
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 przygotowawczym do ponownego użycia i recyklingu. Jednak metody oparte na danych wymagają wyczerpującego kuratorowania danych w warunkach losowego wycofywania baterii z eksploatacji pod względem SOH i stanu naładowania (SOC). Tutaj pokazujemy, że szacowanie SOH wspomagane generatywnym uczeniem jest obiecujące w łagodzeniu problemów niedoboru i heterogeniczności danych, co zostało potwierdzone za pomocą zbioru danych impulsowego z 2700 wycofanych próbek litowo-jonowych baterii, obejmującego 3 typy materiałów katodowych, 3 formaty fizyczne, 4 projekty pojemności i 4 historie użytkowania przy 10 poziomach SOC. Używając wygenerowanych danych, regresor realizuje dokładne szacowanie SOH, ze średnimi bezwzględnymi błędami procentowymi poniżej 6% przy nieznanym SOC. Przewidujemy, że przy założeniu jednolitego wdrożenia proponowanej techniki, pozwoli to zaoszczędzić 4,9 miliarda dolarów w kosztach energii elektrycznej i 35,8 miliarda kg emisji CO2, łagodząc koszty kuratorowania danych dla scenariusza światowego 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 do pozyskania w wielu zadaniach szacowania i predykcji. Wprowadzenie Elektryfikacja transportu, kluczowy sektor transformacji energetycznej niskoemisyjnej , bezprecedensowo przekształciła paradygmat transportu oparty na paliwach kopalnych. Akumulatory litowo-jonowe są kluczowe dla tej transformacji, zapewniając przystępne cenowo, trwałe i bezpieczne dostawy energii dla pojazdów elektrycznych (EV) , . Całkowita pojemność używanych i wycofanych baterii EV przekroczy 32–62 terawatogodzin do 2050 roku, znacznie powyżej szacunków Międzynarodowej Agencji Energii Odnawialnej i scenariuszy Storage Lab . Jednak wycofane baterie EV są silnie regulowane, z ogromną pozostałą wartością pojemności, która jest niewykorzystana, zazwyczaj powyżej 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 Obiecujące strategie rozwiązywania problemów związanych z okresowym wzrostem liczby wycofywanych baterii to ponowne użycie , ,  i recykling . W przypadku ponownego użycia wycofane baterie są ponownie wykorzystywane do zastosowań takich jak systemy magazynowania energii podłączone do sieci , domowe zasilanie  i pojazdy o niskiej prędkości. Jednak ponowne użycie wymaga wstępnych zabiegów przygotowawczych, w tym oceny spójności , sortowania pojemności  i ponownego grupowania ,  w celu spełnienia wymagań aplikacji . Pomimo inicjacji programów pilotażowych , , , brak rygorystycznych standardów dla scenariuszy użytkowania i ścieżek wycofywania utrudnia racjonalne wykorzystanie pozostałej pojemności . Recykling alternatywnie wykorzystuje pozostałe wartości wycofanych baterii poprzez ekstrakcję materiałów lub naprawę strukturalną , , nadaje się do nieodwracalnie zdegradowanych wycofanych baterii. W porównaniu z pirometalurgią i hydrometalurgią , , recykling bezpośredni wyróżnia się lepszą rentownością, niższym zużyciem energii i zmniejszonymi emisjami dwutlenku węgla , , . Wykorzystując uzupełnianie litu i obróbkę katodowych materiałów, recykling bezpośredni osiąga efektywną naprawę struktury materiału i przywrócenie parametrów . Jednak stan zdrowia (SOH) determinuje wymaganą dawkę odczynnika chemicznego i przewidywane dawki uzupełniania litu w formułach strategii recyklingu bezpośredniego , , . Niewystarczająca dawka może prowadzić do niepełnej naprawy, podczas gdy nadmierna dawka może prowadzić do powstawania zasadowych pozostałości na powierzchni katody, pogarszając wydajność regeneracji , . Niestety, odzyskiwanie SOH wymaga inwazyjnej charakterystyki materiału ,  i długotrwałych testów kalibracji pojemności, a nieinwazyjne, szybkie i zrównoważone pozyskiwanie SOH pozostaje znaczącym 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 eksploatacji . Jednak wymagana procedura monitorowania i rejestrowania jest dostępna tylko w fazie serwisowania EV, 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 z całego życia pozostaje głównym wyzwaniem, wymagającym szacowania SOH przy użyciu jedynie 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. warunkowania stanu naładowania (SOC), co jest proste, jednak wymaga nieosiągalnego czasu testowania i dodatkowych kosztów energii elektrycznej. Test charakterystyki mocy impulsowej jest alternatywą dla szacowania SOH poprzez dynamiczne wtryskiwanie impulsów, ale kompletna 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 ledwo zgodne z losowymi warunkami wycofywania SOC . Najnowsze postępy w pomiarach sensorycznych obejmują obrazowanie rentgenowskie , impedancję elektrochemiczną , , czujniki światłowodowe , , czujniki akustyczne , , ładowanie częściowe ,  i wtrysk impulsowy , . Techniki oparte na czujnikach są na etapie laboratoryjnym ze względu na inwazyjność, podczas gdy wtrysk impulsowy cechuje rozplątywanie degradacji baterii bez uszkodzeń fizycznych, jednocześnie szybszy niż metody oparte na ładowaniu częściowym i impedancji elektrochemicznej , , , , , . Jednak wtrysk impulsowy jest metodą zorientowaną na dane, która jest wykonalna tylko przy idealnym założeniu, że fizycznie zmierzone dane obejmują warunki wycofywania fazy wdrażania modelu, znane jako wspólne wyzwanie przesunięcia domen w społeczności uczenia maszynowego. Pomimo postępów w metodach uczenia transferowego i adaptacji domen , , , istnieją wyzwania, ponieważ docelowa domena do dopasowania nadal wymaga wcześniejszej informacji po wdrożeniu, a istniejące metody uczenia trudno jest zaktualizować pod kątem losowych warunków wycofywania . Alternatywą jest rozszerzenie skali testowania danych w nieprzewidzianych warunkach wycofywania, aby złagodzić niedobór i heterogeniczność danych, chociaż może to prowadzić do zwiększenia kosztów. Wang i inni zaproponowali metodę ekstrakcji temperatury w celu interpolacji preferencji kinetyki reakcji w różnych stanach pośrednich podczas procesu termochemicznego, co pozwala na budowanie obszernych baz danych treningowych przy minimalnej skali i koszcie eksperymentów termochemicznych jako augmentacji danych do treningu modelu uczenia maszynowego . Ponadto, uczenie generatywne demonstruje również możliwość szacowania SOH z uzupełnionymi danymi z częściowo cyklowanych profili, oszczędzając wymagane fizycznie testowane dane , . Jednak niedobór i heterogeniczność danych w kontekście ponownego użycia i recyklingu baterii są jeszcze bardziej złożone z powodu mieszanki typów materiałów katodowych, formatów fizycznych, projektów pojemności i historii użytkowania, ograniczając potencjalną integrację wiedzy specyficznej dla warunków degradacji w modelach uczenia maszynowego. W związku z tym rozsądne jest rozważenie zależności między warunkami wycofywania a odpowiedziami napięciowymi impulsowymi w celu generowania danych, bez długotrwałej 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 wstępne przygotowanie wycofanych baterii, tj. szacowanie SOH, przy użyciu danych odpowiedzi napięciowej impulsowej generowanych przez uwagowy autoenkoder wariacyjny przy zaoszczędzonym czasie i kosztach fizycznych pomiarów. Ogólny proces wstępnych kroków przygotowawczych, treningu modelu generatywnego i praktycznych kroków wdrożenia modelu zilustrowano na Rysunku 1. Ideą badania jest wykorzystanie uczenia generatywnego do wykorzystania już zmierzonych danych do eksploracji odpowiedzi napięciowych impulsowych w ciągłych warunkach wycofywania, tj. rozkładu SOC na etapie gromadzenia wycofanych baterii. Następnie wdrażane jest szacowanie SOH bez fizycznie zmierzonych danych odpowiedzi impulsowej, oszczędzając koszty energii elektrycznej na przygotowanie, które w przeciwnym razie byłyby wymagane do warunkowania SOC do przewidywanego poziomu. W porównaniu z metodą całkowania amperogodziny i uczeniem maszynowym impulsów, uczenie generatywne podkreśla szybszą prędkość generowania i dokładne szacowanie. Przy użyciu wygenerowanych danych, prosty regresor z powodzeniem szacuje SOH z niskim błędem w nieznanych lub niedostępnych warunkach wycofywania SOC w bazie danych, co jest trudnym problemem wyjścia poza rozkład (OOD). Problem OOD jest rozwiązywany poprzez uczenie się dziedziczonego wzorca fizycznego między warunkiem SOC a odpowiedzią napięciową indukowaną przez szybki impuls. Demonstrjemy ogólność naszej metody, weryfikując ją na 2700 fizycznie zmierzonych próbkach, obejmujących 3 typy materiałów katodowych, 3 formaty fizyczne, 4 projekty pojemności i 4 historie użytkowania (1 laboratoryjne przyspieszone starzenie, 1 czysty napęd EV i 2 hybrydowe napędy EV). Uczenie generatywne nadaje się do interpolacji i ekstrapolacji poprzez integrację wcześniejszej wiedzy o warunkach wycofywania do skalowania przestrzeni utajonej modelu, oszczędzając czas pomiaru, koszty energii elektrycznej i wynikające z tego emisje dwutlenku węgla, nie wpływając na dokładność szacowania SOH. Konserwatywne globalne studium przypadku wycofywania baterii w 2030 roku podkreśla znaczenie szybkiego i zrównoważonego szacowania SOH w okolicznościach recyklingu pirometalurgicznego, hydrometalurgicznego i bezpośredniego. Dzięki analizie techniczno-ekonomicznej, szacowanie SOH wspomagane generatywnym uczeniem może zaoszczędzić 4,9 miliarda dolarów kosztów energii elektrycznej i 35,8 miliarda kg emisji CO2 do 2030 roku na całym świecie. Dyskutujemy o interpretowalności modelu, implikacjach recyklingu i szerszych aspektach przyszłych kierunków recyklingu wspomaganych uczeniem maszynowym.    Kroki wstępnego przygotowania wycofanej baterii obejmują warunkowanie SOC, pomiary fizyczne, uczenie maszynowe do diagnozy SOH i proces decyzyjny drugiej żywotności przed ponownym użyciem lub recyklingiem. Warunkowanie SOC odnosi się do dostosowania poziomów SOC wycofanych baterii do pożądanych poziomów za pomocą tradycyjnej metody stałego prądu i stałego napięcia (CCCV).   Schemat uwagowego autoenkodera wariacyjnego do generowania danych odpowiedzi napięciowej impulsowej.   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 napięciowe impulsowe podczas fazy wdrożenia.   Korzyści ekonomiczne i środowiskowe oraz szybka prędkość generowania naszej metodologii uczenia generatywnego poprzez oszczędność kosztów warunkowania SOC w globalnym scenariuszu wycofywania baterii w 2030 roku. a b c d Wyniki Pozyskiwanie zbioru danych Niedobór i heterogeniczność danych stanowią główne wyzwania w diagnostyce i prognozowaniu baterii opartym na danych, szczególnie w przypadku wycofanych baterii. Zebraliśmy 2700 próbek z 270 fizycznie wycofanych baterii w szerokim zakresie poziomów SOC, tj. od 5% do 50% z krokiem co 5%. Na Rysunku 2a zbiór danych obejmuje 3 powszechnie stosowane typy materiałów katodowych, w tym 119 fizycznie zebranych baterii NMC (tlenek niklu, manganu i kobaltu), 56 baterii LFP (żelazofosforan litu) i 95 baterii LMO (tlenek manganu litu), obejmujących 3 formaty fizyczne (cylindryczne, płaskie, pryzmatyczne) i 4 wzorce użytkowania (1 laboratoryjny test przyspieszony, 3 użytkowania EV, w tym 1 tryb czysto elektryfikowanego napędu i 2 tryby hybrydowe). Podkreślamy, że włączenie bardzo heterogenicznych próbek testowych czyni nasz zbiór danych największym zbiorem danych opartym na szybkich impulsach do szacowania SOH wycofanych baterii do tej pory, ułatwiając ogólność modelu poza fizycznie zmierzonymi zbiorami danych.    Wykres Sankeya dla dystrybucji wycofanych baterii, obejmujący typy materiałów katodowych, formaty fizyczne, projekty pojemności i historie użytkowania.   Prąd impulsowy i wynikająca z niego odpowiedź napięciowa wycofanych baterii, gdzie cechy są wyodrębniane z punktów zwrotnych, tj. punktów z zerową drugą pochodną krzywej odpowiedzi napięciowej. Wydobyto 21 punktów cech, od U1 do U21. Częstotliwość rejestracji surowych danych wynosi 100 Hz. Czas odpoczynku między każdym impulsem wynosi 25 sekund w stosunku C. Należy zauważyć, że C oznacza szybkość ładowania (rozładowania), gdy wykonano ładowanie (rozładowanie) przez 1 godzinę. Temperatura otoczenia jest kontrolowana na poziomie 25°C.   Rozkład stanu zdrowia (SOH) (dopasowanie Gaussa) wycofanych baterii o pojemności 2,1 Ah i 21 Ah jako ilustracja. Dla rozkładu SOH innych typów baterii można odnieść się do Rysunku Uzupełniającego 1.   Zależność między zmierzoną odpowiedzią napięciową impulsową a skalibrowanym SOH z testu kalibracji pojemności, przy zmiennych warunkach stanu naładowania (SOC). Pokazano pierwszy wymiar cechy, U1.   Ilustracja przypadku generowania danych interpolacji i ekstrapolacji w różnych rozkładach SOC wycofywania baterii. Szczegółowe ustawienia testowe znajdują się w Rysunkach Uzupełniających 1 i 2, należy zauważyć, że ustawienie C jest identyczne dla wszystkich typów materiałów katodowych. Dane źródłowe są dostarczone jako plik danych źródłowych. a b c d e W przeciwieństwie do regularnego testowania CCCV, test impulsowy nie narzuca długiego czasu testowania i dodatkowych uszkodzeń wycofanych baterii. Dlatego używamy wyników CCCV jako wartości pojemności referencyjnych dla SOH. Dane testów impulsowych są wykorzystywane jako dane treningowe dla modelu uczenia generatywnego. Nawet jeśli typ materiału katodowego baterii jest różny, przeprowadzamy standardowe i dostępne inżynierię cech, zapewniając kompatybilność w praktycznym użyciu. Rysunek 2b pokazuje ekstrakcję cech po wtrysku prądu impulsowego. Ustawienia eksperymentalne CCCV i wtrysku impulsowego można znaleźć w Notatce Uzupełniającej 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 sekund, przeprowadziliśmy również pomiar czułości na szerokość impulsu z podwójnym celem weryfikacji odporności impulsu i dalszego skrócenia czasu testowania, w zakresie od 30 ms do 5 s. Rozważamy starzenie przyspieszone w testach laboratoryjnych (Notatka Uzupełniająca 2) i rzeczywiste starzenie podczas jazdy EV, chociaż bez uwzględniania konkretnych profili jazdy ze względu na ograniczenia prywatności danych. Na Rysunku 2c zilustrowano rozkład SOH baterii przyspieszanych w laboratorium (NMC, 2,1 Ah) i baterii starzonych 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, również z ekstremalnymi przypadkami wczesnego wycofywania. Rozkłady SOH innych zebranych baterii (LMO, 10 Ah, i LFP 35 Ah) obejmują szeroki rozkład SOH, patrz Rysunek Uzupełniający 1. Testy impulsowe są powtarzane na różnych poziomach SOC, w zakresie od 5% do 50%, aby zasymulować losowość gromadzenia wycofanych baterii. Testowany zakres SOC jest pod założeniem, że wycofane baterie wykazują niski SOC lub podlegają obowiązkowemu rozładowaniu ze względu na wymogi bezpiecznego przechowywania w magazynie st

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 wspomaga zrównoważone ponowne wykorzystanie wycofanych z eksploatacji baterii litowo-jonowych

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

Meet Sora: HackerNoon Company of the Week

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

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

From Desk to HackerNoon: Your Ultimate Guide on How to Publish a Story

Meet Sora: HackerNoon Company of the Week

Pleasures of the telescope by Garrett Putman Serviss - Table of Links

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps