie wymaga dodatkowego warunkowania SOC. Wytrenowany model uczenia maszynowego jest nadzorowany przez wygenerowane dane i odbiera natychmiastowe odpowiedzi napięcia impulsowego podczas fazy wdrożenia.   Korzyści ekonomiczne i środowiskowe oraz szybka prędkość generowania naszej metodologii uczenia generatywnego poprzez oszczędzanie kosztów warunkowania SOC w globalnym scenariuszu wycofywania baterii w 2030 roku. a b c d Wyniki Pozyskiwanie danych Niedobór i niejednorodność danych stanowią główne wyzwania w diagnostyce i prognozowaniu baterii opartych na danych, szczególnie w przypadku wycofanych baterii. Zebraliśmy 2700 próbek z 270 fizycznie wycofanych baterii przy szerokich poziomach SOC, tj. od 5% do 50% z krokiem 5%. Na Rys. 2a, zbiór danych obejmuje 3 popularne typy materiałów katodowych, w tym 119 fizycznie zebranych baterii NMC (tlenek niklu, manganu i kobaltu), 56 baterii LFP (fosforan litowo-żelazowy) i 95 baterii LMO (tlenek litowo-manganowy), obejmujących 3 formaty fizyczne (cylindryczny, płaski, pryzmatyczny) i 4 historyczne schematy użytkowania (1 laboratoryjny test przyspieszony, 3 zastosowania EV, w tym 1 tryb czysto elektryczny i 2 tryby hybrydowe). Podkreślamy, że włączenie wysoce heterogenicznych próbek testowych czyni nasz zbiór danych największym zbiorem danych opartych na szybkich impulsach do szacowania SOH wycofanych baterii do tej pory, ułatwiając generalizację modelu poza fizycznie zmierzone zbiory danych.    Wykres Sankey dla rozkładu wycofanych baterii, obejmujący typy materiałów katodowych, formaty fizyczne, konstrukcje pojemności i historyczne sposoby użytkowania.   Prąd impulsowy i następująca po nim odpowiedź napięciowa wycofanych baterii, gdzie cechy są wyodrębniane z punktów zwrotnych, tj. punktów z zerową drugą pochodną krzywej odpowiedzi napięciowej. Wyodrębniono 21 punktów cech, od U1 do U21. Częstotliwość zapisu surowych danych wynosi 100 Hz. Czas odpoczynku między każdym impulsem wynosi 25 sekund w tempie C. Należy zauważyć, że termin C oznacza szybkość ładowania (rozładowania), gdy wykonywane jest ładowanie (rozładowanie przez 1 godzinę). Temperatura otoczenia jest kontrolowana na poziomie 25°C.   Ilustracja rozkładu stanu zdrowia (SOH) wycofanych baterii o pojemności 2,1 Ah i 21 Ah, odpowiednio. W przypadku rozkładu SOH innych typów baterii, można odnieść się do Dodatkowego Rysunku 1.   Zależność między zmierzoną odpowiedzią napięcia impulsowego a skalibrowanym SOH z testu kalibracji pojemności, przy zmiennych warunkach stanu naładowania (SOC). Przedstawiono pierwszą wymiar cechy, U1.   Ilustracja przypadku interpolacji i ekstrapolacji generowania danych w różnych rozkładach SOC wycofania baterii. Szczegółowe ustawienia testowe znajdują się w Dodatkowych Notach 1 i 2, przy czym należy zauważyć, że ustawienie C-rate jest identyczne dla różnych typów materiałów katodowych. Dane źródłowe są dostępne jako plik danych źródłowych. a b c d e W przeciwieństwie do zwykłego testowania stałym prądem ze stałym napięciem (CCCV), test impulsowy nie wymaga długiego czasu testowego i dodatkowego uszkodzenia wycofanych baterii. Dlatego też wykorzystujemy wyniki CCCV jako wartości pojemności referencyjnej do oceny SOH. Dane z testów impulsowych są wykorzystywane jako dane treningowe dla modelu uczenia generatywnego. Nawet jeśli typ materiału katodowego baterii się różni, przeprowadzamy standaryzowane i dostępne inżynierie cech, zapewniając kompatybilność w praktycznym zastosowaniu. Rysunek 2b przedstawia ekstrakcję cech po wstrzyknięciu prądu impulsowego. Ustawienia eksperymentalne CCCV i wstrzykiwania impulsów można znaleźć w Dodatkowej Nocie 1. Dla pierwszych pięciu wstrzykniętych impulsów, punkty zwrotne, tj. punkty z zerową drugą pochodną odpowiedzi napięciowych, są rejestrowane jako cechy, co daje 21-wymiarowe cechy. Pomimo czasu impulsu na poziomie 5 s, przeprowadzamy również pomiar czułości na szerokość impulsu z podwójnym celem weryfikacji odporności impulsu i dalszego skrócenia czasu testu, od 30 ms do 5 s. Rozważamy starzenie przyspieszone w testach laboratoryjnych (Dodatkowa Nota 2) i rzeczywiste starzenie napędowe EV, chociaż ze względu na ograniczenia prywatności danych, bez względu na dokładne profile jazdy. Na Rys. 2c przedstawiono rozkład SOH baterii poddanych starzeniu przyspieszonemu (NMC, 2,1 Ah) i baterii poddanych starzeniu podczas jazdy EV (NMC, 21 Ah). Należy zauważyć, że wartości SOH są komplementarne w szerokim zakresie SOH, od 0,6 do 1, a zebrane dane są reprezentatywne dla scenariuszy wycofywania baterii, w tym również przypadków ekstremalnie wczesnego wycofywania. Rozkłady SOH innych zebranych baterii (LMO, 10 Ah i LFP 35 Ah) obejmują szeroki rozkład SOH, patrz Dodatkowy Rysunek 1. Testy impulsowe są powtarzane na

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

Ten dźwięk jest produkowany w oryginalnym języku historii!

Generatywna sztuczna inteligencja napędza zrównoważone ponowne wykorzystanie wycofanych z eksploatacji baterii litowo-jonowych

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Meet Sora: HackerNoon Company of the Week

Reach More Readers! BOOST Your Story on HackerNoon

Meet Beldex: HackerNoon Company of the Week

How HackerNoon Feels About AI Generated Content (Hint: 👎🏽)

Meet Sora: HackerNoon Company of the Week

Reach More Readers! BOOST Your Story on HackerNoon

Meet Beldex: HackerNoon Company of the Week

How HackerNoon Feels About AI Generated Content (Hint: 👎🏽)

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps