```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 wstępnej obróbki do ponownego użycia i recyklingu. Jednak metody oparte na danych wymagają wyczerpującego przygotowania danych w warunkach losowego stanu zdrowia (SOH) i stanu naładowania (SOC) przy wycofaniu. Pokazujemy, że szacowanie SOH wspomagane uczeniem generatywnym jest obiecujące w łagodzeniu wyzwań związanych z niedoborem i heterogenicznością danych, co zostało potwierdzone przez zestaw danych wstrzykiwania impulsowego 2700 wycofanych próbek baterii litowo-jonowych, obejmujących 3 rodzaje 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 średnim bezwzględnym błędem procentowym poniżej 6% w warunkach nieznanych stanów SOC. Przewidujemy, że przy założeniu jednolitego wdrożenia proponowanej techniki, pozwoli to zaoszczędzić 4,9 miliarda USD na kosztach energii elektrycznej i zredukować emisje CO2 o 35,8 miliarda kg poprzez zmniejszenie kosztów przygotowania danych dla scenariusza globalnego wycofania baterii w 2030 roku. Niniejszy artykuł podkreśla wykorzystanie ograniczonych danych do eksploracji rozszerzonej przestrzeni danych za pomocą metod generatywnych, biorąc pod uwagę, że pobieranie danych może być czasochłonne, kosztowne i zanieczyszczające w przypadku wielu zadań szacowania i prognozowania. Wprowadzenie Elektryfikacja transportu, kluczowy sektor transformacji energetycznej niskoemisyjnej , radykalnie zmieniła 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 wycofywanych baterii EV przekroczy 32–62 TW do 2050 roku, znacznie więcej niż szacowano w scenariuszach Międzynarodowej Agencji Energii Odnawialnej i Storage Lab . Jednak wycofywane baterie EV są silnie regulowane, posiadając ogromną wartość pozostałej pojemności, która jest niedostatecznie wykorzystywana, zazwyczaj ponad 80% pojemności znamionowej , . Jeśli nie zostaną odpowiednio zagospodarowane, prowadzi to 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 adresowania problemów związanych z okresowym napływem wycofywanych baterii są ponowne użycie , ,  i recykling . W przypadku ponownego użycia, wycofywane baterie są przeprojektowywane do zastosowań takich jak systemy magazynowania energii podłączone do sieci , domowe zasilacze  i pojazdy o niższej prędkości. Jednak ponowne użycie wymaga wstępnych etapów obróbki wstępnej, w tym oceny spójności , sortowania pojemności  i ponownego grupowania ,  w celu spełnienia wymagań aplikacji . Pomimo rozpoczęcia programów pilotażowych , , , brak ścisłych norm dotyczących scenariuszy użytkowania i ścieżek wycofania utrudnia racjonalne wykorzystanie pozostałej pojemności . Recykling alternatywnie wykorzystuje pozostałe wartości wycofywanych baterii poprzez ekstrakcję materiałów lub naprawę strukturalną , , co jest odpowiednie dla nieodwracalnie zdegradowanych baterii wycofanych. W porównaniu do pirometalurgii i hydrometalurgii , , bezpośredni recykling wyróżnia się wyższą rentownością, niższym zużyciem energii i zredukowanymi emisjami dwutlenku węgla , , . Wykorzystując uzupełnianie litu i obróbkę katodową materiałów katodowych, bezpośredni recykling zapewnia efektywną naprawę struktury materiału i przywrócenie wydajności . Jednak stan zdrowia (SOH) określa wymaganą dawkę odczynników chemicznych i przewidywane dawki uzupełnienia litu w formulacjach strategii bezpośredniego recyklingu , , . Niewystarczająca dawka może prowadzić do niepełnej naprawy, podczas gdy nadmierna dawka może prowadzić do powstawania pozostałego zasadowego osadu na powierzchni katody, pogarszając wydajność regeneracji , . Niestety, odzyskiwanie SOH wymaga inwazyjnej charakterystyki materiałowej ,  i 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 wycofywane baterie mogą być ponownie używane, odnawiane lub recyklingowane po zakończeniu cyklu życia . Jednak wymagana procedura monitorowania i rejestracji jest dostępna tylko w fazie serwisowej pojazdów elektrycznych, wycofywane baterie nie są już podłączone do jednostki monitorującej w pojeździe. W związku z tym trudno jest odzyskać dostępne w terenie dane SOH. Integralność danych z okresu eksploatacji pozostaje głównym wyzwaniem, co wymaga 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 miejscu zbiórki wycofanych baterii, tj. warunkowanie stanu naładowania (SOC), co jest proste, jednak wymaga niedostępnych cenowo czasu testowania i dodatkowych kosztów energii elektrycznej. Test charakterystyki mocy impulsowej 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% SOC, co było ledwo kompatybilne z losowymi warunkami wycofania SOC . Najnowsze osiągnięcia w pomiarach opartych na sensoryce obejmują obrazowanie rentgenowskie , impedancję elektrochemiczną , , światłowodowe czujniki , , czujniki akustyczne , , częściowe ładowanie ,  oraz wstrzykiwanie impulsów , . Techniki oparte na czujnikach są na etapie laboratoryjnym ze względu na inwazyjność, podczas gdy wstrzykiwanie impulsów pozwala na rozróżnienie degradacji baterii bez uszkodzeń fizycznych, jednocześnie jest szybsze niż metody oparte na częściowym ładowaniu i impedancji elektrochemicznej , , , , , . Jednakże, wstrzykiwanie impulsów jest metodą skoncentrowaną na danych, która jest możliwa do zastosowania tylko przy idealnym założeniu, że fizycznie zmierzone dane obejmują warunki wycofania fazy wdrażania modelu, znane jako wspólne wyzwanie przesunięcia domenowego w społeczności uczenia maszynowego. Pomimo postępów w metodach uczenia transferowego i adaptacji domenowej , , , istnieją nadal wyzwania, ponieważ dziedzina docelowa do dopasowania nadal wymaga wcześniejszych informacji przy wdrażaniu, a istniejące metody uczenia trudno zaktualizować dla losowych warunków wycofania . Alternatywą jest rozszerzenie skali testów danych w warunkach wycofania, które nie zostały jeszcze zbadane, w celu złagodzenia niedoboru i heterogeniczności 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, co pozwala na konstrukcję obszernych baz danych treningowych przy minimalnej skali eksperymentów termochemicznych i kosztach, jako augmentacji danych dla trenowania modeli uczenia maszynowego . Ponadto, uczenie generatywne również demonstruje możliwości szacowania SOH z danymi rozszerzonymi z profili częściowo cyklowanych, oszczędzając wymaganą ilość fizycznie przetestowanych danych , . Jednak niedobór i heterogeniczność danych w kontekście ponownego użycia i recyklingu baterii są jeszcze bardziej złożone ze względu na mieszaninę typów materiałów katodowych, formatów fizycznych, konstrukcji pojemności i historii użytkowania, co ogranicza potencjalną integrację wiedzy specyficznej dla warunków degradacji z modelami uczenia maszynowego. W związku z tym rozsądne jest rozważenie zależności między warunkami wycofania a odpowiedzią napięcia impulsowego w celu generowania danych, bez długotrwałych testów kalibracji pojemności i dodatkowych eksperymentów fizycznych jednocześnie, w celu zwiększenia wydajności 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 wstępną obróbkę wycofanych baterii, tj. szacowanie SOH, przy użyciu danych odpowiedzi napięcia impulsowego generowanych przez autoenkoder wariacyjny oparty na uwadze, przy zaoszczędzonym czasie i kosztach pomiarów fizycznych. Ogólny proces etapów ogólnej obróbki wstępnej, trenowania modelu generatywnego i etapów praktycznego wdrażania modelu przedstawiono na Rys. 1. Ideą badawczą jest wykorzystanie uczenia generatywnego do eksploracji już zmierzonych danych w celu eksploracji odpowiedzi napięcia impulsowego w ciągłych warunkach wycofania, tj. rozkładu SOC na etapie zbiórki wycofanych baterii. Wstępne szacowanie SOH jest realizowane bez fizycznie zmierzonych danych odpowiedzi impulsowej, co pozwala zaoszczędzić koszty energii elektrycznej na obróbkę wstępną i emisje dwutlenku węgla, które byłyby wymagane w przeciwnym razie do warunkowania SOC do przewidywanego poziomu. W porównaniu do metody całkowania amperogodziny i uczenia maszynowego z wstrzykiwaniem impulsów, uczenie generatywne wyróżnia się szybszą prędkością generowania i dokładnym szacowaniem. Z wygenerowanymi danymi prosty regresor z powodzeniem szacuje SOH z niskim błędem w nieznanych lub niedostępnych warunkach wycofania SOC w bazie danych, co stanowi trudny problem dystrybucji poza próbką (OOD). Problem OOD jest rozwiązywany poprzez uczenie się odziedziczonego wzorca fizycznego między warunkami SOC a odpowiedzią napięcia wywołaną przez szybki impuls. Demonstracja ogólności naszej metody poprzez weryfikację na 2700 fizycznie zmierzonych próbkach, obejmujących 3 rodzaje materiałów katodowych, 3 formaty fizyczne, 4 konstrukcje pojemności i 4 historyczne sposoby użytkowania (1 laboratoryjne przyspieszone starzenie, 1 czysty pojazd elektryczny, 2 hybrydowe pojazdy elektryczne). Uczenie generatywne nadaje się do interpolacji i ekstrapolacji poprzez integrację wcześniejszej wiedzy o warunkach wycofania w skalowaniu przestrzeni utajonej parametrów modelu, oszczędzając czas pomiarów, koszty energii elektrycznej i wynikające z tego emisje dwutlenku węgla, bez uszczerbku dla dokładności szacowania SOH. Konserwatywne globalne studium przypadku wycofania baterii w 2030 roku podkreśla znaczenie szybkiego i zrównoważonego szacowania SOH w okolicznościach recyklingu pirometalurgicznego, hydrometalurgicznego i bezpośredniego. Poprzez analizę techniczną i ekonomiczną, szacowanie SOH wspomagane uczeniem generatywnym mogłoby zaoszczędzić 4,9 miliarda USD kosztów energii elektrycznej i 35,8 miliarda kg emisji CO2 do 2030 roku na całym świecie. Omówiono interpretowalność modelu, implikacje recyklingu oraz szersze aspekty przyszłych kierunków przetwarzania wstępnego inteligentnego recyklingu zintegrowanego z uczeniem maszynowym.    Etapy wstępnego przetwarzania wycofanej baterii obejmują warunkowanie SOC, pomiary fizyczne, uczenie maszynowe do diagnozy SOH i proces decyzyjny drugiego 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 i stałego napięcia (CCCV).   Schemat autoenkodera wariacyjnego opartego na uwadze 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 w fazie wdrażania.   Ekonomiczne i środowiskowe korzyści oraz szybka prędkość generowania naszej metodologii uczenia generatywnego poprzez oszczędność kosztów warunkowania SOC w globalnym scenariuszu wycofania baterii w 2030 roku. a b c d Wyniki Pozyskanie zbioru danych Niedobór i heterogeniczność danych to główne wyzwania w diagnostyce i prognozowaniu baterii opartych na danych, szczególnie w przypadku wycofanych baterii. Zebraliśmy 2700 próbek z 270 fizycznie wycofanych baterii w szerokim zakresie stanów SOC, tj. od 5% do 50% z krokiem co 5%. Na rys. 2a, zbiór danych obejmuje 3 dominujące 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) wycofanych, obejmujących 3 formaty fizyczne (cylindryczne, płaskie, pryzmatyczne) i 4 historyczne wzorce użytkowania (1 laboratoryjny test przyspieszony, 3 zastosowania w pojazdach elektrycznych, w tym 1 czysty tryb napędu elektrycznego i 2 tryby hybrydowe). Podkreślamy, że włączenie wysoce heterogenicznych próbek testowych sprawia, że nasz zbiór danych jest największym zbiorem danych opartych na szybkich impulsach do szacowania SOH wycofanych baterii do tej pory, ułatwiając ogólność modelu poza fizycznie zmierzonymi zbiorami danych.    Wykres Sankeya dla rozkładu wycofanych baterii, obejmujący typy materiałów katodowych, formaty fizyczne, konstrukcje pojemności i historyczne sposoby użytkowania.   Prąd impulsowy i wynikająca z niego odpowiedź napięcia wycofanych baterii, gdzie cechy są ekstrahowane z punktów zwrotnych, tj. punktów z zerową drugą pochodną krzywej odpowiedzi napięcia. Ekstrahowane są 21 punktów cech, od U1 do U21. Częstotliwość rejestrowania danych surowych wynosi 100 Hz. Czas odpoczynku między każdym impulsem wynosi 25 sekund w C-rate. Należy zauważyć, że termin C oznacza szybkość ładowania (rozładowania), gdy wykonano 1-godzinne ładowanie (rozładowanie). Temperatura otoczenia jest kontrolowana na poziomie 25°C.   Rozkład stanu zdrowia (SOH) (dopasowanie Gaussa) wycofanych baterii o pojemności 2,1 Ah i 21 Ah do ilustracji, odpowiednio. W przypadku rozkładu SOH innych typów baterii, patrz Dodatkowe rys. 1.   Zależność między zmierzoną odpowiedzią napięcia impulsowego a skalibrowanym SOH z testu kalibracji pojemności, przy zmiennych warunkach stanu naładowania (SOC). Przedstawiono pierwszy wymiar cechy, U1.   Ilustracja przykładu generowania danych interpolacyjnych i ekstrapolacyjnych w różnych rozkładach SOC przy wycofaniu baterii. Szczegółowe ustawienia testowe znajdują się w Dodatkowych notatkach 1 i 2, zaznaczając, że ustawienie C-rate jest identyczne dla wszystkich typów materiałów katodowych. Dane źródłowe są dostępne w pliku Source Data. a b c d e W przeciwieństwie do zwykłego testu stałego prądu i stałego napięcia (CCCV), test impulsowy nie wymaga długiego czasu testowania ani nie powoduje dodatkowych uszkodzeń wycofanych baterii. Dlatego używamy wyników CCCV jako wartości referencyjnych pojemności do benchmarkingu SOH. Dane z testów impulsowych są wykorzystywane jako dane treningowe dla modelu uczenia generatywnego. Nawet jeśli typ materiału katodowego baterii się różni, przeprowadzamy znormalizowane i dostępne inżynierię cech, zapewniając kompatybilność w praktycznym zastosowaniu. Rys. 2b przedstawia ekstrakcję cech po wstrzyknięciu impulsu prądu. Ustawienia eksperymentalne CCCV i wstrzykiwania impulsów można znaleźć w Dodatkowej notatce 1. Dla pierwszych pięciu wstrzykniętych impulsów, punkty zwrotne, tj. punkty z zerową drugą pochodną odpowiedzi napięciowych, są rejestrowane jako cechy, co daje cechy 21-wymiarowe. Pomimo czasu impulsu na poziomie 5 sekund, przeprowadziliśmy również pomiar wrażliwości na szerokość impulsu w celu podwójnego celu, jakim jest zweryfikowanie odporności impulsu i dalsze skrócenie czasu testowania, w zakresie od 30 ms do 5 s. Rozważamy przyspieszone starzenie w testach laboratoryjnych (Dodatkowa notatka 2) i rzeczywiste starzenie podczas jazdy pojazdem elektrycznym, chociaż bez podania konkretnych profili jazdy ze względu na ograniczenia prywatności danych. Na rys. 2c przedstawiono rozkład SOH baterii przyspieszonych w laboratorium (NMC, 2,1 Ah) i starzonych podczas jazdy pojazdem elektrycznym (NMC, 21 Ah). Zauważając, że wartości SOH są komplementarne w szerokim zakresie SOH, od 0,6 do 1, zebrane dane są reprezentatywne dla scenariuszy wycofania baterii, w tym również przypadków skrajnego, wczesnego wycofania. Rozkłady SOH innych zebranych baterii (LMO, 10 Ah i LFP 

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 umożliwia zrównoważone ponowne wykorzystanie wycofanych z eksploatacji baterii litowo-jonowych

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Meet Sora: HackerNoon Company of the Week

Google's Gemini AI: A Thought Experiment in Deception

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Meet Sora: HackerNoon Company of the Week

Google's Gemini AI: A Thought Experiment in Deception

Leadzai - The Startup of the Year that Democratizes Access to Online Advertising

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps